本研究提出相位-幅度解耦（PAD）框架，以解决合成孔径雷达与RGB图像在土地覆盖分类中的融合问题，显著提升特征一致性和融合效果。实验结果表明，PAD在遥感多模态融合中表现优异。

本文探讨了使用长短期记忆（LSTM）模型进行卫星图像时间序列的土地覆盖分类，结果表明其在复杂图像分类中优于传统方法。研究比较了RNN、GRU和ARIMA等多种预测模型，强调了模型的可解释性及其在火灾预测中的应用潜力，建议整合更长时间序列和空间信息以提高预测准确性。

本研究利用改进的 U-Net 结构和深度学习技术，通过卫星图像进行土地覆盖分类，提升了分类精度和变化检测能力。提出的 SegLand 框架在有限标记数据下表现优越，并探讨了高分辨率图像的自动分类潜力及多模态学习的应用，展示了多种模型的性能和应用场景。

本研究提出了一种增强型自我监督学习方法，解决了对比学习中的假阳性匹配和重构学习中的上下文缺失问题。实验结果显示，该方法在土地覆盖分类和语义分割等任务上优于全监督学习和现有自我监督方法，展现出高泛化性和可迁移性。

本文提出了一种名为SLCNet的新型受监督的长程关联方法，用于土地覆盖分类。该方法在地物遥感图像上的表现优于当前使用的非监督策略。SLCNet通过使用地面真实语义分割图中的类别一致性信息进行监督，使属于同一类别的像素高度相关而具有不同类别的像素不相关，从而产生了更一致的重校准特征。为了提高分割准确性，SLCNet采用了多尺度边输出监督和混合损失函数作为局部和全局约束。实验证明，SLCNet在所有数据集上都实现了最先进的性能。

本文综述了最近发表在文献中的基于机器学习的高光谱图像分析方法，按任务和算法类型进行组织，并提出了两向映射。涵盖了土地覆盖分类、目标检测、反混合和物理参数估计等任务，以及多种算法如高斯模型、线性回归、逻辑回归、支持向量机、混合高斯模型、稀疏线性模型、高斯混合模型、集成学习、有向图模型、无向图模型、聚类、高斯过程、狄利克雷过程和深度学习。同时讨论了该领域的挑战和未来方向。