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

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

利用低分辨率区域标签，我们的弱监督学习方法在海冰分类中取得了优异的像素级分类性能，通过在训练中引入区域损失表示来衡量预测结果和冰图导出的海冰类型分布之间的差异。借助 AI4Arctic 海冰挑战数据集，我们的方法在映射分辨率和类别精度方面超过了完全监督的 U-Net 基准和 AutoIce 挑战的最佳解决方案，标志着自动化操作的海冰制图方面的重大进展。

May, 2024

通过将海冰分类训练形式化为部分标签学习任务，并利用明确的置信度分数，将多标签和类别不平衡问题得到解决的一种新型 GeoAI 方法，用于通过训练卷积神经网络（CNN）来提高 Sentinel-1 双极化 SAR 图像中海冰的分类性能。相较于传统训练方法使用独热编码标签和分类交叉熵损失，本方法提高了分类准确度（从 87% 提升至 92%）和加权平均 F-1 得分（从 90% 提升至 93%），在六个海冰类别中的四个类别的 F-1 得分也有所改善。

Jun, 2024

本研究旨在使用改进的 U-Net 结构的卷积机器学习模型，基于卫星图像创建土地覆盖分类映射，使用 BigEarthNet 卫星图像归档和原始数据集对模型进行训练和测试，结果显示可以提高现有土地分类图的精度和土地覆盖变化检测。

Mar, 2020

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

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

本文介绍一种针对 Sentinel-2 卫星图像进行土地利用和土地覆盖分类的方法，提供了一个包含 13 个光谱波段及 10 类共 27,000 个标记和地理参考图像的新数据集，并使用最先进的深度卷积神经网络提供了基准测试。通过这一分类系统，可以用于检测土地利用和土地覆盖的变化，并帮助改进地理地图。

Aug, 2017

使用 Sentinel-2 数据中的场景分类层（SCL）进行技术评估，实现对一个区域的清晰光学覆盖率的计算与分配，并与机器学习模型的预测结果相关联，展示低覆盖区域的分类结果较差。

Jun, 2024

北极永久冻土由于全球气候变化而面临重大变化，远程感知在更好地了解北极的根本过程方面发挥着关键作用。本研究侧重于远程检测退化性融沉积（RTS），这是一种与融化引起的滑坡类似的永久冻土干扰。针对来自空间的此类分析，深度学习已成为一种不可或缺的工具，但有限的标记训练数据仍然是训练准确模型的挑战。为了改善模型在北极的普适性而不需要额外的标记数据，我们提出了一种半监督学习方法来训练语义分割模型以检测 RTS。我们的框架 PixelDINO 同时在标记数据和未标记数据上进行训练。对于未标记的数据，模型将图像分割为自学习的伪类，并且训练过程确保了这些伪类在输入数据的强增强过程中的一致性。我们的实验证明，PixelDINO 可以提高模型性能，不仅优于监督基线方法，还优于现有的半监督语义分割方法，凸显了其在训练能够很好地推广到未包含在训练数据中的地区的鲁棒模型的潜力。

Jan, 2024