本研究利用Sentinel-2卫星数据和深度学习技术进行土地利用/覆盖分类，准确率高达99.19%。通过自我监督方法和数据增强，显著提升了模型性能，推动了环境监测和城市规划的发展。

本文介绍了一种基于深度学习的城市变化检测框架，结合全卷积网络和循环神经网络，利用Sentinel-2数据集实现95%的检测精度。研究探讨了不同架构和光谱通道对变化检测的影响，并提出了多种提升检测准确性的方法，包括无监督学习和特征跟踪。

本研究利用CatBoost机器学习和Sentinel-2卫星数据监测水质浊度，开发了水质增强指数模型，提高了水质监测的效率和准确性。同时，探讨了基于物联网的水产养殖解决方案和海洋塑料污染的遥感检测，为水资源管理和环境保护提供了新方法。