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

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

本文利用 Copernicus Sentinel-2 提供的全球高频多光谱图像和卷积神经网络探索了城市变化检测的应用。首先，介绍了用于训练所提出的网络的新变化检测数据集；随后，提出了两种架构来检测变化，在使用不同数量的光谱通道作为输入的情况下比较了其影响；最后，从头开始使用所提供的数据集训练这些架构。

Oct, 2018

利用基于深度学习的计算机视觉方法，该研究使用 2008 年至 2021 年间的 1500 万街道图像来测量伦敦的变化，成功地识别了住房供应的变化，为城市规划和政策决策提供及时信息，以建设更宜居、公平和可持续发展的城市。

Sep, 2023

本文使用卫星数据和深度学习方法，建立一个基于转移学习的农作物类型检测模型，成功地在韩国、法国、西班牙和荷兰等地区对水稻和大麦进行了检测。

Nov, 2022

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

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

该研究提出了一种基于多模态卫星数据的新型多时相城市制图方法，其中考虑到了部分缺失的光学模态，所提出的模型采用了两个网络来分别提取每个模态的特征，并利用重建网络根据 SAR 数据近似光学特征并保持其数据的有效性。结果表明该方法在使用 SAR 数据以补充缺失光学数据方面的实用性较强，可有效开发和利用多模态数据。

Jun, 2023

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

使用深度学习模型进行森林变量预测具有越来越大的流行度，本研究通过模型转换方法将预训练的深度学习模型应用于目标区域，使用地球观测数据进行森林结构预测，结果表明相较于传统基准方法，利用迁移学习的 SeUNet 模型具有更高的准确性。

Aug, 2023