Mar, 2024

从光谱到生物物理洞见：与一种偏置辐射传输模型的端到端学习

PDF
TL;DR基于机器学习和地球观测数据的气候变化研究进展，提出了一种整合辐射传输模型和自编码器架构的端到端学习方法，不仅能纠正辐射传输模型的偏差，而且在变量检索方面优于传统神经网络回归技术，并且该框架在反演有偏物理模型上具有潜在普适性。
发现论文，激发创造
  • 应用成像光谱学习辐射传输模型用于气候变化

    该研究提出了一种使用神经网络来有效模拟辐射传输模型的算法，以实现高效率、多重降速以及多重下游收益，从而加快处理时间，同时将其用于遥感技术中的海洋生态环保研究，并能够在此方面发挥重要作用。

    Jun, 2019

  • 联合高斯过程用于生物物理参数提取

    本研究提出了一种非线性非参数回归模型 —— 联合高斯过程（JGP），它结合了统计回归与辐射传输模型，采用通过数据模拟的方式学习模型参数，以综合利用模拟与真实数据的优势，研究结果表明，该方法在 LAI 指数反演中表现优异。

    Nov, 2017

  • 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

  • 基于数据驱动的大气透射反转神经代理

    我们提出了一种从光谱场景中推断大气传输剖面的框架。该框架利用一个轻量级、基于物理的模拟器，通过自动微分和可微编程来构建一个替代的大气剖面模型，以模拟观测数据。我们通过（i）进行大气校正，（ii）重新构建不同模态间的光谱数据（例如地表和传感器的辐射和反射率），以及（iii）推断大气传输剖面，如吸收带和它们的相对强度，展示了该方法的实用性。

    Apr, 2024

  • 基于数据驱动同化和预测的 Sentinel-2 反射动态学习

    本文应用 Koopman 算子理论灵感，训练了一个自监督深度学习模型，用于建模未经标注的多光谱和高光谱卫星图像，同时证明了该模型可以用于数据同化。

    May, 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

  • 用贝叶斯神经网络集合进行外行星大气检索

    这篇论文讨论了机器学习在星际物理领域的应用，利用贝叶斯神经网络实现了精准的大气成分测算以及创新性地引入了一种新的损失函数提高了性能。

    May, 2019

  • 遥感数据语义分割学习模型的可转移性研究

    深度学习模型应用于遥感语义分割 / 分类任务，需要大规模训练数据，但由于地理区域之间遥感图像内容的差异性，其可迁移性不足。本研究利用四个高度多样化的遥感数据集，训练了六个模型，并分析了它们之间的可迁移性以及领域适应方法在提高模型可迁移性方面的效果。此外，提出了一种基于光谱指数的简单方法来量化模型的可迁移性，在标签不可用时评估目标领域的模型可迁移性。该研究的发现有助于指导通用遥感学习模型的未来发展。

    Oct, 2023

  • 应用机器学习方法，利用 Sentinel-2 和 Landsat 8 估算作物初级生产力，基于辐射传输模拟进行训练

    本研究对机械光合模型和卫星遥感数据进行了结合，运用光谱模型 SCOPE 以及机器学习方法成功地估计了光合生产力，表明该方法可以在当前的遥感云计算平台上实现全球范围的作物生产力监测。

    Dec, 2020

  • DeepLCZChange：一种用于城市气候韧性的遥感深度学习模型架构

    本研究利用数据驱动的深度学习体系结构和方法探究了城市土地利用结构对城市气候的影响，并通过纽约市的相关遥感数据验证了城市森林的冷却效应。

    Jun, 2023