通过将雷达数据与现有的多光谱数据相结合，生成了一种新颖的多源多时期数据集，用于拓展 SEN2DWATER 数据集的能力以进行水资源监测，取得了有希望的结果，并探讨了未来可能的发展和应用。

Jan, 2024

洪水事件中准确检测淹没范围对紧急响应决策和恢复工作至关重要。卫星遥感数据提供了一个全球框架，可以检测洪水范围。具体来说，哨兵 - 1 C 波段合成孔径雷达（SAR）图像已被证明对于检测水体非常有用，因为水体在同极化和交叉极化 SAR 图像中的反射较低。然而，在某些洪水区域，如基础设施和树木的存在，会观察到反射增加，从而使像素强度阈值和时间序列差异等简单方法无法胜任任务。机器学习技术已被利用来精确捕捉具有反射增加的洪水区域的洪水范围，但需要大量标记数据以达到理想的效果。因此，我们创建了一个包含美国本土和孟加拉国境内约 36,000 平方公里地区在已知洪水事件中水体范围和淹没区域范围的标记数据集。此外，我们还通过开源数据集并基于该数据集举办了一个开放竞赛，以便利用社区生成的模型快速原型化洪水范围检测。在本文中，我们介绍了该数据集的信息，数据处理流程，一个基线模型以及竞赛的细节，并讨论了获胜方法。我们相信该数据集将增添已有的基于 Sentinel-1C SAR 数据的数据集，并推动洪水范围检测的研究。

Nov, 2023

本篇论文介绍了一个包含同期多光谱、热学和微波数据以及关键的稻作参数注释的数据集 ——SICKLE，并在三个不同的任务上对其进行了基准测试，即庄稼类型、生长季日期（播种、移栽、收获）和预测收成，并提出了使用根据观察到的生长季节和 tamalnadu 农业大学获取的标准季节信息生成的时间序列数据的收成预测策略。该数据集提供了一个可以训练机器学习模型来进行农业遥感的研究方向。

Sep, 2022

使用气象时间序列数据和静态流域属性，我们提出了一种基于数据驱动的方法，在使用 LSTMs 单个模型对 531 个流域进行训练的情况下，显著提高了性能，比符合地区性条件的水文模型和针对单个流域进行校准的水文模型的表现更好，同时还提出了 Entity-Aware-LSTM 的改进网络架构使学习、嵌入和特征层深度学习可以在其上实现，同时提出的这个背景与之前的水文理解相符。

Jul, 2019

使用 Google Earth Engine 平台进行多时相分析，采用光学数据和特定的机器学习算法来检测城市区域的变化。以开罗市作为案例研究，从 2013 年 7 月到 2021 年 7 月进行了分类和变化检测分析，结果证明了所提出方法在选择的时期内识别变化和不变化的城市区域的有效性。此外，该研究旨在证明 GEE 作为管理大量卫星数据的高效云解决方案的重要性的增长。

Aug, 2023

以机器学习和遥感监测为基础，该研究致力于利用 Sentinel-1 SAR GRD 和 Sentinel-2 Harmonized MSI 等公开数据，对 47 个国家（大多数为最不发达国家）进行全球灾害风险评估，以推动减少全球气候和灾害风险的长期努力。

Apr, 2024

研究合作管理水稻田维持生态平衡与空间分布，采用进化博弈理论模型推论巴厘地区的特殊规律

Mar, 2023

本文提出了一种将光学和 SAR 遥感图像融合到共同数据空间中的方法，并在巴基斯坦 2022 年洪水中进行实证研究，揭示了洪水泛滥对地区人口和基础设施的影响。

May, 2023

通过在 Google Earth Engine 平台上实施监督机器学习算法，将 Sentinel-1（S-1）和 Sentinel-2（S-2）数据集成，以用于特定区域的地表分类。结果表明，在这种情况下，雷达和光学遥感提供互补信息，有利于地表覆盖分类，从而提高了映射的准确性。此外，本文还证明了 GEE 作为一种处理大量卫星数据的有效云端工具的新兴作用。

Aug, 2023

通过利用高分辨率卫星图像作为非传统且易获取的数据源，结合 Vision Transformer、Radiomics 和长短时记忆等创新方法进行提取和整合，本研究旨在提高资源有限的国家的卫生公平性，实现对登革热的周流行趋势的预测，并发现卫星图像在缺乏手动收集数据且登革病毒流行严重的国家对登革热预测方面的有效性。

Jan, 2024