本研究提出了基于 CNN-RNN 混合特征融合建模的城市洪水预测方法。通过结合卷积神经网络在处理空间特征方面的优势和循环神经网络在分析不同时间序列维度方面的优势，实现了静态和动态洪水预测。通过贝叶斯优化，最佳的混合模型被确定为 LSTM-DeepLabv3+，在各种雨量输入条件下都取得了最高的预测精度。该模型的推理时间大大提高，相对于基于物理的模型的传统计算时间约为 1 / 125。

Apr, 2023

本文研究使用 Recurrent Neural Networks 中的 Long-Short Term Memory（LSTM）模型来进行基于卫星图像时间序列的土地覆盖分类，并与传统方法进行了比较，结果表明 LSTM 模型在处理高度混合的图像分类问题方面表现更具竞争力。

Apr, 2017

本文介绍了一种基于深度学习方法的城市变化检测框架，该框架结合了全卷积网络和强大的循环神经网络，能够在 Sentinel-2 数据集上对城市变化进行更精确的检测。实验结果表明，该框架在测试数据集上达到了 95% 的整体精度和 1.5% 的增加变化类别 F1 值的表现。

Oct, 2019

该研究提出了一种基于深度学习和遥感技术的城市变化检测方法，采用连续多时相卫星图像，结合自注意力和分割技术，有效地识别了城市变化，与其他方法相比表现更加出色。

Jun, 2024

本文介绍一种结合卫星图像数据和深度学习模型的方法，来预测氾水面积。该方法在孟加拉国的历史氾水数据中进行测试，结果表明该方法比传统算法（如 CNN 和阈值算法）效果更好。

May, 2023

本文开发了基于时序相关性的 Pixel R-CNN 模型，可以通过学习多幅图像的时间相关性来进行自动特征提取，从而实现低成本农作物分类，对 15 种作物进行了测试。与传统算法相比，该模型在中北部意大利农业系统拥有支配性经济作物类型的数据集上获得了 96.5％的准确率，为进行多时序分类任务提供了高度准确且低成本的方法。

Apr, 2020

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

该研究提出了一种基于 IrConv+LSTM 的非规则卷积神经网络模型，可用于改善城市自行车共享短期需求预测，其考虑到了非相邻城市之间的联系。该模型在新加坡的无桩共享单车系统和芝加哥、华盛顿、纽约和伦敦的四个基于站点的系统，表现出比其他基准模型更好的性能。

Feb, 2022

在这项研究中，我们将 CNN-LSTMs 的应用扩展到时间序列设置中，利用滞后的水流数据与降水和温度数据相结合，预测水流状况，并在内布拉斯加州的 32 个 HUC8 流域中的 21 个流域中取得了显著的预测性能改进，展示了 Kling-Gupta 效率值的显著增加，从而突出了 CNN-LSTMs 在时间序列设置中的效果，特别适用于准确且鲁棒的水流预测的时空水文建模。

Apr, 2024

本文提出了一种新颖的基于 CNN 和 LSTM 结合的深度学习体系结构来预测未来的交通流量，通过开放数据集进行实验，结果表明该方法具有显著的优势，并从 Granger 因果性的角度对其进行了分析探讨。

Dec, 2016