本文提出了一种新的方法，通过从天空图像中提取特征并使用基于学习的技术来估计短期太阳辐照度，实现了对可再生能源的预测，该方法在计算复杂性方面比现有的算法具有更高的竞争力。

Oct, 2023

本文采用深度学习，设计了一个利用卫星数据的时空上下文来高精度预测全球水平辐照度（GHI）的天际时间序列预测模型，并提出了一种预测不确定性分布的方法。作者通过将特别困难的日子（在这项研究中特别是经历变化多端的多云天）与简单的日子分开来评估模型性能，提出了一种测试方案。同时，作者还提出了一个新的多模态数据集，收集了来自多个地理位置不同的太阳能站的太阳能辐射和其他相关物理变量的卫星图像和时间序列。该方法在太阳辐照度预测中表现出鲁棒性，包括在未观测到的太阳能站进行零样本推广测试，并极有潜力促进太阳能与电网的有效整合。

Jun, 2023

本文介绍了使用深度卷积神经网络预测太阳能辐射强度的初步结果，并探讨了训练算法的图像识别技术，和利用过去相同日期数据进行训练以提高短期预测技能的方法。

May, 2020

通过整合来自全天候摄像头和卫星观测的云覆盖率补充信息，本研究利用机器学习将两种信息融合起来，提高了日照预报的准确性。结果表明，混合模型对于晴朗天气的预测效果更好，同时也提高了更长期的预测能力。

Jun, 2022

提出了一个使用生成对抗网络和卷积神经网络相结合的新颖框架，该模型利用所有卫星数据进行训练，只使用高频红外和水汽数据提供强度估计，并且可以将最大估计频率从 3 小时提高到不到 15 分钟。

Oct, 2020

使用基于神经网络的估计方法，可以快速而可靠地预测合成孔径雷达图像中的粗糙度参数，并能应用于高分辨率真实合成孔径雷达图像中的像素级粗糙度估计。

Sep, 2023

利用深度学习方法，结合免云的光学观测和天气无关的合成孔径雷达数据，采用组合卷积神经网络 (CNN) - 循环神经网络 (RNN) 架构生成连续的归一化植被指数 (NDVI) 时间序列，该方法在连续观测序列中对事件检测任务的准确性进行了改进，并有效滤除由云观测引起的突变和噪声。

Mar, 2024

现有的立体视觉管道在使用多对或多个卫星图像时可以产生高精度的 3D 重建。然而，这些管道对于由于多日期收购而可能发生的图像变化敏感。为了考虑这些变化，最近将神经辐射场（NeRF）应用于多日期卫星图像。然而，神经方法非常计算密集，需要数十个小时进行学习，而标准立体视觉管道只需几分钟。根据即时神经图形基元的思路，我们提出使用高效的采样策略和多分辨率哈希编码来加速学习。我们的模型，卫星神经图形基元（SAT-NGP），将学习时间缩短到 15 分钟，同时保持了 3D 重建的质量。

Mar, 2024

本研究提出了一种全局信息感知模块 (GIA)，该模块能够提取和集成全局信息以改善低光成像表现，通过将 GIA 模块插入到基本 U-Net 中，构建了 GIA-Net，并在大规模真实世界低光成像数据集上实现了训练和评估，实验结果显示，所提出的 GIA-Net 在四个指标中表现优于现有的最先进方法。

Sep, 2020

提出了一种基于网络科学和表示学习的方法，利用高分辨率夜间卫星图像创建动态网络来量化经济指标和可视化各个地区的增长，预测大区域的空间经济支出，捕捉城市增长和人民生活水平变化的趋势，更好地帮助决策者理解增长。

Dec, 2018