该研究通过合成孔径雷达（SAR）和可见 - 近红外 - 短波红外（VNIR-SWIR）成像技术，对土地利用 / 土地覆盖（LULC）分类进行了协同组合的探索，旨在研究这种融合对 LULC 分类的影响。研究通过集成随机森林（RFE）的方法，引入随机旋转以克服随机森林的局限性，并通过比较不同旋转方法的性能来提高分类器的效能。实验结果表明，基于 SRP 的 RFE 在前两个数据集上表现最佳，平均 kappa 值为 61.80% 和 68.18%；基于 CRP 的 RFE 在最后三个数据集上表现出色，平均 kappa 值分别为 95.99%、96.93% 和 96.30%。此外，将纹理与 SAR 波段相结合，使整体 kappa 值最大增加了 10.00%，而将纹理添加到 VNIR-SWIR 波段上，则使整体 kappa 值最大增加了约 3.45%。

Dec, 2023

使用 Sentinel-2 卫星数据和 Random Forests 算法的语义分割技术可用于高精度地图绘制，为农业和经济发展提供一种可行技术。

Nov, 2018

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

通过结合 Sentinel-1 的 SAR 数据、Sentinel-2 的光学数据和建筑物轮廓提供的形状数据，本研究建立了一套空间 - 光谱 - 时间特征数据库，提取这些特征并建立了基于随机森林模型的建筑物高度模型，通过模型集成方法和 Lidar 数据的验证，实现了高分辨率建筑物高度数据的快速生成。

May, 2024

使用合成孔径雷达（SAR）数据进行森林监测，对于解决光学数据的问题并使用机器学习估计森林的光学查找指数（VIs）表现出较好的效果，通过创建多时序和多模态数据集来进行 VI 估计，在时间和空间上与 Sentinel-1、Sentinel-2、DEM、天气和土地覆盖数据集的对齐下取得了较好的结果。

Nov, 2023

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

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

介绍单层和深度卷积网络用于遥感数据分析的应用，使用贪婪层次无监督预训练和高效的无监督特征学习算法提取有稀疏特征，结果表明深度架构比单层架构的分类性能更好。

Nov, 2015

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

本文介绍一种针对 Sentinel-2 卫星图像进行土地利用和土地覆盖分类的方法，提供了一个包含 13 个光谱波段及 10 类共 27,000 个标记和地理参考图像的新数据集，并使用最先进的深度卷积神经网络提供了基准测试。通过这一分类系统，可以用于检测土地利用和土地覆盖的变化，并帮助改进地理地图。

Aug, 2017