近年来，大数据与人工智能技术已经彻底改变了计算机视觉、自然语言处理等学科的发展，也为地球和环境科学带来了巨大变革。本书概述性地介绍了深度学习在遥感、气候学和地球科学中的具体算法和应用。全书分为三部分，即深度学习在遥感图像信息提取中的应用、深度学习对地球科学发展的促进以及物理学与深度学习模型的关系。这三部分由各领域专家撰写的23篇文章组成，每篇文章为一章，每一章都包括了引言、深度学习在特定地球科学中的应用，以及对未来研究的展望。 本书可供从事地球科学及其相关领域的科技人员参考，也可以作为相关专业研究生的教学参考书。

译者前言
前言
致谢
作者清单
缩略语表
第1章 引言
1.1 深度学习方法的分类法
1.2 遥感领域的深度学习
1.3 地球科学和气候学中的深度学习
1.4 本书结构和路线图
第一部分 从遥感图像中提取信息的深度学习
第2章 用稀疏卷积网络学习遥感数据的无监督特征表示
2.1 引言
2.2 稀疏无监督卷积网络
2.2.1 以稀疏性为指导准则
2.2.2 EPLS算法
2.2.3 备注
2.3 应用
2.3.1 高光谱图像的分类
2.3.2 多传感器图像融合
2.4 结论
第3章 地球科学中的生成式对抗网络
3.1 引言
3.2 生成式对抗网络
3.2.1 无监督的GANs
3.2.2 条件式GANs
3.2.3 循环一致的GANs
3.3 遥感和地球科学中的GANs
3.3.1 地球观测中的GANs
3.3.2 地球观测中的条件式GANs
3.3.3 地球观测中的循环式生成对抗网络（CycleGANs）
3.4 GANs在地球观测中的应用
3.4.1 跨卫星的领域适应
3.4.2 从观测中学习模拟地球系统
3.5 结论与展望
第4章 遥感领域的深度自学习
4.1 引言
4.2 稀疏表示
4.2.1 字典学习
4.2.2 自学习
4.3 深度自学习
4.3.1 应用实例
4.3.2 与深度神经网络的关系
4.4 结论
第5章 遥感中基于深度学习的语义分割技术
5.1 引言
5.2 文献回顾
5.3 深度语义分割的基础知识
……
第二部分 通过深度学习改变地球科学
第三部分 物理学和深度学习模型的连接
参考文献