XiaoMi-AI文件搜索系统
World File Search System遥感图像
nh0530684.pdf
应用。土壤水分含量会影响生物圈的生理生物成分，并通过表面能和水分通量将地球表面与大气联系起来。SM 是大气的水源，通过陆地的蒸散，包括植物蒸腾和裸土蒸发。此外，SM 条件可以通过控制土壤的渗透能力和将降雨分配到径流来影响陆地表面的水文模式。生态水文学侧重于植被 - 水 - 气候关系之间的联系，已发现其对 SM 动态可用性具有复杂的依赖性（Garcia-Estringana 等人2013 年；Mulebeke 等人2013 年）。所有这些过程都高度体现了 SM 的非线性行为和复杂的反馈机制。因此，SM 的量化条件是建模农业、水文气候和气象属性的重要输入。一组成分以不同的时间和空间尺度控制陆地表面 SM 的动态。因此，天气和气候的变化都受到 SM 条件的影响。Reynolds (1970) 将 SM 分为静态（例如土壤质地和地形）和动态（例如降水和植被）控制要素。对 SM 的评估取决于相关变量的状况。这些元素中的许多都是相互关联的，并且在空间和/或时间上各不相同，这使得识别 SM 模式及其驱动变量之间的关系变得复杂。2021 )。景观要素，包括地形、植被和土地利用，是 SM 的空间和时间控制要素。SM 的空间变化与地形特征（例如坡度、海拔和地形湿度指数）密切相关。因此，在以前的一些研究中，地形属性被用于通过回归、地理空间和水文建模来估计 SM 模式的参数（例如，参见 Western 等人。1999 、2004 ；Adab 等人。2020 ；Li 等人。此外，各种研究都注意到了植被覆盖（例如类型和分布）对 SM 变化的影响。此外，空间属性对植被的影响（通常从遥感图像中解释）也被用于生成 SM 模式（Mohanty 等人。2000 ；Hupet & Vanclooster 2002 ）。通常，SM 的长期时间序列可以在空间上检测到与天气或水文条件。在较大的研究区域中，网络和测量 SM 的种类仍然受到限制，此外，由于过度变化和参数之间缺乏相关性，从现场测量中获得可靠的近似值是一项具有挑战性的任务。在 SM 的几个应用中，各种各样的卫星产品都有可能帮助水文学家测量大面积的 SM 状况。由于遥感器无法直接测量 SM 含量，因此需要提取可以解释测量信号和 SM 含量之间关系的基于数学的方法来解释测量信号和 SM 含量之间的关系。2021 ; Zhu 等人。2021 ）。自 20 世纪 70 年代以来，已经开发出一些遥感技术，通过测量从光学到微波领域的电磁波谱特定区域来分析和绘制 SM（Musick & Pelletier 1988；Engman 1991；Wang & Qu 2009）。微波遥感技术包括 Aqua 卫星上的先进微波扫描辐射计-地球观测系统 (AMSR-E)（自 2002 年起）、土壤湿度和海洋盐度卫星（SMOS，自 2009 年起）、多频扫描微波辐射计（MSMR，自 1999 年起）和土壤湿度主动被动 (SMAP)（自 2015 年 1 月起），目前正在运行，每天在全球范围内生成卫星记录。虽然这些方法提供了许多测量大规模 SM 的技术，但它们的分辨率几乎很低（通常约为 25 公里），不再适用于小集水区或学科尺度。光学/热红外遥感记录被称为表面温度/植被指数法，可提供更高的分辨率（约 1 公里）。最近，Zhang & Zhou（2016）提出了一种新方法，可以通过光学/热遥感进行 SM 估计，该方法特别依赖于 SM 与表面反射率和温度或植被指数之间的关联。该领域的检索策略，如热惯性，强调土壤热特性或三角测年技术，表明 SM、归一化差异植被指数 (NDVI) 和给定区域的陆地表面温度 (LST) 之间的联系正在不同的应用中使用。然而，由于缺乏足够的空间数据（包括地形或低密度植被覆盖图和数据），它们的应用受到限制。用于估计 SM 的遥感植被指数（例如，NDVI、归一化差异水指数 (NDWI) 和归一化多波段干旱指数 (NMDI)）是合适的替代方案；然而，SM 的分布不能通过单一参数和通过计算出特定地表坡向强度之间的参数修改来预测。人们已经做出了大量努力，通过建立遥感 LST 与植被指数之间的联系来利用卫星图像估计 SM（例如，Dari 等人。遥感图像的实际优势之一是，除了地形数据外，还可以通过图像获得具有高空间分辨率（30 米至 1 公里）的植被和 LST 参数。利用从遥感图像中提取的结构化景观因素而不是现场测量来预测 SM 状况，可以快速实时地跟踪 SM 状况。
