基于 Pix2Pix 的人工智能火山灰划定
该研究探索了使用无监督深度学习在卫星数据中识别火山变形作为异常的方法,利用 Patch Distribution Modeling (PaDiM) 模型并通过加权距离增强检测性能,同时还提出了预处理方法来处理噪声和不完整数据点。最终使用五座具有不同变形特征的火山进行测试,并与监督学习方法进行了性能比较。
May, 2024
通过使用深度学习技术来精确评估自然灾害中建筑损害,在利用遥感数据的背景下进行实现。我们探索使用来自全球各地的多样化灾难事件的 xBD 数据集作为主要焦点,以评估深度学习模型。我们解决了推广到新灾难和地区的挑战,同时考虑了自然灾害数据中固有的低质量和噪声标签的影响。此外,我们的研究定量地证明了对于有效的建筑损害检测,最低的卫星图像分辨率为 3 米,对于使用对称和非对称分辨率摄动分析的分类低于 1 米。为了实现对建筑损害检测和分类的稳健准确评估,我们评估了具有残差、压缩和激活以及双路径网络主干的不同深度学习模型,以及集成技术。总体而言,F-1 得分为 0.812 的 U-Net Siamese 网络集成在 xView2 挑战基准测试中表现最好。此外,我们还将对所有灾害进行训练的通用模型与洪水专家模型进行评估,并调查了在 Ahr Valley 的领域数据中的事件间通用性差距和分布。我们的研究发现展示了先进人工智能解决方案在增强气候变化引发的极端天气事件(如洪水和飓风)影响评估方面的潜力和局限性。这些见解对于在不断升级的气候挑战面前的灾害影响评估具有重要意义。
Sep, 2023
利用远程感知技术与人工智能方法,以提高实时、高分辨率的火灾监测为目标,本研究探讨了两种基于 U-Net 模型的自动化烧毁区域绘图方法,分别为 128 和 AllSizes (AS) 模型,在智利两个容易发生火灾的地区利用 Landsat 影像和时间序列数据进行训练与应用,实验证明 AS 模型在增加数据集平衡性方面能够取得更好的性能。
Nov, 2023
探索使用多视角图像和 AI 实现可靠的灾后建筑损伤分类方法,提出基于多视角卷积神经网络结构的损伤预测模型可以提高灾后建筑损伤等级的准确度和可靠性。
Aug, 2022
本研究提出了一种卷积神经网络的框架来进行基于卫星图像的变化检测,通过阈值化和划分网格来找到灾害影响最严重的区域,并使用新的灾害影响指数(DII)来衡量自然灾害的影响。在应用于飓风哈维和圣塔罗莎大火数据集时,框架的 F1 分数分别为 81.2%和 83.5%。
Dec, 2018
开发了一个深度学习平台,用于预测低能见度事件或雾霾的发生。它通过使用多年来各种气象和水文变量的区域地图作为输入特征和地表能见度观测作为目标进行训练。为了更好地保留不同输入特征的特征空间信息,最近为巴黎雾霾开发了两种分支架构。这些新架构改进了网络性能,在验证和使用 2021 年和 2022 年的数据进行盲预测评估时产生了合理的得分,这些数据未用于训练和验证。
Oct, 2023
本文研究了如何处理在应用深度学习技术识别危机管理时,数据高度不平衡的情况,探讨了多种技术并提出了一套综合方法,旨在提高少数类别分类的性能和模型可靠性。
Apr, 2020
通过使用图像数据预测空气质量、评估肺病严重程度的整合方法,以提高 AQI 和肺病严重程度的准确性,并达到了 87.44% 的 AQI 预测准确率和 97.5% 的肺病严重程度评估准确率。
May, 2024
通过深度学习模型,在 xView2 挑战中取得了 0.66 的 F1 分数,超过 0.28 的挑战基准分数,发现不同损伤等级和不同灾害类型之间的视觉相似性和损害分布差异导致建筑物损伤分类是一项困难任务,可能需要具备关于灾害损害的概率先验估计,以获得准确的预测。
May, 2024