机器学习、深度神经网络、人工智能、地球观测和数据集是这篇研究论文的主要关键词，通过文章的回顾和资源描述，为未来发展提供了展望。

Oct, 2023

通过预测与未来天气相关的卫星图像，借助大规模数据集和深度神经网络模型进行天气预测，从而有助于农作物产量预测、森林健康评估或生物多样性监测等下游应用。

Apr, 2021

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

本文介绍了地球观测所面临的机器学习等技术对于从原始数据到可用信息转化的必要工具和方法，并探讨了这些发展的挑战及其影响，包括计算机视觉、机器学习、高级处理和计算、以知识为基础的人工智能、可解释的人工智能和因果推断、物理感知模型、以用户为中心的方法以及与大规模使用机器学习技术相关的伦理和社会问题的讨论。

May, 2023

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

深度学习在遥感数据分析等领域取得了巨大进展，但由于神经网络在解释性上的缺陷，对其缺乏可解释性和可解读性仍然存在批评。为解决这一问题，用于遥感图像分析的可解释人工智能技术近来得到了广泛的研究。本章根据突出的地球观测应用领域进行组织，介绍了可解释遥感影像分析领域的最新发展。

Nov, 2023

人工智能和地球观测技术的融合带来了前所未有的能力，特别是在环境监测、灾害响应和气候变化分析等全球性挑战中，人工智能对来自地球观测平台的数据分析具有重要影响。然而，快速整合人工智能需要仔细考虑其在这些领域中的应用所固有的责任维度。本文代表了在系统定义人工智能和地球观测交叉领域方面的开创性努力，重点关注负责任的人工智能实践。具体来说，我们从学术界和工业界的角度在地球观测领域确定了几个重要的方面：以社会公益为目标的人工智能和地球观测、减少不公平偏见、地球观测中的人工智能安全、地理隐私和隐私保护措施，以及基于道德原则指导人工智能使用。此外，本文还探讨了潜在的机遇和新兴趋势，为未来研究提供了有价值的见解。

May, 2024

本文介绍了 AiTLAS 基准测试套件，它是用于评估地球观测中图像分类的最先进深度学习方法的开源基准测试套件。我们对 500 多种模型进行了全面比较分析，以 22 个不同大小和属性的数据集为基础，并将它们与各种多类别和多标签分类任务进行比较，找到了一个通用而有效的模型。

Jul, 2022

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

利用深度学习方法对卫星图像时间序列数据进行环境、农业和其他地球观测变量的建模的最新方法进行了综述，为遥感专家提供了一个利用时间信息增强地球观测模型的资源。

Apr, 2024