InSAR变形监测 | 浏览量 : 0 下载量: 1085 CSCD: 0

  • 导出

  • 分享

  • 收藏

  • 专辑

    • InSAR时序形变数据的自监督对比学习聚类方法

    • Self-supervised contrastive learning clustering method for InSAR time series deformation data

    • “最新研究突破：基于自监督对比学习的InSAR时序形变深度聚类方法，有效提升形变信息解译准确性。”
    • 2025年29卷第7期 页码：2442-2456   

      收稿：2024-09-23，

      纸质出版：2025-07-07

    • DOI： 10.11834/jrs.20254393     

    移动端阅览

  • 吴晗飞，俸彬，李梦华，杨梦诗，张震，唐伯惠.2025.InSAR时序形变数据的自监督对比学习聚类方法.遥感学报，29（7）： 2442-2456 DOI： 10.11834/jrs.20254393.
    Wu H F，Feng B，Li M H，Yang M S，Zhang Z and Tang B H. 2025. Self-supervised contrastive learning clustering method for InSAR time series deformation data. National Remote Sensing Bulletin， 29（7）：2442-2456 DOI： 10.11834/jrs.20254393.
  •  
  •  
文章被引用时，请邮件提醒。
提交

相关文章

相关作者

俸彬 昆明理工大学 国土资源工程学院
杨梦诗 云南大学 地球科学学院
张震 昆明理工大学 国土资源工程学院;云南省定量遥感重点实验室(筹);云南省山地灾害天空地一体化智慧监测国际联合实验室
唐伯惠 昆明理工大学 国土资源工程学院;云南省定量遥感重点实验室(筹);云南省山地灾害天空地一体化智慧监测国际联合实验室
吴晗飞 昆明理工大学 国土资源工程学院
李梦华 昆明理工大学 国土资源工程学院;云南省定量遥感重点实验室(筹);云南省山地灾害天空地一体化智慧监测国际联合实验室
单慧琳 无锡学院 江苏省集成电路可靠性技术及检测系统工程研究中心;南京信息工程大学 电子与信息工程学院
王兴涛 南京信息工程大学 电子与信息工程学院

相关机构

南京信息工程大学 电子与信息工程学院
无锡学院 江苏省集成电路可靠性技术及检测系统工程研究中心
武汉大学 测绘遥感信息工程国家重点实验室
武汉大学 遥感信息工程学院
东北石油大学 环渤海能源研究院
0