通用植被指数在农业土地覆盖分割中的有效数据融合证据
本文提出一种基于深度学习技术的卫星图像细化框架,利用多光谱无人机获取的高分辨率图像信息作为训练数据,可在特定农业领域(如葡萄园生长)中优化卫星驱动的归一化植被指数(NDVI)图,生成更准确的 3 类葡萄园乔木优势图,使管理者能更好地描述和监测农作物状态和病害。
Apr, 2020
本研究针对农业应用中的图像分割问题,通过结合 RGB 和 NDVI 作为输入,比较了不同的融合方法在作物行检测中的效果,研究发现,传统的边缘检测和阈值法等经典分割方法在需要精确的前景 - 背景分离任务中具有竞争力,融合策略中的后期融合表现为最有效的方法,在不同的分割场景中展现出卓越的适应性和效果。
Jul, 2023
卫星任务和地球观测系统对于环境监测和及时发现灾难性事件以及长期监测自然资源和人造资产如植被、水体、森林和建筑物方面具有基础性作用。近期机器学习、计算机视觉的进展以及标注数据的可用性使得研究人员通过使用深度神经网络展示了在土地利用监测系统和遥感图像分类方面的可行性和精确性。该研究调查了一种最新的视觉图神经网络架构(ViG)在土地覆盖分类任务中的性能,并实验结果显示 ViG 在多类别和多标签分类背景下的表现超过了 ViT 和 ResNet 在大规模基准测试中的最新水平。
Feb, 2024
利用深度学习方法,结合免云的光学观测和天气无关的合成孔径雷达数据,采用组合卷积神经网络 (CNN) - 循环神经网络 (RNN) 架构生成连续的归一化植被指数 (NDVI) 时间序列,该方法在连续观测序列中对事件检测任务的准确性进行了改进,并有效滤除由云观测引起的突变和噪声。
Mar, 2024
利用多视角学习方法和多视图门控融合模型 (MVGF),本研究预测不同作物和地区的农作物产量,数据源包括 Sentinel-2 卫星的多光谱光学图像和作物生长季节的气象数据,以及土壤特性和地形信息等静态特征,实验结果表明 MVGF 模型相较于传统模型在预测任务上具有更好的表现,达到了 0.68 的 R2 值。
Jan, 2024
使用合成孔径雷达(SAR)数据进行森林监测,对于解决光学数据的问题并使用机器学习估计森林的光学查找指数(VIs)表现出较好的效果,通过创建多时序和多模态数据集来进行 VI 估计,在时间和空间上与 Sentinel-1、Sentinel-2、DEM、天气和土地覆盖数据集的对齐下取得了较好的结果。
Nov, 2023
利用 Transformer-based 深度学习模型,我们在考虑气候变化的短期动态的同时,通过转移与大气状态有关的全球学习表示,仅依靠气象数据全球性地估计了 0.25° 分辨率的植被活动,并且证明了与从头学习的 NDVI 模型相比,利用预训练的天气模型可以提高 NDVI 估计结果。
Mar, 2024
利用自由可用的卫星图像,探索可用于葡萄园分割问题的主要机器学习方法,并评估各种广泛使用的机器学习技术的有效性,为特定场景选择最合适的模型提供指导。
Nov, 2023
GeoViT 是一种紧凑的视觉转换模型,熟练处理卫星图像以进行多模式分割、分类和回归任务,目标是 CO2 和 NO2 排放。利用 GeoViT,我们在估计发电率、燃料类型、CO2 的尾气覆盖率和高分辨率 NO2 浓度地图方面获得了卓越的准确性,超过了先前的最先进模型,同时显著减小了模型尺寸。GeoViT 表明了视觉转换器架构在利用卫星数据提升温室气体排放见解方面的功效,对全球气候变化监测和排放规章制度的推进具有关键作用。
Nov, 2023