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。

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。

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。

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。