- 基于人工智能智能图像识别的河湖漂浮物检测研究
通过使用人工智能技术中的图像识别,本研究专注于探索一种创新的基于深度学习的方法,用于在河流和湖泊环境中检测浮游物,通过严格的实验验证,证明了该系统能够显著提高浮游物的检测准确性和效率,为河流和湖泊的水质监测提供了新的技术途径。
- ViGEO:地球观测中视觉图神经网络评估
卫星任务和地球观测系统对于环境监测和及时发现灾难性事件以及长期监测自然资源和人造资产如植被、水体、森林和建筑物方面具有基础性作用。近期机器学习、计算机视觉的进展以及标注数据的可用性使得研究人员通过使用深度神经网络展示了在土地利用监测系统和遥 - TDiffDe:一种用于遥感高光谱图像去噪的截断扩散模型
本研究提出了一种被称为 TDiffDe 的截断扩散模型,用于逐步恢复高光谱图像中的有用信息,从而解决由于传感器设备和成像环境引起的噪声问题。
- 用 Transformer 学习解决气候传感器布置问题
利用深度强化学习方法自动学习改进性启发式算法,提出一种针对环境监测和灾害管理的传感器布置方法,与现有方法相比,证明了其在生成高质量解决方案方面的有效性和优越性,为应用先进的深度学习和强化学习技术解决关键气候传感器布置问题提供了有希望的方向。
- MM约束环境物联网感知的智能通信规划与强化学习
通过多智能体强化学习方法,本论文提出在资源受限条件下,为每个传感器找到最优的通信策略,以实现对环境数据进行准确跟踪,同时充分考虑功率和带宽的限制。实验结果表明,该方法能够在未知带宽限制下,平衡数据收集和预测野火蔓延的需求。
- MultiEarth 2023 多模式学习地球和环境研讨会与挑战赛
本文介绍了 MultiEarth 2023 国际会议的挑战指南、数据集和评估指标,以促进多模态学习与遥感数据处理等技术在环境监测中的应用
- 贝叶斯优化应对气候变化:应用和基准测试
提供了一篇关于贝叶斯方法在解决气候变化相关问题上的应用的文献综述,并针对材料发现、风力发电场布局、可再生能源控制和环境监测等领域分别提出公开的数据集或基准测试,同时在缺乏适当基准的情况下提出了一个名为 LAQN-BO 的新基准测试。
- SERT:基于 Transformer 的用于环境监测的时空传感器数据填充模型
通过使用 SERT 和 SST-ANN 模型,可以在不需要插补的情况下处理多变量稀疏时间序列,适用于环境监测中的数据预测。
- 稀疏高斯过程的信息规划与在线学习
针对环境监测中的时空变异性,我们提出了一种规划与学习方法,通过学习和完善环境模型,实现自主海洋监测任务;该方法结合了最信息丰富数据的规划和稀疏高斯过程学习组件,提高了计算效率,仿真结果表明该方法准确性和效率兼备。
- 化学传感器连续监测中湿度和温度的在线去相关
本研究提出了一种在线去相关化化学传感器信号的方法,旨在通过处理同时读取的环境湿度和温度的数据,提高电子鼻系统的连续监测准确性。通过模拟和实验证实这种方法对信号进行处理,使电子鼻系统的温度和湿度变化对其结果产生的影响较小,同时,采用模式识别算