土地利用 / 土地覆盖（LULC）建模是一项具有挑战性的任务，由于地理特征之间的长程依赖性和与地形、生态和人类发展相关的明显空间模式。我们发现土地利用空间模式建模与计算机视觉中的图像修复任务之间存在密切联系，并对一种修改后的 PixelCNN 架构进行了研究，其参数约为 1900 万个，用于 LULC 建模。与基准空间统计模型相比，我们发现前者能够捕捉到更丰富的空间相关模式，如道路和水体，但无法产生校准的预测分布，表明需要进行额外的调整。我们发现在补丁计数和邻接等重要的生态相关土地利用统计方面存在预测下离散性的证据，可以通过操作采样变异性在一定程度上改善。

Jan, 2024

全球人口不断增长，对自然资源的需求也在增加。遗憾的是，人类活动占到了 23% 的温室气体排放。幸运的是，遥感技术已经成为管理我们的环境的有价值的工具。这些技术使我们能够监测土地利用，规划城市区域，并推动农业、气候变化缓解、灾难恢复和环境监测等领域的进展。通过利用迁移学习和细调 RGB 波段，我们在土地利用分析方面取得了令人印象深刻的 99.19% 准确度。这样的研究结果可以用来制定保护和城市规划政策。

Nov, 2023

通过自我监督方法和深度学习，在没有高质量地面真实标签的情况下，可实现对高分辨率土地利用 / 土地覆盖变化图的自动标注，准确率达到约 52%。

Oct, 2023

通过深度学习模型，结合光谱 - 时间序列数据和地理 - 地形和气候信息，提高多光谱遥感数据中土地利用和土地覆盖类型的成分估计，该研究还提供了一个新的标记数据集和代码。

Oct, 2023

通过使用深度卷积神经网络分类空间分辨率非常高（VHR）、正射成像的可见光多光谱图像，本论文探索了自动土地利用 / 土地覆盖（LULC）分类的潜力

May, 2019

通过应用轻量级卷积神经网络，将多源数据进行分类与分析，可以更有效地实现局部土地利用管理和生态系统保护，促进可持续发展目标的实现。

Jan, 2022

本文利用不同的数据预处理方法，包括 CNN 培训、语义分割和数据增强等方法，对昆士兰州的湿热热带和阿瑟顿高原进行了土地利用覆盖特征的分类，并发现使用数据增强和缩放是创建可用于不同日期和传感器图像的通用模型的关键。

Apr, 2023

本文利用深度学习对地面影像进行农作物分类，选取 EU's LUCAS 数据库中的 12 种作物数据集，使用 Mobile-net 模型进行识别并通过信息论进行结果加工和后处理，并验证结果与 EU 的农业政策的实际应用相关性。

May, 2023

利用基于深度学习方法的卫星图像地表覆盖（LULC）分析对于了解发展中国家的地理、社会经济条件、贫困水平和城市扩张具有重要意义。在缺乏资金、缺乏专门的居住区 / 工业区 / 经济区、庞大的人口和多样化建筑材料的情况下，BD-SAT 提供了一种高分辨率数据集，包括达卡大都会城市及周边农村 / 城市地区的像素级 LULC 注释。通过严格和标准化的过程，使用 Bing 卫星图像创建了地面真实性数据，每个像素的地面空间距离为 2.22 米。我们进行了几个实验以建立基准结果，结果表明 BD-SAT 提供的注释足以训练具备足够准确性的大型深度学习模型，其中包括五个主要的 LULC 类别：森林、农田、建筑区域、水体和草地。

Jun, 2024

提出基于 Transformer 的弱监督方法，用于跨分辨率土地覆盖分类，解决了高分辨率标注数据缺乏的问题，并利用过时数据进行实验，结果证明该方法优于现有方法。

Feb, 2024