遥感图像信息提取与人工智能算法结合是国土资源及环境部门进行土地利用现状调查、监测和管理的重要技术手段。针对U-net在遥感图像提取产生的空间信息定位不足和多尺度目标特征分割不准确的问题，提出了一种在Res2Net头部融入注意力模块取代U-net编码部分的CA-Res2-Unet模型，旨在增强U型网络的空间定位和多尺度特征信息分割能力；通过WHDLD公共数据集和沈抚新区自制数据集，在主流网络和改进模型上进行了实验。结果表明，该模型较基础模型U-net在WHDLD公共数据集和沈抚新区自制数据集上实验的整体准确率、平均交并比和m_F1分数（各类F₁分类的平均值）三个评价指标分别提高了0.92%、2.00%、1.58%和1.18%、2.87%、1.91%，所提出方法的图像分割视觉效果和各项定量指标均优于其他主流语义分割网络，可为区域土地利用现状调查和相关部门决策提供科学依据。

新冠肺炎病毒等疫情受多种复杂现实因素的影响，因此疫情的发展存在不确定性。为了解决基于传染病仓室模型受自身诸多理想假设条件的限制而导致疫情预测结果误差较大的问题，采用基于深度学习的时序预测模型对疫情发展进行预测，建立了一种基于Transformer模型的Informer模型，并将注意力机制和蒸馏机制应用到疫情数据的时序预测中。以门限自回归(Threshold AutoRegressive, TAR)模型和多种主流的循环神经类时序预测模型作为对比模型，通过仿真实验，对中国、美国和英国的疫情数据当前尚存感染人数进行短期预测，并以均方根误差（RMSE）和平均绝对误差（MAE）为评价指标，选择最佳模型进行了中长期的预测。结果表明，无论是RMSE还是MAE，Informer模型的指标值都是最优的，表明Informer模型对中国、美国和英国疫情的预测精度比其他对比模型高。最后，使用Informer模型对中国、美国和英国的疫情发展进行了中长期预测。