使用卫星图像通过深度学习模型 ForestNet 对印度尼西亚的森林砍伐进行驱动程序分类，支持自动化的森林砍伐驱动程序分类的未来研究。

Nov, 2020

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

使用人工智能技术结合卫星遥感图片，在多个验证基础上生成了科特迪瓦和加纳可可种植区的高精度地图，结果显示可可种植是科特迪瓦和加纳保护区森林损失的根本驱动力之一，官方报告的种植区域被严重低估，这些地图有助于进一步认识可可种植区的保护和经济发展。

Jun, 2022

利用卫星图像和深度神经网络结合的方法，通过对Sentinel-1，Sentinel-2和Landsat 8的数据进行精细处理，成功地对亚马逊森林地区的砍伐情况进行了高准确度的估算。

Jun, 2022

通过多视角学习策略、最新的深度神经网络模型和多模态数据集，采用全面的数据增强和多样化网络方法，能够有效而准确地预测亚马逊雨林地区的森林砍伐情况。

Jun, 2023

基于光学和合成孔径雷达卫星影像，我们提出了一种基于注意力引导的UNet架构的森林砍伐估计方法，通过训练和验证模型，得出了93.45%的像素准确率和0.79的F1分数与0.69的IoU。

Jul, 2023

利用深度卷积神经网络和多模卫星图像对亚马逊森林的砍伐估测和火灾检测问题进行了研究，并提出了一种新的数据集和处理技术。

Jul, 2023

通过利用合成孔径雷达（SAR）多时相数据来监测巴西雨林中的森林砍伐，并提出了三种增强森林砍伐检测准确性的深度学习模型，其中RRCNN-1具有最高准确性和最短处理时间。

Oct, 2023

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

使用合成孔径雷达（SAR）数据进行森林监测，对于解决光学数据的问题并使用机器学习估计森林的光学查找指数（VIs）表现出较好的效果，通过创建多时序和多模态数据集来进行VI估计，在时间和空间上与Sentinel-1、Sentinel-2、DEM、天气和土地覆盖数据集的对齐下取得了较好的结果。

Nov, 2023