Jun, 2024

使用高分辨率卫星影像比较深度学习模型在不丹稻谷制图中的应用

PDF
TL;DR该研究使用高分辨率卫星图像，结合深度学习方法（DNN 和 U-Net），主要关注不丹帕罗地区的作物类型和范围，证明了深度学习方法可以预测水稻，并可以与不丹农业部目前使用的基于调查的方法相结合。同时，利用区域土地覆盖产品作为弱标签方法来解决类别不平衡问题，并改进深度学习应用的抽样设计。此外，通过初步的模型测试和比较表明，使用额外特征如 NDVI、EVI 和 NDWI 没有明显改善模型性能。
发现论文，激发创造
  • 运用迁移学习实现全球农作物地图

    本文使用卫星数据和深度学习方法，建立一个基于转移学习的农作物类型检测模型，成功地在韩国、法国、西班牙和荷兰等地区对水稻和大麦进行了检测。

    Nov, 2022

  • 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

  • BD-SAT: 高分辨率土地利用覆盖数据集和开发区域的基准结果：遗传北达卡

    利用基于深度学习方法的卫星图像地表覆盖（LULC）分析对于了解发展中国家的地理、社会经济条件、贫困水平和城市扩张具有重要意义。在缺乏资金、缺乏专门的居住区 / 工业区 / 经济区、庞大的人口和多样化建筑材料的情况下，BD-SAT 提供了一种高分辨率数据集，包括达卡大都会城市及周边农村 / 城市地区的像素级 LULC 注释。通过严格和标准化的过程，使用 Bing 卫星图像创建了地面真实性数据，每个像素的地面空间距离为 2.22 米。我们进行了几个实验以建立基准结果，结果表明 BD-SAT 提供的注释足以训练具备足够准确性的大型深度学习模型，其中包括五个主要的 LULC 类别：森林、农田、建筑区域、水体和草地。

    Jun, 2024

  • 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

  • 遥感图像分类的三维深度学习方法

    探索深度学习用于遥感数据处理，特别针对光谱和空间上的挑战，提出新的三维深度学习方法来联合处理，实验结果表明其比现有方法具有更好的分类准确率和更低的计算成本。

    Jun, 2018

  • 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

  • 卫星高光谱图像中的海陆云分割

    卫星通过边缘推理越来越多地采用机载人工智能技术来提高平台的自主性。本研究通过训练 16 种不同模型来实现高分辨率卫星图像的多类别分割，该研究提供了这些模型的代码并对其进行了综合评估，同时介绍了基于海洋、陆地和云覆盖分类的海洋 - 陆地 - 云覆盖分割应用场景。我们得出的结论是我们轻量级的深度学习模型（称为 1D-Justo-LiuNet）在海洋 - 陆地 - 云碧书分割方面的性能（0.93 准确率）和参数数量（4,563 个）方面始终优于现有的 U-Net 及其变体，然而 1D 模型在测试处理架构中表现出的推理时间较长（15 秒），这是明显不太理想的。此外，我们还证明了轨道内图像分割应该在 L1b 辐射计校准之后进行，而不是在原始数据上进行，并额外显示将光谱通道减少到 3 会降低模型的参数数量和推理时间，但牺牲了分割性能。

    Oct, 2023

  • 基于深度特征的遥感与贫困测绘迁移学习

    通过机器学习从高分辨率遥感图像中提取大规模社会经济指标，以辅助政策决策和人道主义救助，特别是在发展中国家等缺乏可靠数据的地区。

    Oct, 2015

  • 遥感图像中贫民窟映射的深度学习：元分析与综述

    研究以 2014 年至 2024 年间的遥感影像为基础的贫民窟绘图，重点关注深度学习方法，展示了越来越复杂的神经网络结构、数据预处理和模型训练技术的进步，以显著提高贫民窟识别精确度，评估了在全球不同地理环境中有效的关键方法，并提出了克服数据限制和模型解释性不足等挑战的潜在策略。

    Jun, 2024

  • 在数据稀缺环境下使用深度学习进行大规模农田绘制：尼日利亚案例研究

    利用机器学习技术结合全球农田数据集和手工标注数据，对尼日利亚进行了 10 米分辨率的新农田图生成，通过评估和比较不同模型及全球土地覆盖地图的性能，发现现有的 WorldCover 地图在测试集上表现最佳。

    Dec, 2023