Nov, 2023

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

PDF
TL;DR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。
multisource remote sensing datadeep learning modelsforest height estimationmarsnetdominant height
发现论文，激发创造
  • 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

  • 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

  • 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

  • 利用自我监督学习和视觉转换器，基于航空和 GEDI Lidar 训练的方法生成亩级分辨率的林冠高度地图

    本研究采用高分辨率卫星影像，利用视觉变换技术和自我监督模型，同时生成了加利福尼亚和圣保罗地区的林冠高度图，可以有效观测森林生长和可持续农林业管理，是全球碳循环和应对气候变化的重要研究领域之一。

    Apr, 2023

  • 多源卫星 SAR 和光学图像在森林制图中的深度学习模型转移

    使用深度学习模型进行森林变量预测具有越来越大的流行度，本研究通过模型转换方法将预训练的深度学习模型应用于目标区域，使用地球观测数据进行森林结构预测，结果表明相较于传统基准方法，利用迁移学习的 SeUNet 模型具有更高的准确性。

    Aug, 2023

  • 使用 Sentinel-2 卫星进行全国范围高分辨率植被高度制图

    文章利用收集的静止卫星 Sentinel-2 多光谱图像，通过基于深度卷积神经网络 (CNN) 的图像处理，从反射图像中提取适合的光谱和纹理特征，以回归像素高度来估算瑞士和加蓬的植被高度，从而在国家范围内生成 10 米地面采样距离 (GSD) 的高分辨率植被高度地图。

    Apr, 2019

  • 高山地区森林动态中基于空间的植被高度地图的准确性和一致性

    使用深度学习和卫星遥感生成植被高度图，以提高瑞士国家森林清查的时间分辨率和有效性。

    Sep, 2023

  • 多目标深度学习预测森林参数：伪目标插补训练回归模型

    本文提出了一种半监督回归建模方法，通过利用建立于航空激光扫描数据和 C 波段合成孔径雷达的预测地图来生成有效的伪目标训练数据，解决了传统回归模型样本量不足的问题，并成功实现了在坦桑尼亚和挪威的不同地区和森林类型上进行地面生物量和树干体积的预测。

    Jun, 2023

  • GAMUS：一种适用于遥感数据的几何感知多模态语义分割基准测试

    本文提出一种基于 RGB-Height 数据的遥感多模态语义分割新基准数据集，包含大规模数据集，认真评测已有的方法并提出一种新的 Transformer-based 中间多模态融合 (TIMF) 模块来适应令人满意的语义分割性能。

    May, 2023

  • 使用高分辨率卫星影像比较深度学习模型在不丹稻谷制图中的应用

    该研究使用高分辨率卫星图像，结合深度学习方法（DNN 和 U-Net），主要关注不丹帕罗地区的作物类型和范围，证明了深度学习方法可以预测水稻，并可以与不丹农业部目前使用的基于调查的方法相结合。同时，利用区域土地覆盖产品作为弱标签方法来解决类别不平衡问题，并改进深度学习应用的抽样设计。此外，通过初步的模型测试和比较表明，使用额外特征如 NDVI、EVI 和 NDWI 没有明显改善模型性能。

    Jun, 2024