利用机器学习的计算机视觉方法可从卫星图像中创建全球范围内的人口地图，该方法精度高，适用于全球部署，能够检测城市化地区，有助于基础设施规划、疫苗接种计划、灾难响应和高精度洪水风险分析等。

Dec, 2017

通过对广泛可用的遥感数据进行多源融合和深度学习建模，可以较快地并且准确地评估建筑的能源效率，本研究通过对英国近40,000座建筑的数据分析和建模，证明了通过街景、航拍图像、建筑平面和卫星表面温度等信息，深度学习建模的方法可以取得令人满意的预测结果，并为未来的进一步工作提供了可能性。

Jun, 2022

该研究提出了一种建筑点云数据集，利用地理引用 LiDAR 数据与英国能源性能数据库相结合，实现建筑能源信息的数据驱动、大规模理解，为建筑能源建模提供了新的研究思路。

Jun, 2023

该研究评估了全球本地气候区（Local Climate Zone）产品的性能，发现其难以区分需要精确建筑物地基信息和需要识别建筑物高程微妙差异的类别，并且在不同城市分布不一致，揭示了机器学习基于LCZ分类器中的数据分布偏移问题。该研究的发现为全球LCZ地图的不确定性提供了新的认识，并有助于确定最具挑战性的LCZ类别，并为LCZ的未来发展和验证提供了建议。

Sep, 2023

基于GEDI和多源数据，我们提供了一个最新的全球城市建筑高度产品，拥有150米的更高空间分辨率和内在细节，对气候、环境、生态和社会科学的城市研究具有推动作用。

Oct, 2023

通过地理空间大数据，我们在香港的单栋建筑层面开展了屋顶绿化的城市规模评估。我们发现85.3％的建筑物存在潜在和迫切需求进行屋顶绿化。我们进一步发现，绿色屋顶可以增加约61％的绿地接触，并每年创造数亿港币的经济效益，但在城市热减缓（约0.15℃）和年度碳排放抵消（约0.8％）方面的作用较小。我们的研究提供了屋顶绿化的综合评估，可以为全球各地城市的可持续发展提供参考，包括数据利用、解决方案和发现。

Apr, 2024

从一组图像中，一个具有适当的提示工程和领域知识的大型语言模型可以成功地估计与可持续发展计算相关的一系列建筑特征，并生成针对业主如何改进其物业的定制建议。

May, 2024

该研究针对谷歌太阳能API在地理覆盖上的限制，提出利用卫星影像扩展其评估全球太阳能潜力的能力。通过深度学习模型构建数字表面模型和屋顶实例分割，本文实现了25厘米的DSM和显著的屋顶分割精度，提升了太阳能应用的潜力。

Aug, 2024

本研究解决了谷歌太阳能API在地理覆盖方面的局限性，提出利用卫星图像扩展其应用以评估全球太阳能潜力。通过深度学习模型，我们从低分辨率和单斜视图中构建数字表面模型（DSM）及屋顶实例分割，显著提高了API在推动太阳能采用方面的效果。

Aug, 2024

本研究针对缺乏建筑类型和功能信息的欧洲地区，探讨了基于开放GIS数据集预测建筑类型和功能的可行性。采用图神经网络模型，我们发现结合上下文信息的建筑邻域可以显著提高预测性能，并通过局部子图训练实现了较高的分类准确率，显示了该方法在建筑分类领域的重要潜力。

Sep, 2024