精选5篇Remote Sensing期刊2022-2023年高引文章，亮点突出

　　每本期刊每年都有自己的高引文章，今天介绍的是Remote Sensing期刊高引文章，这是mdpi旗下的优秀期刊，接收论文范围是比较广的，5篇高引文章有自己的亮点，可以为相关领域研究学者提供新的研究思路。

　　Remote Sensing 期刊介绍：

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

　　期刊范围涵盖遥感科学所有领域，从传感器的设计、验证和校准到遥感在地球科学、环境生态、城市建筑等各方面的广泛应用。

　　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年干旱后德国森林冠层覆盖损失的首次评估

　　Frank Thonfeld et al.

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

　　文章亮点：

　　(1) 研究使用了大量的Sentinel-2和Landsat-8时间序列数据，引入干扰指数(DI)来量化林冠覆盖的损失。

　　(2) 展示高空间高时间分辨率的林冠覆盖损失地图，为森林管理和科学理解提供了重要的空间显式信息。

　　(3) 揭示了德国林冠覆盖损失的区域差异，提供了基于行政区划的林冠覆盖损失统计数据，有助于揭示区域性问题并支持森林管理决策。

　　高引文章2：

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

　　全球红树林范围变化1996-2020：全球红树林观察3.0版

　　Pete Bunting et al.

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

　　文章亮点：

　　(1) 创建了一个从1996年到2020年的全球红树林覆盖范围和变化的长期时间序列数据集，这是迄今为止最全面的全球红树林变化记录。

　　(2) 该研究开发的红树林范围地图估计准确度为87.4%，这种准确性的评估为全球红树林监测和保护提供了可靠的数据支持。

　　(3) 确定了红树林损失和增益的主要区域，分析了自然过程和人类活动对红树林变化的影响，为制定保护措施提供了科学依据。

　　高引文章3：

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

　　集成机器学习：随机森林、AdaBoost和XGBoost在垂直总电子含量预测中的应用

　　Randa Natras et al.

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

　　VTEC机器学习模型从数据探索、选择、准备到训练、交叉验证，直到最终没有找到具有目标近似函数的机器学习模型的发展流程图。

　　文章亮点:

　　(1) 研究探索了不同的机器学习算法模拟非线性的太空天气过程，并预测未来1小时和24小时的垂直总电子含量 (VTEC) 变化。

　　(2) 研究中使用了集成学习方法，结合多个模型的预测结果形成一个单一的元模型 (Voting Regressor)，提高了预测的准确性和泛化能力。

　　(3) 强调了数据预处理和特征选择在机器学习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遥感数据绘制欧洲云杉树皮甲虫爆发图

　　Michele Dalponte et al.

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

　　文章亮点:

　　(1) 利用Sentinel-2多光谱卫星数据，结合机器学习方法，在个体树冠层面上识别健康树和疫树 (早期和晚期)。

　　(2) 利用多时相数据跟踪疫树疫情的发展。这为了解甲虫疫情的传播动态提供了技术手段。

　　(3) 研究中使用了支持向量机 (SVM) 分类器，并结合了多种植被指数作为输入，检测疫情整体准确率达到83.4%。

　　高引文章5：

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

　　高分辨率无人机图像中杂草和作物分类的Transformer神经网络

　　Reenul Reedha et al.

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

　　文章亮点：

　　(1) 使用基于注意力机制的深度学习网络——视觉变换器 (ViT) 在高分辨率无人机 (UAV) 图像中对杂草和作物进行分类。

　　(2) 研究采用了数据增强和迁移学习策略。这些技术的应用使得ViT模型即使在训练样本有限的情况下也能取得良好的性能。

　　(3) 采用了分层K折交叉验证方法来评估模型性能，确保了模型评估的完整性和准确性。

　　mdpi旗下期刊很多，也有一些是被sci收录刊物，在学术界认可度较高，作者可结合自己的情况选择合适的期刊，尽早的安排投稿事宜。

　　版权声明：文章来源于网络，由本平台整合撰写，版权归原作者或平台所有，分享只为学术交流，如有侵权请联系删除或整改，谢谢。