Aug, 2023

使用机器学习算法在谷歌地球引擎上实现的 Sentinel-1 和 Sentinel-2 数据的地表分类集成

PDF
TL;DR通过在 Google Earth Engine 平台上实施监督机器学习算法，将 Sentinel-1（S-1）和 Sentinel-2（S-2）数据集成，以用于特定区域的地表分类。结果表明，在这种情况下，雷达和光学遥感提供互补信息，有利于地表覆盖分类，从而提高了映射的准确性。此外，本文还证明了 GEE 作为一种处理大量卫星数据的有效云端工具的新兴作用。
synthetic aperture radaroptical dataearth surface classificationmachine learning algorithmsgoogle earth engine
发现论文，激发创造
  • 利用 Sentinel-1 SAR 数据和 AutoML 估计光学植被指数

    使用合成孔径雷达（SAR）数据进行森林监测，对于解决光学数据的问题并使用机器学习估计森林的光学查找指数（VIs）表现出较好的效果，通过创建多时序和多模态数据集来进行 VI 估计，在时间和空间上与 Sentinel-1、Sentinel-2、DEM、天气和土地覆盖数据集的对齐下取得了较好的结果。

    Nov, 2023

  • SEN12MS：一份经过整理的、包含地理参考多光谱 Sentinel-1/2 图像数据集，为深度学习与数据融合提供支持

    利用 Copernicus 计划（ESA）的 Sentinel 卫星和 Google Earth Engine 的云计算设施，我们提供一个包括 180,662 个样本的数据集，该数据集由双极化合成孔径雷达（SAR）图像，多光谱 Sentinel-2 图像和 MODIS 地表覆盖映射的三元组组成，拥有 10 m 的地面采样距离，并覆盖所有有人居住的大陆和所有气象季节。期望该数据支持社区开发面向场景分类或地表映射的语义分割等常见任务的深度学习算法。

    Jun, 2019

  • 利用光学雷达跨波段少样本迁移学习进行土地利用预测

    该研究探索了使用深度学习方法和分布对齐的神经网络嵌入可以提高卫星影像分析的准确性，尤其是在少量样本预测中，显著地超越了多种基线方法，其关键词有卫星图像分析，深度学习，迁移学习，Sentinel 和地区气候分区。

    Dec, 2022

  • SEN1-2 数据集用于合成孔径雷达光学数据深度学习

    发布 SEN1-2 数据集以促进 SAR - 光学数据融合领域中深度学习研究的发展，该数据集包括来自全球各地和各个气象季节的 282,384 对相应的图像块，并提供了多种应用示例，如 SAR 图像着色、SAR - 光学图像匹配以及从 SAR 输入数据创建模拟光学图像。

    Jul, 2018

  • EuroSAT：一个用于土地利用和覆盖分类的新数据集和深度学习基准

    本文介绍一种针对 Sentinel-2 卫星图像进行土地利用和土地覆盖分类的方法，提供了一个包含 13 个光谱波段及 10 类共 27,000 个标记和地理参考图像的新数据集，并使用最先进的深度卷积神经网络提供了基准测试。通过这一分类系统，可以用于检测土地利用和土地覆盖的变化，并帮助改进地理地图。

    Aug, 2017

  • 基于场景分类层的 Sentinel-2 空间和时间覆盖评估

    使用 Sentinel-2 数据中的场景分类层（SCL）进行技术评估，实现对一个区域的清晰光学覆盖率的计算与分配，并与机器学习模型的预测结果相关联，展示低覆盖区域的分类结果较差。

    Jun, 2024

  • SpaceNet 6：多传感器全天候制图数据集

    本文提出了一个开放的多模式全天候映射数据集和挑战，包括光学和 SAR 数据，以及建筑物足迹标注，用于探索 SAR 数据在灾害响应和建筑物足迹提取方面的应用效果，发现使用光学预处理的 SAR 数据在建筑物足迹提取中取得了更好的效果。

    Apr, 2020

  • 大规模掩码自编码减少合成孔径雷达数据的标签要求

    利用遥感卫星监测和缓解人为气候变化的影响在关键的干预和政策决策方面有着重要作用。合成孔径雷达 (SAR) 提供了一种强大的光学数据替代方案，通过自监督预训练方法在预测植被覆盖和土地分类关键任务上减少了标记数据需求，从而大大推进了气候变化监测的发展。

    Oct, 2023

  • 利用 Random Forests 集合对融合的 Sentinel-1 和 Sentinel-2 影像进行土地利用 / 土地覆盖分类

    该研究通过合成孔径雷达（SAR）和可见 - 近红外 - 短波红外（VNIR-SWIR）成像技术，对土地利用 / 土地覆盖（LULC）分类进行了协同组合的探索，旨在研究这种融合对 LULC 分类的影响。研究通过集成随机森林（RFE）的方法，引入随机旋转以克服随机森林的局限性，并通过比较不同旋转方法的性能来提高分类器的效能。实验结果表明，基于 SRP 的 RFE 在前两个数据集上表现最佳，平均 kappa 值为 61.80% 和 68.18%；基于 CRP 的 RFE 在最后三个数据集上表现出色，平均 kappa 值分别为 95.99%、96.93% 和 96.30%。此外，将纹理与 SAR 波段相结合，使整体 kappa 值最大增加了 10.00%，而将纹理添加到 VNIR-SWIR 波段上，则使整体 kappa 值最大增加了约 3.45%。

    Dec, 2023

  • 利用同时多光谱和合成孔径雷达图像进行海冰检测

    该研究提出了一种新的工具 ViSual_IceD，它使用并行编码器级别，将多光谱图像和合成孔径雷达 (SAR) 图像进行融合和连接，以实现极地区域可靠准确的海冰覆盖检测。

    Jan, 2024