该研究引入了一种新颖的框架，利用 Univariate Marginal Distribution Algorithm（UMDA）从 Landsat-8 卫星中选择光谱波段，优化破坏森林地区的表示。这种选择指导了语义分割架构 DeepLabv3+，提高了其性能。实验结果表明，与常用组合相比，几种波段组合在破坏森林检测中实现了较高的平衡准确度，通过支持向量机（SVM）进行分割分类。此外，UMDA 方法确定的最佳波段组合提高了 DeepLabv3 + 架构的性能，超过了本研究中比较的最先进方法。选择少数波段胜过全部波段的观察结果与深度学习领域普遍存在的数据驱动范式相矛盾。因此，这表明了对 “越多越好” 传统观念的例外。

Apr, 2024

利用深度卷积神经网络和多模卫星图像对亚马逊森林的砍伐估测和火灾检测问题进行了研究，并提出了一种新的数据集和处理技术。

Jul, 2023

通过多视角学习策略、最新的深度神经网络模型和多模态数据集，采用全面的数据增强和多样化网络方法，能够有效而准确地预测亚马逊雨林地区的森林砍伐情况。

Jun, 2023

基于光学和合成孔径雷达卫星影像，我们提出了一种基于注意力引导的 UNet 架构的森林砍伐估计方法，通过训练和验证模型，得出了 93.45% 的像素准确率和 0.79 的 F1 分数与 0.69 的 IoU。

Jul, 2023

利用卫星图像和深度神经网络结合的方法，通过对 Sentinel-1，Sentinel-2 和 Landsat 8 的数据进行精细处理，成功地对亚马逊森林地区的砍伐情况进行了高准确度的估算。

Jun, 2022

本研究旨在通过运用不同的机器学习和深度学习模型将亚马逊雨林的卫星图像碎片进行分类和标记，并通过 F2 度量来评估分类器的准确性和损失函数。经过预训练的 ImageNet 体系结构用于提取特征，最终实现了 0.927 的最佳 F2 得分。

Jan, 2022

本文利用多光谱随机森林分类器结合适宜的特征选择算法和掩模技术，在城市地区估计树木覆盖率，结果显示在拉合尔管理科学学院的 82 英亩区域内，该方法优于传统的随机森林分类器和 ESA WorldCover 10m 2020 等最新技术。

May, 2023

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

提出了一种新的轻量级模型 ——GeoMultiTaskNet，使用地理坐标对源领域和目标领域进行信息对齐，采用动态类别抽样（Dynamic Class Sampling）策略来适应语义分割的损失函数，将其用于自然资源遥感图像分割，并取得了最先进的性能。

Apr, 2023

通过使用 UAV 监测森林环境的变化，本研究介绍了一个新的大型航拍数据集，用于森林巡视任务，该数据集包含了真实和虚拟记录的自然环境，密集标注的语义分割标签和深度图，并研究了不同采集条件下多尺度神经网络的性能以及从虚拟数据到真实数据的迁移学习能力，结果表明，最佳结果来自于包含多种情景的数据集，而非将数据按特定类别分离。还开发了一个评估地区森林破坏程度的框架。

Mar, 2024