详细内容或原文请订阅后点击阅览
用于气候变化分析的图像数据收集
初学者指南埃特纳火山的卫星图像。来源：美国地质调查局 (USGS) 在 Unsplash 上的照片。I. 简介深度学习在地球观测中成功传播。它的成就导致了更复杂的架构和方法。然而，在这个过程中，我们忽略了一些重要的东西。拥有更多优质数据比拥有更好的模型更好。不幸的是，EO 数据集的开发一直很混乱。如今，它们有数百个。尽管我们努力编译数据集，但可以说它们散布在各处。此外，EO 数据已经激增以满足非常具体的需求。矛盾的是，这正是我们应该用它们前进的相反方向，特别是如果我们希望我们的深度学习模型更好地工作的话。例如，ImageNet 编译了数千张图像以更好地训练计算机视觉模型。然而，EO 数据比 ImageNet 图像数据库更复杂。不幸的是，目前还没有针对 EO 的类似举措。这迫使 EO 社区尝试根据我们的需求调整 ImageNet 资源。这个过程很耗时，而且容易出错。此外，EO 数据的空间分布不均匀。大多数数据覆盖北美和欧洲。这是一个问题，因为气候变化将对发展中国家产生更大的影响。在我的上一篇文章中，我探讨了计算机视觉如何改变我们应对气候变化的方式。这篇新文章的理由是在挑战的背景下出现的
来源:走向数据科学气候变化分析的图像数据收集
I.简介
深度学习传播，在地球观察中成功。它的成就导致了更复杂的架构和方法论。但是，在此过程中，我们看不见一些重要的东西。比更好的模型拥有更多的质量数据更好。
不幸的是，EO数据集的开发是混乱的。如今，有数百个。尽管有几次编译数据集的努力，但可以公平地说它们已经散布了。此外，EO数据已经扩散以满足非常特定的需求。矛盾的是，这是我们应该与他们前进的相反方式，尤其是如果我们希望我们的深度学习模型更好地工作。
例如，Imagenet编译了数千张图像，以更好地训练计算机视觉模型。但是，EO数据比Imagenet图像数据库更为复杂。不幸的是，出于EO的目的，没有类似的举措。这迫使EO社区试图使Imagenet资源适应我们的需求。这个过程很耗时，容易出错。
Imagenet此外，EO数据具有不均匀的空间分布。大多数数据涵盖了北美和欧洲。这是一个问题，因为气候变化将对发展中国家产生更多影响。
在上一篇文章中，我探讨了计算机视觉如何改变我们应对气候变化的方式。根据选择EO数据的挑战，这篇新文章的理由出现了。当我们想永久利用AI的力量时，我的目标是简化这一重要的第一步。
在我的上一篇文章中II。遥感数据的功能 除了反射率外，还有其他我们应该理解的遥感概念。 空间分辨率： 2。 4。
II。遥感数据的功能
除了反射率外，还有其他我们应该理解的遥感概念。 空间分辨率： 2。4。