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

本研究利用数据驱动的深度学习体系结构和方法探究了城市土地利用结构对城市气候的影响，并通过纽约市的相关遥感数据验证了城市森林的冷却效应。

Jun, 2023

通过与 Sentinel-2 图像相结合，将从高分辨率 Google 图像提取的地面对象先验融合在一起，从而提出了一个用于地表气候分区 (LCZs) 分类的数据融合方法。

Mar, 2024

本文提出了一种名为 AutoLC 的方法，它将手动设计的 CNN 和自动设计的 CNN 的优点相结合，采用分层搜索空间和轻量级编码器策略，成功地解决了高分辨率遥感图像的土地覆盖分类问题，并在实验中取得了比其他方法更好的效果。

May, 2022

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

本文研究采用弱监督方法，利用远程感知数据对城市森林进行时空分布量化，并探索利用高分辨率 LiDAR 数据为训练提供嘈杂标签的方法，以探测飓风桑迪带来的影响，实现树木的地理定位。通过针对纽约市的考察，验证研究结果的可靠性。

Jun, 2022

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

这篇论文通过比较卷积神经网络和基于 transformer 的方法，探讨了在土地覆盖分类分析领域中，使用深度学习模型提高准确性和效率的最新进展。作者通过使用基于 Sentinel-2 卫星图像的 EuroSAT 数据集，证明了当前 transformer 模型在该领域取得了最先进的结果。

Jan, 2024

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