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

本文提出了一种基于 SAR 卫星图像的混合卷积变换器网络的海冰分割新方法，优于传统卷积网络，在保持良好性能的同时比纯变换器模型高效，该方法对于海冰参数的自动化监测非常重要。

Jun, 2023

使用合成孔径雷达（SAR）数据进行森林监测，对于解决光学数据的问题并使用机器学习估计森林的光学查找指数（VIs）表现出较好的效果，通过创建多时序和多模态数据集来进行 VI 估计，在时间和空间上与 Sentinel-1、Sentinel-2、DEM、天气和土地覆盖数据集的对齐下取得了较好的结果。

Nov, 2023

该研究提出了一种基于多模态卫星数据的新型多时相城市制图方法，其中考虑到了部分缺失的光学模态，所提出的模型采用了两个网络来分别提取每个模态的特征，并利用重建网络根据 SAR 数据近似光学特征并保持其数据的有效性。结果表明该方法在使用 SAR 数据以补充缺失光学数据方面的实用性较强，可有效开发和利用多模态数据。

Jun, 2023

本文提出了一个开放的多模式全天候映射数据集和挑战，包括光学和 SAR 数据，以及建筑物足迹标注，用于探索 SAR 数据在灾害响应和建筑物足迹提取方面的应用效果，发现使用光学预处理的 SAR 数据在建筑物足迹提取中取得了更好的效果。

Apr, 2020

通过引入小波变换卷积神经网络方法，利用 Sentinel-1 SAR-C 双极化数据获取了印度西部沿海区域海洋监视和海事监测中的船舶检测，并获得了 95.46% 的检测准确率，进而实现了对海洋船舶的自动监测和外来船只的识别。

Apr, 2023

该研究深入探讨了基于深度学习的算法、数据集、应用以及未来的发展趋势，对海冰提取问题进行了综合回顾。

Jun, 2023

利用 Copernicus 计划（ESA）的 Sentinel 卫星和 Google Earth Engine 的云计算设施，我们提供一个包括 180,662 个样本的数据集，该数据集由双极化合成孔径雷达（SAR）图像，多光谱 Sentinel-2 图像和 MODIS 地表覆盖映射的三元组组成，拥有 10 m 的地面采样距离，并覆盖所有有人居住的大陆和所有气象季节。期望该数据支持社区开发面向场景分类或地表映射的语义分割等常见任务的深度学习算法。

Jun, 2019

通过在 Google Earth Engine 平台上实施监督机器学习算法，将 Sentinel-1（S-1）和 Sentinel-2（S-2）数据集成，以用于特定区域的地表分类。结果表明，在这种情况下，雷达和光学遥感提供互补信息，有利于地表覆盖分类，从而提高了映射的准确性。此外，本文还证明了 GEE 作为一种处理大量卫星数据的有效云端工具的新兴作用。

Aug, 2023

对合成孔径雷达数据进行深度学习应用于地图制作越来越常见，本文通过对比从头训练和微调预训练模型的性能，发现预训练模型在海冰映像的测试样本中表现更好，尤其是在融化季节。

Oct, 2023