利用机器学习对卫星夜间灯光时间序列进行自适应建模，跟踪城市变化过程

Jun, 2023

利用机器学习对卫星夜间灯光时间序列进行自适应建模，跟踪城市变化过程

Adaptive Modeling of Satellite-Derived Nighttime Lights Time-Series for Tracking Urban Change Processes Using Machine Learning

PDF

Srija Chakraborty, Eleanor C. Stokes

TL;DR本文提出了一种数据驱动方法来检测夜间卫星数据（NTL）中的城市变化，通过使用神经网络来预测过去的数据记录，比较模型预测与观察到的 NTL，采用异常检测方法来检测城市变化方向和程度，从而实现了从大规模未标记数据中高效地检测城市的变化过程。

Abstract

Remotely sensed nighttime lights (NTL) uniquely capture urban change processes that are important to human and ecological well-being, such as urbanization, socio-political conflicts and displacement, impacts from

nighttime lights urban change data-driven approach neural networks anomaly detection

发现论文，激发创造

DeepLight: 利用多模式遥感数据重建高分辨率夜间光观测

通过使用多模式遥感数据，我们提出了一种新的方法来重建高分辨率夜间光遥感图像，并构建了一个综合数据集，用于在全国范围内进行城市可持续发展、贫困估计和碳排放等可持续发展目标的定量评估。我们的研究结果表明，我们提出的数据集和模型在重建高分辨率夜间光数据方面具有实际意义，并支持有效地量化评估可持续发展目标的进展。

Feb, 2024

利用卫星影像时间序列进行连续城市变化检测，包括时间特征优化和多任务集成

该研究提出了一种基于深度学习和遥感技术的城市变化检测方法，采用连续多时相卫星图像，结合自注意力和分割技术，有效地识别了城市变化，与其他方法相比表现更加出色。

Jun, 2024

夜晚中的 Lumos：探索夜间灯光模式的 AI 视觉工具

NightPulse 是一款交互式工具，用于夜间光数据的可视化和分析，支持图像分割，聚类和变化模式检测，以识别城市发展和扩展模式。

Jun, 2023

使用循环神经网络从多时相 Sentinel-2 数据中检测城市变化

本文介绍了一种基于深度学习方法的城市变化检测框架，该框架结合了全卷积网络和强大的循环神经网络，能够在 Sentinel-2 数据集上对城市变化进行更精确的检测。实验结果表明，该框架在测试数据集上达到了 95% 的整体精度和 1.5% 的增加变化类别 F1 值的表现。

Oct, 2019

DeepLCZChange：一种用于城市气候韧性的遥感深度学习模型架构

本研究利用数据驱动的深度学习体系结构和方法探究了城市土地利用结构对城市气候的影响，并通过纽约市的相关遥感数据验证了城市森林的冷却效应。