Potential of Convolutional Neural Networks for Forest Mapping Using Sentinel-1 Interferometric Short Time Series

Diniz Dal Molin Junior, Ricardo Simao und Rizzoli, Paola (2022) Potential of Convolutional Neural Networks for Forest Mapping Using Sentinel-1 Interferometric Short Time Series. Remote Sensing, 14 (6). Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/rs14061381. ISSN 2072-4292.

PDF - Verlagsversion (veröffentlichte Fassung)
12MB

elib-URL des Eintrags:

https://elib.dlr.de/192483/

Dokumentart:

Zeitschriftenbeitrag

Titel:

Potential of Convolutional Neural Networks for Forest Mapping Using Sentinel-1 Interferometric Short Time Series

Autoren:

Autoren	Institution oder E-Mail-Adresse	Autoren-ORCID-iD	ORCID Put Code
Diniz Dal Molin Junior, Ricardo Simao	ricardo.dinizdalmolinjunior (at) dlr.de	https://orcid.org/0000-0003-4103-7910	NICHT SPEZIFIZIERT
Rizzoli, Paola	Paola.Rizzoli (at) dlr.de	https://orcid.org/0000-0001-9118-2732	NICHT SPEZIFIZIERT

Datum:

12 März 2022

Erschienen in:

Remote Sensing

Referierte Publikation:

Open Access:

Gold Open Access:

In SCOPUS:

In ISI Web of Science:

Band:

DOI:

10.3390/rs14061381

Verlag:

Multidisciplinary Digital Publishing Institute (MDPI)

ISSN:

2072-4292

Status:

veröffentlicht

Stichwörter:

Synthetic Aperture Radar; Sentinel-1; forest mapping; deforestation monitoring; deep learning; convolutional neural networks

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 - AI4SAR

Standort:

Oberpfaffenhofen

Institute & Einrichtungen:

Institut für Hochfrequenztechnik und Radarsysteme
Institut für Hochfrequenztechnik und Radarsysteme > Satelliten-SAR-Systeme

Hinterlegt von:

Diniz Dal Molin Junior, Ricardo Simao

Hinterlegt am:

19 Dez 2022 06:16

Letzte Änderung:

19 Okt 2023 13:39

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags