利用 Sentinel-1 SAR 数据和 AutoML 估计光学植被指数
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。
Aug, 2023
基于光学和合成孔径雷达卫星影像,我们提出了一种基于注意力引导的 UNet 架构的森林砍伐估计方法,通过训练和验证模型,得出了 93.45% 的像素准确率和 0.79 的 F1 分数与 0.69 的 IoU。
Jul, 2023
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
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
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
该研究提出了一种基于多模态卫星数据的新型多时相城市制图方法,其中考虑到了部分缺失的光学模态,所提出的模型采用了两个网络来分别提取每个模态的特征,并利用重建网络根据 SAR 数据近似光学特征并保持其数据的有效性。结果表明该方法在使用 SAR 数据以补充缺失光学数据方面的实用性较强,可有效开发和利用多模态数据。
Jun, 2023
利用深度学习方法,结合免云的光学观测和天气无关的合成孔径雷达数据,采用组合卷积神经网络 (CNN) - 循环神经网络 (RNN) 架构生成连续的归一化植被指数 (NDVI) 时间序列,该方法在连续观测序列中对事件检测任务的准确性进行了改进,并有效滤除由云观测引起的突变和噪声。
Mar, 2024
本研究通过使用基于双向 LSTM (BiLSTM) 网络的时间序列 Sentine1-1 VH/VV 来估算绿叶面积指数 (LAI) 的空间和时间密度,以提高对冬小麦产量预测的精度。实验表明,相比于传统回归方法,BiLSTM 捕捉了多个时间序列之间的非线性动态,且该方法的性能优于 LSTM 尤其是在衰老期。因此,该方法可用于绿叶面积指数随时间变化的估算问题,并可应用于其他时间序列插值问题。
Jul, 2023
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
本文提出一种基于深度学习技术的卫星图像细化框架,利用多光谱无人机获取的高分辨率图像信息作为训练数据,可在特定农业领域(如葡萄园生长)中优化卫星驱动的归一化植被指数(NDVI)图,生成更准确的 3 类葡萄园乔木优势图,使管理者能更好地描述和监测农作物状态和病害。
Apr, 2020