土地利用规划的有效政策发现
全球人口不断增长，对自然资源的需求也在增加。遗憾的是，人类活动占到了 23% 的温室气体排放。幸运的是，遥感技术已经成为管理我们的环境的有价值的工具。这些技术使我们能够监测土地利用，规划城市区域，并推动农业、气候变化缓解、灾难恢复和环境监测等领域的进展。通过利用迁移学习和细调 RGB 波段，我们在土地利用分析方面取得了令人印象深刻的 99.19% 准确度。这样的研究结果可以用来制定保护和城市规划政策。
Nov, 2023
通过强调 Strategic Environmental Assessment（战略环境评估）、Constraint Logic Programming（约束逻辑编程）等方法，开发了一个具有多目标优化功能的决策支持系统，可以提供可行的政策计划并进行环境评估及对比。
May, 2014
利用机器学习模型评估农业管理实践对农田适宜性的影响，研究发现在比利时的 Flanders 地区，农作物轮作对 NPP 没有显著影响，而景观作物多样性对 NPP 有小幅负面影响，并发现在空间上存在显著的异质性效应。
Apr, 2022
城市规划中，土地利用调整在将土地配置与可持续城市发展的当前需求相一致方面起着至关重要的作用。然而，现今城市规划实践面临两个主要问题，即土地利用决策过于依赖人类专家，并且难以协调利益多样化的利益相关者。为了解决这些挑战，我们引入了基于共识的多智能体强化学习框架来进行现实世界的土地利用调整。该框架用于参与型城市规划，允许多样化的智能体作为利益相关者的代表为首选土地利用类型投票。在此框架中，我们提出了一种新的共识机制在奖励设计中，通过集体决策来优化土地利用。为了抽象复杂城市系统的结构，城市的地理信息被转化为空间图结构，然后通过图神经网络进行处理。对来自现实社区的传统自上而下规划和参与型规划方法的全面实验表明，我们的计算框架增强了全局效益并适应了多样化的利益，提高了不同人群的满意度。通过整合多智能体强化学习，我们的框架确保参与型城市规划决策更加动态和适应不断变化的社区需求，并提供了一个强大的平台来自动化处理复杂的现实世界城市规划过程。
Oct, 2023
土地利用 / 土地覆盖（LULC）建模是一项具有挑战性的任务，由于地理特征之间的长程依赖性和与地形、生态和人类发展相关的明显空间模式。我们发现土地利用空间模式建模与计算机视觉中的图像修复任务之间存在密切联系，并对一种修改后的 PixelCNN 架构进行了研究，其参数约为 1900 万个，用于 LULC 建模。与基准空间统计模型相比，我们发现前者能够捕捉到更丰富的空间相关模式，如道路和水体，但无法产生校准的预测分布，表明需要进行额外的调整。我们发现在补丁计数和邻接等重要的生态相关土地利用统计方面存在预测下离散性的证据，可以通过操作采样变异性在一定程度上改善。
Jan, 2024
该研究旨在展示运筹学工具的应用，以改善城市公园的可达性、分布和设计，并通过空间交互模型对用户行为进行高级评估，实现公平设施位置和设计模型。该模型的第一阶段是基于数据暴露的不平等属性，利用最优城市预算分配到街区中。第二阶段旨在为每个街区寻找公园的最佳位置和设计，并优化总体期望访问公园的概率。该研究以蒙特利尔市为例，展示了公平设施位置和设计模型的表现，并通过比较结果进行详细讨论。
Mar, 2023
本研究利用数据驱动的深度学习体系结构和方法探究了城市土地利用结构对城市气候的影响，并通过纽约市的相关遥感数据验证了城市森林的冷却效应。
Jun, 2023