Semantically-consistent Landsat 8 image to Sentinel-2 image translation for alpine areas
University of Winnipeg（温尼伯大学）；Norwegian University of Science & Technology (NTNU) Gjøvik（挪威科技大学（NTNU）约维克校区）
研究界对经常免费提供卫星图像的需求日益增加。Landsat 8和Sentinel-2等卫星星座每天提供大量宝贵的数据。然而，这些卫星的传感器特性的差异使得使用在任一数据集上训练并应用于另一个数据集的分割模型毫无意义，这就是为什么领域自适应技术最近成为遥感领域的一个活跃研究领域。为了缩小Landsat 8和Sentinel-2之间的传感器差异，本文利用HRSemI 2 I模型进行了通过风格转换的领域自适应实验。本文的主要贡献是分析这种方法的方便性，通过比较使用域适应图像与那些没有适应的分割结果。HRSemI 2 I模型，调整工作与6波段的图像，显示显着的交叉超过工会的平均和每类指标的性能改善。第二个贡献是在两个标签方案- NALCMS 2015和CORINE之间提供不同的推广方案。第一个办法是通过较高级别的土地覆被类别实现标准化，第二个办法是通过实地的协调验证。
2022-12-22 cs.CV cs.LG
Enhancing Active Learning for Sentinel 2 Imagery through Contrastive Learning and Uncertainty Estimation
本文提出结合半监督学习、对比学习与MC Dropout不确定性估计的主动学习方法，在Sentinel-2影像分析中显著提高标注效率并保持高分类准确率。
2024-06-25 cs.CV cs.LG
Mapping Land Naturalness from Sentinel-2 using Deep Contextual and Geographical Priors
University of the Bundeswehr Munich（慕尼黑联邦国防军大学）
为应对气候变化并测绘土地自然度，研究提出一个多模态监督深度学习框架，通过融合坐标等地理先验与局部图块周围的上下文信息，有效提升了基于 Sentinel-2 卫星图像的土地自然度预测性能，助力环境管理。
2024-06-27 cs.CV cs.LG
The Potential of Copernicus Satellites for Disaster Response: Retrieving Building Damage from Sentinel-1 and Sentinel-2
1 Photogrammetry \& Remote Sensing Lab, ETH Zurich 2 EcoVision Lab, Department of Mathematical Modeling；Machine Learning (DM3L), University of Zurich
本文探讨了Copernicus计划的中分辨率地球观测图像在建筑损毁评估中的应用，引入了xBD-S12数据集，展示了在多种灾害场景中通过Sentinel-1和Sentinel-2图像能够有效检测和映射建筑损毁，尽管地面采样距离为10米。
2026-03-24 cs.CV
Precision Agriculture: Crop Mapping using Machine Learning and Sentinel-2 Satellite Imagery
Queen Mary University of London（伦敦玛丽女王大学）
针对气候变化下的粮食安全挑战，本研究利用Sentinel-2影像和U-Net深度学习及像素级方法实现薰衣草田精准分割，Dice系数达0.8324，并发现RGB波段组合的意外有效性。
2023-11-25 cs.CV eess.IV
Convolutional Neural Networks for Global Human Settlements Mapping from Sentinel-2 Satellite Imagery
European Commission, Joint Research Centre (JRC)（欧洲委员会联合研究中心）；Arhs Developments S.A（Arhs开发公司）；Engineering S.p.a（工程股份公司）
空间上连贯一致的最新人类住区地图对于处理与城市化和可持续性有关的政策至关重要，特别是在世界日益城市化的时代。哥白尼地球观测计划的Sentinel-2开放和免费数据的可用性为全球范围内的人类住区测绘提供了新的机会。本文提出了一种深度学习-的框架，用于从Sentinel-2图像的全球复合图像中以10 m的空间分辨率全自动提取建筑物区域。所提出的模型的核心特征是大小为5x 5像素的图像块，足以描述来自哨兵-2图像的建成区，以及总数为1，448的轻量级拓扑结构，578个可训练参数和4个2D卷积层和2个平面层。在全球Sentinel-2图像合成上部署该模型，提供了关于2018参考年建成区的最详细和最完整的地图报告。使用覆盖世界各地277个站点的建筑物足迹的独立参考数据集对结果进行验证，建立了由所提出的框架和模型鲁棒性产生的建筑层的可靠性。
2020-10-29 cs.CV cs.LG eess.IV
Tackling fluffy clouds: robust agricultural field boundary delineation from Sentinel-1 and Sentinel-2 satellite image time series
University of Strasbourg, France（斯特拉斯堡大学）；Australian National University, School of Computing, ACT, Australia（澳大利亚国立大学计算机学院）
提出PTAViT3D及融合S1与S2数据的PTAViT3D-CA深度学习架构，利用内存高效的3D Vision Transformer直接处理受云污染的卫星影像，在多个全球农业数据集上实现最先进的田块边界勾绘，显著简化数据准备流程。
2026-09-24 cs.CV
