提出一种名为 READ 的新方法，利用深度神经网络从高分辨率卫星图像中获取任何给定区域的基本空间表示，结合转移学习和嵌入式统计学习显著提取尺寸任意的地区的重要空间特征，在小标签集的情况下，可区分城乡地区的微小差异，预测经济规模且表现最优，为开发中国家提供了潜在利用价值。

Dec, 2019

通过结合编码 - 解码架构和卫星图像的形态学运算，我们开发了一个系统的道路提取框架，为跨学科研究人员提供了一种集成的工作流。在贫困地区的实际数据上进行的道路网络提取的大量实验证明，相比于基准方法，F1 得分提高了 42.7％，重建了大约 80％的实际道路。我们还提出了一个全面的道路网络数据集，涵盖了中国 382 个贫困县约 794,178 平方公里的面积和 17.048 万人口，利用这个生成的数据集进行了贫困县的社会经济分析，结果显示道路网络建设对地区经济发展有积极影响。

Jun, 2024

利用深度学习模型对美国每个 0.01 平方度单元格的高分辨率人口估计进行了研究，并比较了直接调查和解聚群体技术的优劣。

Aug, 2017

通过机器学习从高分辨率遥感图像中提取大规模社会经济指标，以辅助政策决策和人道主义救助，特别是在发展中国家等缺乏可靠数据的地区。

Oct, 2015

通过高分辨率航拍图像，利用监督卷积神经网络和基于视觉词袋的半监督聚类方法，从公开可获取的城市图像准确估计美国各地区的人口密度、家庭收入中位数和教育水平，并开拓用于地理概括和无需标记数据的细粒度信息估计的新的半监督方法。

Sep, 2023

本文提出了一种基于神经网络的区域聚合层，可使用粗粒度的密度聚合来训练像素级密度估计器，从而反映图像区域中对象的数量，使该方法不需要针对密度函数的领域特定假设。我们在几个合成数据集上评估了我们的方法。此外，我们使用该方法从卫星图像中学习估计高分辨率人口和住房密度，并且在所有情况下，我们发现与常用基线相比，我们的方法都能得到更好的密度估计值。我们还展示了如何使用我们的住房密度估计器将建筑分类为住宅或非住宅。

Oct, 2018

本文综合研究了使用卫星图像和机器学习了解可持续发展领域期间所面对的挑战，以及如何将二者有机结合，细致测量各类相关数据，从而量化模型表现，并探讨该研究领域的未来发展。

Sep, 2020

使用公共街道图像进行街区中薄弱群体的生计指标预测，方法分为图像分群和基于图像关系的两种方法，测试结果表明此方法对于贫困、人口和公共卫生等指标的预测精度高

Jun, 2020

使用 Landsat 7 卫星采集的多光谱卫星图像，训练 CNN 模型可以准确地测量发展中国家地方经济生计，即使图像分辨率较低，仍能超越以往的基准结果。

Nov, 2017

提出一种基于知识图谱 (KG) 以及知识注入对比学习 (KnowCL) 模型，能够有效地促进城市图像的表征学习和预测，并结合卫星和街景影像进行可持续发展目标的预测，相较基线模型预测精度有超过 30％的提高。

Feb, 2023