“基于人工智能的遥感参数反演研究” 专刊征稿启事
（一）发起背景
近年来，人工智能已成为新一波产业转型背后的核心驱动力，这将进一步释放技术创新的巨大能量。人工智能与特定行业的结合将导致新技术和新产品的出现，深刻改变人类的思维和生产模式，实现社会和工业生产力的全面飞跃。考虑到深度学习在地学和农业领域的重大潜力，为了促进人工智能在地学和农业领域的应用，有必要加快人工智能与遥感等技术的深度融合，为气象预报、农情监测和农业灾害监测和预测提供关键技术支持，从而促进全球灾害监测和粮食安全。跨学科研究仅处于初步阶段，地学和农学中的大多数深度学习应用仍然是“黑箱”，目前大多数人工智能应用缺乏物理意义、可解释性和普适性。
（二）征稿要求
1．文稿应属于作者原创性科研成果，数据真实可靠，论证合理，符合本专题征稿范围，未在国内外公开发行，不存在一稿多投情况。
2．中文稿件请按照《农业大数据学报》论文模板撰写（详见http://agbigdata.aiijournal.com），从该网站“作者登录”处投稿，投稿时请注明“基于人工智能的遥感参数反演研究”。
3. 英文稿件请投《Remote Sensing》网站：https://www.mdpi.com/journal/remotesensing/special_issues/ZV03FK2D69。 投稿时请选择：Special Issue "Advances in Deep Learning in the Retrieval of Key Parameters of Agrometeorological Remote Sensing"。
（三）征稿范围
本特刊旨在研究人工智能方法在地学和农学遥感参数反演中的应用，同时以数据论文形式发表相关的高质量数据集。主题可以涉及任何内容，包括但不限于：地表温度、土壤湿度，发射率、近地表空气温度、大气水汽含量、降雨等，特别是有关人工智能和大数据方面的理论和技术前沿研究。
（四）专刊主编及编委
主编：毛克彪
中国农业科学院农业资源与农业区划研究所 研究员博导，研究员/教授，全国神农英才，贺兰山特聘学者，中国农业科学院优秀青年一级人才，全国优秀科技工作者，国家粮食和物资储备安全应急专家。主要从事交叉学科研究和推动人工智能在地学和农学中的应用，包括农业大数据（农业灾害和粮食安全，农业气象关键参数反演：地表温度、发射率、近地表空气温度、土壤水分、大气水汽含量、蒸散发等）、农业灾害、草地生态遥感等方面的研究。
编委：
董立新 国家卫星气象中心 研究员
Sayed M. Bateni 夏威夷大学 副教授
Jongmin Park 韩国国立交通大学 教授
蒋玲梅 北京师范大学 教授
（五）重要日期和联系方式
专栏发起人团队简介
专栏发起人团队在人工智能遥感参数反演范式理论、方法方面的一系列进展。
（1）毛克彪, 张晨阳, 施建成, 王旭明, 郭中华, 李春树, 董立新, 吴门新, 孙瑞静, 武胜利, 姬大彬, 蒋玲梅, 赵天杰, 邱玉宝, 杜永明, 徐同仁，基于人工智能的地球物理参数反演范式理论及判定条件.智慧农业, 2023,5(02),1-11.
（2）Mao K, Wang H, Shi J, Heggy E, Wu S, Bateni S M, Du G, A general paradigm for retrieving soil moisture and surface temperature from passive microwave remote sensing data based on artificial intelligence, Remote Sens. 2023, 15, 1793,1-20.
（3）Du B, Mao K, Bateni S M, Meng F, Wang X M, Guo Z, Jun C, Du G, A novel fully coupled physical–statistical–deep learning method for retrieving near-surface air temperature from multisource data. Remote Sens. 2022, 14, 5812, 1-23.
（4）Wang H, Mao K, Yuan Z, Shi J, Cao M, Qin Z, Duan S, Tang B, A method for land surface temperature retrieval based on model-data-knowledge-driven and deep learning, Remote Sensing of Environment, 2021, 265, 1-19.
（5）Mao K, Shi J, Li Z, Tang H, An RM-NN algorithm for retrieving land surface temperature and emissivity from EOS/MODIS data, Journal of Geophysical Research-atmosphere, 2007, 112, D21102, 1-17.
为了进一步推动人工智能在地学和农学方面的应用，受《Remote Sensing》和《农业大数据学报》期刊主编的邀请，我们组织了人工智能方面遥感参数反演研究专刊，与各位同行一起推动人工智能在地学和农学方面的应用，欢迎大家投稿和交流。发起人团队在深度学习参数反演方面的系列研究。
（1）Tan J, Nusseiba N, Mao K, Shi J, Li Z, Xu T, Yuan Z, Deep learning convolutional neural network for the retrieval of land surface temperature from AMSR2 data in China, Sensors, 2019, 19, 2987, 1-20.
（2）Mao K, Zuo Z, Shen X, Xu T, Gao C, Liu G, Retrieval of land-surface temperature from AMSR2 data using a deep dynamic learning neural network, Chinese Geographical Science. 2018, 28,1, 1–11.
（3）Mao K, Li S, Wang D, Zhang L, Tang H, Wang X, Li Z, Retrieval of land surface temperature and emissivity from ASTER1B data using dynamic learning neural network, International Journal of Remote Sensing, 2011, 32(19), 5413-5423.
（4）Mao K, Li H T, Hu D Y, Wang J, Huang J X, Li Z L, Zhou Q B, Tang H J, Estimation of water vapor content in near-infrared bands around 1 μm from MODIS data by using RM–NN, Optics Express, 2010, 18(9), 9542–9554.
（5）Mao K, Tang H, Wang X, Zhou Q, Wang D, Near-surface air temperature estimation from ASTER data using neural network, International Journal of Remote Sensing, 2008, 29(20), 6021-6028.
（6）Mao K, Shi J, Tang H, Li Z, Wang X, Chen K, A neural network technique for separating land surface emissivity and temperature from ASTER imagery, IEEE Trans. Geosci. Remote Sensing, 2008, 46(1), 200-208.
（7）Mao K, Ma Y, Shen X, Li B, Li C, Li Z, Estimation of Broadband emissivity (8-12um) from ASTER data by using RM-NN, Optics Express, 2012, 20(18), 20096-20101.
（8）Cheng J, Liang S, Tzeng Y, Dong L, Obtaining global land-surface broadband emissivity from MODIS collection 5 spectral albedos using a dynamic learning neural network, International Journal of Remote Sensing, 2014, 35(4), 1395-1416.
（9）Dong L, Tang S, Min M, Veroustraete F, Cheng J, Aboveground forest biomass based on OLSR and an ANN model integrating LiDAR and optical data in a mountainous region of China, International Journal of Remote Sensing, 2019, 40(15), 6059-6083.
（10）毛克彪, 杨军, 韩秀珍, 唐世浩, 袁紫晋, 高春雨, 基于深度动态学习神经网络和辐射传输模型地表温度反演算法研究，中国农业信息，2018, 30(5), 47-57.
（11）毛克彪, 唐华俊, 陈仲新, 王永前, 一个用神经网络优化的针对ASTER数据反演地表温度和发射率的多波段算法, 国土资源遥感, 2007, 73 (3), 18-22.（12）毛克彪, 唐华俊, 李丽英, 许丽娜, 一个从MODIS数据同时反演地表温度和发射率的神经网络算法, 遥感信息, 2007,92(4), 9-15.
