通过对 2011 至 2021 年的全球灾害风险动态进行世界风险指数的时间分析，评估了减轻风险和创造安全环境所采取的措施的影响，并发现尽管持续努力，全球的风险景观仍然分为两个主要集群，而当前的政策和机制对于帮助国家从危险位置转移到更安全位置并不有效。因此，需要针对这些国家特定的脆弱性，发展创新的方法来应对持续的灾害风险管理挑战。

Jan, 2024

洪水事件中准确检测淹没范围对紧急响应决策和恢复工作至关重要。卫星遥感数据提供了一个全球框架，可以检测洪水范围。具体来说，哨兵 - 1 C 波段合成孔径雷达（SAR）图像已被证明对于检测水体非常有用，因为水体在同极化和交叉极化 SAR 图像中的反射较低。然而，在某些洪水区域，如基础设施和树木的存在，会观察到反射增加，从而使像素强度阈值和时间序列差异等简单方法无法胜任任务。机器学习技术已被利用来精确捕捉具有反射增加的洪水区域的洪水范围，但需要大量标记数据以达到理想的效果。因此，我们创建了一个包含美国本土和孟加拉国境内约 36,000 平方公里地区在已知洪水事件中水体范围和淹没区域范围的标记数据集。此外，我们还通过开源数据集并基于该数据集举办了一个开放竞赛，以便利用社区生成的模型快速原型化洪水范围检测。在本文中，我们介绍了该数据集的信息，数据处理流程，一个基线模型以及竞赛的细节，并讨论了获胜方法。我们相信该数据集将增添已有的基于 Sentinel-1C SAR 数据的数据集，并推动洪水范围检测的研究。

Nov, 2023

随着气候变化加剧，准确的全球规模灾害预测变得迫切。本研究提出了一种新颖的多模态灾害预测框架，结合了天气统计数据、卫星图像和文本洞察。我们特别关注 “洪水” 和 “滑坡” 的预测，因为它们与气象和地形因素相关。该模型基于现有数据精心设计，并实施策略来解决类别不平衡问题。虽然我们的研究结果表明，整合多种数据来源可以提升模型性能，但增强程度因每种灾害的特性和其独特的根本原因而有所不同。

Sep, 2023

本研究提出了一种卷积神经网络的框架来进行基于卫星图像的变化检测，通过阈值化和划分网格来找到灾害影响最严重的区域，并使用新的灾害影响指数（DII）来衡量自然灾害的影响。在应用于飓风哈维和圣塔罗莎大火数据集时，框架的 F1 分数分别为 81.2％和 83.5％。

Dec, 2018

提出了一种综合框架 DisasterNets，使用机器学习快速准确识别灾害，其中包括两个阶段：空间粒度和属性粒度。框架应用于地震引发的滑坡和大规模洪水映射，展现了高精度、高效率和跨场景识别的竞争性能力，并将提供一个基于 DisasterNets 的开源工具。

Jun, 2023

使用多个分割模型和不同的数据集，构建一个集成模型来提高山体滑坡地貌图的制作精度。集成模型使用 Sentinel-1 和 Sentinel-2 波段结合，以及通过植被指数 dNDVI 的变化来构建一个健全可靠的监测系统。

Sep, 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

通过机器学习从高分辨率遥感图像中提取大规模社会经济指标，以辅助政策决策和人道主义救助，特别是在发展中国家等缺乏可靠数据的地区。

Oct, 2015

本文使用卫星数据和深度学习方法，建立一个基于转移学习的农作物类型检测模型，成功地在韩国、法国、西班牙和荷兰等地区对水稻和大麦进行了检测。

Nov, 2022

利用机器学习技术结合全球农田数据集和手工标注数据，对尼日利亚进行了 10 米分辨率的新农田图生成，通过评估和比较不同模型及全球土地覆盖地图的性能，发现现有的 WorldCover 地图在测试集上表现最佳。

Dec, 2023