每本期刊每年都有自己的高引文章，今天介紹的是Remote Sensing期刊高引文章，這是mdpi旗下的優秀期刊，接收論文范圍是比較廣的，5篇高引文章有自己的亮點，可以為相關領域研究學者提供新的研究思路。

　　Remote Sensing 期刊介紹：

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

　　期刊范圍涵蓋遙感科學所有領域，從傳感器的設計、驗證和校準到遙感在地球科學、環境生態、城市建筑等各方面的廣泛應用。

　　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年干旱后德國森林冠層覆蓋損失的首次評估

　　Frank Thonfeld et al.

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

　　文章亮點：

　　(1) 研究使用了大量的Sentinel-2和Landsat-8時間序列數據，引入干擾指數(DI)來量化林冠覆蓋的損失。

　　(2) 展示高空間高時間分辨率的林冠覆蓋損失地圖，為森林管理和科學理解提供了重要的空間顯式信息。

　　(3) 揭示了德國林冠覆蓋損失的區域差異，提供了基于行政區劃的林冠覆蓋損失統計數據，有助于揭示區域性問題并支持森林管理決策。

　　高引文章2：

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

　　全球紅樹林范圍變化1996-2020：全球紅樹林觀察3.0版

　　Pete Bunting et al.

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

　　文章亮點：

　　(1) 創建了一個從1996年到2020年的全球紅樹林覆蓋范圍和變化的長期時間序列數據集，這是迄今為止最全面的全球紅樹林變化記錄。

　　(2) 該研究開發的紅樹林范圍地圖估計準確度為87.4%，這種準確性的評估為全球紅樹林監測和保護提供了可靠的數據支持。

　　(3) 確定了紅樹林損失和增益的主要區域，分析了自然過程和人類活動對紅樹林變化的影響，為制定保護措施提供了科學依據。

　　高引文章3：

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

　　集成機器學習：隨機森林、AdaBoost和XGBoost在垂直總電子含量預測中的應用

　　Randa Natras et al.

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

　　VTEC機器學習模型從數據探索、選擇、準備到訓練、交叉驗證，直到最終沒有找到具有目標近似函數的機器學習模型的發展流程圖。

　　文章亮點:

　　(1) 研究探索了不同的機器學習算法模擬非線性的太空天氣過程，并預測未來1小時和24小時的垂直總電子含量 (VTEC) 變化。

　　(2) 研究中使用了集成學習方法，結合多個模型的預測結果形成一個單一的元模型 (Voting Regressor)，提高了預測的準確性和泛化能力。

　　(3) 強調了數據預處理和特征選擇在機器學習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遙感數據繪制歐洲云杉樹皮甲蟲爆發圖

　　Michele Dalponte et al.

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

　　文章亮點:

　　(1) 利用Sentinel-2多光譜衛星數據，結合機器學習方法，在個體樹冠層面上識別健康樹和疫樹 (早期和晚期)。

　　(2) 利用多時相數據跟蹤疫樹疫情的發展。這為了解甲蟲疫情的傳播動態提供了技術手段。

　　(3) 研究中使用了支持向量機 (SVM) 分類器，并結合了多種植被指數作為輸入，檢測疫情整體準確率達到83.4%。

　　高引文章5：

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

　　高分辨率無人機圖像中雜草和作物分類的Transformer神經網絡

　　Reenul Reedha et al.

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

　　文章亮點：

　　(1) 使用基于注意力機制的深度學習網絡——視覺變換器 (ViT) 在高分辨率無人機 (UAV) 圖像中對雜草和作物進行分類。

　　(2) 研究采用了數據增強和遷移學習策略。這些技術的應用使得ViT模型即使在訓練樣本有限的情況下也能取得良好的性能。

　　(3) 采用了分層K折交叉驗證方法來評估模型性能，確保了模型評估的完整性和準確性。

　　mdpi旗下期刊很多，也有一些是被sci收錄刊物，在學術界認可度較高，作者可結合自己的情況選擇合適的期刊，盡早的安排投稿事宜。

　　版權聲明：文章來源于網絡，由本平臺整合撰寫，版權歸原作者或平臺所有，分享只為學術交流，如有侵權請聯系刪除或整改，謝謝。