多传感器深度学习在冰川制图中的应用
本文综述了目前最新的遥感深度学习研究进展及理论、工具和挑战,并着重讨论深度学习系统的未解决的挑战和机遇,包括数据不足、模拟物理现象的人类可理解解决方案、大数据、非传统异构数据源、光谱、空间和时间数据的深度学习架构和学习算法、迁移学习、更好的理论理解深度学习系统、高门槛和深度学习的训练和优化。
Sep, 2017
分析了深度学习用于遥感数据分析的挑战、近期进展及如何利用该技术应对包括气候变化和城市化等前所未有的大规模具有影响力的挑战,鼓励遥感科学家将自己的专业知识带入深度学习,并将其作为隐式通用模型。
Oct, 2017
本研究旨在回顾地球观测的多视角融合模型的文献,并整合总结相关术语和方法,其中涉及了利用神经网络模型的有监督学习。通过该研究,希望此文献能够促进未来研究并推动该领域的统一进步。
Dec, 2022
通过此项工作,在大规模、空间不重叠的冰川和覆盖垃圾的冰川冰的分割方面,我们提出了一种改进版的U-Net,并引入了一种新的自学习边界感知损失来提高冰川分割性能;对于冰川的多光谱Landsat 7图像,我们还提出了一种特征显着性评分来理解每个特征在冰川映射中的贡献;经过实验证明,使用自学习边界感知损失训练的冰川模型胜过使用Dice loss训练的模型,并且红色、短波红外线和近红外带对于Landsat 7图像中的覆盖垃圾的冰川分割具有最高的贡献度。
Jan, 2023
通过将冰川崩解前建模作为一个轮廓追踪问题,并提出了一种不包含任何密集预测的显式轮廓检测模型的方法,结合卷积神经网络进行特征提取,使用该方法进行训练和评估,证明了其在格陵兰岛出口冰川的大规模数据集上优于基于分割和边缘检测的方法,并演示了显式轮廓检测在量化模型预测不确定性方面的优势。
Jul, 2023
使用机器学习算法对海冰进行自动化定位和分割,通过使用带噪声的Sentinel-1 SAR影像,开发了高效、具有空间分辨率、维度保持能力,并且对噪声更加稳健的面向海冰映射的算法。
Oct, 2023
准确的全球冰川绘图对于理解气候变化的影响至关重要,但冰川的多样性、难以分类的残渣和大数据处理提出了挑战。本论文提出了一种卷积-变换器的深度学习模型(GlaViTU)和五种策略,利用开放卫星图像进行多时期的全球冰川绘图。评估空间、时间和跨传感器的泛化性表明,我们最佳策略在大多数情况下,在先前未观测到的图像上实现了交并比大于0.85,对于残渣丰富的地区如高山亚洲,这个值下降到了大于0.75,而对于以干净冰为主的地区,这个值增加到了大于0.90。此外,添加合成孔径雷达数据,即回波和干涉相干度,提高了所有有可用数据的地区的准确性。报告了冰川扩展的校准置信度,使预测更加可靠和可解释。我们还发布了覆盖全球9%的基准数据集。我们的结果支持自动化多时期和全球冰川绘图的努力。
Jan, 2024
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