透过云层看清楚:使用 Prithvi 基础模型填补云间隙
通过使用红外波段和太阳光方向参数作为输入,该研究提出了使用条件生成对抗网络(CGAN)模型生成高度精确的夜间可见反射率的方法,并通过 Visible/Infrared Imager Radiometer Suite (VIIRS) 的 Day/Night Band (DNB) 进行了模型验证。研究证明了该模型在监测夜间气象现象方面的可行性。
Jan, 2024
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。
Mar, 2024
利用表示学习的思路,发展了 U-TILISE,一种高效的神经模型,能够隐式地捕捉光谱强度的时空模式,并通过训练将云层遮掩的输入序列映射为无云的输出序列。实验结果表明,与标准插值基准相比,在之前看到的位置,PSNR 增加了 1.8 dB,在未见过的位置增加了 1.3 dB。
May, 2023
评估 IBM-NASA 的 Prithvi 模型在洪水淹没区域的地理空间分析任务中的性能,并与其他卷积神经网络和视觉变换器架构进行比较,结果显示了 Prithvi 模型在未见过的区域中分割淹没区域的出色可迁移性,同时建议在多尺度表示学习、高级图像分析任务的端到端流程和输入数据波段的灵活性方面进一步改进。
Sep, 2023
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。
Jan, 2024
本文使用新的视觉 Transformer 模型在加纳的广泛景观上进行优化,同时优化分类(离散)和回归(连续)损失函数,从而实现了比以前使用的卷积方法更高的准确度。 模型的结果表明,我们提出的离散 / 连续损失显着提高了对非常高的树(即 > 35m)的灵敏度,而对于其他方法,往往会出现饱和效应。 最终,ViT 模型的高度图具有更好的地面采样距离和更好的稀疏植被灵敏度,与卷积模型相比,其 RMSE 仅为 3.12m。
Apr, 2023
DiffusionSat 是迄今为止最大的生成基础模型,使用公开可获得的大型高分辨率遥感数据集进行训练,实现对多个生成任务的解决,包括时间生成、多光谱输入的超分辨率和修复。同时它在卫星图像生成方面优于以前的最先进方法,也是第一个针对卫星图像的大规模生成基础模型。
Dec, 2023
GeoViT 是一种紧凑的视觉转换模型,熟练处理卫星图像以进行多模式分割、分类和回归任务,目标是 CO2 和 NO2 排放。利用 GeoViT,我们在估计发电率、燃料类型、CO2 的尾气覆盖率和高分辨率 NO2 浓度地图方面获得了卓越的准确性,超过了先前的最先进模型,同时显著减小了模型尺寸。GeoViT 表明了视觉转换器架构在利用卫星数据提升温室气体排放见解方面的功效,对全球气候变化监测和排放规章制度的推进具有关键作用。
Nov, 2023