为支持美国城市可持续发展目标研究，我们利用深度学习模型开发了一个卫星图像数据集，涵盖了五个可持续发展目标和 25 个指标。该数据集覆盖了美国最多人口的 100 个城市以及对应的人口普查街区组，时间跨度为 2014 年至 2023 年。该数据集将帮助城市决策者和研究人员推进城市中与可持续发展目标相关的研究，尤其是应用卫星图像监测城市中的长期和多尺度可持续发展目标。

Aug, 2023

利用卫星图像和机器学习的组合可以估算出类似于面对面采访和家庭调查的贫困水平，然而在机器学习解释性方面还需要更多的研究探索。通过评估透明性、可解释性、领域知识三个核心要素，我们发现机器学习的可解释性是支持贫困研究更广泛传播和接受的关键。

Mar, 2022

使用卫星图像与机器学习相结合，可以远程估计数据贫乏地区的社会经济和环境条件，而这种方法可能会受到资源需求的限制。该研究表明，一种单一的卫星图像编码可以概括各种预测任务的要求，如林地覆盖、房价和道路长度。该方法不仅能够在成本低的情况下达到与深度神经网络相同的准确率，而且同时具有全球扩展性、标签分辨率和不确定性特性，因此实现成果共享。

Oct, 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

本文研究了如何处理在应用深度学习技术识别危机管理时，数据高度不平衡的情况，探讨了多种技术并提出了一套综合方法，旨在提高少数类别分类的性能和模型可靠性。

Apr, 2020

本文提出了通过使用遥感数据和卷积神经网络预测非洲的基础设施质量，成功地推动可持续发展目标的落实。在使用 Landsat 8 遥感数据时，我们的模型表现出要比使用 OpenStreetMap 或夜晚光线强度分析的模型更为卓越的预测结果，可以准确地预测电力、排污、自来水和道路建设的基础设施质量。此外，该模型还可以在精细调整后在未知国家和限制样本的地区内进行预测。

Jun, 2018

利用卫星图像、卷积神经网络等技术，开发了一种监测道路基础设施的模型，并取得了较为优异的分类效果，该方法可在交通运输等众多领域具有广泛应用前景。

Dec, 2018

研究以 2014 年至 2024 年间的遥感影像为基础的贫民窟绘图，重点关注深度学习方法，展示了越来越复杂的神经网络结构、数据预处理和模型训练技术的进步，以显著提高贫民窟识别精确度，评估了在全球不同地理环境中有效的关键方法，并提出了克服数据限制和模型解释性不足等挑战的潜在策略。

Jun, 2024

利用遥感技术和深度卷积神经网络，分析大规模卫星图像数据中的城市土地利用模式，并提供数据集以供遥感应用的机器学习研究人员使用。

Apr, 2017

本研究利用来自 Sentinel-2 卫星图像的各种光谱波段组合，采用深度学习和基于像素的机器学习方法，对熏衣草田进行精准农业的精确分割，得出了 Dice 系数为 0.8324 的 U-Net 结构的最终模型，同时，我们的研究还强调了像素方法和红绿蓝光谱波段组合在这一任务中的意外功效。

Nov, 2023