本文综合研究了使用卫星图像和机器学习了解可持续发展领域期间所面对的挑战，以及如何将二者有机结合，细致测量各类相关数据，从而量化模型表现，并探讨该研究领域的未来发展。

Sep, 2020

利用遥感技术和深度卷积神经网络，分析大规模卫星图像数据中的城市土地利用模式，并提供数据集以供遥感应用的机器学习研究人员使用。

Apr, 2017

本研究基于多元时间城市发展卫星数据集 (MUDS)，利用计算机视觉技术和时间序列分析方法来跟踪建筑物，评估城市化和人造或自然灾害的进程。

Feb, 2021

研究以 2014 年至 2024 年间的遥感影像为基础的贫民窟绘图，重点关注深度学习方法，展示了越来越复杂的神经网络结构、数据预处理和模型训练技术的进步，以显著提高贫民窟识别精确度，评估了在全球不同地理环境中有效的关键方法，并提出了克服数据限制和模型解释性不足等挑战的潜在策略。

Jun, 2024

通过结合编码 - 解码架构和卫星图像的形态学运算，我们开发了一个系统的道路提取框架，为跨学科研究人员提供了一种集成的工作流。在贫困地区的实际数据上进行的道路网络提取的大量实验证明，相比于基准方法，F1 得分提高了 42.7％，重建了大约 80％的实际道路。我们还提出了一个全面的道路网络数据集，涵盖了中国 382 个贫困县约 794,178 平方公里的面积和 17.048 万人口，利用这个生成的数据集进行了贫困县的社会经济分析，结果显示道路网络建设对地区经济发展有积极影响。

Jun, 2024

利用基于深度学习方法的卫星图像地表覆盖（LULC）分析对于了解发展中国家的地理、社会经济条件、贫困水平和城市扩张具有重要意义。在缺乏资金、缺乏专门的居住区 / 工业区 / 经济区、庞大的人口和多样化建筑材料的情况下，BD-SAT 提供了一种高分辨率数据集，包括达卡大都会城市及周边农村 / 城市地区的像素级 LULC 注释。通过严格和标准化的过程，使用 Bing 卫星图像创建了地面真实性数据，每个像素的地面空间距离为 2.22 米。我们进行了几个实验以建立基准结果，结果表明 BD-SAT 提供的注释足以训练具备足够准确性的大型深度学习模型，其中包括五个主要的 LULC 类别：森林、农田、建筑区域、水体和草地。

Jun, 2024

本文提出了通过使用遥感数据和卷积神经网络预测非洲的基础设施质量，成功地推动可持续发展目标的落实。在使用 Landsat 8 遥感数据时，我们的模型表现出要比使用 OpenStreetMap 或夜晚光线强度分析的模型更为卓越的预测结果，可以准确地预测电力、排污、自来水和道路建设的基础设施质量。此外，该模型还可以在精细调整后在未知国家和限制样本的地区内进行预测。

Jun, 2018

使用 Landsat 7 卫星采集的多光谱卫星图像，训练 CNN 模型可以准确地测量发展中国家地方经济生计，即使图像分辨率较低，仍能超越以往的基准结果。

Nov, 2017

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

本文介绍 DeepGlobe 2018 卫星图像理解挑战赛，包括分割、检测和分类任务，旨在提高计算机视觉领域对遥感数据的关注，评估卫星图像理解方法并为未来的研究提供参考基准。

May, 2018