每本期刊每年都有自己的高引文章，今天介紹的是Remote Sensing期刊高引文章，這是mdpi旗下的優(yōu)秀期刊，接收論文范圍是比較廣的，5篇高引文章有自己的亮點(diǎn)，可以為相關(guān)領(lǐng)域研究學(xué)者提供新的研究思路。

　　Remote Sensing 期刊介紹：

　　主編：Prasad S. Thenkabail, USGS Western Geographic Science Center (WGSC), USA

　　期刊范圍涵蓋遙感科學(xué)所有領(lǐng)域，從傳感器的設(shè)計(jì)、驗(yàn)證和校準(zhǔn)到遙感在地球科學(xué)、環(huán)境生態(tài)、城市建筑等各方面的廣泛應(yīng)用。

　　2023 Impact Factor：4.2

　　2023 CiteScore：8.3

　　Time to First Decision：24.7 Days

　　Acceptance to Publication：2.8 Days

　　高引文章1：

　　A First Assessment of Canopy Cover Loss in Germany’s Forests after the 2018–2020 Drought Years

　　2018-2020年干旱后德國森林冠層覆蓋損失的首次評(píng)估

　　Frank Thonfeld et al.

　　https://www.mdpi.com/2072-4292/14/3/562

　　文章亮點(diǎn)：

　　(1) 研究使用了大量的Sentinel-2和Landsat-8時(shí)間序列數(shù)據(jù)，引入干擾指數(shù)(DI)來量化林冠覆蓋的損失。

　　(2) 展示高空間高時(shí)間分辨率的林冠覆蓋損失地圖，為森林管理和科學(xué)理解提供了重要的空間顯式信息。

　　(3) 揭示了德國林冠覆蓋損失的區(qū)域差異，提供了基于行政區(qū)劃的林冠覆蓋損失統(tǒng)計(jì)數(shù)據(jù)，有助于揭示區(qū)域性問題并支持森林管理決策。

　　高引文章2：

　　Global Mangrove Extent Change 1996–2020: Global Mangrove Watch Version 3.0

　　全球紅樹林范圍變化1996-2020：全球紅樹林觀察3.0版

　　Pete Bunting et al.

　　https://www.mdpi.com/2072-4292/14/15/3657

　　文章亮點(diǎn)：

　　(1) 創(chuàng)建了一個(gè)從1996年到2020年的全球紅樹林覆蓋范圍和變化的長(zhǎng)期時(shí)間序列數(shù)據(jù)集，這是迄今為止最全面的全球紅樹林變化記錄。

　　(2) 該研究開發(fā)的紅樹林范圍地圖估計(jì)準(zhǔn)確度為87.4%，這種準(zhǔn)確性的評(píng)估為全球紅樹林監(jiān)測(cè)和保護(hù)提供了可靠的數(shù)據(jù)支持。

　　(3) 確定了紅樹林損失和增益的主要區(qū)域，分析了自然過程和人類活動(dòng)對(duì)紅樹林變化的影響，為制定保護(hù)措施提供了科學(xué)依據(jù)。

　　高引文章3：

　　Ensemble Machine Learning of Random Forest, AdaBoost and XGBoost for Vertical Total Electron Content Forecasting

　　集成機(jī)器學(xué)習(xí)：隨機(jī)森林、AdaBoost和XGBoost在垂直總電子含量預(yù)測(cè)中的應(yīng)用

　　Randa Natras et al.

　　https://www.mdpi.com/2072-4292/14/15/3547

　　VTEC機(jī)器學(xué)習(xí)模型從數(shù)據(jù)探索、選擇、準(zhǔn)備到訓(xùn)練、交叉驗(yàn)證，直到最終沒有找到具有目標(biāo)近似函數(shù)的機(jī)器學(xué)習(xí)模型的發(fā)展流程圖。

　　文章亮點(diǎn):

　　(1) 研究探索了不同的機(jī)器學(xué)習(xí)算法模擬非線性的太空天氣過程，并預(yù)測(cè)未來1小時(shí)和24小時(shí)的垂直總電子含量 (VTEC) 變化。

　　(2) 研究中使用了集成學(xué)習(xí)方法，結(jié)合多個(gè)模型的預(yù)測(cè)結(jié)果形成一個(gè)單一的元模型 (Voting Regressor)，提高了預(yù)測(cè)的準(zhǔn)確性和泛化能力。

　　(3) 強(qiáng)調(diào)了數(shù)據(jù)預(yù)處理和特征選擇在機(jī)器學(xué)習(xí)模型性能中的重要性。

　　高引文章4：

　　Mapping a European Spruce Bark Beetle Outbreak Using Sentinel-2 Remote Sensing Data

　　使用Sentinel-2遙感數(shù)據(jù)繪制歐洲云杉樹皮甲蟲爆發(fā)圖

　　Michele Dalponte et al.

　　https://www.mdpi.com/2072-4292/14/13/3135

　　文章亮點(diǎn):

　　(1) 利用Sentinel-2多光譜衛(wèi)星數(shù)據(jù)，結(jié)合機(jī)器學(xué)習(xí)方法，在個(gè)體樹冠層面上識(shí)別健康樹和疫樹 (早期和晚期)。

　　(2) 利用多時(shí)相數(shù)據(jù)跟蹤疫樹疫情的發(fā)展。這為了解甲蟲疫情的傳播動(dòng)態(tài)提供了技術(shù)手段。

　　(3) 研究中使用了支持向量機(jī) (SVM) 分類器，并結(jié)合了多種植被指數(shù)作為輸入，檢測(cè)疫情整體準(zhǔn)確率達(dá)到83.4%。

　　高引文章5：

　　Transformer Neural Network for Weed and Crop Classification of High Resolution UAV Images

　　高分辨率無人機(jī)圖像中雜草和作物分類的Transformer神經(jīng)網(wǎng)絡(luò)

　　Reenul Reedha et al.

　　https://www.mdpi.com/2072-4292/14/3/592

　　文章亮點(diǎn)：

　　(1) 使用基于注意力機(jī)制的深度學(xué)習(xí)網(wǎng)絡(luò)——視覺變換器 (ViT) 在高分辨率無人機(jī) (UAV) 圖像中對(duì)雜草和作物進(jìn)行分類。

　　(2) 研究采用了數(shù)據(jù)增強(qiáng)和遷移學(xué)習(xí)策略。這些技術(shù)的應(yīng)用使得ViT模型即使在訓(xùn)練樣本有限的情況下也能取得良好的性能。

　　(3) 采用了分層K折交叉驗(yàn)證方法來評(píng)估模型性能，確保了模型評(píng)估的完整性和準(zhǔn)確性。

　　mdpi旗下期刊很多，也有一些是被sci收錄刊物，在學(xué)術(shù)界認(rèn)可度較高，作者可結(jié)合自己的情況選擇合適的期刊，盡早的安排投稿事宜。

　　版權(quán)聲明：文章來源于網(wǎng)絡(luò)，由本平臺(tái)整合撰寫，版權(quán)歸原作者或平臺(tái)所有，分享只為學(xué)術(shù)交流，如有侵權(quán)請(qǐng)聯(lián)系刪除或整改，謝謝。