EuroSAT: A Novel Dataset and Deep Learning Benchmark for Land Use and Land Cover Classification
TU Kaiserslautern（凯撒斯劳滕工业大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））
在本文中，我们解决的挑战，土地利用和土地覆盖分类使用哨兵-2卫星图像。哨兵2号卫星图像是由哥白尼地球观测计划提供的，可以公开和免费获取。我们提出了一个基于Sentinel-2卫星图像的新数据集，覆盖13个光谱波段，由10个类别组成，共有27，000个标记和地理参考图像。我们使用最先进的深度卷积神经网络（CNN）为其光谱带提供了这个新数据集的基准。使用所提出的新数据集，我们实现了98.57%的整体分类准确率。由此产生的分类系统为若干地球观测应用打开了大门。我们演示了如何使用这种分类系统来检测土地利用和土地覆盖的变化，以及如何帮助改善地理地图。EuroSAT地理参考数据集在https://github.com/phelber/eurosat上公开提供。
2019-02-01 cs.CV cs.LG
Deep Evidential Regression for Sparse Forest Height Estimation from Multimodal Satellite Imagery
LMU Munich（慕尼黑大学）；TU Munich（慕尼黑工业大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
本研究针对TreeUQ基准数据集，采用融合多模态卫星输入的U-Net架构，提出掩码证据损失函数，应用深度证据回归实现了树高与不确定性的联合预测，性能优于确定性模型。
2026-09-15 cs.CV cs.LG
Is Self-Supervised Pre-training on Satellite Imagery Better than ImageNet? A Systematic Study with Sentinel-2
University of Missouri（密苏里大学）；Duke University（杜克大学）；Stanford University（斯坦福大学）
本文构建全球 Sentinel-2 数据集 GeoNet，系统比较 SwAV、MAE 在 GeoNet 与 ImageNet 上的自监督预训练，发现遥感领域预训练仅小幅优于 ImageNet。
2025-02-15 cs.CV
Biological Valuation Map of Flanders: A Sentinel-2 Imagery Analysis
KU Leuven（鲁汶大学）；Instituut voor Natuur- en Bosonderzoek (INBO)（自然与森林研究所（INBO））
针对全球多地缺乏土地利用研究的规范化数据集与工作流程的问题，本研究提出综合方法，构建了佛兰德斯地区结合Sentinel-2影像的密集标记地面真值地图，配套规范数据集处理流程与模型训练管线，并通过初步基准测试验证了方法有效性。
2024-01-26 cs.CV cs.LG
AttMetNet: Attention-Enhanced Deep Neural Network for Methane Plume Detection in Sentinel-2 Satellite Imagery
Bangladesh University of Engineering and Technology（孟加拉工程科技大学）
AttMetNet通过融合NDMI与注意力增强的U-Net，提出了一种用于Sentinel-2卫星图像中甲烷云团检测的新框架，有效提升检测精度和鲁棒性。
2025-12-02 cs.CV
SenCLIP: Enhancing zero-shot land-use mapping for Sentinel-2 with ground-level prompting
Mediterranean Agronomic Institute of Montpellier - CIHEAM-IAMM（地中海农业研究院-CIHEAM-IAMM）；Inria（法国国家信息与自动化技术研究院）；INRAE（法国国家农业研究咨询中心）；Cirad（国际热带农业研究中心）；UMR TETIS（TETIS联合研究单位）；Univ. of Montpellier（蒙彼利埃大学）
SenCLIP 通过将 CLIP 表示与欧洲大规模 Sentinel-2 影像和地理标记地面照片配对数据对齐，在 EuroSAT 和 BigEarthNet 上显著提升了零样本土地利用制图精度，支持自由形式文本提示。
2024-12-11 cs.CV
An Aligned Multi-Temporal Multi-Resolution Satellite Image Dataset for Change Detection Research
Purdue University（普渡大学）
本文提出了一个对齐的多时相和多分辨率的卫星图像数据集的变化检测的研究。我们希望我们的数据集对那些希望融合来自多个卫星的信息的研究人员有用，以检测地球表面的变化，这些变化可能在任何一个卫星上都无法完全看到。我们提出的数据集是通过用Landsat和Sentinel图像的时间并行堆栈来增强SpaceNet-7数据集而创建的。SpaceNet-7数据集由101个感兴趣区域（AOI）记录的按时间顺序排列的行星图像组成。在我们的数据集中，对于用于训练的60个AOI中的每一个，我们用Landsat和Sentinel图像的时间并行数据立方体来增强Planet数据立方体。高分辨率行星图像与大地卫星和哨兵图像之间的时间对齐是近似的，因为行星图像的时间分辨率是一个月-每张图像都是一个月内收集的最佳数据的拼接。每当我们可以选择哪些陆地卫星和哨兵图像与行星图像配对时，我们都会选择那些云层覆盖最少的图像。我们的数据集的一个特别重要的特征是，高分辨率和低分辨率图像与本文提出的MuRA框架在空间上对齐。对准计算的基础是用NASA的AROP算法中的多项式对卫星间失准误差建模。我们将数据集命名为MuRA-T，用于对齐跨卫星图像的MuRA框架，“T”表示数据集中的时间维度。
2023-02-27 cs.CV
