随着卫星遥感、无人机、物联网等技术的发展，地球时空大数据不断累积，如何从地球大数据中高效挖掘知识、模式及规则，成为地球系统科学研究的难点及重点。常规统计及机器学习方法存在诸多局限，本书将深度学习纳入地学系统科学问题框架，从地球及遥感科学的背景及视角系统阐述深度学习的基本原理，并提供了典型的应用实例。通过阅读本书，期待读者在面对影响因素繁杂的地学领域的过程演化、地表参数反演、地物对象识别等实际问题时，能够化繁为简，找到合适的原理及解决方法。
全书共分三部分，即基础篇、方法篇及遥感地学分析篇：基础篇是机器学习及深度学习的基础；方法篇则系统描述了深度学习的方法及特点；遥感地学分析篇概括了深度学习在遥感地学分析系统的建模架构与典型的应用。
本书适合信息科学、数据科学、地学及遥感等相关专业的学生和研究人员阅读与参考。

前言
基础篇
第1章 概率论
1.1 概率的本质
1.2 典型概率分布
1.2.1 伯努利分布
1.2.2 二项分布
1.2.3 贝塔分布
1.2.4 多项分布
1.2.5 狄利克雷分布
1.2.6 高斯分布
1.2.7 学生t分布
1.2.8 指数及拉普拉斯分布
1.3 随机变量的数字特征及信息测度
1.4 指数族分布函数
1.5 混合分布
1.6 小结
参考文献
第2章 线性代数
2.1 基本数据类型
2.2 基本运算
2.3 求导运算
2.4 特征值提取及主成分分析
2.5 奇异值分解
2.6 小结
参考文献
第3章 MCMC随涵拟
3.1 问题的提出
3.2 蒙特卡罗方法
3.2.1 方法基础
3.2.2 拒绝性抽样
3.2.3 重要性抽样
3.3 MCMC方法
3.4 M-H采样
3.5 Gibbs采样
3.6 应用实例
3.6.1 模拟Beta分布的概率分布
3.6.2 采用Gibbs抽样模拟二维正态分布
3.6.3 模拟退火求极值问题
3.7 小结
参考文献
第4章 变分优化法
4.1 问题的提出
4.2 泛函
4.3 变分法
4.4 EM算法
4.5 最大熵变分方法
4.6 求后验分布的变分推断
4.7 小结
参考文献
第5章 机器学习基础
5.1 学习目标
5.2 评价标准
5.2.1 基于概率的评价标准
5.2.2 基于损失函数的评价标准
5.2.3 基于信息论的评价标准
5.3 监督学习方法
5.3.1 单学习器
5.3.2 集成学习器
……
方法篇
遥感地学分析篇
索引
彩图