人工智能与遥感技术的结合使遥感目标检测成为计算机视觉的重要研究方向，能够在复杂环境中识别滑坡和农作物，提供实时地球观测。构建高质量数据集是关键，推动了目标检测的实用化。HyperAI整理了多个领域的数据集，促进技术应用。

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。

本研究利用光学哨兵-2卫星影像和机器学习模型，监测外源有机物施用对土壤和作物健康的影响，展示了遥感技术在精细农业中的应用潜力。

该研究提出了量子深度网络（QUEEN），有效解决了高光谱变化检测中的精度问题，显著提升了检测性能，为遥感技术的发展提供了新方向。

RescueNet模型通过局部相关的二进制交叉熵损失函数，实现了建筑物分割和破坏评估，表现优于现有方法。结合遥感技术和深度学习，自动化评估建筑损坏，并利用无人机提升救援物资运送的安全性。此外，研究探讨了可解释人工智能在遥感中的应用，并提出了新数据集RS-GPT4V，以增强模型的泛化性和推理能力。

本研究利用Sentinel-2卫星数据和谷歌地球引擎开发了时间序列模型，预测沿海地区水质中的叶绿素a、悬浮固体和浊度。通过应用LSTM递归神经网络，提高了预测准确性，展示了遥感技术在水质评估中的潜力。

该研究利用深度学习和遥感技术进行森林监测，提出多种方法提高碳储量估算的准确性，并探索森林砍伐的驱动因素。研究强调标准化数据集的重要性，促进机器学习与森林生物学的合作。

本研究利用机器学习和深度学习模型对亚马逊雨林卫星图像进行分类，F2得分达到0.927。结合前灾难光学数据显著提高了洪水和山体滑坡的检测能力。遥感技术在土地利用分析中表现出99.19%的准确度，为环境管理提供了重要工具。

本研究利用机器学习和深度学习模型对亚马逊雨林的卫星图像进行分类，获得了0.927的F2得分。通过遥感技术监测土地利用，推动农业和环境监测的发展。研究提出的SegLand框架能够在有限标记数据下自动更新土地覆盖类别，展示了机器学习在可持续发展中的潜力。

本文探讨了利用深度卷积神经网络和遥感技术进行土地利用/土地覆盖（LULC）分类的潜力。研究使用Sentinel-2卫星图像，提供了新数据集并实现了高达99.19%的分类准确率，分析了亚马逊雨林的卫星图像，支持城市可持续发展目标，推动环境监测和城市规划。

该研究利用机器学习和遥感技术评估47个国家的灾害风险，重点分析纳米比亚的环境变化。通过历史航空照片，识别关键对象并评估水坑和大树的变化，反映经济和环境影响。同时，探讨了土壤侵蚀模型及其应用，强调遥感技术在环境管理中的重要性。

本文探讨了利用遥感技术和深度卷积神经网络分析城市土地利用模式，重点改进建筑物检测和提取方法。研究中采用多种卷积神经网络架构，在高分辨率卫星图像和复杂数据集上取得了良好性能，推动了建筑物自动提取和城市区域土地覆盖图的生成。

本研究提出了一种利用无人机遥感系统来准确检测和计数建筑物窗户数量的方法，该方法通过开发计算机视觉流水线，利用无人机机载摄像头和其他传感器的数据，实现了窗户的自动识别和计数。定量和定性结果表明，与现有方法相比，我们提出的方法能够准确检测和计数窗户。

本文介绍了名为SICKLE的数据集，包含多光谱、热学和微波数据以及稻作参数注释。对该数据集进行了庄稼类型、生长季日期和预测收成三个任务的基准测试，并提出了使用时间序列数据进行收成预测的策略。该数据集可用于农业遥感研究的机器学习模型训练。