Early Yield Prediction for Sugar Beet Fields using Satellite Data -- Learnings from Specialized Vision Transformers
Center for Artificial Intelligence and Robotics, Technical University of Applied Sciences Wuerzburg-Schweinfurt（人工智能与机器人中心，维尔茨堡-施韦因富特应用技术大学）；Bielefeld University（比勒费尔德大学）；green spin GmbH（绿旋有限公司）
研究利用卫星数据预测甜菜田早期产量，通过将领域知识与机器学习紧密结合，采用小视觉Transformer补丁大小和所有哨兵2光谱带，改进模型，并能在生长周期早期识别大部分低产田。
2026-07-21 cs.CV cs.LG
Improving satellite imagery segmentation using multiple Sentinel-2 revisits
Center for Data Science（数据科学中心）；New York University（纽约大学）
本文研究如何利用 Sentinel-2 多次重访数据改进卫星影像分割，通过多模型架构实验证明在潜在空间融合多时相表征效果最佳，且 SWIN Transformer 架构优于 U-net 和 ViT，并在建筑密度估计任务上验证了普适性。
2024-09-30 cs.CV
Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations
GFZ German Research Centre for Geosciences（德国地学研究中心）；Universitat de València（瓦伦西亚大学）；University of Twente（特文特大学）；Nanjing University（南京大学）
在过去的几十年里，卫星遥感已广泛用于农业应用，{用于评估植被状况和随后的产量预测。总初级生产力（GPP）是反映作物光合功能和逆境的重要指标，现有的遥感估算方法主要依赖于经验或半经验方法，容易过分简化光合作用机制。在这项工作中，我们利用机械光合作用建模和卫星数据可用性的所有并行发展，先进的监测作物生产力。特别是，我们结合基于过程的建模与土壤冠层能量平衡辐射传输模型（SCOPE）与哨兵-2 {和陆地卫星8}光学遥感数据和机器学习方法，以估计作物GPP。我们的模型成功地估计了各种C3作物类型和环境条件下的GPP，即使它不使用任何来自相应站点的本地信息。这突出表明，借助当前的地球观测云计算平台，它有潜力利用新的卫星传感器在全球范围内绘制作物生产力地图。
2020-12-07 cs.CV
Data fusion of satellite imagery for generation of daily cloud free images at high resolution level
National University of Water and Environmental Engineering（国立水利与环境工程大学）；EOS Data Analytics Ukraine（乌克兰EOS数据分析公司）；Oles Honchar Dnipro National University（奥列西·贡恰尔第聂伯国立大学）
在本文中，我们讨论了一种新的变分方法的日期融合问题的多光谱卫星图像从哨兵-2和MODIS已被捕获在不同的分辨率水平，可以说，在不同的日子。我们的方法的关键点是MODIS图像是无云的，而Sentinel-2的图像可能会被云或噪声破坏。
2023-02-24 cs.CV math.OC
Self-Configuring nnU-Nets Detect Clouds in Satellite Images
KP Labs（KP实验室）；Institute of Theoretical and Applied Informatics, Polish Academy of Sciences（波兰科学院理论与应用信息学研究所）；Silesian University of Technology（西里西亚工业大学）
云检测是一个关键的卫星图像预处理步骤，可以在地面和卫星上进行，以标记有用的图像。在后一种情况下，它可以通过修剪多云区域来帮助减少下行链路的数据量，或者通过多云区域的数据驱动的采集重新调度来使卫星更加自主。我们使用nnU-Nets来完成这一重要任务，nnU-Nets是一种自重构框架，能够在各种数据集上执行分割网络的元学习。我们在Sentinel-2和Landsat-8多光谱图像上进行的实验表明，nnU-Nets提供了最先进的云分割性能，无需任何手动设计。我们的方法被评为前7%的最佳解决方案（共有847个参赛团队）在On Cloud N：云层覆盖检测挑战赛中，我们在超过1万个未看到的Sentinel-2图像块上达到了0.882的Jaccard指数（获胜者获得了0.897，而使用ResNet-34主干作为编码器的基线U-Net：0.817，以及经典的Sentinel-2图像阈值：0.652）。
2022-10-24 cs.CV
A global method to identify trees outside of closed-canopy forests with medium-resolution satellite imagery
World Resources Institute（世界资源研究所）
在茂密的封闭林冠森林之外的零星树木对于固碳、支持生计、维持生态系统完整性以及适应和减缓气候变化非常重要。与郁闭森林内的树木相比，人们对全球范围内分散树木的空间范围和分布知之甚少。由于高分辨率卫星图像的成本，全球监测系统依赖中分辨率卫星来监测土地使用情况。在这里，我们提出了一个全球一致的方法来识别树冠直径大于三米的树木与中等分辨率的光学和雷达图像。每两周一次的无云、全景锐化10米Sentinel-2光学图像和Sentinel-1雷达图像用于训练完全卷积网络，该网络由卷积门控循环单元层和特征金字塔注意力层组成。在分布于-60至+60纬度的215，000多个Sentinel-1和Sentinel-2像素上进行测试，所提出的模型在识别低至中等密度（小于40%）的树木覆盖面积的公顷中的树木时，超过了75%的用户和生产者的准确度，在识别密集（大于40%）的树木覆盖面积的公顷中，超过了95%的用户和生产者的准确度。所提出的方法提高了监测树木存在的稀疏和分散的树木覆盖（小于40%）的地区的准确性高达20%，并减少了近一半的佣金和遗漏误差在山区和多云地区。当应用于大型，异质的景观，结果表明有潜力在全球不同的景观地图树木的高度细节和准确性。这一信息对于了解当前的土地覆盖非常重要，可用于检测土地覆盖的变化，如农林业、生物热点周围的缓冲区以及森林的扩张或侵蚀。
