May, 2024

基于文本的可见光 - 近红外 (400-2499 nm) 波段土壤反射光谱仿真的生成式深度学习模型

PDF
TL;DR基于土壤属性输入的全数据驱动土壤光学生成模型（SOGM）开发了一个可模拟土壤反射光谱的模型，可以生成基于部分输入属性的输出光谱，并可与植物建模软件 Helios 3D 耦合以生成模拟土壤和植物场景的合成航拍图像，可轻松集成于 PROSAIL 等用于遥感研究的土壤植物辐射模型。
发现论文，激发创造
  • DiffusionSat：卫星遥感图像的生成基础模型

    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

  • 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

  • 基于语义指导的大规模因子化遥感图像超分辨率生成扩散先验

    通过利用预训练的生成模型作为先验，结合结构和语义线索，以及提取感知一致的传感器特性并模拟其分布，从而提高遥感影像的超分辨率。实验证明了该方法的卓越性能和广泛适用性。

    May, 2024

  • RSDiff：基于扩散模型的遥感图像生成

    通过渐进式扩散模型，纯基于文本提示逐渐生成高分辨率的卫星图像，并在远程感知领域取得了优越的超分辨率结果与真实地理特征的生成。

    Sep, 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

  • 无光谱的星系光谱学：条件扩散模型解读光度图像中的星系属性

    开发了一种能够从光度宽频带图像中预测光学星系光谱的生成式人工智能方法，并通过与观测光谱的对比显示了良好的一致性，该方法还能推断光度图像中的速度色散和活跃星系核的存在，并可以在大规模光度调查中获得科学上有趣的星系属性。

    Jun, 2024

  • SoilNet: 一种基于注意力机制的时空深度学习框架，用于欧洲数字土壤制图中的土壤有机碳预测

    该研究通过数字土壤制图（DSM）方法的空间 - 时间深度学习技术，提出了一个新的模型架构，具有基于卷积神经网络（CNN）模型和空间注意力机制的空间信息，以及基于长短期记忆（LSTM）网络的气候时间信息，用于欧洲土壤有机碳的预测，结果表明该模型优于常用的 DSM 方法中的随机森林等传统机器学习方法，具有更低的均方根误差（RMSE），该模型是一个强大的工具，可用于预测土壤有机碳及其他土壤属性，从而推进 DSM 技术的发展，并为基于准确信息的土地管理和决策过程提供帮助。

    Aug, 2023

  • 使用条件生成对抗网络模拟热带气旋的夜间可见卫星图像

    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

  • 基于高光谱成像的植物病害识别解释：三维卷积神经网络和显著性地图

    本研究利用高光谱数据，开发了一个分类准确性为 95.73% 的 3D 卷积神经网络模型，用于大豆炭疽病的识别，发现最敏感的波长为 733nm，说明该模型对于大豆各种病害的诊断有较高的精确度。

    Apr, 2018

  • 通过自适应数据采集和基于 NeREF 的反射校正生成高质量的三维植物表型数据以促进高效植物表型研究

    该研究提出了一种使用多传感器机器人平台的高质量 3D 多光谱点云（3D-MPC）的方法，其中包括自适应数据采集和反射率校正，以便在自然光条件下为植物进行表型分析。

    May, 2023