- 行星因果推理：对贫困地理的影响
利用卫星图像等地球观测数据结合机器学习，可以深入了解贫困地理的预测居住条件，并探索因果关系以及政策分析。
- 卫星数据不确定性感知的热带气旋风速估计
这项研究通过进行理论和定量比较，分析了应用于卫星图像的 DNN 模型中现有的不确定性量化方法，以海洋热带气旋的风速估算任务为例，发现预测不确定性可用于提高准确性，并对不同方法的预测不确定性进行了分析。
- 从光谱到生物物理洞见：与一种偏置辐射传输模型的端到端学习
基于机器学习和地球观测数据的气候变化研究进展，提出了一种整合辐射传输模型和自编码器架构的端到端学习方法，不仅能纠正辐射传输模型的偏差，而且在变量检索方面优于传统神经网络回归技术，并且该框架在反演有偏物理模型上具有潜在普适性。
- 擅长标题，计数能力差：在地球观测数据上评估 GPT-4V
对大型视觉语言模型在地球观测数据中的能力进行了评估，发现其在场景理解和空间推理等任务上表现出色，但在物体定位和计数任务上有一定局限性，因此提出了一个全面的评估基准。
- 增强地球观测数据预测置信度的潜在空间度量
通过利用变分自编码器架构，本研究提出了一种衡量机器学习模型预测置信度的新方法，特别针对利用地球观测数据进行回归任务，以蚊子数量估计为重点。这种方法通过观测数据的潜在空间表示来派生置信度度量，建立了潜在表示的欧式距离与单个蚊子数量预测的绝对误 - 地球观测应用中的扩散模型：从云去除到城市变化检测
利用扩散模型在地球观测数据方面带来的先进人工智能技术的进展，在新的情境中将具有很高的潜力。论文通过介绍一系列生成模型，并提出和分析三个应用案例，展示了基于扩散方法在卫星图像数据领域的潜力，即云去除和图像修复、用于变化检测任务的数据集生成以及 - 多源卫星 SAR 和光学图像在森林制图中的深度学习模型转移
使用深度学习模型进行森林变量预测具有越来越大的流行度，本研究通过模型转换方法将预训练的深度学习模型应用于目标区域，使用地球观测数据进行森林结构预测，结果表明相较于传统基准方法，利用迁移学习的 SeUNet 模型具有更高的准确性。
- Ben-ge: 使用地理和环境数据扩展 BigEarthNet
该研究提出了一个多模式地球观测数据集 ben-ge，并展示了将不同数据模式结合起来应用于土地利用 / 覆盖分类和分割任务的价值，ben-ge 可以作为全监督和自监督地球观测应用的测试基地。
- 基于半监督学习的上下文感知的变化检测
本研究提出了一种利用前灾难时期光学数据进行变化检测任务的模型，并针对灾害受影响区域开发了 Context-Aware Change Detection Network（CACDN）。使用 Area Under the Precision-R - ICLR利用简单的空间感知技术提高 GEOGLAM 的遥感数据对哈萨克斯坦国家级小麦产量预测的准确性
提出并研究了一种简单的技术，称为州级加性偏差，在哈萨克斯坦明确解决跨区域产量异质性的问题，相比基线机器学习模型（随机森林、CatBoost、XGBoost），我们的方法将整体均方根误差降低了 8.9％，将最高州级均方根误差降低了 28.37 - THRawS: 一种新的用于探测 Sentinel-2 原始数据中热点的数据集
为了促进卫星上的能耗高效预处理算法和人工智能模型的研究，该论文提出了 THRawS，这是第一个包含整个地球的 Sentinel-2 卫星的原始温度热点数据集，包括野火和火山喷发等热点事件，还比较了核心配准技术和超级胶神经网络方法在场景中的时 - 解释多模态数据融合：野外地图制作中的遮挡分析
本研究提出了一种深度学习框架，用于对多模式地球观测数据进行模态级别的解释。该框架利用可解释的机器学习方法，即遮挡敏感性，研究了模态在学习过程之前融合的情况下对模型决策的影响，并证明了荒野映射任务受到土地覆盖和夜间光数据等辅助数据的极大益处。
- 大地数据和机器学习支持可持续和有弹性的农业
本研究利用地球观测数据、机器学习和大数据方法开发应用程序，致力于监测共同农业政策（CAP）、食品安全及智能耐荒农业等领域，在解决机器学习模型训练的注释数据不足以及推导的价值落实到实际决策之间的差距等问题上取得了一定的方法创新和研究进展。具体 - 一个通用的神经架构用于地理空间系统
本文介绍了一种通用的神经结构图，其具有地理空间归纳偏差，经过大量未标记的地球观测数据的自我监督训练。该模型可能有助于研究人员和人道主义援助和灾难响应从业者之间的合作。作者展示了这个神经结构图的初步结果，该神经结构图可以处理各种地理空间数据类 - 利用卫星探测病毒：通过图神经网络模拟 West Nile 病毒的传播
提出一种利用深度神经网络（DNNs）和图神经网络（GNN）预测西尼罗河病毒（WNV）流行的方法，实验结果表明该方法与地面真实观测相结合能更好地预测 WNV 的流行，并且考虑到了时间和地理位置特征。
- 原始光学卫星时间序列分类的自注意力
本文研究如何利用深度学习算法，通过比较新的农作物分类模型，结合实验数据分析出数据预处理的作用和各种神经网络架构的性能，发现自我注意力机制的性能最好，但数据预处理对所有模型的性能均有提升。