2020-07-24 cs.CV cs.LG eess.IV
Landslide Geohazard Assessment With Convolutional Neural Networks Using Sentinel-2 Imagery Data
University of Sannio（萨尼奥大学）；Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT））
在本文中，作者的目标是将最新的图像识别模型与最好的公开卫星图像相结合，以创建一个滑坡风险缓解系统。我们首先专注于滑坡检测，并进一步提出了一个类似的系统用于预测。随着卫星图像的日益普及，这种模型很有价值，因为可以很容易地扩大规模，为灾害评估提供数据。其目标是利用卫星图像和相关数据丰富公共数据库，并指导救灾工作，以确定发生山体滑坡的准确地区。使用不同的图像增强方法来增加所选数据集的多样性，并创建更强大的分类。然后将所得输出馈送到3D卷积神经网络的变体中。对现有文献的回顾表明，没有使用CNN（卷积神经网络）和免费提供的卫星图像对滑坡风险进行分类的研究。该模型已被证明最终能够实现比基线更好的准确性。
2019-06-10 cs.CV cs.LG eess.IV
Cloud Removal from Satellite Images
University of Alberta（阿尔伯塔大学）
在这份报告中，我们分析了现有的云检测技术使用哨兵枢纽。我们还实现了空间注意力生成对抗网络，与以前的解决方案相比，提高了生成图像的质量[7]。
2021-12-23 cs.CV
Sen2Fire: A Challenging Benchmark Dataset for Wildfire Detection using Sentinel Data
Linköping University（林雪平大学）；Maxar Technologies（玛克萨技术公司）
本文构建基于 Sentinel-2 与 Sentinel-5P 的 Sen2Fire 野火检测基准，并证明优选波段及光谱指数组合优于使用全部波段。
2024-03-26 cs.CV
Graph Neural Networks Extract High-Resolution Cultivated Land Maps from Sentinel-2 Image Series
Silesian University of Technology（西里西亚工业大学）；KP Labs（KP实验室）；European Space Agency（欧洲空间局）
通过优化农业管理实践来保持农场的可持续性，有助于建立更环保的环境。新兴的卫星任务可以获取多光谱和高光谱图像，这些图像可以捕获有关扫描区域的更详细的光谱信息，从而使我们能够在农业应用的分析过程中受益于细微的光谱特征。本文介绍了一种利用紧凑图卷积神经网络从10 m Sentinel-2多光谱图像序列中提取2.5 m耕地图的方法。实验表明，我们的模型不仅通过提供更高质量的分割图来超越经典和深度机器学习技术，而且与U-Nets相比，还大大减少了内存占用（我们模型的近8 k个可训练参数，U-Nets的参数高达31 M）。这种内存节约在任务中至关重要，这些任务允许我们在人工智能卫星进入轨道后将模型上传到人工智能卫星上，因为由于时间限制，发送大型网络是不可能的。
2022-08-03 cs.CV cs.LG eess.IV
AI for Agriculture: the Comparison of Semantic Segmentation Methods for Crop Mapping with Sentinel-2 Imagery
DeepPlanet（迪普兰特）；Queen Mary University（伦敦玛丽女王大学）
本文针对低分辨率免费卫星影像下葡萄园纹理信息缺失导致的分割难题，评估了多种主流机器学习与语义分割方法的有效性，并为不同场景下的模型选择提供了指导。
2023-11-21 cs.CV eess.IV
Towards Daily High-resolution Inundation Observations using Deep Learning and EO
University of Osnabrück（奥斯纳布吕克大学）；Monash University（莫纳什大学）
卫星遥感为天气洪水监测提供了一种具有成本效益的解决办法，而卫星生成的洪水图为传统上使用的洪水淹没数值模型提供了一种计算效率高的替代方法。虽然卫星在覆盖正在发生的洪水事件时确实提供了及时的洪水信息，但它们在动态监测各种尺度洪水演变的能力方面受到时空分辨率的限制。不断改进对新卫星数据源的访问以及大数据处理能力，为解决这一问题的数据驱动解决方案提供了前所未有的可能性。具体而言，将空间分辨率高、时间分辨率低的哥白尼哨兵等卫星提供的数据与空间分辨率低、时间分辨率高的美国航天局SMAP和GPM飞行任务提供的数据相结合，可以得出高分辨率的每日洪水泛滥情况。在这里，卷积神经网络的训练使用洪水淹没地图来自哨兵-1合成孔径雷达和各种水文，地形和土地利用为基础的预测器的第一次，预测高分辨率的洪水淹没概率地图。UNet和SegNet模型架构的性能进行了评估，分别使用来自Sentinel-1和Sentinel-2的洪水掩码，95个置信区间。由于二进制泛洪映射问题中类的固有不平衡性质，精确召回曲线（PR-AUC）的曲线下面积（AUC）被用作主要评估指标，最佳模型的PR-AUC为0.85。
2022-09-02 cs.CV cs.LG physics.ao-ph
CloudBreaker: Breaking the Cloud Covers of Sentinel-2 Images using Multi-Stage Trained Conditional Flow Matching on Sentinel-1
