该研究旨在使用 S2 图像开发出一种健壮和有效的系统，对极地海冰进行分类，解决极地海冰覆盖面积的消融问题，研究团队采用基于合适确定的颜色阈值的方法高精度地分割和自动标记 S2 图像，并采用这些自动标记的数据进行训练，得出90.18%的分类准确率。

Mar, 2023

应用卷积神经网络(CNN)识别火星表面的水冰碎片，以帮助识别适于进行水文学探测的区域。

May, 2023

使用图形注意力网络模型预测越来越多的年降雪量数据点，使用更少的输入数据点，在较大的数据集上进行实验

Jun, 2023

使用机器学习算法对海冰进行自动化定位和分割，通过使用带噪声的Sentinel-1 SAR影像，开发了高效、具有空间分辨率、维度保持能力，并且对噪声更加稳健的面向海冰映射的算法。

Oct, 2023

使用卷积神经网络（CNN）模型预测海洋冰类型，评估三种不同的损失函数对其性能的影响，结果表明交叉熵在物理上更一致。

Oct, 2023

火星勘测计划的主要目标之一是在该星球上寻找过去或现在的生命证据。为了实现这一目标，火星勘测一直关注可能存在液态或冰冻水的地区。本研究利用卷积神经网络检测火星表面的"大脑珊瑚"地形，该地形在形态和尺度上与地球上的排序石圈相似，暗示它可能是由于冻融周期形成的。我们使用约100-1000兆像素的火星勘测轨道器大图像以接近每像素几十厘米的分辨率（25-50厘米）搜索这些地形。在搜寻了52000多张图像（约28 TB，占火星表面的5%）后，在200多张图像中发现了这些地形。为了加快处理速度，我们在分割之前利用傅里叶域中的分类器网络（利用离散余弦变换的系数块而不是解码整个图像）利用JPEG压缩。这种混合流程方法在保持约93%的准确性的同时，总处理时间比在每个图像上以全分辨率运行分割网络削减了约95%。及时处理大数据集有助于指导任务操作、地质调查以优先考虑候选着陆点、避开危险区域或绘制特定地形的空间范围。分割遮罩和源代码已在Github上提供给社区进行探索和构建。

Nov, 2023

该研究提出了一种新的工具ViSual_IceD，它使用并行编码器级别，将多光谱图像和合成孔径雷达(SAR)图像进行融合和连接，以实现极地区域可靠准确的海冰覆盖检测。

Jan, 2024

通过使用数据科学技术（如卷积神经网络）自动检测地霜的可见迹象，本研究提出了一种新颖的空间划分数据的方法，以减少模型性能估计中的偏差，并阐明地质背景如何影响自动地霜检测，同时提出了减轻自动地霜检测中观察到的偏差的方法。

Mar, 2024

使用Sentinel-2图像，通过自动标记从S2图像中过滤掉薄云和阴影，利用分段和自动标记的方法，训练U-Net机器学习模型，在极地海冰的Ross Sea地区实现了98.97%的分类准确度。

Mar, 2024

利用深度卷积自编码神经网络，基于L波段微波辐射测量方法，提出了一种新框架用于估计北半球的地貌土壤冻融过程，从而深入了解多年冻土对全球变暖和区域、全球碳预算的响应。该框架通过将冻结状态视为正常状态，将融化状态视为异常状态，将地貌冻融过程检测问题定义为时间序列异常检测问题，并利用自编码器通过对亮温时间序列进行监督重构，通过对比性损失函数来概率性地恢复冻融过程，寒冬和夏季峰值时最小化（最大化）重构误差。利用土壤湿度主动被动（SMAP）卫星提供的数据，证明该框架学会了隔离不同土地表面类型上的地貌冻融状态，这些类型与雪盖辐射特性、湖冰现象学和植被冠层的复杂性有关。在阿拉斯加地区与现场地面观测进行对比评估，与传统的归一化极化比阈值方法相比，显示出更小的不确定性。

Jul, 2024