基于领域自适应的生物挥发性有机化合物排放地图超分辨率
本研究旨在将Sentinel-2卫星影像的低分辨率(20m和60m采样距离)图像超分辨率重建到10m采样距离,采用了基于卷积神经网络的端到端上采样方法,命名为DSen2,在RMSE性能上优于最佳比较方法近50%,以视觉效果快速重建全分辨率图像。
Mar, 2018
利用卫星影像数据,本研究提出了一个卷积神经网络模型来实现多图像超分辨率技术,弥补高清晰度影像获取时间间隔较长的缺陷,通过对大量数据进行重建,证明机器学习技术在卫星图像处理中具有应用潜力。
Jul, 2019
本论文提出了一种基于深度学习的多帧超分辨率方法 HighRes-net,首次使用端到端的方式学习了低分辨率图像的配准、融合和上采样等任务,并通过准确的配准和 ShiftNet 算法实现了真实卫星图像的超分辨率处理,促进了地球观测数据的应用。
Feb, 2020
本研究提出一种利用不同种类有机化合物的BVOCs排放图同时提高超分辨率性能的方法,通过研究它们之间的空间联系,构建了一个MISR系统,实现了对BVOC排放图的高分辨率增强。
May, 2023
利用深度学习方法可以自动化检测卫星多光谱数据中的甲烷泄漏,无需事先了解潜在泄漏点,从而大幅降低误报率,为全球点源甲烷排放的自动化、高清晰度和高频率监测铺平了道路。
Aug, 2023
本论文介绍了一种用于高效遥感图像超分辨率的扩散概率模型(DPM)EDiffSR,并结合了高效的激活网络(EANet)和条件先验增强模块(CPEM),以提高遥感图像的视觉质量和细节恢复能力。
Oct, 2023
利用开放的遥感数据,本研究提出了一种基于注意力机制的深度学习方法来估算森林地上生物量 (AGB),其模型在生物量估算方面的准确性明显高于传统的随机森林算法。总体而言,该研究证实了利用卫星数据进行生物量估算的深度学习方法的可行性。
Nov, 2023
通过多光谱卫星数据,提出了基于Fourier神经算子和DenseNet的FNO-DenseNet方法,有效估计土壤有机碳(SOC)含量,优于传统机器学习方法,并在均方绝对百分比误差方面比基于像素的随机森林高出18%。
Nov, 2023
通过基于物理仿真的遥感影像监测方法,我们提出了一种新的基于深度学习的定量甲烷排放监测框架,该框架包括甲烷浓度反演、甲烷烟团分割和甲烷排放速率估计三个子任务,并引入多任务学习模型来提高准确性。
Jan, 2024
本研究解决了传统甲烷检测方法在效率和准确性上的不足,通过对短波红外(SWIR)带操作甲烷源检测传感器的现有信息进行扩展,提出了机器学习(ML)方法作为新的解决方案。研究发现,基于卷积神经网络(CNN)架构的ML模型在甲烷检测中表现优于传统方法,能够更准确地提取甲烷敏感光谱数据的信息,并探讨未来在模型可比性和数据集创建方面的潜在进展。
Aug, 2024