Nov, 2022

利用 PRISMA 探测甲烷云：深度学习模型和数据增强

PDF
TL;DR本研究提供了一个完整的框架，利用 PRISMA 卫星任务的图像和深度学习模型识别甲烷 (CH4) 云，并通过转换 Sentinel-2 的高分辨率云到 PRISMA 训练该模型实现了大面积检测，为未来的高光谱传感器的甲烷云大规模检测奠定了基础。
hyperspectral imagersmethane plumesprismadeep learning modellarge-area detection
发现论文，激发创造
  • 揭开潜力：多任务深度学习用于空间定量监测挥发性甲烷泄漏

    通过基于物理仿真的遥感影像监测方法，我们提出了一种新的基于深度学习的定量甲烷排放监测框架，该框架包括甲烷浓度反演、甲烷烟团分割和甲烷排放速率估计三个子任务，并引入多任务学习模型来提高准确性。

    Jan, 2024

  • 利用深度学习在多光谱卫星数据中进行甲烷排放的自主检测

    利用深度学习方法可以自动化检测卫星多光谱数据中的甲烷泄漏，无需事先了解潜在泄漏点，从而大幅降低误报率，为全球点源甲烷排放的自动化、高清晰度和高频率监测铺平了道路。

    Aug, 2023

  • MethaneMapper: 使用光谱吸收意识的高光谱变换器进行甲烷检测

    提出了一种新型的光谱吸收波长感知变换器网络 MethaneMapper，它可以定位和准确地定量化甲烷的排放，通过对 1200 AVIRIS-NG 飞行线的超过 4000 个甲烷排放数据集的详细评估表明，MethaneMapper 在检测中获得了 0.63 mAP，并将模型大小与现有技术相比减小了 5 倍。

    Apr, 2023

  • 基于深度学习的 PRISMA 卫星高光谱数据变化检测

    利用 PRISMA 的高光谱数据进行变化检测，在不同的目标（从自然到城市区域）中应用了标准和深度学习方法，发现植被和建筑环境的变化能够被很好地捕捉到，但大气效应和可靠的地面真实性缺失是高光谱变化检测的主要挑战。

    Oct, 2023

  • 基于集成学习的环境甲烷检测与强度预测模型的开发与评估

    全球变暖引发的甲烷 (CH4) 排放对环境的影响，催生了大量的研究项目，旨在开发能够主动和快速检测 CH4 的新技术。本文使用多个数据驱动的机器学习（ML）模型测试了它们在识别泄漏的 CH4 及其相关强度方面的表现。模拟中包含了多种气象特征，包括风速、温度、压力、相对湿度、水蒸气和热通量。我们采用集成学习方法，构建了一系列基于多个较弱低层 ML 模型的加权集成 ML 模型，用于 (i) 作为分类问题检测 CH4 的存在和 (ii) 作为回归问题预测 CH4 的强度。

    Dec, 2023

  • METER-ML: 自动甲烷源映射的多传感器地球观测基准

    该研究建立了一个名为 METER-ML 的多传感器数据集，包含标记 85,599 张图像的美国甲烷源设施，并实验了不同的模型，最终找到了一个精度召回曲线下面积达到 0.915 和 0.821 的最佳模型，证明了大规模映射的潜力。

    Jul, 2022

  • 改进高光谱图像中气体云识别的局部背景估计

    使用图像分割和迭代背景估计算法为燃气云层下的各种背景材料创建局部估计，以增加深度学习识别的置信度。

    Jan, 2024

  • 遥感联合多模态自监督预训练：甲烷源分类应用

    本文针对当前深度学习方法在计算机视觉和遥感专业任务中应用普及的情况，讨论了解决办法。结合地理位置信息，提出利用不标注数据进行自我监督预训练，探讨了联合嵌入方法在多种遥感图像模态下的应用，最终在甲烷源分类任务上获得良好的性能。

    Jun, 2023

  • PRISMA 产品的全色融合技术在考古勘探中的应用

    该研究评估了 PRISMA 卫星产品在地质考古勘探中的可用性，对比了三种泛锐化方法并测试了在意大利 Aquileia 考古景观上的效果，结果表明在特定条件下，泛锐化技术使高光谱卫星图像非常适用于识别不同大小的地下考古遗迹。

    Apr, 2024

  • 利用深度学习进行有毒都市烟雾的时空预测

    ST-GasNet 是一种新颖的深度学习模型，通过学习由高分辨率大涡模拟模型生成的地面有毒城市羽流的时间序列，准确预测了随时间演化的空间特征，对于即使建筑物将大型羽流分裂成小型羽流的情况也能准确预测后期的时空演变，且通过结合大尺度风边界条件信息，在整个预测期内达到至少 90% 的预测准确度。

    May, 2024