使用GOES-16和CloudSat数据的云型标记数据集
通过构建一个新的数据集,本文针对云遮挡导致的地球影像质量下降问题,提出了一种适用于不同区域、季节和云覆盖度变化的新型云去除模型,并在两个性能指标上进行了评估。
Sep, 2020
本研究提出了HYPSO-1陆地-海洋-云层标记数据集,包含来自HYPSO-1任务的200个多样化的高光谱图像,其中38个图像包含来自不同国家的土地/海洋/云层类别的像素级的25百万光谱签名的真实标记,同时还优化了一个深度学习模型(1D完全卷积网络),显示出优于现有技术的性能。该数据集、标记数据、深度学习模型和软件代码可在指定的网址进行开放下载。
Aug, 2023
利用卫星搭载的机器学习硬件加速器,通过卷积神经网络等机器学习技术在机载上处理有效载荷数据的出现,其中一个重要的例子是使用卷积神经网络在地球观测任务中检测高光谱数据中云的存在,仅将晴空数据进行下行传输以节省带宽。然而,在新任务部署之前,使用新传感器的新任务将没有足够的代表性数据集来训练卷积神经网络模型,而仅使用以前任务的数据训练的模型在新任务的数据处理过程中会表现不佳。这个问题源于领域差异,即由以前和未来任务中由不同传感器生成的数据的基本分布的差异。本文针对机载高光谱云检测中的领域差异问题进行了研究。我们的主要贡献在于制定了由具体的地球观测任务驱动的新领域适应任务,开发了一种新颖的用于带宽高效、有监督领域适应的算法,并在太空部署型神经网络加速器上验证了测试时领域适应算法。我们的贡献使得只需最小程度的数据传输(例如,ResNet50中只传输1%的权重)即可实现领域适应,在卫星上部署和更新更复杂的卷积神经网络模型,而不会受到领域差异和带宽限制的阻碍。
Sep, 2023
智能冰云感知(SMICES)通过先进的雷达技术和机器学习算法,针对冰暴进行智能定位,其中主要利用雷达测得的数据与前瞻辐射计收集的信息。通过引入数字化大气孪生(WRF)模型和多步骤的机器学习方法,我们成功构建了对冰云进行准确分类的分类器,同时证明了其对仪器噪声的鲁棒性。
Sep, 2023
该研究论文通过对三年的SEVIRI和DARDAR数据集进行卷积神经网络训练,创造了一种新的观测约束条件,以解决气候模型中对云含冰粒子的不确定性问题,并帮助评估改变气候和评估地球工程化方法中的卷云过程理解,并从而降低不确定性。
Oct, 2023
卫星通过边缘推理越来越多地采用机载人工智能技术来提高平台的自主性。本研究通过训练16种不同模型来实现高分辨率卫星图像的多类别分割,该研究提供了这些模型的代码并对其进行了综合评估,同时介绍了基于海洋、陆地和云覆盖分类的海洋-陆地-云覆盖分割应用场景。我们得出的结论是我们轻量级的深度学习模型(称为1D-Justo-LiuNet)在海洋-陆地-云碧书分割方面的性能(0.93准确率)和参数数量(4,563个)方面始终优于现有的U-Net及其变体,然而1D模型在测试处理架构中表现出的推理时间较长(15秒),这是明显不太理想的。此外,我们还证明了轨道内图像分割应该在L1b辐射计校准之后进行,而不是在原始数据上进行,并额外显示将光谱通道减少到3会降低模型的参数数量和推理时间,但牺牲了分割性能。
Oct, 2023
通过在Earth observation(EO)环境中使用机器学习(ML)方法,并提出一种新的合成数据集,该研究旨在改善遥感领域中云光学厚度(COT)估计的可靠性。
Nov, 2023
利用高分辨率静止卫星观测的光谱信息,设计了基于知识驱动数据驱动(KBDD)框架的全天云类型识别系统CldNet,具有高准确率和较小参数量,可在许多气候评估领域提供高保真、全天候、时空云类型数据库。
Dec, 2023
准确的云识别和警报对于各种应用非常重要,本文设计了一种分布感知的互动注意网络(DIAnet),该网络通过高分辨率分支和并行的多分辨率交叉分支来保留像素级细节,并通过分布感知损失(DAL)来减轻云类别之间的不平衡,在FY-4A-Himawari-8(FYH)数据集上的实证评估表明,该方法在云识别网络中表现优异,达到了更好的mIoU性能。
Jan, 2024
本论文提出了MT-HCCAR模型,通过多任务学习同时处理云掩蔽、云相分类和云光学厚度(COT)预测,并结合层次分类网络(HC)和分类辅助注意力回归网络(CAR),提高云标签和COT预测的精度和稳健性。通过K折交叉验证、一个标准误差规则和两个引入的性能评分,提出了一种综合模型选择方法,选择最优模型在OCI、VIIRS和ABI三个模拟卫星数据集上的实验结果表明MT-HCCAR模型优越性和广泛适用性。
Jan, 2024