关于remote sensing（遥感）的一些概念整理，和其与深度学习发展的关系，阅读论文后对一些概念的整理。
处理数据有：
- 高光谱图像
- 孔径雷达图像
- 高分辨率卫星图像
英文摘要来自：Deep Learning in Remote Sensing: A Comprehensive Review and list of resources
HYPERSPECTRAL IMAGE（高光谱图像）
介绍：
高光谱影像(hyperspectral imaging)是收集及处理整个跨电磁波谱的信息。不像是人类的眼睛，只能接触到可见光。而高光谱的接触机制、比如虾蛄的眼睛它的光谱能够接触到红外线延伸到紫外线的范围。高光谱的能力能够使虾蛄分辨出不同的珊瑚、猎物，或则猎食者，而这些正是人类所缺少的。
工程师们已经制造出可用于农业、矿业、物理以及监控领域的传感器及处理系统。高光谱传感器通过大量的不同波段的电磁频谱来探测物体。实际物体会在电磁频谱中留下具有唯一的“指纹”。这些“指纹”被称为光谱特性并可用来确认被识别物体的组成成分。比如说，石油的光谱特性便可以用来帮助矿质学家们找到油田。
优点：
- 光谱分辨率高、波段众多，能够获取地物几乎连续的光谱特征曲线，并可以根据需要选择或提取特定波段来突出目标特征
- 同一空间分辨率下，光谱覆盖范围更宽，能够探测到地物更多对电磁波的响应特征
- 波段多，为波段之间的相互校正提供了便利
- 定量化的连续光谱曲线数据为地物光谱机理模型引入图像分类提供了条件
- 包含丰富的辐射、空间和光谱信息，是多种信息的综合载体
缺点：
- 数据量大，图像包含几十个到上百个波段，数据量是单波段遥感图像的几百倍；数据存在大量冗余，处理不当，反而会影响分类精度
- 对高光谱图像的分类一方面要求更高的光谱定标和反射率转换的精度，另一方面又因为成像机理复杂，数据量巨大而导致对图像数据预处理困难，包括大气矫正、几何校正、光谱定标和反射率转换等
- 波段多、波段间的相关性高，因此分类需要的训练样本数目大大增多，往往因训练样本不足导致得到的训练参数不可靠(维数灾难)
- 针对常规遥感的处理模型和方法不能满足高光谱图像分类的需求。主要问题之一是统计学分类模型的参数估计问题，其对光谱特征的选择要求很高
相关发展：
Hyperspectral sensors are characterized by hundreds of narrow spectral
bands. This very high spectral resolution enables us to identify the materials
contained in the pixel via spectroscopic analysis. Analysis of hyperspectral data is of great importance in many practical applications, such as land
cover/use classification or change and object detection. Because high-quality
hyperspectral satellite data are becoming available (e.g., via the launch of
EnMAP, planned for 2020, and the DESIS on the International Space Station, planned for 2018), hyperspectral image analysis has been one of the most active research areas within the remote-sensing community over the last decade. Inspired by the success of deep learning in computer vision, preliminary studies have been carried out on deep learning in hyperspectral data analysis, which brings new momentum to this field.
相关任务：
- HYPERSPECTRAL IMAGE CLASSIFICATION
- SAE FOR HYPERSPECTRAL DATA CLASSIFICATION
- ANOMALY DETECTION
SYNTHETIC APERTURE RADAR IMAGES（合成孔径雷达图像）
介绍：
合成孔径雷达（英语：synthetic aperture radar, SAR），又译成合成口径雷达，属于一种微波成像雷达，也是一种可以产生高分辨率图像的（航空）机载雷达或（太空）星载雷达。它在早期系使用透镜成像机制在底片（胶卷）上形成影像，目前则以复杂的雷达数据后处理方法来获得极窄的有效辐射波束（对产生的雷达图像意味着极高的空间分辨率）。它一般安装在移动的载体上对相对静止的目标成像，或反之。自合成孔径雷达发明以来，它被广泛的应用于遥感和地图测绘。
优点：
- All-day，全天24小时可以工作
- All-weather，不受大雾或者云层影响
- 具有一定的穿透能力，比如穿透树木和建筑物
缺点：
- 精度不高，噪点较多
- 个别时候有可能收到电磁干扰
- 会受到大气和土壤湿度的影响，冰雪覆盖也有影响
相关发展：
Over the past several years, many studies related to deep learning for SAR image analysis have been published. Among these, deep learning techniques have been used most in typical applications, including automatic target recognition (ATR), terrain surface classification, and parameter inversion.
相关任务：
AUTOMATIC TARGET RECOGNITION
TERRAIN SURFACE CLASSIFICATION
HIGH-RESOLUTION SATELLITE IMAGES （高分辨率图像）
没有找到确切的定义，不过顾名思义，应该是分辨率很高的卫星，在查阅过程中分辨率在0.41m-2.36m的应该都算高分辨率卫星。
相关任务：
- SCENE CLASSIFICATION
- OBJECT DETECTION
- IMAGE RETRIEVAL
