本研究针对土地利用分配中的变量依赖知识缺乏，提出了一种新的变量依赖定义，并获取依赖变量的掩码。通过构建新型交叉操作符，实验表明将其应用于多目标优化算法（NSGA-II和MOEA/D）显著提升了优化效果。

本研究引入SenCLIP，解决了视觉语言模型在卫星图像分类中的不足，通过配对Sentinel-2图像与地面照片，提高了土地利用和覆盖的分类准确性。

本文介绍了SICKLE数据集，涵盖多光谱、热学和微波数据，基准测试了作物类型、生长季节和收成预测，并提出了基于时间序列的收成预测策略。

本研究采用DeepLabV3深度学习模型和Landsat-8卫星影像，解决了非洲地区土地利用和覆盖分类不准确的问题，构建了10米分辨率的城乡地图，提升了城市、乡村及非人类定居区的识别准确性。

本研究通过训练16种不同模型实现高分辨率卫星图像的多类别分割，并介绍了海洋-陆地-云覆盖分割应用场景。研究发现1D-Justo-LiuNet模型在性能和参数数量方面优于现有的U-Net模型，但推理时间较长。同时，研究还指出图像分割应在辐射计校准后进行，减少光谱通道会降低参数数量和推理时间，但会牺牲分割性能。

土地利用/土地覆盖（LULC）建模是挑战性任务，与图像修复相关。研究发现修改后的PixelCNN架构能够捕捉更丰富的空间相关模式，但需要额外调整。通过操作采样变异性可以改善预测下离散性的证据。

全球人口增长对资源需求增加，遥感技术成为环境管理工具，监测土地利用、规划城市区域、推动农业、气候变化缓解、灾难恢复和环境监测。利用迁移学习和细调RGB波段，土地利用分析准确度达99.19%，可用于制定保护和城市规划政策。

全球人口增长对资源需求增加，遥感技术可监测土地利用、规划城市区域，推动农业、气候变化缓解、灾难恢复和环境监测。利用迁移学习和细调RGB波段，土地利用分析准确度达99.19%，可用于制定保护和城市规划政策。

利用深度学习方法的卫星图像地表覆盖（LULC）分析对于了解发展中国家的地理、社会经济条件、贫困水平和城市扩张具有重要意义。BD-SAT提供了高分辨率数据集，包括达卡大都会城市及周边地区的像素级LULC注释。实验结果表明BD-SAT提供的注释足以训练准确的深度学习模型，包括森林、农田、建筑区域、水体和草地等五个主要LULC类别。

利用多时相遥感图像进行精细城市变化分割对于理解人地互动非常重要。我们介绍了 FUSU，这是一个多源、多时序变化分割数据集，用于精细级城市语义理解。FUSU 拥有迄今为止最详细的土地利用分类系统，具有 17 类和 300 亿像素的注释。通过提供像素级细化注释和高空间 - 时间分辨率数据，FUSU...

该研究探索了合成孔径雷达和可见-近红外-短波红外成像技术在土地利用/土地覆盖分类中的协同组合。通过引入随机旋转来提高分类器的效能，并比较不同旋转方法的性能。实验结果表明，基于SRP的RFE在前两个数据集上表现最佳，基于CRP的RFE在最后三个数据集上表现出色。将纹理与SAR波段相结合，整体kappa值最大增加了10%，将纹理添加到VNIR-SWIR波段上，整体kappa值最大增加了约3.45%。

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，研究了模态融合对模型决策的影响，并证明了辅助数据对荒野映射任务的益处。

该研究应用运筹学工具改善城市公园的可达性、分布和设计。通过空间交互模型评估用户行为，实现公平设施位置和设计模型。以蒙特利尔市为例进行比较和讨论。