Nov, 2023

使用 U-Net 和 Landsat 图像进行可扩展的烧毁区域制图的两种方法

PDF
TL;DR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。
发现论文，激发创造
  • 鲁棒烧伤区域勾画基于多任务学习

    在本研究中，我们提出了一种多任务学习框架，通过构建一个特定数据集和引入地表覆盖分类作为辅助任务，以提高烧毁区域分割模型的鲁棒性和性能。与标准的二进制分割方法相比，我们的方法在性能上表现出了更好的效果。

    Sep, 2023

  • 利用 U-Net 模型进行卫星图像分割以进行土地覆盖分类

    本研究旨在使用改进的 U-Net 结构的卷积机器学习模型，基于卫星图像创建土地覆盖分类映射，使用 BigEarthNet 卫星图像归档和原始数据集对模型进行训练和测试，结果显示可以提高现有土地分类图的精度和土地覆盖变化检测。

    Mar, 2020

  • CaBuAr：加州燃烧区域数据集的划定

    本文介绍了一种解决燃烧区域划分问题的新型开放数据集，包括加利福尼亚森林火灾的先后两次影像，同时提供了基于光谱指数分析、SegFormer 模型和 U-Net 模型的三种不同基准线模型。

    Jan, 2024

  • 利用卫星图像进行深度多模式学习的快速森林砍伐和烧毁区域检测

    利用深度卷积神经网络和多模卫星图像对亚马逊森林的砍伐估测和火灾检测问题进行了研究，并提出了一种新的数据集和处理技术。

    Jul, 2023

  • FUELVISION: 多模态数据融合和多模型集成算法用于野火燃料映射

    使用多个数据源和方法，通过 Landsat-8 光学图像、Sentinel-1 合成孔径雷达（SAR）图像、PALSAR SAR 图像和地形特征，预测和映射火灾燃料类型和分布。

    Mar, 2024

  • 基于异常检测的高分辨率卫星影像烧毁区提取

    利用卫星图像进行野火检测是遥感领域中广泛研究的任务，最近，深度学习方法已成为自动化此任务的可扩展解决方案，尤其是在无监督学习领域，其中没有训练数据可用。本文以矢量量化变分自动编码器 (VQ-VAE) 作为框架，通过离散潜在空间执行无监督的烧伤区域提取，并将其与专用的植被、水和亮度指数进行深度融合，实验结果显示了该技术在未来无监督烧伤区域提取研究中具有很高的潜力。

    Aug, 2023

  • 遥感图像的多标签分类

    本研究旨在通过运用不同的机器学习和深度学习模型将亚马逊雨林的卫星图像碎片进行分类和标记，并通过 F2 度量来评估分类器的准确性和损失函数。经过预训练的 ImageNet 体系结构用于提取特征，最终实现了 0.927 的最佳 F2 得分。

    Jan, 2022

  • 运用实用 UNets 提升主动火灾检测

    为了更好地监测和控制日益增多的全球各地的林火，这项研究提出了一种新的名为 Operational U-Nets 的方法。基于卫星图像的监测和检测已经成为处理森林和公共土地的活性火灾的至关重要的手段。

    Apr, 2023

  • 使用 EuroSAT 和迁移学习进行土地利用和土地覆盖（LULC）的映射

    全球人口不断增长，对自然资源的需求也在增加。遗憾的是，人类活动占到了 23% 的温室气体排放。幸运的是，遥感技术已经成为管理我们的环境的有价值的工具。这些技术使我们能够监测土地利用，规划城市区域，并推动农业、气候变化缓解、灾难恢复和环境监测等领域的进展。通过利用迁移学习和细调 RGB 波段，我们在土地利用分析方面取得了令人印象深刻的 99.19% 准确度。这样的研究结果可以用来制定保护和城市规划政策。

    Nov, 2023

  • 基于多模态监督机器学习的欧洲基于卫星的野火识别方法

    提出了一种利用多个信息源提高自动卫星基热点检测系统准确性的野火识别解决方案，并使用 European Forest Fire Information System 数据库与 Moderate-resolution Imaging Spectroradiometer 和 Visible Infrared Imaging Radiometer Suite 的热异常进行交叉引用，构建了一个用于欧洲相关野火研究的大规模热点数据集。然后，提出了一种新颖的多模态监督机器学习方法，用于区分野火和其他事件的热点检测。实验结果表明我们的方法在野火识别任务中的有效性。

    Jul, 2023