Á síðustu árum og áratugum hefur orðið gríðarleg aukning í reikniafli tölva, söfnunartíðni, magns og flækjustigs gagna. Þetta þýðir að hefðbundnar aðferðir í merkjafræði og aðferðir við vinnslu, geymslu og flutning gagna eru ekki að ráða nægileg vel við þetta mikla magn flókinna gagna.

Stór gagnasöfn (e. Big Data) er hugtak sem lýsir stórum og flóknum gagnasöfnum sem eru erfið fyrir hefðbundnar úrvinnsluaðferðir.

Djúpur lærdómur (e. Deep Learning) er samheiti yfir aðferðir sem geta lært á sjálfvirkan máta þær upplýsingar sem mestu máli skipta í stórum gagnasöfnum. Í fjarkönnun eru stór gagnasöfn mjög áberandi vegna hraðrar þróunar á skynjurum eins og fjölrása myndavélum.

Meginmarkmið þessa verkefnis er að þróa öflugar aðferðir byggðar á djúpum lærdómi á tvennum mikilvægum sviðum fjarkönnunar.

Í fyrsta lagi er um að ræða sambræðslu (e. image fusion) fjölrásamynda með lága greiningarhæfni (upplausn) og mynda með háa greiningarhæfni sem hafa eina eða fleiri rásir.

Í öðru lagi er það flokkun fjölrásamynda af mjög hárri vídd (e. hyperspectral images).

Í þessu markmiði verður megináhersla lögð á óleiðbeindar aðferðir þar sem auðkenning (e. labeling) gagna fyrir leiðbeindar aðferðir er bæði tímafrek og dýr. Þetta er eitt mikilvægasta svið fjarkönnunar og útfærsla öflugra óleiðbeindra flokkunaraðferða væri mjög mikilvægt framlag á þessu sviði. Að lokum verða þróaðar aðferðir sem sameina þessi tvö meginmarkmið.