DeepLCZChange:一种用于城市气候韧性的遥感深度学习模型架构
提出了一种新的 LCZ 映射框架 AutoLCZ,通过从高分辨率 RS 模态中提取 LCZ 分类特征,通过模仿 LCZ 定义的数值规则,基于 GIS 实现了从 RS 数据进行 LCZ 分类的方法。AutoLCZ 方法具有减少获取准确元数据所需人工劳动的潜力,同时也揭示了基于 RS 的方法的物理可解释性。在纽约市 (NYC) 进行的概念验证中,利用航空激光雷达勘测模拟了 4 个 LCZ 特征以区分 10 个 LCZ 类型,结果表明 AutoLCZ 在从 RS 数据进行大规模 LCZ 映射方面具有潜力。
May, 2024
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
通过与 Sentinel-2 图像相结合,将从高分辨率 Google 图像提取的地面对象先验融合在一起,从而提出了一个用于地表气候分区 (LCZs) 分类的数据融合方法。
Mar, 2024
通过应用轻量级卷积神经网络,将多源数据进行分类与分析,可以更有效地实现局部土地利用管理和生态系统保护,促进可持续发展目标的实现。
Jan, 2022
该研究提出了一种基于深度学习和遥感技术的城市变化检测方法,采用连续多时相卫星图像,结合自注意力和分割技术,有效地识别了城市变化,与其他方法相比表现更加出色。
Jun, 2024
通过使用深度卷积神经网络分类空间分辨率非常高(VHR)、正射成像的可见光多光谱图像,本论文探索了自动土地利用 / 土地覆盖(LULC)分类的潜力
May, 2019
全球人口不断增长,对自然资源的需求也在增加。遗憾的是,人类活动占到了 23% 的温室气体排放。幸运的是,遥感技术已经成为管理我们的环境的有价值的工具。这些技术使我们能够监测土地利用,规划城市区域,并推动农业、气候变化缓解、灾难恢复和环境监测等领域的进展。通过利用迁移学习和细调 RGB 波段,我们在土地利用分析方面取得了令人印象深刻的 99.19% 准确度。这样的研究结果可以用来制定保护和城市规划政策。
Nov, 2023
这篇论文通过比较卷积神经网络和基于 transformer 的方法,探讨了在土地覆盖分类分析领域中,使用深度学习模型提高准确性和效率的最新进展。作者通过使用基于 Sentinel-2 卫星图像的 EuroSAT 数据集,证明了当前 transformer 模型在该领域取得了最先进的结果。
Jan, 2024
该研究探索了使用深度学习方法和分布对齐的神经网络嵌入可以提高卫星影像分析的准确性,尤其是在少量样本预测中,显著地超越了多种基线方法,其关键词有卫星图像分析,深度学习,迁移学习,Sentinel 和地区气候分区。
Dec, 2022