Une étude comparative des méthodes d'apprentissage profond et traditionnelles pour la télédétection environnementale

En raison de l'accessibilité des données massives provenant de la télédétection et des avancées dans l'apprentissage automatique (ML), les techniques d'apprentissage automatique (ML) ont été largement appliquées dans la recherche en télédétection environnementale. Les cadres modernes d'apprentissage automatique (ML) comme l'apprentissage profond (DL) ont significativement surpassé les anciens modèles en termes de performance. Cette étude se concentre sur les logiciels utilisant un réseau de neurones traditionnel (NN) ainsi que sur les approches d'apprentissage profond (DL) en télédétection environnementale, qui couvre également la cartographie des couvertures terrestres, la récupération des paramètres environnementaux, la fusion de données, la compression d'images et la reconstruction et la prédiction d'informations. Il est également expliqué comment le DL peut être utilisé pour surveiller d'autres aspects de l'écosystème, y compris l'environnement, la gestion de l'eau, les températures de surface du sol et de l'air, la transpiration, les rayons ultraviolets (UV) et la couleur de la mer, tous des facteurs à prendre en compte. Ensuite, l'essai explore les défis et les utilisations potentielles du DL en télédétection environnementale.