elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Deep Learning and Earth Observation to Support the Sustainable Development Goals: Current approaches, open challenges, and future opportunities

Persello, Claudio und Wegner, Jan Dirk und Hänsch, Ronny und Tuia, Devis und Ghamisi, Pedram und Koeva, Mila und Camps-Valls, Gustau (2022) Deep Learning and Earth Observation to Support the Sustainable Development Goals: Current approaches, open challenges, and future opportunities. IEEE Geoscience and Remote Sensing Magazine (GRSM), 10 (2), Seiten 172-200. IEEE - Institute of Electrical and Electronics Engineers. doi: 10.1109/MGRS.2021.3136100. ISSN 2168-6831.

[img] PDF - Preprintversion (eingereichte Entwurfsversion)
815kB

Offizielle URL: https://ieeexplore.ieee.org/abstract/document/9681713

Kurzfassung

The synergistic combination of deep learning (DL) models and Earth observation (EO) promises significant advances to support the Sustainable Development Goals (SDGs). New developments and a plethora of applications are already changing the way humanity will face the challenges of our planet. This article reviews current DL approaches for EO data, along with their applications toward monitoring and achieving the SDGs most impacted by the rapid development of DL in EO. We systematically review case studies to achieve zero hunger, create sustainable cities, deliver tenure security, mitigate and adapt to climate change, and preserve biodiversity. Important societal, economic, and environmental implications are covered. Exciting times are coming when algorithms and Earth data can help in our endeavor to address the climate crisis and support more sustainable development.

elib-URL des Eintrags:https://elib.dlr.de/191309/
Dokumentart:Zeitschriftenbeitrag
Titel:Deep Learning and Earth Observation to Support the Sustainable Development Goals: Current approaches, open challenges, and future opportunities
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Persello, ClaudioNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Wegner, Jan DirkNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Hänsch, Ronnyronny.haensch (at) dlr.dehttps://orcid.org/0000-0002-2936-6765NICHT SPEZIFIZIERT
Tuia, DevisNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Ghamisi, PedramNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Koeva, MilaNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Camps-Valls, GustauNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:Juni 2022
Erschienen in:IEEE Geoscience and Remote Sensing Magazine (GRSM)
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
Band:10
DOI:10.1109/MGRS.2021.3136100
Seitenbereich:Seiten 172-200
Verlag:IEEE - Institute of Electrical and Electronics Engineers
ISSN:2168-6831
Status:veröffentlicht
Stichwörter:Deep Learning, Earth Observation, Sustainable Development Goals
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Künstliche Intelligenz
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Hochfrequenztechnik und Radarsysteme > SAR-Technologie
Hinterlegt von: Hänsch, Ronny
Hinterlegt am:01 Dez 2022 13:15
Letzte Änderung:19 Jul 2023 08:53

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.