本期编辑荐读为您精选2024 上半年Remote Sensing 期刊的高引文章，内容涵盖干旱对冠层损失影响、红树林遥感监测、电离层电子含量预测、森林虫害监测以及无人机作物分类，希望能为相关领域学者提供新的思路和参考，欢迎阅读。

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

2018年1月至2021年4月冠层损失情况图

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。

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

红树林变化结果示例图：(a) 印度尼西亚苏拉威西岛的红树林损失，(b) 亚马逊三角洲的红树林增加，(c、d) 圭亚那的自然红树林动态，(e、f) 几内亚比绍的人为红树林动态和 (g) 由于错误登记造成的虚假红树林收益和损失的一个示例。

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。

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。

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

2020年9月30日Sentinel-2图像的单棵树冠 (ITC) 级别分类图，使用wSVM分类器获得。右下角的灰色区域是发生了风倒事件的区域。线条是等高线，每隔5米间隔。

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%。

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

基于原始文献中研究视觉变换器 (ViT) 模型的ViT模型架构图

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。