Computer Science and Engineering（计算机科学与工程）；Bangladesh University of Engineering and Technology（孟加拉工程与技术大学）；Institute of Water and Flood Management（水与洪水管理研究所）
针对云层覆盖导致多光谱图像缺失的问题，提出CloudBreaker框架，利用Sentinel-1雷达数据通过多阶段条件流匹配生成Sentinel-2光学图像及植被和水体指数，并首次结合余弦调度，取得高保真结果。
2025-08-05 cs.CV eess.IV
Super-resolution of Sentinel-2 images: Learning a globally applicable deep neural network
ETH Zurich（苏黎世联邦理工学院）；Instituto de Telecomunicações（电信研究所）；Instituto Superior Técnico（高等技术学院）；Universidade de Lisboa（里斯本大学）
哨兵-2号卫星任务提供了以三种不同空间分辨率获取的13个光谱带的多光谱图像。本研究的目的是将低分辨率（20 m和60 m地面采样距离- GSD）波段超分辨到10 m GSD，以便在最大传感器分辨率下获得完整的数据立方体。我们采用最先进的卷积神经网络（CNN）来执行端到端上采样，该上采样是用较低分辨率的数据训练的，即，从40->20 m，分别为360->60 m GSD。通过这种方式，通过对真实的Sentinel-2图像进行下采样，可以访问几乎无限数量的训练数据。我们使用在全球范围内广泛的地理位置采样的数据，以获得一个网络，该网络可以概括不同的气候区和土地覆盖类型，并且可以超分辨率任意Sentinel-2图像，而无需重新训练。在定量评估中（在较低尺度下，可以获得地面真实值），我们的网络（我们称之为DSen 2）在RMSE方面比最佳竞争方法的性能高出近50%，同时更好地保留了频谱特征。它还提供了视觉上令人信服的结果在完整的10米GSD。代码可在https://github.com/lanha/DSen2上获得
2018-10-01 cs.CV cs.LG
Deep Learning tools to support deforestation monitoring in the Ivory Coast using SAR and Optical satellite imagery
Università degli Studi di Torino（托里诺大学）
本研究利用深度学习模型（U-Net、Attention U-Net、Segnet、FCN32）结合Sentinel-1/2和SAR影像，在科特迪瓦进行森林/非森林分割，并估算2019-2020年森林砍伐面积。
2024-09-16 cs.AI cs.CV cs.LG
Mapping of Weed Management Methods in Orchards using Sentinel-2 and PlanetScope Data
IEEE Service Center（IEEE服务中心）
本文利用Sentinel-2和PlanetScope卫星数据，通过机器学习分类四种果园杂草管理方法，提升遥感在杂草管理中的应用效率和准确性。
2025-07-23 cs.CV cs.LG
Feature Selection on Sentinel-2 Multi-spectral Imagery for Efficient Tree Cover Estimation
Lahore University of Management Sciences（拉合尔管理科学大学）
针对城市树木覆盖率估算问题，提出结合光谱指数滤除建成区与特征选择的多光谱随机森林分类器，在Sentinel-2影像的LUMS指定区域实验中，性能优于传统方法及现有先进方案。
2023-05-31 cs.CV cs.LG eess.IV
MethaneFuse: Learning from Multi-Sensor Satellite Observations for Methane Plume Detection
University of Alberta（阿尔伯塔大学）
MethaneFuse利用多传感器卫星数据，在部分传感器可用时学习异构观测，构建MethaneUnion数据集，显著提升甲烷羽流检测性能，减少误报。
2026-09-10 cs.CV cs.LG
Channel-Based Attention for LCC Using Sentinel-2 Time Series
Polytech Annecy-Chambery（安纳西-尚贝里理工学院）；LISTIC（LISTIC实验室）；INRAE（法国国家农业食品与环境研究院）；UMR TETIS（TETIS联合研究单位）
深度神经网络（DNN）在基于卫星影像时间序列（SITS）的土地覆盖分类（LCC）中的应用越来越受到关注。虽然可以实现高性能，但DNN产生的预测的基本原理通常仍然不清楚。因此，本文提出了一种结构表示预测相对于输入通道。它依赖于卷积层和一个注意力机制，在最终的分类决策中对每个通道的重要性进行加权。该方法充分考虑了通道间的相关性，建立了共享核函数，降低了模型的复杂度。基于Sentinel-2 SITS的实验显示了有希望的结果。
2021-03-31 cs.CV cs.LG cs.NE
Domain-Adversarial Training of Self-Attention Based Networks for Land Cover Classification using Multi-temporal Sentinel-2 Satellite Imagery
Politecnico di Torino（都灵理工大学）；International Islamic University（国际伊斯兰大学）
大规模遥感标记数据的日益可用性促使研究人员开发越来越精确和准确的土地覆盖和作物分类（LC&CC）数据驱动模型。此外，随着自注意和内省机制的引入，深度学习方法在处理具有包含的计算请求的多谱域中的长时间序列方面已经显示出有希望的结果。然而，大多数实际应用不能依赖于标记数据，并且在现场，调查是一种耗时的解决方案，对收集的样本数量有严格的限制。此外，大气条件和特定的地理区域特征构成了一个相关的领域差距，不允许将现有数据集上的训练模型直接应用于感兴趣的区域。在本文中，我们研究了深度神经网络的对抗性训练，以弥合不同地理区域之间的领域差异。特别是，我们执行了一个彻底的分析领域自适应适用于具有挑战性的多光谱，多时相数据，准确地突出了适应国家的最先进的自我注意力为基础的模型LC&CC到不同的目标区域标记的数据是不可用的优势。大量的实验表明，在将域对抗训练应用于源和目标区域时，所提取特征的分布之间存在显着的差异，从而表现出显着的性能和泛化增益。
