通过机器学习从高分辨率遥感图像中提取大规模社会经济指标，以辅助政策决策和人道主义救助，特别是在发展中国家等缺乏可靠数据的地区。

Oct, 2015

针对在没有足够地面数据的情况下快速制定农地地图的需求，该研究提出了一种利用机器学习进行快速地图绘制的方法，并在10天内为多哥制定了高分辨率农地地图，以应对新冠肺炎疫情带来的问题。

Jun, 2020

该研究论文介绍了一种利用农作物统计数据来纠正卫星遥感影像分类器的方法，以提高精度；该方法可用于任何类型的分类器，作者已在Occitanie，法国和Kenya西部省份使用Linear Discriminant Analysis（LDA）成功应用。

Sep, 2021

使用人工智能技术结合卫星遥感图片，在多个验证基础上生成了科特迪瓦和加纳可可种植区的高精度地图，结果显示可可种植是科特迪瓦和加纳保护区森林损失的根本驱动力之一，官方报告的种植区域被严重低估，这些地图有助于进一步认识可可种植区的保护和经济发展。

Jun, 2022

本篇论文介绍了一个包含同期多光谱、热学和微波数据以及关键的稻作参数注释的数据集——SICKLE，并在三个不同的任务上对其进行了基准测试，即庄稼类型、生长季日期（播种、移栽、收获）和预测收成，并提出了使用根据观察到的生长季节和 tamalnadu 农业大学获取的标准季节信息生成的时间序列数据的收成预测策略。该数据集提供了一个可以训练机器学习模型来进行农业遥感的研究方向。

Sep, 2022

基于收割堆的遥感在农田评估中的应用

Aug, 2023

我们开发了一种利用深度学习和Google街景图像生成作物类型地面参考的自动化系统，能够通过利用异源图像从不同领域预测作物类型，并将预测的标签与遥感时序图像相结合，从而在泰国获得91%的精确度，从而实现了在全球范围内扩展地图作物类型的目的，特别是在未受服务的小农户地区。

Sep, 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

棕榈油生产被确认为热带国家森林砍伐的主要原因之一，在供应链目标实现过程中，商品生产商和其他利益相关方需要及时了解供应区的土地覆盖动态数据。本研究提出了一种“社区模型”，这是一个由许多不同利益相关方提供的汇总数据进行训练的机器学习模型，用于开发一种特定的土地覆盖概率地图，即半全球油棕地图。该方法的优势在于包括多样化的输入，可以根据新的训练数据轻松更新模型，并在提供输入影像的任何年份运行模型。将多样化的数据源整合成一个概率地图有助于利益相关方共同理解土地覆盖或商品（在本例中为棕榈油）的存在和缺失。模型的预测因子是由Sentinel-1、Sentinel-2和ALOS DSM提供的公开卫星影像建立的年度复合图像。我们提供的地图输出是给定像素中棕榈的概率，以反映底层状态（是否为棕榈树）。根据空间分区的测试数据，该模型的初始版本在全球范围内的准确性约为90%（在0.5概率阈值下）。这个模型和生成的油棕概率地图产品对于准确确定棕榈种植的地理范围非常有用。结合及时的森林砍伐信息使用，这个棕榈模型对于了解在敏感森林区域持续扩张油棕种植的风险非常有用。

May, 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