Jun, 2023

使用深度卷积残差回归神经网络转换海洋温度观测

PDF
TL;DR通过神经网络架构融合 AMSRE-E 和 MODIS 可以提高地表海温的分辨率和填补云缺失，尽管当前暂时有一些计算力等限制，但并行化是一个可以解决这些问题的方案。
sea surface temperatureremote sensingneural networkamsre-emodis
发现论文，激发创造
  • MODIS 地表温度超分辨率的卷积神经网络建模

    本论文研究了如何使用深度学习算法，特别是多重残差 U-Net 模型，对 MODIS LST 遥感图像进行超分辨率处理，从而实现将遥感图像从 1Km 提高到 250m 的像素分辨率。实验结果表明，多重残差 U-Net 模型表现优于其他目前主流的方法。

    Feb, 2022

  • 基于图的深度学习用于海表温度预测

    该研究尝试使用图重新采样和图神经网络应用于全球海表温度预测，并发现其在大多数海洋中以均方根误差为衡量标准比持续模型具有更好的一个月的预测效果。

    Apr, 2023

  • 基于物理知识增强的深度神经网络预测海表面温度

    本文介绍了一种将历史观测数据中的物理知识转移至数值模型的方法，使用编码器和生成对抗网络的组合来捕捉观测数据中的物理知识，并将数值模型数据馈入预训练模型以生成物理增强数据进行 SST 预测，实验结果表明，该方法在 SST 预测性能方面相比几种最先进的基线方法有了明显的提升。

    Apr, 2023

  • 基于可学习的静态与动态个性化图卷积网络的时空海表温度预测

    本文提出了一种新颖的静态和动态可学习个性化图卷积网络 (SD-LPGC) 来处理 SST　的预测任务，实验结果表明该方法具有最先进的性能。

    Apr, 2023

  • 无监督学习多变量模拟卫星观测的海面高度插值

    卫星遥感技术、海面高度、地转流、深度学习网络和插值方法是该研究论文的主要关键词和研究领域。

    Oct, 2023

  • 使用卷积变换网络从 SAR 数据中分割海冰

    本文提出了一种基于 SAR 卫星图像的混合卷积变换器网络的海冰分割新方法，优于传统卷积网络，在保持良好性能的同时比纯变换器模型高效，该方法对于海冰参数的自动化监测非常重要。

    Jun, 2023

  • 使用单幅图像超分辨率生成高分辨率的气候变化预测

    本文介绍 DeepSD 框架，一种利用超级分辨率图像处理技术进行气候统计降尺度的卷积神经网络模型，可以将原本粗糙的模拟数据提高预测的准确性和可靠性。作者使用 NASA 地球交换平台，将其应用于对超过 20 种不同情境下的全球气候变化进行计算。

    Mar, 2017

  • 结合循环和剩余学习的多时相 SAR 图像监测森林破坏

    通过利用合成孔径雷达（SAR）多时相数据来监测巴西雨林中的森林砍伐，并提出了三种增强森林砍伐检测准确性的深度学习模型，其中 RRCNN-1 具有最高准确性和最短处理时间。

    Oct, 2023

  • 卷积神经网络应用于天空图像，用于短期太阳辐射预测

    本文介绍了使用深度卷积神经网络预测太阳能辐射强度的初步结果，并探讨了训练算法的图像识别技术，和利用过去相同日期数据进行训练以提高短期预测技能的方法。

    May, 2020

  • 卷积 GRU 网络用于厄尔尼诺南方涛动的季节性预测

    基于 ConvGRU 网络的 ENSO 区域的时空序列预测模型显示，相对于线性反演模型，类比预测和递归神经网络，其在预测 Niño 3.4 指数方面具有更高的预测能力和更长的有效预测期限。

    Jun, 2023