推荐理由：
数据与代码公开，具有良好的学习价值；
数据精度高，具有良好的应用价值；
3. 方法具有良好的泛化性，可通用于其他类别的研究。
01
论文标题
Zhou, Yuhan, and Qihao Weng. "Building up a data engine for global urban mapping." Remote Sensing of Environment 311 (2024): 114242.
02
论文摘要
全球高清城市地图绘制对于理解各种环境挑战和支持可持续发展目标至关重要。尽管深度学习模型提供了一种潜在的统一解决方案，但它们的有效性本质上与训练数据的质量和多样性息息相关，而这通常会限制现有的研究。为了克服这些限制，本文介绍了一种专门用于在全球范围内生成高质量和多样化训练样本的数据引擎。这个半自动化程序分两个阶段运行。初始阶段专注于通过协调现有的开源数据集来生成全球分布的精确样本。后续阶段利用已发布的全球数据产品和 OpenStreetMap 数据将样本覆盖范围扩大到全球范围，确保样本的多样性。使用数据引擎生成的数据集，我们训练了全球城市测绘仪 (GUM)，取得了卓越的全球测试结果，总体准确度 (OA) 比第二名产品 (即 GISA-10) 高出 2.89%，平均交并比 (mIoU) 高出 5.92%。这些进步主要归功于所提出的数据引擎生成的数据的卓越质量和异质性，为深度学习模型提供了一组精确而多样的样本。所提出的数据引擎完全基于开源数据构建，为城市土地覆盖以外的全球测绘任务提供了光明的前景。GUM和相关的预处理代码将发布在 https://github.com/LauraChow77/GlobalUrbanMapper ，这将使用户能够绘制全球特定感兴趣的区域，从而促进及时的城市评估和监测。
03
关键图表
04
数据代码
GUM相关预处理代码：https://github.com/LauraChow77/GlobalUrbanMapper
GEE数据可用性代码：https:// code.earthengine.google.com/3323069713d967fb6b1d5d66bf6dc7f8? noload=true
05
更多阅读
1. ChatGPT融入思考|推出新版本ChatGPT-o1：已突破LLM极限
