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

基于光学和合成孔径雷达卫星影像，我们提出了一种基于注意力引导的 UNet 架构的森林砍伐估计方法，通过训练和验证模型，得出了 93.45% 的像素准确率和 0.79 的 F1 分数与 0.69 的 IoU。

Jul, 2023

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

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

MultiEarth 2022 竞赛将对亚马逊雨林的砍伐进行监测和分析，包括三个子挑战：矩阵补全、砍伐估计和图像转换。竞赛旨在为多模态信息处理提供公共基准，并将地球、环境科学社区以及多模态表征学习社区聚集在一起，以在定义良好且严格可比的条件下比较各种多模态学习方法在砍伐估计方面的相对优劣。

Apr, 2022

通过利用合成孔径雷达（SAR）多时相数据来监测巴西雨林中的森林砍伐，并提出了三种增强森林砍伐检测准确性的深度学习模型，其中 RRCNN-1 具有最高准确性和最短处理时间。

Oct, 2023

该论文提出了一种采用 UMDA 算法选择 Landsat-8 的光谱波段，并通过 DeepLabv3 + 进行语义分割的新框架，用于监测热带森林的破坏。实验结果表明，使用 UMDA 算法选择的最佳组合 (651) 在分割分类任务中获得超过 90％的平衡准确性，效率和有效性优于其他组合。

Nov, 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

该研究引入了一种新颖的框架，利用 Univariate Marginal Distribution Algorithm（UMDA）从 Landsat-8 卫星中选择光谱波段，优化破坏森林地区的表示。这种选择指导了语义分割架构 DeepLabv3+，提高了其性能。实验结果表明，与常用组合相比，几种波段组合在破坏森林检测中实现了较高的平衡准确度，通过支持向量机（SVM）进行分割分类。此外，UMDA 方法确定的最佳波段组合提高了 DeepLabv3 + 架构的性能，超过了本研究中比较的最先进方法。选择少数波段胜过全部波段的观察结果与深度学习领域普遍存在的数据驱动范式相矛盾。因此，这表明了对 “越多越好” 传统观念的例外。

Apr, 2024

通过使用 UAV 监测森林环境的变化，本研究介绍了一个新的大型航拍数据集，用于森林巡视任务，该数据集包含了真实和虚拟记录的自然环境，密集标注的语义分割标签和深度图，并研究了不同采集条件下多尺度神经网络的性能以及从虚拟数据到真实数据的迁移学习能力，结果表明，最佳结果来自于包含多种情景的数据集，而非将数据按特定类别分离。还开发了一个评估地区森林破坏程度的框架。

Mar, 2024