通过在 Google Earth Engine 平台上实施监督机器学习算法，将 Sentinel-1（S-1）和 Sentinel-2（S-2）数据集成，以用于特定区域的地表分类。结果表明，在这种情况下，雷达和光学遥感提供互补信息，有利于地表覆盖分类，从而提高了映射的准确性。此外，本文还证明了 GEE 作为一种处理大量卫星数据的有效云端工具的新兴作用。

Aug, 2023

本文介绍一种针对 Sentinel-2 卫星图像进行土地利用和土地覆盖分类的方法，提供了一个包含 13 个光谱波段及 10 类共 27,000 个标记和地理参考图像的新数据集，并使用最先进的深度卷积神经网络提供了基准测试。通过这一分类系统，可以用于检测土地利用和土地覆盖的变化，并帮助改进地理地图。

Aug, 2017

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

利用卫星图像时间序列（SITS）的自监督预训练方法 (S4)，通过利用波段差异和地理信息进行预训练任务，从而显著降低对标记训练数据的需求，为 SITS 分割任务提供了一种有效且能使用有限标记数据的解决方案。

May, 2024

本文利用多光谱随机森林分类器结合适宜的特征选择算法和掩模技术，在城市地区估计树木覆盖率，结果显示在拉合尔管理科学学院的 82 英亩区域内，该方法优于传统的随机森林分类器和 ESA WorldCover 10m 2020 等最新技术。

May, 2023

本研究旨在使用改进的 U-Net 结构的卷积机器学习模型，基于卫星图像创建土地覆盖分类映射，使用 BigEarthNet 卫星图像归档和原始数据集对模型进行训练和测试，结果显示可以提高现有土地分类图的精度和土地覆盖变化检测。

Mar, 2020

本研究利用来自 Sentinel-2 卫星图像的各种光谱波段组合，采用深度学习和基于像素的机器学习方法，对熏衣草田进行精准农业的精确分割，得出了 Dice 系数为 0.8324 的 U-Net 结构的最终模型，同时，我们的研究还强调了像素方法和红绿蓝光谱波段组合在这一任务中的意外功效。

Nov, 2023

通过构建一个新的数据集，本文针对云遮挡导致的地球影像质量下降问题，提出了一种适用于不同区域、季节和云覆盖度变化的新型云去除模型，并在两个性能指标上进行了评估。

Sep, 2020

利用 Copernicus 计划（ESA）的 Sentinel 卫星和 Google Earth Engine 的云计算设施，我们提供一个包括 180,662 个样本的数据集，该数据集由双极化合成孔径雷达（SAR）图像，多光谱 Sentinel-2 图像和 MODIS 地表覆盖映射的三元组组成，拥有 10 m 的地面采样距离，并覆盖所有有人居住的大陆和所有气象季节。期望该数据支持社区开发面向场景分类或地表映射的语义分割等常见任务的深度学习算法。

Jun, 2019

本研究提出一种基于序列编码器 - 解码器结构的植被类的物候模型，特别考虑了观测序列中的云量过滤，最终使用无需繁琐的预处理步骤实现了无云涵盖下对不同种类的农作物进行地表覆盖分类的最佳结果。

Feb, 2018