阿尔伯塔油气井数据集:从卫星影像精确定位油气井
本研究构建并注释了首个北极湿地数据集(AWD),并开发了ArcticNet深度神经网络,在利用Planet Dove CubeSats的高分辨率图像来实现北极地区六种类型的语义标注中取得了成功,其中包括三种北极湿地功能类型。
Jun, 2019
该研究建立了一个名为METER-ML的多传感器数据集,包含标记85,599张图像的美国甲烷源设施,并实验了不同的模型,最终找到了一个精度召回曲线下面积达到0.915和0.821的最佳模型,证明了大规模映射的潜力。
Jul, 2022
本研究提供了一个完整的框架,利用PRISMA卫星任务的图像和深度学习模型识别甲烷(CH4)云,并通过转换Sentinel-2的高分辨率云到PRISMA训练该模型实现了大面积检测,为未来的高光谱传感器的甲烷云大规模检测奠定了基础。
Nov, 2022
通过遥感监测土地覆盖对于研究环境变化以及通过作物产量预测确保全球粮食安全至关重要。该研究建立了一个加拿大农田的时间序列数据集,包含了来自10个作物类别的高分辨率图像,并提供用于预测作物类别的模型和源代码,可用于加速土地覆盖的准确连续监测,以促进健壮的农业-环境模型的创建。
May, 2023
本文介绍了 SSL4EO-L 数据集的设计,使用该数据集现代化并重新发布了 L7 Irish 和 L8 Biome 云检测数据集,并推出了 Landsats 4-5 TM 和 Landsat7 ETM+ SR 的 ML 基准数据集,使用 SSL4EO-L 预训练了 Landsat 影像的基础模型,并在多个语义分割任务上评估了它们的性能。
Jun, 2023
利用深度学习方法可以自动化检测卫星多光谱数据中的甲烷泄漏,无需事先了解潜在泄漏点,从而大幅降低误报率,为全球点源甲烷排放的自动化、高清晰度和高频率监测铺平了道路。
Aug, 2023
通过基于物理仿真的遥感影像监测方法,我们提出了一种新的基于深度学习的定量甲烷排放监测框架,该框架包括甲烷浓度反演、甲烷烟团分割和甲烷排放速率估计三个子任务,并引入多任务学习模型来提高准确性。
Jan, 2024
通过 Gasformer 以及光学气体成像技术,我们成功引入了一种新的语义分割方法,用于检测来自畜牧业低流量甲烷排放。在两个数据集上,Gasformer 表现出优于其他先进模型的性能,证明其在受控和真实场景中检测和分割甲烷羽流的有效性,从畜牧业数据集上的结果来看,Gasformer 达到了88.56%的 mIoU,超过了其他先进模型。
Apr, 2024
空气污染每年导致700万人死亡,砖厂制造业在人口密集的印度恒河平原中占据8%至14%的空气污染。本研究介绍了一种可扩展的砖窑检测和自动合规监测框架,应用谷歌地图静态API下载卫星图像和YOLOv8x模型进行检测。我们发现和手动验证了印度恒河平原内9个邦的19579座新砖窑,并自动化测试了与人类栖息地、河流和医院相关的合规性政策。我们的结果显示,相当数量的砖窑未能满足合规要求。我们的框架为全球政府提供了一个有价值的工具,用于自动化执行砖窑政策法规,解决环境和公共卫生方面的关键问题。
Jun, 2024
本研究解决了传统甲烷检测方法在效率和准确性上的不足,通过对短波红外(SWIR)带操作甲烷源检测传感器的现有信息进行扩展,提出了机器学习(ML)方法作为新的解决方案。研究发现,基于卷积神经网络(CNN)架构的ML模型在甲烷检测中表现优于传统方法,能够更准确地提取甲烷敏感光谱数据的信息,并探讨未来在模型可比性和数据集创建方面的潜在进展。
Aug, 2024