详细内容或原文请订阅后点击阅览
人工智能驱动的地图捕捉每日全球土地变化
准确的土地覆盖绘图是生物多样性保护、气候适应和可持续土地利用的基础。尽管遥感技术取得了进步，但仅依靠卫星的方法仍然受到云层覆盖、重访间隔和缺乏地面实况数据的限制。动态世界（Dynamic World）等动态产品提高了及时性，但仍然难以捕捉突然的转变或验证其结果。
来源:英国物理学家网首页准确的土地覆盖绘图是生物多样性保护、气候适应和可持续土地利用的基础。尽管遥感技术取得了进步，但仅依靠卫星的方法仍然受到云层覆盖、重访间隔和缺乏地面实况数据的限制。动态世界（Dynamic World）等动态产品提高了及时性，但仍然难以捕捉突然的转变或验证其结果。
近地表摄像机网络的快速扩展提供了通过添加局部高频观测来增强监测的机会。然而，视角不匹配和覆盖范围有限等挑战仍然存在。基于这些挑战，需要进行新的研究来整合多模态观测和人工智能工具来进行实时土地监测。
清华大学研究人员及其合作者在《遥感杂志》上发表了他们的研究成果。该团队开发了一个融合卫星图像、近地表相机和先进人工智能分割模型的框架。这项创新解决了土地监测中持续存在的障碍，包括云干扰和有限的重访时间，提供了一个能够为从农业到生态系统保护等应用提供近实时全球土地覆盖测绘的系统。
已发布 卫星图像研究表明，FROM-GLC Plus 3.0 在准确性和时间密度方面均超越了之前的产品。通过根据摄像机观测重建密集的每日 NDVI 时间序列，该框架实现了 70.52% 的平均准确度。它捕捉到了仅卫星系统无法检测到的突然转变，例如北美的积雪和欧洲的湿地扩张。
环境变化 更多信息： DOI：10.34133/remotesensing.0728