本文介绍了地球观测所面临的机器学习等技术对于从原始数据到可用信息转化的必要工具和方法，并探讨了这些发展的挑战及其影响，包括计算机视觉、机器学习、高级处理和计算、以知识为基础的人工智能、可解释的人工智能和因果推断、物理感知模型、以用户为中心的方法以及与大规模使用机器学习技术相关的伦理和社会问题的讨论。

May, 2023

本文探讨了地球科学、遥感和人工智能领域近年来趋近的发展情况，强调了这些交叉学科的研究方向和挑战，提出了人工智能在遥感和地球科学领域中的应用，以及年轻研究人员应该如何应对这些挑战，从而推动遥感和地球科学的发展。

Apr, 2021

本文介绍了应用 AI 和地球观测数据对可持续发展目标进行监测的方法，提出了一种基于 U-net 和 SE 块的卫星图像分割模型用于作物检测，同时提出了建立评估基础设施以实现更好实现 SDGs 的未来研究方向。

Jul, 2019

本文综述了 400 多个公共数据集，包括土地利用 / 覆盖、变化 / 灾害监测、场景理解、农业、气候变化和天气预报。通过对数据集进行系统分析，我们基于其属性提出了评估标准，并发布了用于评估深度学习方法的新平台 EarthNets，从而弥合了遥感和机器学习社区之间的差距。

Oct, 2022

深度学习在遥感数据分析等领域取得了巨大进展，但由于神经网络在解释性上的缺陷，对其缺乏可解释性和可解读性仍然存在批评。为解决这一问题，用于遥感图像分析的可解释人工智能技术近来得到了广泛的研究。本章根据突出的地球观测应用领域进行组织，介绍了可解释遥感影像分析领域的最新发展。

Nov, 2023

地球科学进入大数据时代，人工智能不仅有可能解决地球科学问题，还在加速理解地球行为的复杂、交互和多尺度过程中起着关键作用。这项研究提出了一个可解释的地球科学人工智能 (XGeoS-AI) 框架，通过以计算机断层扫描 (CT) 影像识别为例展示了其有效性和多功能性。该框架受人类视觉机制的启发，从整个影像中生成一个阈值来完成识别。不同种类的人工智能方法，如支持向量回归 (SVR)、多层感知器 (MLP)、卷积神经网络 (CNN)，可以被采用作为该框架的引擎，高效地完成地球科学影像识别任务。实验结果表明，该框架的有效性、多功能性和启发式具有解决地球科学影像识别问题的巨大潜力。在地球科学领域中需要更加重视可解释人工智能，这是促进人工智能在地球科学领域更加合理和广泛应用的关键。此外，这一提出的可解释框架可能是地球科学技术创新的先驱。

Nov, 2023

GeoAI 是一个令人兴奋的新领域，借助人工智能、地理空间大数据和大规模计算能力来解决高度自动化和智能化的问题。该论文回顾了人工智能在社会科学研究中的进展，强调了使用 GeoAI 填补重要数据和知识空白的重要进展。论文还讨论了打破数据孤岛、加速 GeoAI 研究方法的融合以及将 GeoAI 推广到超越地理空间利益的重要性。

Dec, 2023

机器学习、深度神经网络、人工智能、地球观测和数据集是这篇研究论文的主要关键词，通过文章的回顾和资源描述，为未来发展提供了展望。

Oct, 2023

本文重申了 GeoAI 开放研究方向的现状、最新发展和新兴议程，呼吁各领域的社区共同参与跨学科的交流。

Oct, 2022

该论文旨在开发一种公平和负责任的人工智能框架，其提供了用于能源互联网（IoE）的技术和算法，即 RAI4IoE。该框架利用先进的 5G-6G 网络和人工智能技术，将可再生分布式能源资源与能源网络相连接和整合，实现可靠的能源分发，并通过经济激励使分布式能源资源​​所有者能够参与能源市场。

Sep, 2023