本研究使用深度学习技术对多模态遥感数据进行融合，实现了在多米尼克飓风玛利亚后所获得的高分辨率正射影像和航空 LiDAR 数据中，对建筑物屋顶特征的自动分类。实验结果表明，多模态遥感数据的融合要优于任何单一数据源的应用，使得屋顶类型和屋顶材料的分类的 F1 得分分别达到了 0.93 和 0.92。本研究旨在帮助政府及时生成更准确的建筑信息，以提高加勒比地区的抗灾能力和灾害响应能力。

Jul, 2023

本文研究了如何处理在应用深度学习技术识别危机管理时，数据高度不平衡的情况，探讨了多种技术并提出了一套综合方法，旨在提高少数类别分类的性能和模型可靠性。

Apr, 2020

使用机器学习对印度低收入居民区进行卫星图像分析，经过住宅类型识别和风险评估模型计算确定的住宅风险水平，可为灾难响应组织和有风险的社区提供基于家庭层面的风险信息，以便采取先发制人的行动。

Nov, 2022

通过利用遥感图像对屋顶类型进行分类，可以支持疟疾风险评估并有助于预防疟疾。我们提供莫桑比克的 Nacala-Roof-Material 数据集，其中包含高分辨率的无人机图像，并提供标签以确定房屋及其屋顶类型。该数据集定义了一个多任务计算机视觉问题，包括目标检测、分类和分割。我们基于该数据集对多种最先进的方法进行了基准测试，结果显示每种方法在各自任务上具有优势，但没有一种方法在所有任务上占据优势，这突显了我们数据集在多任务学习中的潜力。我们还通过引入深度有序分水岭（DOW）方法的变体解决了对象准确分割和分离的问题，从而改善了对象的描绘和分割效果。我们展示了我们的 DOW 变体是一种通用方法，可以改进 U-Net 和 DINOv2 主干网络的性能，实现了语义分割和实例分割之间更好的权衡。

Jun, 2024

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

研究以 2014 年至 2024 年间的遥感影像为基础的贫民窟绘图，重点关注深度学习方法，展示了越来越复杂的神经网络结构、数据预处理和模型训练技术的进步，以显著提高贫民窟识别精确度，评估了在全球不同地理环境中有效的关键方法，并提出了克服数据限制和模型解释性不足等挑战的潜在策略。

Jun, 2024

通过使用深度学习技术来精确评估自然灾害中建筑损害，在利用遥感数据的背景下进行实现。我们探索使用来自全球各地的多样化灾难事件的 xBD 数据集作为主要焦点，以评估深度学习模型。我们解决了推广到新灾难和地区的挑战，同时考虑了自然灾害数据中固有的低质量和噪声标签的影响。此外，我们的研究定量地证明了对于有效的建筑损害检测，最低的卫星图像分辨率为 3 米，对于使用对称和非对称分辨率摄动分析的分类低于 1 米。为了实现对建筑损害检测和分类的稳健准确评估，我们评估了具有残差、压缩和激活以及双路径网络主干的不同深度学习模型，以及集成技术。总体而言，F-1 得分为 0.812 的 U-Net Siamese 网络集成在 xView2 挑战基准测试中表现最好。此外，我们还将对所有灾害进行训练的通用模型与洪水专家模型进行评估，并调查了在 Ahr Valley 的领域数据中的事件间通用性差距和分布。我们的研究发现展示了先进人工智能解决方案在增强气候变化引发的极端天气事件（如洪水和飓风）影响评估方面的潜力和局限性。这些见解对于在不断升级的气候挑战面前的灾害影响评估具有重要意义。

Sep, 2023

使用地球观测和深度学习方法，该论文旨在充分利用完全卷积神经网络来实现多类建筑物实例分割，以实现相对较高的像素度量分数，进而在缺乏适当城市规划的地区实现密集区域和贫民窟地区的高准确性结果，并以黎巴嫩为案例，成功产生了首个包含约 100 万个单位且准确率达 84% 的综合性国家建筑物足迹地图。

Apr, 2024

利用卫星图像分析和深度学习技术，研究了环境灾害、房产买断、土地利用模式及社区影响，通过 FEMA 的买断数据集和谷歌地图静态 API 获取卫星图像，应用了五种先进机器学习模型，在多类别分类任务中取得了优秀的 ROC-AUC 得分（98.86%）

Jan, 2024

从一组图像中，一个具有适当的提示工程和领域知识的大型语言模型可以成功地估计与可持续发展计算相关的一系列建筑特征，并生成针对业主如何改进其物业的定制建议。

May, 2024