May, 2024

基于 Sentinel 数据，以 10 米分辨率估算建筑物高度

PDF
TL;DR通过结合 Sentinel-1 的 SAR 数据、Sentinel-2 的光学数据和建筑物轮廓提供的形状数据，本研究建立了一套空间 - 光谱 - 时间特征数据库，提取这些特征并建立了基于随机森林模型的建筑物高度模型，通过模型集成方法和 Lidar 数据的验证，实现了高分辨率建筑物高度数据的快速生成。
building heightspatial-spectral-temporal feature databasesrandom forest modellidar datahigh-resolution building height data
发现论文，激发创造
  • 使用 Sentinel-1 SAR 和 Sentinel-2 MSI 时序数据的 CNN 回归模型估算建筑物高度图

    本研究提出了一种基于卫星数据的多模态建筑高度回归网络，利用 Sentinel-1 和 Sentinel-2 卫星时间序列数据，在 10m 空间分辨率下估计建筑高度，在荷兰的 10 个城市进行训练和测试，得出了良好的性能结果，证明其在准确估计建筑高度方面具有潜力。

    Jul, 2023

  • 基于空间搭载激光雷达的全球细尺度城市建筑高度产品

    基于 GEDI 和多源数据，我们提供了一个最新的全球城市建筑高度产品，拥有 150 米的更高空间分辨率和内在细节，对气候、环境、生态和社会科学的城市研究具有推动作用。

    Oct, 2023

  • Sentinel-2 高分辨率建筑物和道路检测

    使用 Sentinel-2 卫星图像进行建筑物和道路的自动标记，为高分辨率遥感图像的代替提供了可能。学生模型通过训练来复原教师模型的预测结果，虽然没有教师模型那么精细，但建筑物分割中的 mIoU 达到了 78.3%、个别建筑物计数达到 R^2=0.91。新的方法可以利用免费的 Sentinel-2 图像进行以往只能使用高分辨率卫星图像完成的各种任务。

    Oct, 2023

  • 全球卫星图像建筑物检测

    利用遥感技术的建筑物检测创建人口密度地图，包括数据采集、半监督方法等解决策略。

    Jul, 2017

  • 中国建筑楼面积：数据集与学习流程

    本研究运用多类目标分割算法结合 Sentinel-1 和 - 2 卫星数据，测量中国建筑物（即建筑物占地面积和高度）的楼板面积及其演变，旨在构建城市发展时间序列。

    Mar, 2023

  • 基于街景图像和 OpenStreetMap 的半监督学习自动建筑高度估计

    通过使用低成本 VGI 数据，提出了一种基于 MapillarySVI 和 OSM 数据的半监督学习方法，可以自动估计建筑物的高度，以生成开放和低成本的 3D 城市模型。

    Jul, 2023

  • 建筑物提取与高度估计的多任务学习的数据融合

    根据 DFC23 赛事提出的城市重建问题，本文尝试使用光学和雷达卫星图像的多任务学习方法来进行建筑物提取和高度估计，实验结果显示在约束条件下进行的建筑物提取和高度估计任务的基准结果显著提高。

    Aug, 2023

  • 大规模估计冠层高度

    全球范围树冠高度估计的框架，基于卫星数据，利用先进的数据预处理技术，采用一种针对地面真实高度测量中固有的地理定位误差的新型损失函数，并利用来自航天飞机雷达测绘任务的数据，有效地过滤掉山区错误标签，提高了在那些区域的预测可靠性。与实际高度标签的比较显示整体 MAE / RMSE 为 2.43 / 4.73（米），而对大于五米的树木为 4.45 / 6.72（米），相较于现有的全球规模图表有了明显的改善。所得的高度图以及潜在的框架将促进和提升全球尺度的生态分析，包括但不限于大规模森林和生物量监测。

    Jun, 2024

  • 利用自我监督学习和视觉转换器，基于航空和 GEDI Lidar 训练的方法生成亩级分辨率的林冠高度地图

    本研究采用高分辨率卫星影像，利用视觉变换技术和自我监督模型，同时生成了加利福尼亚和圣保罗地区的林冠高度图，可以有效观测森林生长和可持续农林业管理，是全球碳循环和应对气候变化的重要研究领域之一。

    Apr, 2023

  • 高山地区森林动态中基于空间的植被高度地图的准确性和一致性

    使用深度学习和卫星遥感生成植被高度图，以提高瑞士国家森林清查的时间分辨率和有效性。

    Sep, 2023