博士V. 帕德玛瓦蒂
1. 使用改进的水文指数值和集成分类器进行遥感图像地下水位预测”，MDPI，多源遥感的人工智能和机器学习，2023 年 4 月。 2. 使用交易机器人预测股票市场”，国际创新工程与管理研究杂志，爱思唯尔-SSRN，2023 年。 3. 一种使用 GPS 进行气体泄漏检测的新方法”，第十三届计算机工程进展国际会议 (ACE-2023)，2023 年 5 月 26 日至 27 日。 4. 使用物联网和云技术的气体泄漏检测：综述”，第五届可持续能源设计与制造方面国际会议 (ICMED2023)，2023 年 5 月 19 日至 20 日。 5. 使用 GPS 进行基于物联网的气体泄漏检测”，第五届可持续能源设计与制造方面国际会议 (ICMED2023)， 2023 年 5 月 19 日至 20 日。 6. “使用混合密码术保护文件”，土耳其在线定性研究杂志，2021 年 12 月。 7. “使用 Cardan Grille 密码进行安全数据传输”，设计工程，2021 年 11 月。 8. “量子设备和对量子系统的攻击”，科学技术与发展，2020 年 8 月。 9. “使用卷积神经网络进行交通标志识别”，国际先进科学技术杂志，2020 年 6 月。 10. “通过应用量子门实现可证明安全的量子密钥分发”，国际
夜间户外光照与儿童体重
背景：新出现的证据支持夜间光照 (LAN) 与成人肥胖或超重之间存在关联。然而，儿童时期 LAN 暴露的影响尚未进一步研究。目的：在本研究中，我们旨在确定 LAN 暴露是否与幼儿体重有关。研究设计和方法：我们使用了 Fr1da 队列研究的数据，该研究从 2015 年 2 月至 2019 年 3 月对德国巴伐利亚州的儿童进行了早期胰岛自身免疫筛查。分析中共纳入了 62,212 名年龄 < 11 岁且拥有完整居住信息的儿童。自我报告的体重和身高用于计算年龄和性别特定的身体质量指数 (BMI) z 分数。LAN 暴露基于可见红外成像辐射计套件的遥感图像，并分配到儿童的居住地。我们使用广义加性模型来估计 LAN 暴露与 BMI 之间的关联，并调整了潜在的混杂因素。结果：我们观察到，在基线（2015 年）LAN 暴露每增加 10 nW/cm 2/sr，BMI z 分数增加 34.0%（95% 置信区间 (CI)：25.4 – 42.6），而在筛查前一年 LAN 暴露增加 32.6%（24.3 – 41.0），均根据年龄和性别进行了调整。在根据社会经济地位和城市化程度进行调整后，也观察到了类似的关联。结论：我们的研究结果表明，户外光照可能是儿童时期体重增加的风险因素。
基于预先训练的DeNoising扩散模型
深神经网络（DNNS）在许多AI地球观察应用中（AI4EO）中作为关键解决方案的突出性（AI4EO）上升。然而，它们对对抗例子的敏感性构成了一个关键的挑战，损害了AI4EO算法的可靠性。本文在遥感图像（UAD-RS）中提出了一种新型的通用对抗防御方法，利用预训练的扩散模型来保护DNN免受表现出异质对抗模式的各种对抗性示例。具体而言，使用预训练的扩散模型开发了通用的对抗纯化框架，通过引入高斯噪声以及随后从对抗性示例中对扰动的纯化来减轻对抗的扰动。此外，还引入了自适应噪声水平选择（ANL）机制，以确定具有任务指导的Fréchet成立距离（FID）排名策略的纯化框架的最佳噪声水平，从而提高了纯化性能。因此，仅需要一个预训练的扩散模型来净化每个数据集的各种对抗性示例，这些示例具有异质性的对抗模式，从而大大降低了多个攻击设置的训练工作，同时在没有对抗扰动的情况下保持高性能。对四个异质RS数据集进行的实验结果，重点是场景分类和语义分割，表明UAD-RS的表现优于最先进的对抗性纯化方法，从而为七个常见的遇到的对抗性扰动提供了普遍的防御。com/ericyu97/uad-rs）。代码和预训练的模型可在线获得（https：//github。
使用Archimedes调整过程进行量子扩张的卷积神经网络
