KDDOct, 2021

利用神经网络对卫星图像进行分类，映射非法垃圾倾倒场地

PDF
TL;DR采用机器学习模型，分析卫星影像，利用地理空间开放数据、高分辨率卫星影像和开源工具，通过对布宜诺斯艾利斯地区已知的垃圾倾倒场地进行训练，快速低成本地预测其他区域可能存在的非法垃圾倾倒场地的位置。这种技术能够帮助更好地解决全球南方城市都面临的严重问题，并有望成为一项全地图表非法垃圾倾倒场地的工具。
urban planningillegal waste dumpingmachine learningsatellite imagerygeo-spatial data
发现论文，激发创造
  • 利用深度学习应用于卫星图像识别塞浦路斯农村地区的垃圾倾倒场

    利用人工智能技术和卫星图像，该研究旨在探索在塞浦路斯农村地区使用人工智能技术识别非法垃圾倾倒场的程度，通过训练适合此任务的卷积神经网络，以大约 90% 的准确率正确识别包含垃圾的图像，为未来构建全岛建设性的岛屿 “垃圾” 地图奠定基础。

    Jul, 2023

  • 垃圾填埋场废物分类的超分辨率分析

    利用航空影像进行环境犯罪监测，通过训练跨领域模型，分析不同图像分辨率对废物分类的影响，并提出改进图像质量的方法，但需要小心阈值的微调。

    Apr, 2024

  • 遥感图像中的固体废物检测：综述

    非法固体废弃物处理场地的检测和表征对于环境保护至关重要，通过遥感数据提供的高分辨率数据和专门技术，本文详细描述并比较了不同方法和数据源，旨在提高新型固体废物检测方法的效果和降低成本。

    Feb, 2024

  • 利用自组织映射 (SOM) 集成地电和地化数据对垃圾填埋场进行特征化

    垃圾场渗滤液会对周围地区产生显著影响，因此需要进行渗滤液扩散范围的划定和监测。本文采用地电数据、表面甲烷测量的集成和分类方法，利用一种 Kohonen 型神经网络生成的自组织分类图来识别垃圾场周围可能的风险区域，从而精确定位受影响的区域。

    Sep, 2023

  • 利用机器学习和低分辨率多光谱数据绘制发展中国家的非正式定居点图

    该研究提出了一种新的机器学习数据集，可以用于检测非正式聚居地，同时表明使用免费的低分辨率卫星图像进行非正式聚居地侦测是可行的，并演示了两种有效的分类方案，可将这些方案集成到半自动化流水线中。

    Jan, 2019

  • 机器学习地图维护特古西加尔巴潜在非正规定居点进行地面勘测的案例研究

    该研究展示了 Dymaxion Labs 和 Techo NGO 之间的合作，利用机器学习技术通过高分辨率卫星图像创建洪都拉斯特古西格尔巴的首个非正式住区普查。

    Jun, 2020

  • 垃圾捕手：垃圾检测和跟踪的深度学习方法

    本研究旨在通过利用监视摄像头和先进的计算机视觉算法自动化罚款制度，实现对公共场所乱扔垃圾的问题进行有效解决，并通过缩减手动干预，减少人为错误和提供迅速的身份识别，以在处理乱丢垃圾事件上具有重要优势。

    Apr, 2024

  • 卫星影像与人工智能：从研究到部署和影响的海洋保护新时代

    通过利用卫星数据和机器学习模型，本论文设计了专门针对合成孔径雷达（Sentinel-1）、光学影像（Sentinel-2）和夜间灯光（Suomi-NPP/NOAA-20）的计算机视觉模型，旨在实时监测海上活动，并为全球用户提供免费的实时海洋保护服务。

    Dec, 2023

  • pLitterStreet: 街道级塑料垃圾检测与绘制

    这篇论文介绍了通过使用深度学习技术和车载摄像头拍摄的街道图像来对垃圾和垃圾桶进行识别和定位的方法，同时提供了一个名为 “pLitterStreet” 的开源数据集，该数据集包含超过 13,000 张完全标注的图片，可用于检测和映射城市中的塑料垃圾。

    Jan, 2024

  • 遥感图像中贫民窟映射的深度学习：元分析与综述

    研究以 2014 年至 2024 年间的遥感影像为基础的贫民窟绘图，重点关注深度学习方法，展示了越来越复杂的神经网络结构、数据预处理和模型训练技术的进步，以显著提高贫民窟识别精确度，评估了在全球不同地理环境中有效的关键方法，并提出了克服数据限制和模型解释性不足等挑战的潜在策略。

    Jun, 2024