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
使用卫星图像通过深度学习模型 ForestNet 对印度尼西亚的森林砍伐进行驱动程序分类，支持自动化的森林砍伐驱动程序分类的未来研究。
Nov, 2020
本文介绍了一个基准数据集ReforesTree，使用RGB无人机图像中的个体树检测，深度学习模型准确地估计了厄瓜多尔六个农林碳补偿区域的森林碳储量，以鼓励该领域的机器学习研究，提高监测、验证和报告在碳补偿项目中的透明度和监督，并通过准确的遥感来推动全球森林再造项目。
Jan, 2022
利用高分辨率遥感图像和先进的深度学习算法，该研究成功地为贝宁生成了首张全国腰果种植地图，并研究了2015年至2021年间种植园面积的扩大以及土地使用变化，发现高密度种植园仅占一半，仍有潜力进行强化，但对保护区的入侵正在增加。
Jan, 2023
本文使用新的视觉Transformer模型在加纳的广泛景观上进行优化，同时优化分类（离散）和回归（连续）损失函数，从而实现了比以前使用的卷积方法更高的准确度。 模型的结果表明，我们提出的离散/连续损失显着提高了对非常高的树（即> 35m）的灵敏度，而对于其他方法，往往会出现饱和效应。 最终，ViT模型的高度图具有更好的地面采样距离和更好的稀疏植被灵敏度，与卷积模型相比，其RMSE仅为3.12m。
Apr, 2023
通过遥感监测土地覆盖对于研究环境变化以及通过作物产量预测确保全球粮食安全至关重要。该研究建立了一个加拿大农田的时间序列数据集，包含了来自10个作物类别的高分辨率图像，并提供用于预测作物类别的模型和源代码，可用于加速土地覆盖的准确连续监测，以促进健壮的农业-环境模型的创建。
May, 2023
基于收割堆的遥感在农田评估中的应用
Aug, 2023
利用机器学习技术结合全球农田数据集和手工标注数据，对尼日利亚进行了10米分辨率的新农田图生成，通过评估和比较不同模型及全球土地覆盖地图的性能，发现现有的WorldCover地图在测试集上表现最佳。
Dec, 2023
本研究解决了全球森林碳储量测量在可扩展性和时间分辨率上的挑战，采用多传感器、多光谱影像和深度学习模型统一预测地上生物量密度、冠层高度和覆盖度，并提供不确定性估计。研究成果展示了模型在全球测试数据集上的显著性能提升，特别是在2023年的全球应用验证了其有效性，并预示着未来碳核算和环境监测的广泛潜力。
Aug, 2024
该研究针对象牙海岸森林监测中的数据不足问题提出了一种新颖的方法，利用深度学习模型对SAR和光学图像进行分析。研究发现，无论在数据覆盖较少的情况下，都能够有效地预测森林与非森林像素的分类，为森林砍伐监测提供潜在的应用价值。
Sep, 2024