深圳大学徐南、美国加州大学洛杉矶分校盛永伟、澳大利亚科廷大学宋泳泽、清华大学卢麾共同在国际一区期刊 《International Journal of Digital Earth》 (影响因子 3.7, Q1) 组织专刊"融合多源遥感与人工智能监测地表水资源变化"，敬请投稿。
Integrating Multi-Source Remote Sensing and Artificial Intelligence to Monitor Changes in Surface Water Resources
融合多源遥感与人工智能监测地表水资源变化
内陆水体，包括湖泊、水库、河流和湿地，在保障全球水安全、维持生态系统稳定以及促进人类福祉方面发挥着关键作用。近年来，遥感技术的显著进展（涵盖光学、热红外、雷达和激光雷达等传感器）极大地推动了内陆水系统的多维度监测革命。
本期特刊欢迎原创研究、方法创新和跨学科案例研究，重点讨论可扩展的水资源挑战解决方案。投稿应突出技术严谨性、地理空间相关性与社会影响力，与本期刊“通过遥感与人工智能/机器学习推动全球尺度可持续发展”的宗旨保持一致。
投稿主题包括但不限于：
水体自动提取：基于人工智能的多光谱遥感图像分割方法，用于精确识别湖泊、河流与季节性水体边界
准实时洪水监测：结合SAR/光学遥感数据与深度学习模型，实现快速洪泛区绘制与淹没预测
基于AI的水质预测：利用机器学习对高光谱与多光谱数据反演叶绿素a、浊度及营养物质浓度
多传感器数据融合与水库管理：融合光学、雷达、高度计遥感数据与机器学习模型，监测水库动态变化
气候韧性湿地监测：基于AI的时间序列分析模型，评估极端气候条件下湿地退化趋势（如Landsat/Sentinel数据）
无人机+AI的河流形态分析：基于无人机的可见光/热红外成像技术，实现高分辨率的河岸侵蚀检测
干旱预警系统：整合SMAP土壤湿度、MODIS植被指数与气象数据的集成机器学习模型，实现干旱预报
水生态系统健康评估：可解释人工智能（XAI）框架，将卫星图像与淡水生态系统生物多样性指标关联
城市水足迹分析：融合夜间灯光（VIIRS）、热红外影像与AI模型，量化城市水资源消耗模式
智能灌溉优化：利用机器学习算法，结合蒸散发（LST）和土壤湿度数据，优化精准农业用水
地下水-地表水互馈关系：结合GRACE卫星数据、InSAR沉降图和LSTM神经网络的混合模型，估算含水层补给量
征稿链接：
https://think.taylorandfrancis.com/article_collections/integrating-multi-source-remote-sensing-and-artificial-intelligence-to-monitor-changes-in-surface-water-resources/
投稿截止日期：2025年12月15日