2021-06-30 cs.AI cs.CV
Segmentation of Satellite Imagery using U-Net Models for Land Cover Classification
Tallinn University of Technology（塔林理工大学）；University of Oxford（牛津大学）
本文的重点是使用一个卷积机器学习模型与修改的U-Net结构创建基于卫星图像的土地覆盖分类映射。研究的目的是训练和测试卷积模型自动土地覆盖制图，并评估其可用性，提高土地覆盖制图的精度和变化检测。为了解决这些任务，作者准备了一个数据集和训练的机器学习模型，用于从卫星图像中进行土地覆盖分类和语义分割。结果分析了三个不同的土地分类水平。BigEarthNet卫星图像档案被选为研究的两个主要数据集之一。这一新的数据集于2019年发布，包括2017年和2018年拍摄的来自10个欧洲国家的Sentinel-2卫星照片。作为第二个数据集，作者组成了一个原始集，其中包含一个哨兵-2图像和一个CORINE爱沙尼亚土地覆盖图。开发的分类模型显示了高的整体F \textsubscript{1}得分为0.749多类土地覆盖分类与43个可能的图像标签。该模型还突出显示了BigEarthNet数据集中的噪声数据，其中图像似乎具有不正确的标签。分割模型提供了一种基于Sentinel-2卫星图像生成自动土地覆盖映射的解决方案，并显示了森林，内陆水域和耕地等土地覆盖类别的高IoU得分。这些模型显示出提高现有土地分类图和土地覆盖变化检测的准确性的能力。
2020-03-05 cs.CV cs.CY
Integration of Sentinel-1 and Sentinel-2 data for Earth surface classification using Machine Learning algorithms implemented on Google Earth Engine
University of Sannio（圣尼奥大学）；Intelligentia srl（智能有限公司）；East Point College（东点学院）
本研究在Google Earth Engine平台实现有监督机器学习算法，融合Sentinel-1雷达与Sentinel-2光学数据开展地表分类，验证了两类数据的互补性与精度提升效果，同时佐证了GEE处理海量卫星数据的云工具价值。
2023-08-22 cs.CV eess.IV
Temporal Modelling for Burn Scars on Sentinel-3
Politecnico di Torino（都灵理工大学）；Fondazione LINKS（LINKS基金会）
本研究提出一个包含246次野火事件的时间配对Sentinel-3 OLCI数据集，通过ConvLSTM增强的时间建模，证明仅当包含火灾前帧时才能提升烧伤疤痕分割性能，且5波段子集可媲美全波段配置。
2026-09-29 cs.CV
MuS2: A Real-World Benchmark for Sentinel-2 Multi-Image Super-Resolution
KP Labs；Warsaw University of Technology（华沙理工大学）；Silesian University of Technology（西里西亚理工大学）
针对 Sentinel-2 多图像超分辨率缺乏真实数据与统一评估的问题，本文构建以 WorldView-2 为参考的 MuS2 基准，并提供首个端到端评测流程。
2022-12-30 cs.CV eess.IV
Satellite Imagery and AI: A New Era in Ocean Conservation, from Research to Deployment and Impact (Version. 2.0)
Allen Institute for AI (Ai2)（人工智能研究所（Ai2））
本文提出四种专用计算机视觉模型，利用多源卫星数据实时监测非法捕捞，并开源部署于免费海洋监测平台Skylight。
2025-05-29 cs.CV
How Many Independent Samples Does a Satellite Image Contain? Generalization Bounds for Spatially Dependent Data
University of Cambridge（剑桥大学）
本文证明卫星图像的有效样本量为$\Theta(n^2/r^2)$，提出紧的泛化界，并论证空间交叉验证的合理性，在合成数据及三个传感器图像上验证。
2026-10-07 cs.CV cs.LG stat.ML
Automated Linear Disturbance Mapping via Semantic Segmentation of Sentinel-2 Imagery
University of Winnipeg（温尼伯大学）；Hatfield Consultants Group（哈特菲尔德咨询集团）；University of Manitoba（曼尼托巴大学）；Pachama（帕查玛公司）；Environment and Climate Change Canada（加拿大环境与气候变化部）
本研究利用基于VGGNet16的深度卷积神经网络对10米分辨率Sentinel-2影像进行语义分割，实现加拿大北方森林地区线性扰动（如道路和地震线）的自动精确制图，验证了低成本自动监测方法的有效性。
2024-09-19 cs.CV
GSR4B: Biomass Map Super-Resolution with Sentinel-1/2 Guidance
University of Zurich（苏黎世大学）
提出引导超分辨率（GSR）框架，利用高分辨率 Sentinel-1/2 卫星图像引导低分辨率生物量图上采样至10米，实验证明多尺度引导在精度和感知指标上均优于直接回归方法。
