本研究旨在通过运用不同的机器学习和深度学习模型将亚马逊雨林的卫星图像碎片进行分类和标记，并通过 F2 度量来评估分类器的准确性和损失函数。经过预训练的 ImageNet 体系结构用于提取特征，最终实现了 0.927 的最佳 F2 得分。

Jan, 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

提出了一种名为 SegLand 的广义少样本分割框架，用于在高分辨率土地覆盖映射中更新新颖类别，实验表明该框架在有限标记数据下自动更新新颖土地覆盖类别方面具有优越性。

Apr, 2024

本文综合研究了使用卫星图像和机器学习了解可持续发展领域期间所面对的挑战，以及如何将二者有机结合，细致测量各类相关数据，从而量化模型表现，并探讨该研究领域的未来发展。

Sep, 2020

本文提出了一种利用深度神经网络对高分辨率遥感图像进行无监督地物分类的方案，通过未标记遥感图像进行伪标注和样本选择来提高模型的转移性，并通过细化预先训练好的模型，组合分块分类和分层分割实现像素级地物分类。

Jul, 2018

通过使用少量标注者的软标签实现模型性能和可靠性的提高，该方法在减少标注者数量的同时得到了与之前方法相当的模型性能，但需要在 elicitation 过程中付出显著的时间成本。

Jul, 2022

使用 Sentinel-2 卫星数据和 Random Forests 算法的语义分割技术可用于高精度地图绘制，为农业和经济发展提供一种可行技术。

Nov, 2018

本研究论文探讨 NLP 应用在社区分析中的高潜力，提出了新的自动 UPV 分类任务，研究了包含一个详细语料库分析和一些基线神经模型的数据集，实验结果表明这个问题具有挑战性，同时也提出了未来在 NLP 和 SD 交叉领域的研究方向。

Apr, 2020

该研究使用深度学习语义分割方法，在多光谱、高光谱和高空间分辨率的航拍图像数据集上进行了土地覆盖分类，其中 LinkNet 模型在所有数据集中获得了高 IoU 准确率 0.92，评估结果显示多光谱图像在 IoU 和 F1 得分上表现更佳，展示了 LinkNet 和多光谱图像在土地覆盖分类上的高效性和广泛适用性。

Jun, 2024

城市化对经济增长有促进作用，但也通过环境恶化对环境造成危害。机器学习已成为一个有很大潜力的工具，通过识别关键的预测特征来跟踪环境恶化。最近的研究专注于利用污染物水平和颗粒物作为环境状态指标来开发预测模型，以勾勒出所面临的挑战。机器学习被用来识别与环境恶化相关的模式。该研究旨在帮助政府识别干预点，改进规划和保护工作，并最终促进可持续发展。

Aug, 2023