Aug, 2023

利用极端梯度提升、土地覆盖和地形参数进行城市区域数字高程模型修正

PDF
TL;DR通过使用极值梯度提升（XGBoost）集成算法提高数字高程模型（DEMs）的准确性，用于改善城市地貌的水文模拟。
digital elevation modelsurban areasxgboostaccuracyhydrological modelling
发现论文，激发创造
  • 机器学习和统计方法在数字高程模型（DEM）校正中的比较：中期结果

    研究探讨了使用机器学习方法纠正数字高程模型中的高程偏差。通过对三种机器学习方法和多元线性回归方法在提高 Cape Town 地区 Copernicus 和 AW3D 全球 DEM 的垂直精度方面的比较，结果显示梯度提升决策树方法在 DEM 修正中具有潜力。

    Feb, 2024

  • 多模态深度学习基于 GEDI 与地球观测数据融合的森林主要高度绘制

    我们提出了一种名为多模态注意远程传感网络（MARSNet）的新型深度学习框架，通过将 GEDI、Sentinel-1、ALOS-2 PALSAR-2、Sentinel-2 和辅助数据进行融合，从而估计森林优势高度，提高了高分辨率优势高度的准确性。

    Nov, 2023

  • CroCo: 跨模态对比学习用于地球观测数据定位

    本研究提出了一种对地基 LiDAR 点云进行本地化的方法，可以将由航空 LiDAR 点云生成的数字高程模型（DEM）映射到航拍图像上。该方法基于对比学习，使用 DEM 和高分辨率光学图像进行训练，并通过不同的数据采样策略和超参数进行实验。在最佳情况下，Top-1 得分为 0.71，Top-5 得分为 0.81。该方法具有从 RGB 和 DEM 中进行特征学习以便进行本地化的潜力，并可能适用于其他数据源。

    Apr, 2022

  • 基于空间搭载激光雷达的全球细尺度城市建筑高度产品

    基于 GEDI 和多源数据，我们提供了一个最新的全球城市建筑高度产品，拥有 150 米的更高空间分辨率和内在细节，对气候、环境、生态和社会科学的城市研究具有推动作用。

    Oct, 2023

  • 基于遥感的森林生物量测绘方法的比较：东北和西南中国不同森林的新林业清查样地

    研究使用 NASA 的 GEDI 仪器以及其他卫星数据和机器学习方法生成高分辨率的森林地上生物量（AGB）地图，并验证其与实地数据的准确性和性能。

    May, 2024

  • 基于深度集成的 GEDI 激光波形全球树冠高度回归和不确定性估计

    我们使用基于深度卷积神经网络的概率性深度学习方法解释了 GEDI 波形并进行全球树冠顶高度回归，最终得出的估计具有 2.7 m 的预期 RMSE 和低偏差。

    Mar, 2021

  • 分位极值梯度提升用于不确定性量化

    本研究通过对 Extreme Gradient Boosting (XGBoost) 的改进，使用修正后的分位数回归作为目标函数以估计不确定性 (QXGBoost)，并将其应用于预测间隔的创建，并将其应用于一个模拟数据集和一个实际环境数据集中的测量交通噪声，结果表明该方法在预测间隔方面的整体性能要优于其他基于覆盖范围准则的模型。

    Apr, 2023

  • 利用无人机摄影测量和机器学习估算河流水面高程

    使用卷积神经网络估计无人机遥感获取影像的水域表面高程，并进行了改进，使用线性回归进一步提高准确度，将结果与现有方法进行了比较，得出了具有竞争力的结果。

    Jun, 2023

  • 通过层次计算中值高程区域生成高空间分辨率陆地表面

    用简单而有效的形态学方法将稀疏的数字高程模型（DEM）转换为密集的数字高程模型，通过生成中位数等高线来实现，该方法考虑了现有等高线的几何信息，并在拓扑表面的新空间区域内插值高程等高线，直到不再需要生成任何等高线。

    Jul, 2023

  • 利用 GEDI 和地球观测数据的关注深度学习进行森林地上生物量估计

    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