利用深度学习进行云空缺填补，改善草地监测

Mar, 2024

利用深度学习进行云空缺填补，改善草地监测

Cloud gap-filling with deep learning for improved grassland monitoring

Iason Tsardanidis, Alkiviadis Koukos, Vasileios Sitokonstantinou, Thanassis Drivas, Charalampos Kontoes

TL;DR利用深度学习方法，结合免云的光学观测和天气无关的合成孔径雷达数据，采用组合卷积神经网络 (CNN) - 循环神经网络 (RNN) 架构生成连续的归一化植被指数 (NDVI) 时间序列，该方法在连续观测序列中对事件检测任务的准确性进行了改进，并有效滤除由云观测引起的突变和噪声。

Abstract

Uninterrupted optical image time series are crucial for the timely monitoring of agricultural land changes. However, the continuity of such time series is often disrupted by clouds. In response to this challenge, we propose a deep learning method that integrates cloud-free optical (Sen

optical image time series cloud disruption deep learning normalized difference vegetation index event detection

发现论文，激发创造

基于无人机和机器学习的卫星驱动植被指数精细化农业应用优化

本文提出一种基于深度学习技术的卫星图像细化框架，利用多光谱无人机获取的高分辨率图像信息作为训练数据，可在特定农业领域（如葡萄园生长）中优化卫星驱动的归一化植被指数（NDVI）图，生成更准确的 3 类葡萄园乔木优势图，使管理者能更好地描述和监测农作物状态和病害。

Apr, 2020

使用神经常微分方程在不同云层下进行作物分类

使用神经常微分方程和递归神经网络结合的方法，可以在时间不规则的卫星遥感数据集上进行作物类型分类，从而实现了系统状态的随时采集和数据的外推。

Dec, 2020

利用 Sentinel-1 SAR 数据和 AutoML 估计光学植被指数

使用合成孔径雷达（SAR）数据进行森林监测，对于解决光学数据的问题并使用机器学习估计森林的光学查找指数（VIs）表现出较好的效果，通过创建多时序和多模态数据集来进行 VI 估计，在时间和空间上与 Sentinel-1、Sentinel-2、DEM、天气和土地覆盖数据集的对齐下取得了较好的结果。

Nov, 2023

基于循环卷积神经网络 (R-CNN) 从 Sentinel-2 数据中学习时间特征，提高土地覆盖和作物分类

本文开发了基于时序相关性的 Pixel R-CNN 模型，可以通过学习多幅图像的时间相关性来进行自动特征提取，从而实现低成本农作物分类，对 15 种作物进行了测试。与传统算法相比，该模型在中北部意大利农业系统拥有支配性经济作物类型的数据集上获得了 96.5％的准确率，为进行多时序分类任务提供了高度准确且低成本的方法。

Apr, 2020

使用深度学习对遥感影像植被进行语义分割

本文介绍了一种利用机器学习技术，结合公开遥感数据，使用卷积神经网络模型实现不同类植被的分离的方法，旨在解决处理遥感数据的效率问题。

Sep, 2022

卷积神经网络应用于天空图像，用于短期太阳辐射预测

本文介绍了使用深度卷积神经网络预测太阳能辐射强度的初步结果，并探讨了训练算法的图像识别技术，和利用过去相同日期数据进行训练以提高短期预测技能的方法。

May, 2020

全球全季 Sentinel-2 卫星影像云去除的多源数据融合

通过构建一个新的数据集，本文针对云遮挡导致的地球影像质量下降问题，提出了一种适用于不同区域、季节和云覆盖度变化的新型云去除模型，并在两个性能指标上进行了评估。

Sep, 2020

通用植被指数在农业土地覆盖分割中的有效数据融合证据

本文提出了一种新颖的数据融合方法，旨在从卫星图像中更好地区分农业土地覆盖，并介绍了如何将遥感领域的领域知识与深度神经网络相结合以提高模型性能。

May, 2020

利用深度学习技术自动检测稻田自然灾害影响的卫星图像

本文使用高分辨率卫星图像检测孟加拉国水稻田的自然灾害损害，研发了可用于训练 DeepLabV3plus 模型的地面真实数据，并通过 NDVI 差异图像进行了损害区域的检测和识别。

Apr, 2023

ViGEO：地球观测中视觉图神经网络评估

卫星任务和地球观测系统对于环境监测和及时发现灾难性事件以及长期监测自然资源和人造资产如植被、水体、森林和建筑物方面具有基础性作用。近期机器学习、计算机视觉的进展以及标注数据的可用性使得研究人员通过使用深度神经网络展示了在土地利用监测系统和遥感图像分类方面的可行性和精确性。该研究调查了一种最新的视觉图神经网络架构（ViG）在土地覆盖分类任务中的性能，并实验结果显示 ViG 在多类别和多标签分类背景下的表现超过了 ViT 和 ResNet 在大规模基准测试中的最新水平。

Feb, 2024