使用卫星数据的变压器模型现在预测地基雷达图像序列，可在两小时领先时间内，支持大范围的降水预测并为数据稀缺地区提供雷达替代品。

Oct, 2023

本文提出了一种新的方法来解决缺乏标注训练数据在卫星图像的细粒度解释方面的难题，通过将地理参考维基百科文章与其对应位置的卫星图像配对构建名为 WikiSatNet 的新型数据集，并提出了两种学习卫星图像表示的策略。在最新发布的 fMoW 数据集上，本文的预训练策略可以将在 ImageNet 预训练的模型的 F1 分数提高 4.5%。

May, 2019

该研究探索了使用深度学习方法和分布对齐的神经网络嵌入可以提高卫星影像分析的准确性，尤其是在少量样本预测中，显著地超越了多种基线方法，其关键词有卫星图像分析，深度学习，迁移学习，Sentinel 和地区气候分区。

Dec, 2022

使用 WV-Net 模型和对比自监督学习方法，使用近 1000 万个 WV 模式图像进行训练，在估计浪高、气温和多标签分类等多个下游任务中表现出优越性能，并且在无监督图像检索任务中也展现出卓越性能，显示了 WV-Net 嵌入模型在支持地球物理研究中的潜力。

Jun, 2024

用天气和卫星影像结合的逆模型方法，提出了一种深度学习模型 WSTATT，能够精确生成农田作物分布地图，具有较传统方法更好的预测效果和提前五个月预测作物类型的能力，评估结果与作物表现学相一致。

Jan, 2024

本文扩展了基于深度神经网络的天文目标检测算法的能力以适用于光度学和星位学，并提出了使用迁移学习策略来训练神经网络的方法以减少算法中的认知不确定性。 该算法可在 0.125 秒内处理一幅图像并以高精度获得天体对象的类型，位置和大小，可用于增强 WFSATs 的响应速度和检测能力以便探测域内天文事件。

Jun, 2021

在这项研究中，我们使用卫星图像数据来预测电信网络的性能，实验证明模型在不同地区都表现出很好的泛化能力，并且对于新部署的站点提供了一个可行的初始性能估计方法。

Apr, 2024

我们引入了一种基于 Transformer 的神经网络，从地球同步卫星影像生成高分辨率（3km）的合成雷达反射率场，旨在提高高影响天气事件的短期对流尺度预报能力，并在美国数值天气预报的数据同化中提供帮助。与卷积方法相比，我们的结果显示出对各种复合反射率阈值的改善锐度和更高准确性。通过额外的特定大气现象案例研究支持我们的定量研究结果，同时引入了一种新颖的归因方法来指导领域专家理解模型的输出。

Jun, 2024

提出了一个使用生成对抗网络和卷积神经网络相结合的新颖框架，该模型利用所有卫星数据进行训练，只使用高频红外和水汽数据提供强度估计，并且可以将最大估计频率从 3 小时提高到不到 15 分钟。

Oct, 2020

本文介绍了一种卷积神经网络框架来自动地学习匹配地理空间数据中的 空间相关性，使用卫星图像中嵌入的邻域信息实现所需的空间平滑，并且克服了现有方 法的线性假设的局限性。在伦敦、伯明翰和利物浦三个城市的基础上，使用深度神经 网络的特征，相较于空间自回归基线，数据估计精度提高了 57％。

Oct, 2016