德国和瑞士的研究团队提出了一种结合气候数据生成卫星图像的新方法，创建了最大遥感数据集EcoMapper。这一创新推动了遥感领域的发展，填补了云层覆盖地区的观测空白，为气候适应和地理分析提供了新工具。

德国慕尼黑工业大学与瑞士苏黎世大学团队提出了一种新方法，利用Stable Diffusion 3生成卫星图像，并创建了包含290万张图像的最大遥感数据集EcoMapper。这一方法结合气候数据，提高了卫星图像生成的准确性，解决了云层覆盖地区的观测问题，推动了气候适应和地理分析。

本研究提出了EarthMapper自回归框架，解决卫星图像与地图的像素对齐问题。通过地理坐标嵌入和多尺度特征对齐，该方法提升了视觉真实感和语义一致性，促进了城市规划和灾后响应的应用发展。

谷歌地球(Google Earth Pro) Portable 是一款便携软件，用户可以在3D地图上探索世界，查看卫星图像并生成行车路线。它适合专业人士，提供高精度地貌影像、区域查询、3D建筑模拟和数据分享功能。

谷歌研究推出的地理空间推理技术，通过分析卫星和航空图像，支持自然语言查询，提供详细的数据可视化和分析，帮助理解自然现象与城市基础设施。

本研究提出了一种新的遥感检索增强生成框架（RS-RAG），并构建了包含高分辨率卫星图像及详细文本描述的多模态知识数据集（RSWK）。该框架在图像描述、分类和视觉问答等任务上显著优于现有基线，推动了遥感领域与更广泛知识的结合。

本研究提出了deepTerra平台，结合深度学习与卫星图像，显著提升土地表面特征分类效率，简化图像分类流程。

该研究提出了一种无人机-视觉语言-行动(UAV-VLA)系统，通过结合卫星图像处理和视觉语言模型，提高任务规划效率，减少航迹长度22%和目标定位误差，展示了其在空中作战中的价值。

本研究提出SenCLIP，通过将Sentinel-2卫星图像与地面照片配对，提升了土地利用和覆盖的零-shot分类准确性。该方法利用视觉语言模型，解决了卫星图像训练数据不足的问题，拓展了自由文本描述的应用潜力。

本研究提出了一种基于卷积神经网络和迁移学习的自动分类方法，解决了卫星图像中土地结构手动识别的耗时问题。结果显示，该方法实现了94.8%的准确率，展示了深度学习在土地结构识别中的潜力。

本研究提出了一种利用卫星图像中阴影长度估计建筑高度的新方法。该方法结合建筑位置和阴影长度的回归模型，解决了单视图图像导致的三维信息丢失问题。实验结果表明，该方法在42个城市的评估中优于现有技术。

本研究提出了一种新算法，通过图像分解和对齐检测，显著提升航空或卫星图像中道路网络的检测准确性和效率。

本研究提出了一种新颖的端到端框架ESC-MISR，旨在从多幅低分辨率卫星图像生成高分辨率图像。通过增强图像间的空间相关性和减弱时间依赖性，ESC-MISR在PROBA-V数据集上显著提升了图像质量。

本研究探讨了神经辐射场（NeRF）在卫星图像季节预测中的应用，特别是Sat-NeRF的表现。结果表明，作为Sat-NeRF扩展的Planet-NeRF能够有效捕捉季节变化的细微差异，超越了之前的模型，展现了未来研究的潜力。

本文探讨了利用深度学习从卫星图像中检测船只的方法，解决了模型在不同数据集上的应用问题。通过训练包含光学和雷达数据的模型，在有限的训练图像下，模型性能令人满意，平均精度提高了5-20%。实验结果表明，光学数据集训练的模型可有效应用于雷达图像，但反之效果较差。