本研究基于深度学习提出一种基线方法 CowNet, 用于同时估计图片中的动物数量和像素级别的位置信息，旨在支持生态研究。此外，我们还提出了一种评估方法，用于考虑噪声标签的不确定性和生态监测任务利益相关者的信息需求。最终，我们利用该方法评估了视觉计数对象场景中的基准方法，发现该模型在 Point Reyes Seashore, CA 地区的三个测试场景中表现最佳，平均精度为 0.56 到 0.61，平均召回率为 0.78 到 0.92。

Jun, 2021

利用卫星图像和深度神经网络结合的方法，通过对 Sentinel-1，Sentinel-2 和 Landsat 8 的数据进行精细处理，成功地对亚马逊森林地区的砍伐情况进行了高准确度的估算。

Jun, 2022

本研究旨在通过运用不同的机器学习和深度学习模型将亚马逊雨林的卫星图像碎片进行分类和标记，并通过 F2 度量来评估分类器的准确性和损失函数。经过预训练的 ImageNet 体系结构用于提取特征，最终实现了 0.927 的最佳 F2 得分。

Jan, 2022

介绍了 CattleEyeView 数据集，这是第一个自顶向下视角的多任务牛视频数据集，可用于牛的计数、检测、姿势估计、跟踪和实例分割，以评估模型在每个任务上的性能。

Dec, 2023

通过多视角学习策略、最新的深度神经网络模型和多模态数据集，采用全面的数据增强和多样化网络方法，能够有效而准确地预测亚马逊雨林地区的森林砍伐情况。

Jun, 2023

该研究提出了一种通过深度学习处理无人机图像，以实现精准、廉价的森林清查分析，从而提高对碳储存的透明度，增进对森林保护项目的信任和投资。

Dec, 2019

利用深度学习技术实现动物自动计数，实验表明，UNet 模型应用高斯密度图训练，以达到快速高效计数目的，特别适用于复杂背景下的航空图像中非洲象和海豚的计数任务，减少了人类对野生动物的干扰，为野生动物保护与和谐相处提供了有效的技术手段。

Jun, 2023

本文通过深度学习算法对热带植树造林项目进行了航空影像、卫星影像和地面实测数据的林区碳储量估算的首次系统比较。结果表明，卫星影像的林区碳储量估算对于热带植树造林项目可能高估地上生物量高达 10 倍，因此航空影像的机器学习算法估测林区碳储量的潜力值得期待，并有必要将本研究扩展到全球，以便比较和选择最合适的碳储量测量方式。

Jul, 2021

利用深度卷积神经网络和多模卫星图像对亚马逊森林的砍伐估测和火灾检测问题进行了研究，并提出了一种新的数据集和处理技术。

Jul, 2023

利用计算机视觉方法建立《第一批卫星图像 -- 牧草质量数据集》，并在基于指数的干旱保险领域提出了应用该数据集的构想，通过协作基准测试工具的结果，该方法在肯尼亚北部的保险计划中显著优于现有技术，有望对随着气候变化而日益恶化的游牧民族对抗干旱的形势产生实质性的改善。

Apr, 2020