期刊名： Remote Sensing

期刊主页：https://www.mdpi.com/journal/remotesensing

为表彰在学术创新、科学价值及学术影响力等方面表现突出的优秀研究成果，Remote Sensing期刊组织开展了2024年度最佳论文评选工作。经由期刊编委组成的奖项评审委员会依据论文的学术创新性、科学严谨性、研究质量及学科影响力等指标进行严格评审，最终评选出5篇年度最佳论文。

Remote Sensing期刊谨向所有获奖作者表示热烈祝贺，并向参与本次评审工作的奖项评审委员会成员、期刊编委及主编团队致以诚挚谢意。

获奖名单如下：

一等奖

Advancing Arctic Sea Ice Remote Sensing with AI and Deep Learning: Opportunities and Challenges

利用人工智能与深度学习推进北极海冰遥感：机遇与挑战

通讯作者：

李文雯 教授

美国亚利桑那州立大学（Arizona State University, USA）

https://www.mdpi.com/2072-4292/16/20/3764

文章亮点：

•本文综述了人工智能（AI）特别是深度学习在北极科学中的日益广泛应用，包括北极大数据分析及海冰遥感领域的新发现。

•文章聚焦于深度学习在海冰遥感中的具体应用，包括海冰裂隙检测、厚度估计、密集度与范围预报、运动估算及类型分类。

•作者总结了面向海冰研究的定制化深度学习的技术进展，例如专门设计的损失函数、超分辨率方法及迭代学习等策略，以提升对海冰动态过程的理解与表征能力。

•文章还指出了未来值得探索的若干研究方向，包括增强多模态深度学习能力、提升模型预测不确定性量化精度、进一步利用AI基础模型，以及推动AI与基于物理的模型相融合。

二等奖

Remote Sensing Object Detection in the Deep Learning Era—A Review

深度学习时代遥感目标检测研究综述

通讯作者：

秦荣君 教授

美国俄亥俄州立大学（The Ohio State University, USA）

https://www.mdpi.com/2072-4292/16/2/327

文章亮点：

•文章系统梳理了光学、SAR、LiDAR/摄影测量等多源数据在目标检测中的应用，分析了不同模态数据的成像特性与互补优势，并讨论了卫星、航空、无人机等不同平台的成像差异及其对检测任务的影响。

•文章完整综述了从边界框检测到实例分割、再到全景分割的技术演进脉络，涵盖了基于深度学习的主流检测与分割方法，并讨论了Transformer架构及视觉基础模型等最新进展在遥感目标检测中的适配趋势。

•文章针对遥感数据标注稀缺、类别不平衡等现实难点，系统讨论了元学习、少样本学习、无监督/自监督学习等降低标注依赖的学习范式，并展望了视觉-语言大模型在遥感目标检测中的应用潜力。

•文章整理了遥感目标检测领域的主流公开数据集，并详细列举了在城市交通、灾害响应、船舶监测、基础设施巡检、农业林业等领域的实际应用案例。

Spectral-Spatial Mamba for Hyperspectral Image Classification

用于高光谱图像分类的光谱-空间Mamba

通讯作者：

陈雨时 教授

哈尔滨工业大学

https://www.mdpi.com/2072-4292/16/13/2449

文章亮点：

•本文针对传统Transformer模型因自注意力机制存在计算复杂度高、运行效率低的缺点，提出一种面向高光谱图像（HSI）分类的空谱Mamba（SS-Mamba）模型，解决了现有深度学习模型在高光谱图像分类任务中占用计算资源高的问题。

•本构建了轻量化、结构化的双分支模型架构，整体由光谱-空间标记生成模块与多层堆叠的空谱Mamba模块构成。其中，标记生成模块可将三维HSI数据立方体自适应转换为标准化的空间标记与光谱标记序列，为模型挖掘空-谱特征提供高质量输入。

•本文设计了嵌入特征增强机制的双分支特征提取模块，在每个光谱-空间Mamba单元中，通过两个基础Mamba模块分别独立提取空间特征与光谱特征，并利用高光谱样本中心区域的关键信息自适应调制优化特征标记，实现了空谱信息交互与融合。

•大量实验验证了所提SS-Mamba模型的优越性能。相较于传统Transformer模型，该模型在保证高光谱图像分类精度的同时，降低了计算开销，提升了模型运算效率与数据处理速度，更适用于高光谱图像分类。

三等奖

Flood Detection with SAR: A Review of Techniques and Datasets

基于SAR的洪水检测：技术与数据集综述

通讯作者：

Gerardo Di Martino 教授

意大利那不勒斯费德里科二世大学 （University of Naples Federico II, Italy）

https://www.mdpi.com/2072-4292/16/4/656

文章亮点：

•文章系统梳理了阈值法、模糊逻辑、传统机器学习、以U-Net为代表的深度学习及多源数据融合等方法在洪水检测与淹没范围制图中的应用，并介绍了SAR洪水图与水动力模型的数据同化。

•文章重点分析了淹水植被区（水面—植被二次散射）、城市地区（建筑物—水面二次散射、叠掩和阴影）以及山区（阴影与水体混淆）三大难点场景的SAR成像机理及其应对策略。

•文章汇总了Sen1Floods11、S1S2-Flood等公开数据集，介绍了F1、Precision、Recall等验证指标及参考洪水图的生成方法，为算法的公平比较与结果复现提供借鉴。

Change Detection Methods for Remote Sensing in the Last Decade: A Comprehensive Review

近十年遥感变化检测方法：全面综述

通讯作者：

程光亮 副教授

英国利物浦大学（University of Liverpool, UK）

https://www.mdpi.com/2072-4292/16/13/2355

文章亮点：

•文章从算法粒度（像素级/区域级/混合）、监督模式（无监督/半监督/监督）和学习框架（传统方法/CNN/注意力-Transformer/Mamba）三个正交维度，系统梳理了近十年的变化检测方法，覆盖SAR、多光谱、高光谱、异构数据及3D点云等全数据源。

•文章不仅全面综述了CNN与Transformer架构，还纳入了最新的Mamba架构（如ChangeMamba）及扩散模型等新兴方向，提供了截至2024年的最新技术进展。

•文章系统整理了LEVIR-CD+、WHU-CD、SECOND、3DCD等主流数据集，对比了不同数据源的优劣，并总结了各基准上的SOTA性能表现，为算法选型与公平比较提供依据。

•文章明确指出了多模态深度学习、不确定性预测、AI基础模型、物理模型融合等未来研究方向，为后续研究提供了方向指引。

期刊介绍

主编：Prasad S. Thenkabail, 美国地质调查局西部地理科学中心（WGSC），美国;

汪东东, 北京大学，中国

期刊范围涵盖遥感科学的各个方面，从传感器设计、验证和校准，到其在地球科学、环境科学、生态学和土木工程中的应用。

2025 Impact Factor：4.3

2025 CiteScore：9.4

Time to First Decision：22 Days

Acceptance to Publication：2.9 Days