利用地球成像卫星阵列进行快速更新基础地图的先进机器学习技术，结合 SpaceNet 的图像标签与公共奖项竞赛加速影像判读自动化的建筑与道路网络提取，以解决人工标记不足的问题。

Jul, 2018

本文综述了 400 多个公共数据集，包括土地利用 / 覆盖、变化 / 灾害监测、场景理解、农业、气候变化和天气预报。通过对数据集进行系统分析，我们基于其属性提出了评估标准，并发布了用于评估深度学习方法的新平台 EarthNets，从而弥合了遥感和机器学习社区之间的差距。

Oct, 2022

我们提供了一个全球范围、高质量、多样性广泛、描述详细的图像 - 文本数据集 ChatEarthNet，其中包含由 ChatGPT-3.5 生成的 163,488 个图像 - 文本对及额外的由 ChatGPT-4V 生成的 10,000 个图像 - 文本对，这对于远程感知的视觉语言基础模型的训练和大型视觉语言模型的评估具有重要潜力，并将供公众使用。

Feb, 2024

本文介绍了 BigEarthNet—— 一个新的大规模多标签 Sentinel-2 基准数据集，它可以为深度学习提供更方便的训练源，并在遥感图像场景分类问题方面显示出明显的优越性。

Feb, 2019

利用深度神经网络，MetNet 能在高达 1 km² 的空间分辨率下、每 2 分钟一个时间间隔内预测未来 8 小时的降水情况。它使用轴向自注意力来聚合来自一个对应于 1 百万平方千米的大型输入块的全局上下文。研究表明，在大陆尺度上，MetNet 在各种降水阀值下的预测性能优于数值天气预报长达 7 至 8 小时。

Mar, 2020

本文介绍 DeepGlobe 2018 卫星图像理解挑战赛，包括分割、检测和分类任务，旨在提高计算机视觉领域对遥感数据的关注，评估卫星图像理解方法并为未来的研究提供参考基准。

May, 2018

本文介绍一种针对 Sentinel-2 卫星图像进行土地利用和土地覆盖分类的方法，提供了一个包含 13 个光谱波段及 10 类共 27,000 个标记和地理参考图像的新数据集，并使用最先进的深度卷积神经网络提供了基准测试。通过这一分类系统，可以用于检测土地利用和土地覆盖的变化，并帮助改进地理地图。

Aug, 2017

这篇文章介绍了一种名为 DynamicEarthNet 的数据集，其中包含每日地球观测数据和 7 种土地利用和覆盖类别的高质量标签，提供了研究土地利用演变方面的极其有用的资源。此外，文章还提出了一个新的评估指标 SCS 以应对时间序列语义变化分割中的特定挑战，并比较了几个半监督学习和时空学习的基线方法。

Mar, 2022

利用 Copernicus 计划（ESA）的 Sentinel 卫星和 Google Earth Engine 的云计算设施，我们提供一个包括 180,662 个样本的数据集，该数据集由双极化合成孔径雷达（SAR）图像，多光谱 Sentinel-2 图像和 MODIS 地表覆盖映射的三元组组成，拥有 10 m 的地面采样距离，并覆盖所有有人居住的大陆和所有气象季节。期望该数据支持社区开发面向场景分类或地表映射的语义分割等常见任务的深度学习算法。

Jun, 2019

通过使用 2D U-Net 模型进行空时特征学习，通过重要性采样和数据集准备，以及研究交叉熵损失函数、条件时间领先和上采样方法，提升天气预报准确性。

Nov, 2023