Jan, 2024

基于克里金法的伪标签生成增强地面 PM2.5 预测

PDF
TL;DR通过引入一种称为普通克里金法的空间插值技术生成的伪标签，将未标记的卫星图像与稀疏的地面测量数据融合，从而充分利用可用的卫星数据资源来增强卷积神经网络 - 随机森林模型的性能，提高空间相关性并降低预测误差。
satellite dataground measurementsclimate modelingdata augmentation strategyconvolutional neural network-random forest
发现论文，激发创造
  • 基于数据驱动的监督式机器学习方法估计全球环境空气污染浓度及其相关预测区间

    通过数据驱动的监督机器学习框架填补空缺的时间和空间测量来生成全面的污染物数据集，为依赖室外空气污染数据进行下游评估的各方提供了具有 0.25 度细粒度和小时间隔的数据，同时为每个估计值提供了预测区间，从而支持更详细的研究。还通过检查模型在不同地理位置上的表现，为将来监测站的战略放置提供了见解和建议，以进一步提高模型的准确性。

    Feb, 2024

  • 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

  • 融合格网卫星和气象站降水数据的 Ensemble 学习

    本文提出了 11 个集成学习器并将它们与 PERSIANN 和 IMERG 数据集以及 GHCNm 数据进行比较，证明了这些集成学习器对卫星降水产品的预测精度有所提高。

    Jul, 2023

  • 城市空气污染预测：利用卫星观测和气象预报的机器学习方法

    利用 Sentinel-5P 卫星、气象条件和拓扑特征的数据，本研究引入了一系列机器学习模型来预测未来 5 种主要污染物的水平。通过在米兰都市区进行的实验，这些模型在预测未来一天的污染物水平方面表现出了良好的效果，误差率约为 30%。该研究对提升我们对城市空气质量动态的理解以及强调结合卫星、气象和地形数据来开发强大的污染物预测模型的重要性做出了贡献。

    May, 2024

  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019

  • 遥感图像增强

    本研究提出使用生成模型（GANs）为土地利用与覆盖（LULC）分类任务扩充 EuroSAT 数据集，并探索了使用 DCGAN 及 WGAN-GP 生成图像的效果，发现增加约 10％的数据集对模型性能具有改善作用。研究表明，使用 GAN 可以提高深度分类模型在卫星图像上的泛化能力。

    Jul, 2022

  • 使用维基百科学习全球卫星图像的解释

    本文提出了一种新的方法来解决缺乏标注训练数据在卫星图像的细粒度解释方面的难题，通过将地理参考维基百科文章与其对应位置的卫星图像配对构建名为 WikiSatNet 的新型数据集，并提出了两种学习卫星图像表示的策略。在最新发布的 fMoW 数据集上，本文的预训练策略可以将在 ImageNet 预训练的模型的 F1 分数提高 4.5%。

    May, 2019

  • 融合空间知识的层次学习：地球影像中的洪水测绘应用

    提出了一种新颖的基于空间知识的分层学习（SKI-HL）框架，该框架采用多分辨率层次结构迭代地推断样本标签，并在具有不确定性感知的多实例学习中训练神经网络参数。实验证明，该模型在真实世界的洪水图像数据集上优于几种基准方法。

    Dec, 2023

  • 透过云层看清楚：使用 Prithvi 基础模型填补云间隙

    通过比较基础的 Vision Transformer (ViT) 模型与基准的条件生成对抗网络 (CGAN) 模型在时间序列的多光谱卫星图像上进行缺失值插补的性能，我们评估了插补准确性和语境保留，使用了结构相似性指数和绝对均值误差等定量评估指标以及定性的视觉分析。

    Apr, 2024

  • 千米尺度稀疏气象站观测的生成数据同化

    数据同化对于天气预报模型的初始化至关重要。最近，提出了深度生成数据同化的方法，可以在不重新训练模型的情况下使用新的输入数据，从而大大加速操作性区域天气模型中昂贵的数据同化过程。在美国中部的一个测试区域中，我们演示了在真实复杂的千米尺度天气情境中基于得分的数据同化的可行性。我们训练了一个无条件扩散模型来生成最先进的千米尺度分析产品 “高分辨率快速更新” 的快照。然后，利用基于得分的数据同化方法将稀疏的气象站数据融合进模型，模型生成了降水和地面风向的地图。生成的场景显示出物理上合理的结构，如阵风，敏感性测试通过多变量关系验证了学习到的物理规律。初步的技巧分析表明，这种方法已经优于高分辨率快速更新系统本身的天真基准。通过融合来自 40 个气象站的观测数据，对于剩余的站点达到了 10% 的较低根均方差。尽管存在一些局限性，如集合数据同化估计欠精确，但总体上结果令人鼓舞，并且是千米尺度上的首次概念验证。现在是一个时机成熟的时候，可以探索将日益雄心勃勃的区域状态生成器与越来越多的现场、地面和卫星遥感数据流结合起来的扩展方法。

    Jun, 2024