研究使用 NASA 的 GEDI 仪器以及其他卫星数据和机器学习方法生成高分辨率的森林地上生物量（AGB）地图，并验证其与实地数据的准确性和性能。

May, 2024

利用开放的遥感数据，本研究提出了一种基于注意力机制的深度学习方法来估算森林地上生物量 (AGB)，其模型在生物量估算方面的准确性明显高于传统的随机森林算法。总体而言，该研究证实了利用卫星数据进行生物量估算的深度学习方法的可行性。

Nov, 2023

本文描述了将纽约州 1990 年至 2019 年的历史植被覆盖范围建立成细分辨率地图的方法，利用 Landsat 成像、美国森林服务局森林清查分析数据以及即用型光探测与测距（LiDAR）收集数据建立三种不同的历史森林地上生物量映射建模方法，允许在多个时空尺度上精细测量并监测森林生态系统的演变和碳储量变化。

Apr, 2023

准确估计地上生物量（AGB）是应对气候变化和生物多样性损失两大人类挑战的关键，我们引入了一个包含全球分布、多样植被类型和几年时间范围的全面新数据集，结合了来自 GEDI 任务的 AGB 参考数据以及 Sentinel-2 和 PALSAR-2 影像数据，并且还生成了整个数据集覆盖区域的密集、高分辨率（10m）AGB 预测地图，为全球 AGB 估计提供了可靠的基础。

Jun, 2024

基于深度学习的 Prithvi 地球观测模型通过高效前期训练和微调，成功实现地球观测领域多个任务的优化，证明了预训练模型在加速微调过程以及在性能上优于随机初始化权重的作用，并表明可显著减少可用标注数据的数量而不影响模型准确性。

Oct, 2023

本文旨在结合 AGB 和 SOC 两个领域，通过准确检测其变化来改善碳信用认证市场中的总碳估计，并提出新的关于这两个领域间积极相关性的模型来尝试超越现有的最佳结果。机器学习技术表现出最佳效果。

May, 2022

本研究针对遥感任务的基础模型研究进行了探讨，提出了一种包括六项分类任务和六项分割任务的基准测试以及可靠的评估方法，并报告了二十种基线模型的结果，旨在推动地球监测领域的模型进展。

Jun, 2023

美国国家森林清查（NFI）提供了全国范围内的森林地上生物量（AGB）和碳计量的基础。为了解决由于新的 National Scale Volume and Biomass Estimators（NSVB）系统的推出所带来的问题，我们对以前发布的 Component Ratio Method（CRM）的 AGB 地图和使用相同方法制作的新地图进行了比较。结果显示，基于被动卫星图像的模型可以提供 NSVB AGB 和碳储量的可接受估计，但无法准确量化成熟小闭合林的生长。我们建议采用新的方法、更新的模型和地图来适应这一变化，并倡导在建模和制图流程中使用 NSVB，以提供最准确的空间森林碳数据，以更好地支持地方管理和决策。

May, 2024

在预训练基于互联网规模无标签数据的基础模型 (Foundation Models，FMs) 中，研究增至十亿级参数规模的 FMs 和高性能计算 (HPC) 训练，以应用于地理空间图像应用中，取得了较小规模模型的显著准确率提升。

Apr, 2024

使用深度学习和卫星遥感生成植被高度图，以提高瑞士国家森林清查的时间分辨率和有效性。

Sep, 2023