Dec, 2022

MapInWild：解答自然野性何以成为自然的遥感数据集

HTML
PDF
TL;DR为了更好地理解“什么让自然“野生”？” 这个问题，我们引入了机器学习应用于卫星图像的“荒野制图”任务，并发布了用于此任务的大规模基准数据集MapInWild，其中包括各种地球观测传感器所获取的各种地理数据。
发现论文，激发创造
  • 遥感图像的多标签分类

    本研究旨在通过运用不同的机器学习和深度学习模型将亚马逊雨林的卫星图像碎片进行分类和标记，并通过F2度量来评估分类器的准确性和损失函数。经过预训练的ImageNet体系结构用于提取特征，最终实现了0.927的最佳F2得分。

    Jan, 2022

  • 解释多模态数据融合：野外地图制作中的遮挡分析

    本研究提出了一种深度学习框架，用于对多模式地球观测数据进行模态级别的解释。该框架利用可解释的机器学习方法，即遮挡敏感性，研究了模态在学习过程之前融合的情况下对模型决策的影响，并证明了荒野映射任务受到土地覆盖和夜间光数据等辅助数据的极大益处。

    Apr, 2023

  • 利用遥感和公民科学数据的鸟类分布建模

    应用计算机视觉和遥感数据，以及少量地面公民科学数据，预测物种在美国的分布，拓展全球生态系统属性的可扩展建模方法。

    May, 2023

  • OpenForest：用于森林监测的机器学习数据目录

    通过机器学习方法，利用开放数据集进行大规模森林监测

    Nov, 2023

  • 利用激活最大化和生成对抗训练在卫星图像中识别和解释自然地区中的模式

    通过使用最大激活和生成对抗模型的新框架，本研究旨在生成能够完整有效解释定义自然真实性的保护区域的空间和光谱模式的卫星图像，进而推动对保护和野生地区形成模式的解释。这个研究的方法能够生成更精确的归因地图，指明保护区域的自然真实性的形成模式，并促进对保护自然地区生态完整性的理解，为未来的监测和保护工作做出贡献。

    Nov, 2023

  • 自然度模式形成的解释和评估框架：自信自然度解释

    本研究提出了一种名为“自信自然性解释（CNE）框架”的新型框架，结合了可解释的机器学习和不确定性量化来评估和解释自然性。通过引入一种新的定量指标来描述模式对自然性概念的自信贡献，并为每个输入样本生成了一个不确定性感知的分割蒙版，突出了模型缺乏知识的区域，并通过两个开源卫星数据集在芬诺斯卡地区的研究站点进行了验证。

    Nov, 2023

  • FoMo-Bench：一种多模态、多尺度和多任务的遥感基础模型森林监测基准

    森林监测的研究中，通过使用机器学习算法和遥感技术，整合多种感知模态的全球规模森林数据集，提出了首个统一的森林监测基准测试集（FoMo-Bench），包括多个森林监测任务，并引入了全球性的新数据集TalloS，旨在激发机器学习和森林生物学研究者之间的合作。

    Dec, 2023

  • 深层极端立方体：整合地球系统时空数据以评估气候极端事件的影响

    气候极端事件对陆地生态系统的影响预测需要用到结构化、高质量和经过筛选的分析准备数据集。本研究致力于构建DeepExtremeCubes数据库，该数据库专门设计用于分析复合热浪和干旱极端事件对持续自然植被的影响，包括40,000个地理采样的小数据块，每个块都包含Sentinel-2 L2A影像、ERA5-Land变量、从2016年到2022年的极端事件数据块，以及辅助土地覆盖和地形地图。该数据库的建设旨在提高数据获取和处理的效率，增强科学的可重复性，并促进对生物圈动态在复合极端事件下的预测研究。

    Jun, 2024

  • 利用深度上下文和地理先验信息从Sentinel-2映射地表自然属性

    我们发展了一个多模态监督深度学习框架，利用卫星图像数据来预测地表的自然度，以增进我们对生态系统的环境保护的理解。

    Jun, 2024

  • OAM-TCD：全球高分辨率树木覆盖地图数据集

    通过开放获取数据集和深度学习分割算法，我们构建了一个高分辨率航空影像的个体树冠描绘数据集，用于精确定量树冠分布，并与现有数据集进行了比较和验证。

    Jul, 2024