摘要：道路网络提取是遥感（RS）中的重要挑战。解释RS图像的自动化技术提供了一种具有成本效益的解决方案，可快速获取道路网络数据，超过传统的视觉解释方法。然而，道路网络的各种特征，例如不同地区的各个长度，宽度，材料和几何形状，构成了RS图像中的道路提取的巨大障碍。可以将道路提取问题定义为涉及捕获上下文和复杂元素的任务，同时还保留边界信息并为RS数据生成高分辨率的道路细分图。提议的Archimedes调整过程的目标量子量子扩张了道路提取的卷积神经网络（ATP QDCNNRE）技术是通过增强图像细分结果的效率来解决上述问题，从而利用遥感成像，与Archimedes Optimization Optimation Algorith Modecs（AOA）相关联（AOA）。这项研究的发现证明了与遥感图像一起使用时，ATP-QDCNNRE方法实现的道路萃取能力增强。ATP-QDCNNRE方法采用DL和超参数调整过程来生成高分辨率的道路分割图。这种方法的基础在于QDCNN模型，该模型结合了量子计算（QC）概念和扩张的卷积，以增强网络捕获本地和全局上下文信息的能力。扩张的卷积还可以增强接收场，同时保持空间分辨率，从而提取精细的道路特征。基于ATP的高参数修改改善了QDCNNRE道路提取。评估ATP QDCNNRE系统的有效性，使用基准数据库来评估其仿真结果。实验结果表明，ATP-qdcnnre以75.28％的相交（IOU）的相交（MIOU）的平均相交（MIOU）为95.19％，F1的平均相交，90.85％的F1，精度为87.54％，召回了Massachusetts Road DataSet的94.41％。与最新方法相比，这些发现证明了该技术的效率。
人工智能能为珊瑚礁管理者提供什么？
人工智能是珊瑚礁遥感界令人兴奋的技术前沿，尤其是用于绘制和检测珊瑚礁环境航拍图像特征的机器学习算法的出现。机器学习算法在环境遥感应用中得到了广泛应用，这些应用主要基于三项技术进步。首先，自 20 世纪 60 年代末首次收集地球观测图像以来，遥感图像的空间分辨率逐步提高。现在在珊瑚礁环境中可以看到更详细和更小的特征。值得注意的是，无人机平台广泛用于在珊瑚礁上空低空收集图像，使单个珊瑚清晰可见。其次，收集的图像比以往任何时候都多。“大数据革命”是指地球观测图像捕获量增加的现象，这为人工智能识别环境模式和趋势提供了信息。全球存储库现在不断更新，以提供用于观察珊瑚礁的实时卫星图像，这些图像通常可免费下载。现在有大量基于图像的信息可用于训练和评估从上方解译珊瑚礁的算法。第三，计算技术的进步使得配备快速运算单元的低成本机器得到广泛应用，特别是通过虚拟处理设施。这为图像分析的数值方法开辟了空间，包括几类机器学习方法。总的来说，这三项进步从根本上改变了遥感界解译图像的方式，对珊瑚礁管理者具有重要意义。机器学习算法采用与大多数商业图像解译软件根本不同的方法，它使用数据和期望结果来生成一个模型，将一个转化为另一个（Domingos，2015）。通过不断调整通过接触训练数据集而建立的数学和逻辑模型，机器学习算法以类似于学习的方式识别模式和趋势。在这里，我们概述了机器学习算法在珊瑚礁环境中的两种不同应用，然后考虑它们未来对珊瑚礁管理者的用途：1. 空间连续测绘的栖息地分类，2. 检测珊瑚礁环境中的离散特征。
城市遥感 对地观测如何支持……
1 城市遥感 城市是经济、政策、社会和文化的中心，全球一半以上的人口已经居住在大都市地区。在过去的几十年里，世界面临着城市地区不断加速增长的局面——这一发展与城市人口的大幅增长密切相关。2007 年，城市居民数量首次超过农村人口，预计到 2030 年，全球三分之二的人口将居住在城市 (UNPP, 2008)。因此，城市和近郊环境在全球土地利用转型的背景下表现出最高的动态之一。持续的城市化和城市环境的快速变化对观察、分析和理解影响和形成大都市地区的复杂过程提出了相当大的挑战。因此，有效和可持续的城市管理越来越需要创新的概念和技术，以获得有关城市系统特征和发展的最新和区域范围的信息——无论是区域还是全球。目前，大部分信息是通过统计、调查和制图或从航空图像数字化的方式收集的。然而，考虑到统计信息，这些方法通常显示出相对粗糙的空间和时间分辨率，而调查和制图既耗时又费钱——这些特性严重限制了定期更新和区域、国家甚至全球分析。