Deep Learning for Satellite Image Time Series Analysis: A Review

地球观测（EO）卫星任务提供了超过50年的有关地球和其土地覆盖状态的详细图像。长期任务，如NASA的Landsat、Terra和Aqua卫星，以及最近的ESA的Sentinel任务，每隔几天记录全球的图像。虽然单张图像提供瞬时数据，但重复拍摄同一区域的图像或卫星图像时间序列（SITS）提供有关植被和土地使用变化状态的信息。这些SITS对于建模动态过程和季节性变化，如植物物候，具有潜在的益处。它们在土地和自然资源管理的许多方面都有潜在的好处，包括在农业、森林、水资源和灾害管理、城市规划和采矿等应用。然而，由此产生的卫星图像时间序列（SITS）是复杂的，融合了时间、空间和光谱维度的信息。因此，深度学习方法经常被部署，因为它们可以分析这些复杂的关系。本综述介绍了利用深度学习方法从SITS数据建模环境、农业和其他地球观测变量的最新方法。我们旨在为对使用深度学习技术增强带有时间信息的地球观测模型感兴趣的遥感专家提供资源。

本论文旨在介绍使用深度学习方法对卫星图像时间序列（SITS）数据进行建模的最新研究进展，以提供一种利用时间信息增强地球观测模型的方法。

论文提出了使用深度学习方法对复杂的SITS数据进行建模的方案，包括对时间、空间和光谱维度的分析，以实现对环境、农业和其他地球观测变量的建模。

论文介绍了当前使用深度学习方法进行SITS数据建模的最新研究进展，包括卫星图像的预处理、模型选择和评估等方面。实验使用了多个公开数据集，并提供了开源代码。值得关注的是，论文还探讨了深度学习方法在不同应用场景下的效果，并提供了未来研究的方向。

在最近的相关研究中，也有类似使用深度学习方法对SITS数据进行建模的研究。例如，"Deep Learning for Time Series Classification: A Review"、"Deep Learning for Earth Observation with Sentinel-2: A Review"等。