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

通过自我监督方法和深度学习，在没有高质量地面真实标签的情况下，可实现对高分辨率土地利用 / 土地覆盖变化图的自动标注，准确率达到约 52%。

Oct, 2023

通过使用深度卷积神经网络分类空间分辨率非常高（VHR）、正射成像的可见光多光谱图像，本论文探索了自动土地利用 / 土地覆盖（LULC）分类的潜力

May, 2019

该研究使用深度学习语义分割方法，在多光谱、高光谱和高空间分辨率的航拍图像数据集上进行了土地覆盖分类，其中 LinkNet 模型在所有数据集中获得了高 IoU 准确率 0.92，评估结果显示多光谱图像在 IoU 和 F1 得分上表现更佳，展示了 LinkNet 和多光谱图像在土地覆盖分类上的高效性和广泛适用性。

Jun, 2024

基于最新的域自适应和泛化进展，我们提出了一种深度学习框架 (REFeD) 来结合来自两个不同领域的遥感和参考数据 (例如历史数据和新数据)，以改善当前的土地覆盖映射过程。实验评估结果表明，来自相同 (或类似) 研究地点的不同时间段的年度外信息可以成为增强土地覆盖映射过程的宝贵附加信息源。

Apr, 2024

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

本文研究使用深度完全卷积网络来处理多模态多尺度遥感数据的语义标注，并采用有效的多尺度方法来提高语义标注的精度和深入研究数据的早期和后期融合方法，并在两个公共数据集上验证了我们的方法，表现出令人满意的结果。

Nov, 2017

本文应用 Koopman 算子理论灵感，训练了一个自监督深度学习模型，用于建模未经标注的多光谱和高光谱卫星图像，同时证明了该模型可以用于数据同化。

May, 2023

本文提出了一种基于卷积神经网络的城市土地覆盖分类方法，该网络可以嵌入所有可用的训练模态，并在测试阶段替换缺失的数据模态，实现数据融合功能，从而在测试中利用训练时缺失模态的信息，对比了标准卷积神经网络和两个标准卷积神经网络的整体表现。

Sep, 2017

本文介绍了一种利用多模态数据和深度学习方法的城市地块级别自动土地利用变更监测模型，并在法国区域和城市的测试中取得了很好的效果。

May, 2019