2025-04-03 cs.CV
Wide-Area Land Cover Mapping with Sentinel-1 Imagery using Deep Learning Semantic Segmentation Models
ICEYE Oy（ICEYE公司）；VTT Technical Research Centre of Finland（芬兰VTT技术研究中心）；Aalto University（阿尔托大学）
土地覆盖制图对于监测环境和了解人类活动对环境的影响至关重要。土地覆盖制图的自动方法（即，图像分割）大多使用传统的机器学习，需要启发式特征设计。在自然图像上，深度学习在图像分割方面优于传统的机器学习方法。在遥感图像上，最近的研究表明，特定的深度学习模型成功地应用于小规模土地覆盖制图任务（例如，将湿地综合体分类）。然而，目前尚不清楚哪些现有模型是哪种遥感任务的最佳候选者。在这项研究中，我们回答了这个问题，利用卫星雷达数据映射的基本土地覆盖类。我们把Sentinel-1 C波段SAR图像作为代表性数据免费提供给用户。以CORINE土地覆盖图为参考，对模型进行训练，以区分5个主要的CORINE类别。我们从最先进的语义分割模型中选择了七个，以便它们涵盖各种方法：U-Net，DeepLabV 3+，PSPNet，BiSeNet，SegNet，FC-DenseNet和FRRN-B。这些模型在ImageNet数据集上进行了预训练，并在本研究中进行了进一步的微调。所有模型均表现出可靠的性能，总体准确度在87.9%至93.1%之间，并且具有良好至非常好的一致性（kappa统计量在0.75至0.86之间）。两个最好的模型是FC-DenseNet和SegNet，后者的推理时间要短得多。总体而言，我们的研究结果表明，语义分割模型是适合有效的广域映射使用卫星SAR图像，也提供基线精度对新提出的模型进行评估。
2021-03-23 cs.CV cs.LG eess.IV
Cross-sensor super-resolution of irregularly sampled Sentinel-2 time series
Université Bretagne Sud（南布列塔尼大学）；IRISA（IRISA研究所）；Université Gustave Eiffel（Gustave Eiffel大学）；ENSG（法国国家地理科学学校）；IGN（法国国家地理研究院）；LASTIG（LASTIG实验室）；Conservatoire national des arts et métiers（法国国立工艺学院）；CEDRIC（CEDRIC研究所）；Image Processing Laboratory (IPL)（图像处理实验室）；Universitat de València（瓦伦西亚大学）
本研究扩展SRDiff和HighRes-net等深度超分辨率算法处理不规则采样的Sentinel-2时间序列，引入BreizhSR数据集，证明多图像提升性能并探讨光谱保真度与感知质量的权衡。
2024-04-25 cs.CV eess.IV
Inferring the past: a combined CNN-LSTM deep learning framework to fuse satellites for historical inundation mapping
University of Arizona（亚利桑那大学）；Columbia University（哥伦比亚大学）；Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）
本文提出 CNN-LSTM 融合框架，结合 Sentinel-1 与 MODIS 数据重建孟加拉国过去 20 年洪水淹没范围，其预测一致性和峰值捕捉能力优于单纯 CNN、阈值算法及物理模型。
2023-05-01 cs.CV cs.LG physics.geo-ph
Towards High-Resolution Alignment and Super-Resolution of Multi-Sensor Satellite Imagery
The Pennsylvania State University（宾夕法尼亚州立大学）；NASA Marshall Space Flight Center（美国国家航空航天局马歇尔空间飞行中心）；University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校）
本研究提出一个初步框架，利用HLS10影像作为参考，对HLS30影像进行对齐和超分辨率重建，以弥合多传感器卫星影像的分辨率差距，实验验证了其有效性。
2025-08-01 cs.CV eess.IV
High-resolution canopy height map in the Landes forest (France) based on GEDI, Sentinel-1, and Sentinel-2 data with a deep learning approach
Laboratoire des Sciences du Climat et de l'Environnement, LSCE/IPSL, CEA-CNRS-SCE32UVSQ, Université Paris Saclay（巴黎萨克雷大学气候与环境科学实验室）；Kayrros SAS（Kayrros SAS公司）；IGN, Laboratoire d’Inventaire Forestier（法国国家地理与森林信息研究所森林清查实验室）；INRAE, UMR TETIS, Université de Montpellier, AgroParisTech（法国国家农业食品与环境研究院、蒙彼利埃大学、巴黎高科农业学院）；Department of Geosciences and Natural Resource Management, University of Copenhagen（哥本哈根大学地球科学与自然资源管理系）；IGN, Service de l'Information Statistique, Forestière et Environnementale（法国国家地理与森林信息研究所统计、森林与环境信息服务处）；CESBIO, Université de Toulouse, CNES/CNRS/INRAE/IRD/UPS（图卢兹大学生物圈空间研究中心）；ISPA, UMR 1391, INRA Nouvelle-Aquitaine（法国国家农业研究院新阿基坦大区农业与环境相互作用研究所）
