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

本研究利用 82000 多篇澳大利亚大学的出版物作为案例研究，通过相似度度量与 OpenAI GPT 模型将这些出版物与可持续发展目标（SDGs）进行映射，结果显示采用相似度度量的模型能够补充 GPT 模型进行 SDG 分类，此外，深度学习方法在处理敏感数据方面更加可靠，并且无需使用商业人工智能服务或部署昂贵的计算资源来运行大型语言模型。研究表明，两种方法的结合可以实现可靠的研究到 SDGs 的映射结果。

Nov, 2023

通过数据驱动系统，自动创建可持续发展目标框架，实现准确预测公司的目标得分，并提供与预测得分相关的数据解释，从而以较低成本提供大量信息。

Aug, 2023

城市化对经济增长有促进作用，但也通过环境恶化对环境造成危害。机器学习已成为一个有很大潜力的工具，通过识别关键的预测特征来跟踪环境恶化。最近的研究专注于利用污染物水平和颗粒物作为环境状态指标来开发预测模型，以勾勒出所面临的挑战。机器学习被用来识别与环境恶化相关的模式。该研究旨在帮助政府识别干预点，改进规划和保护工作，并最终促进可持续发展。

Aug, 2023

本研究比较了不同文本源使用的多个基于文本的系统以监测联合国可持续发展目标，证明了这些系统在真阳性率和真阴性率方面存在显著差异，偏好某些可持续发展目标，且受到分析的文本类型和数量的影响。研究发现汇集多个标注系统的集成模型能改善这些限制，以优于所有现有系统的标注性能。自动化方法应结合集成方法作为推断联合国可持续发展目标研究工作的使用。

Jan, 2023

本文介绍了应用 AI 和地球观测数据对可持续发展目标进行监测的方法，提出了一种基于 U-net 和 SE 块的卫星图像分割模型用于作物检测，同时提出了建立评估基础设施以实现更好实现 SDGs 的未来研究方向。

Jul, 2019

本研究探讨了人工智能在可持续发展的三大支柱（社会、环境、经济）中的影响，以及在农业、废物分类、智慧水管理和暖通空调系统等多个领域中的应用案例，并提出了基于人工智能的可持续发展目标策略。该框架可以减少人工智能的负面影响并促进其长期积极作用，尤其对像孟加拉国这样的发展中国家具有实际意义。

Apr, 2023

可持续全球发展是当前世界面临的最主要挑战之一，平衡社会经济增长与环境可持续性，我们提出了一种监测和量化共享社会经济路径（SSPs）上可持续发展的方法，包括数学推导的评分算法和机器学习方法，将社会经济和环境数据整合以产生可解释的 SSP 对齐度量。初步研究展示了有希望的结果，为应用不同方法监测可持续全球发展奠定了基础。

Dec, 2023

我们用一个名为 PaLM 2 的 LLM 来预测大学课程的联合国可持续发展目标（SDG），并使用它生成训练数据，基于一个嘈杂的人工撰写的课程描述作为输入。我们使用这些数据来训练几个不同的较小语言模型来预测大学课程的 SDGs。该研究有助于更好地使可持续发展目标在大学层面得到应用。在我们的实验中表现最佳的模型是 BART，其 F1 得分为 0.786。

Feb, 2024

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