通过分析语义分割、纵向和空间丰富的热红外图像，在城市尺度上识别热点和冷点，该研究为城市规划者提供了自动分析热红外图像的潜在应用，以制定减少城市热岛效应、提高建筑能效和最大限度地改善室外热舒适度的缓解策略。

Oct, 2023

通过使用来自 Sentinel-3 卫星、气象预测和其他遥感输入的数据，本研究介绍了一种新颖的机器学习模型，旨在生成详细的时空地图，预测都灵市 24 小时内的最高温度。实验结果表明，该模型在预测温度模式方面表现出色，对于 2023 年分辨率为每像素 20 米的情况，均方根误差为 2.09 摄氏度，从而丰富了我们对城市气候行为的认识。这项研究增进了我们对城市微气候的理解，强调了跨学科数据整合的重要性，并为缓解极端城市温度的负面影响的知情决策制定奠定了基础。

May, 2024

提出一种基于红外热释电（IRT）的像素级方法，通过考虑室内外表面的二维空间温度分布，生成墙壁的二维 U 值地图，以更准确地反映目标墙壁的实际保温性能。

Jan, 2024

通过对范围成像方法进行分析和模型建立，我们提出了一种新颖的被动范围成像方法，它利用大气吸收环境热辐射，在低对比度场景下联合估计范围和固有目标属性，并成功地将此方法应用于无主动照明的自然场景中的长波红外高光谱图像数据。

Aug, 2023

本文提出在语义分割中使用基于学习的技术并支持长波红外成像 (LWIR) 技术，解决了 RGB - 热成像相机校准和数据集问题并比较表明使用我们的方法可以获得最佳的结果。

Sep, 2019

该研究探讨了一种基于温度恒定的红外传感器光度校正模型，将其整合至 SfM 框架中用于 3D 重建，实验结果表明光度校正有助于提高相机运动和场景结构的估计，同时与使用 RGB 传感器相比重建质量表现相当。

Apr, 2023

使用深度学习方法基于热像图的分割框架，自动识别与剪裁导致能量损耗的热量损失源，并消除图像中的障碍物，从而减少人力繁重的任务，并提供自动化、一致且可靠的解决方案，以准确衡量苏格兰住宅中的能量损失。

Aug, 2023

本文提出了一种基于 LSTM 深度学习网络的框架，用于以高空间分辨率生成未来一天每小时的气温预测，并利用纽约市的历史原位观测和物联网观测进行了案例研究，旨在解决在城市环境下，由于热岛效应导致空气温度预测存在空间分辨率和历史气候样本不足等问题。

Feb, 2021

本研究提供了首个在自然环境中进行航空机器人操作的公开 RGB - 热数据集。该数据集捕捉了美国大陆各种地形，包括河流、湖泊、海岸线、沙漠和森林，并包含了同步的 RGB、长波热、全球定位和惯性数据。此外，我们为自然环境常见的 10 个类别提供语义分割注释，以促进对逆境天气和夜间条件下鲁棒的感知算法的开发。利用该数据集，我们提出了热和 RGB - 热语义分割、RGB 到热图像转换和视觉惯性测程的新的具有挑战性的基准测试。通过使用最先进的方法进行广泛的实验并强调了我们的数据中面临的时间和地理领域变化所带来的挑战。数据集和附带的代码将在此 https 网址上提供。

Mar, 2024

本文提出了一种新的 SAR 层析处理框架，将非局部滤波集成到 SAR 层析反演中，以处理只有少量数据的大规模城市 3D 制图，实验结果表明，所提出的算法相对高度精度优于 TanDEM-X 原始 DEM 数据，为高质量的大规模 3D 城市制图铺平了第一步。

May, 2023