本研究基于GEDI、Sentinel-1和Sentinel-2数据，采用多流深度学习U-Net模型，生成法国朗德森林10米分辨率冠层高度图，平均绝对误差2.02米，优于现有模型。
2022-12-20 cs.CV eess.IV
Sugar-Beet Stress Detection using Satellite Image Time Series
Center for Artificial Intelligence and Robotics（人工智能与机器人中心）；Technical University of Applied Sciences Würzburg-Schweinfurt（应用科学技术大学魏玛-施魏林）
本文提出一种基于3D卷积自编码器和日期时间编码的无监督方法，从Sentinel-2卫星图像时间序列中学习甜菜生长特征，并通过聚类实现胁迫检测，可直接跨年份应用。
2025-07-17 cs.CV cs.LG
Super-Resolved Canopy Height Mapping from Sentinel-2 Time Series Using Airborne LiDAR HD Reference Data across Metropolitan France
CESBIO；GlobEO
提出THREASURE-Net端到端框架，利用Sentinel-2时间序列和LiDAR HD数据生成2.5m、5m和10m分辨率的年度冠层高度图，无需预训练模型或高分辨率光学图像，在法国大都市区实现优于现有方法的精度。
2026-05-27 cs.CV cs.LG
Detecting Urban Changes with Recurrent Neural Networks from Multitemporal Sentinel-2 Data
像哥白尼哨兵-2这样的多时相高分辨率数据的出现大大增强了监测地球表面和环境动态的潜力。在本文中，我们提出了一种用于城市变化检测的新型深度学习框架，该框架结合了最先进的全卷积网络（类似于U-Net）用于特征表示和强大的递归网络（如LSTM）用于时间建模。我们报告了最近公开的双时态Onera卫星变化检测（OSCD）Sentinel-2数据集的结果，通过不同日期同一地区的额外图像增强了时间信息。此外，我们评估的经常性网络的性能，以及使用的额外的日期上看不见的测试集使用合奏交叉验证策略。在验证阶段开发的所有模型的总体准确度都超过了95%，而使用LSTM和进一步的时间信息，将变化类的F1率提高了1.5%。
2019-10-17 cs.CV eess.IV
L1BSR: Exploiting Detector Overlap for Self-Supervised Single-Image Super-Resolution of Sentinel-2 L1B Imagery
Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；ENS Paris-Saclay（巴黎萨克雷高等师范学院）；Centre Borelli（博雷利中心）；Kayrros SAS（凯罗斯公司）
本文提出 L1BSR，利用 Sentinel-2 L1B 影像中相邻 CMOS 探测器的重叠区域进行自监督训练，并通过跨光谱配准网络和 Anchor-Consistency 损失实现单图像超分辨率与波段对齐，无需高分辨率地面真值即可达到与监督方法相当的性能。
2023-04-17 cs.CV eess.IV
Spatio-temporal crop classification of low-resolution satellite imagery with capsule layers and distributed attention
Yale University（耶鲁大学）
低分辨率遥感影像的土地利用分类是遥感研究的热点之一。尽管卫星技术取得了重大进展，但高分辨率图像缺乏全球覆盖，而且长时间采购高分辨率图像的费用可能高得令人望而却步。在没有高分辨率图像的情况下对土地利用变化进行准确分类，可以监测全球发展议程的重要方面，包括气候智能型农业、抗旱作物和可持续土地管理。利用胶囊层和长短期记忆层与分布式注意力的组合，本文实现了最先进的精度在时间作物类型分类在30 × 30米的分辨率与哨兵2图像。
2019-04-23 cs.CV cs.LG stat.ML
SEN12MS -- A Curated Dataset of Georeferenced Multi-Spectral Sentinel-1/2 Imagery for Deep Learning and Data Fusion
Technical University of Munich（慕尼黑工业大学）；German Aerospace Center (DLR)（德国航空航天中心（DLR））
精心策划的大规模训练数据的可用性是开发从多传感器遥感图像中提取地理信息的通用深度学习方法的关键因素。虽然社区已经发布了相当多的数据集，但其中大多数都受到相当大的限制，例如在空间覆盖范围，多样性或简单的可用样本数量方面。利用由欧洲航天局实施的哥白尼计划的哨兵卫星获得的免费数据，以及谷歌地球引擎的云计算设施，我们提供了一个数据集，由180，662个三元组的双极化合成孔径雷达（SAR）图像补丁，多光谱哨兵2图像补丁，和MODIS土地覆盖图。由于所有补丁都在10米的地面采样距离上进行了完全的地理参考，并在所有气象季节覆盖了所有有人居住的大陆，我们希望该数据集能够支持社区开发复杂的基于深度学习的方法，用于常见任务，如场景分类或土地覆盖制图的语义分割。
2019-06-18 cs.CV
Combining multitemporal optical and SAR data for LAI imputation with BiLSTM network
University College London（伦敦大学学院）
提出利用 Sentinel-1 VH/VV 与 Sentinel-2 的多时相数据训练 BiLSTM 插补冬小麦 LAI，在德国南部和华北平原验证其优于回归与 LSTM。
2023-07-14 cs.CV eess.IV
