Jan, 2024

亚马逊 2023 年干旱：Sentinel-1 揭示了里奥内格罗河的极端收缩

PDF
TL;DR使用深度学习模型和 Sentinel-1 卫星雷达图像，我们对 2022 年和 2023 年每 12 天进行了对 Rio Negro River 流域水面的测绘，结果显示近实时的热带地区水面图可以得到显著改善。
amazon rainforesthistoric droughtwater surface mappingdeep learningsentinel-1 satellite radar
发现论文，激发创造
  • 结合循环和剩余学习的多时相 SAR 图像监测森林破坏

    通过利用合成孔径雷达（SAR）多时相数据来监测巴西雨林中的森林砍伐，并提出了三种增强森林砍伐检测准确性的深度学习模型，其中 RRCNN-1 具有最高准确性和最短处理时间。

    Oct, 2023

  • 2023 年 MultiEarth 森林砍伐挑战 ——FOREVER 团队

    通过多视角学习策略、最新的深度神经网络模型和多模态数据集，采用全面的数据增强和多样化网络方法，能够有效而准确地预测亚马逊雨林地区的森林砍伐情况。

    Jun, 2023

  • MultiEarth 2022 森林砍伐挑战 --ForestGump

    利用卫星图像和深度神经网络结合的方法，通过对 Sentinel-1，Sentinel-2 和 Landsat 8 的数据进行精细处理，成功地对亚马逊森林地区的砍伐情况进行了高准确度的估算。

    Jun, 2022

  • 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

  • 黑色潮流：全球多时相卫星数据用于快速洪水制图

    全球洪水、气候变化、洪水测绘、合成孔径雷达（SAR）和 Kuro Siwo 数据集与标注的广泛使用在深度学习中提供了实时洪水测绘的导向。

    Nov, 2023

  • 利用多时期 Sentinel-1 和 Sentinel-2 数据进行水体绘制

    通过将雷达数据与现有的多光谱数据相结合，生成了一种新颖的多源多时期数据集，用于拓展 SEN2DWATER 数据集的能力以进行水资源监测，取得了有希望的结果，并探讨了未来可能的发展和应用。

    Jan, 2024

  • CVPR 2023 亚马逊地区森林砍伐估计挑战赛：SpaceVision4Amazon

    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

  • 基于集成分解模型的亚马逊雨林火灾短期预测

    本文通过使用季节性和趋势性分解基于 Loess 的多月前短期负荷预测算法及异构分解集成模型，探讨巴西亚马逊雨林火灾的时间模式，结果表明所提出的模型可以提供更准确的预测，并通过性能指标进行评估，Diebold-Mariano 统计检验显示所提出的模型优于其他对比模型，但与其中一个模型在统计上相等。

    Jul, 2020

  • 人工智能提高全球可靠洪水预测的便利性

    我们开发了一种基于人工智能的模型，能够提前七天预测极端水文事件，该模型在全球各大洲、各种提前期和重现期下均优于现有的全球水文模型，特别适用于没有测量的流域，该研究的成果已被纳入全球超过 80 个国家的运行中的预警系统，提供免费的实时预测。

    Jul, 2023

  • DeepAqua：利用知识蒸馏自监督从 SAR 图像中语义分割湿地

    本研究介绍了 DeepAqua，这是一个自我监督的深度学习模型，通过知识蒸馏来消除训练阶段中手动注释的需求，并利用归一化差异水体指数 (NDWI) 作为教师模型，训练卷积神经网络 (CNN) 从合成孔径雷达 (SAR) 图像中分割水域。该方法实现了有效地训练语义分割模型而无需手动注释数据，为监测湿地水域范围变化提供了实用的解决方案，无需地面真实数据，因此具有高度的适应性和可扩展性，可以应用于湿地保护工作。

    May, 2023