空间和机载地球观测 (EO) 已成为一种有前途的工具，可在多种时空维度上提供有关建筑区各个方面的最新地理信息 (Bauer 等人，2004；Heiden 等人(2003)；Henderson & Xia，1998；Herold 等人，2003；Ji 等人，2006；Masek 等人，2000)。遥感图像代表一个独立的数据源，可从中获取区域范围内的各个层次的信息，具有灵活的重复率和各种尺度，从单个建筑物或建筑块级别的空间详细分析到大陆尺度的全球研究。结合广泛自动化的数据处理和图像分析方法，城市遥感为资源管理者、规划师、环保主义者、经济学家、生态学家和政治家等决策者提供了多种选择，为他们提供准确、最新的地理信息。本文介绍了从多传感器遥感数据中得出的精选地理信息产品。该产品及其背后的遥感技术是在德国航空航天中心 (DLR) 的德国遥感数据中心 (DFD) 与维尔茨堡大学遥感系的城市应用联合研究合作背景下开发的。
城市遥感对地观测如何支持城市环境的可持续发展？
1 城市遥感 城市是经济、政策、社会和文化的中心，全球一半以上的人口已经居住在大都市地区。在过去的几十年里，世界面临着城市地区不断加速增长的局面，这一发展与城市人口的大幅增长密切相关。2007 年，城市居民数量首次超过农村人口，预计到 2030 年，全球三分之二的人口将居住在城市（UNPP，2008 年）。因此，城市和近郊环境在全球土地利用转型的背景下表现出最高的动态之一。持续的城市化和城市环境的快速变化对观察、分析和理解影响和形成大都市地区的复杂过程提出了相当大的挑战。因此，有效和可持续的城市管理越来越需要创新的概念和技术，以获得有关城市系统特征和发展的最新和区域范围的信息——无论是区域还是全球。目前，这些信息大部分是通过统计、调查和测绘或航空图像数字化的方式收集的。然而，考虑到统计信息，这些方法通常显示出相对粗糙的空间和时间分辨率，而调查和测绘既耗时又费钱——这些特性严重限制了定期更新以及区域、国家甚至全球分析。空间和机载地球观测 (EO) 已成为一种有前途的工具，可在多种时空维度上提供有关建成区各个方面的最新地理信息（Bauer 等人，2004 年；Heiden 等人 (2003 年)；Henderson & Xia，1998 年；Herold 等人，2003 年；Ji 等人，2006 年；Masek 等人，2000 年）。遥感图像是一个独立的数据源，从中可以获取区域范围内各个层次的信息，具有灵活的重复率和各种尺度，从单栋建筑或建筑街区级别的空间详细分析到大陆规模的全球研究。结合广泛自动化的数据处理和图像分析方法，城市遥感提供了多种选择，可为资源管理者、规划人员、环保主义者、经济学家、生态学家和政治家等决策者提供准确、最新的地理信息。本文介绍了从多传感器遥感数据中获取的精选地理信息产品。这些产品和底层遥感技术是在德国航空航天中心 (DLR) 的德国遥感数据中心 (DFD) 和维尔茨堡大学遥感系的城市应用联合研究合作背景下开发的。
题为“基于星载和低空空中/无人机平台的高光谱遥感——方法、数据处理方法和应用方面的差异”的特刊社论
如今，已有多种基于星载和低空空中/无人机平台的高光谱遥感传感器可用于地球科学应用，具有多种光谱和空间分辨率[1-4]。高光谱遥感图像的发展促进了新型图像处理技术的发展，并在土壤地球化学、水质评估、森林物种制图、农业压力、矿物蚀变制图等广泛领域取得了令人欣喜的成果。在过去的二十年里，不同的空间机构发射了多个星载高光谱传感器（例如，美国国家航空航天局 (NASA) 于 2000 年 11 月发射的 Hyperion；日本宇宙航空研究开发机构 (JAXA) 于 2019 年 12 月发射的高光谱成像仪套件 (HISUI)；意大利航天局 (ASI) 于 2019 年 3 月发射的高光谱应用任务前体探测器 (PRISMA)）[1,5,6]。这些传感器充分利用了高光谱数据，并带来了从噪声消除到光谱制图等数据处理方法的创新。先前的研究强调了高光谱星载传感器在识别纯目标和识别具有弱光谱特征的光谱目标方面的局限性，因为这些高光谱传感器具有粗空间分辨率（通常为 20 m 至 30 m）和较差的信噪比（例如，Hyperion 在短波电磁域中的信噪比 (SNR) 较差）[7-10]。然而，这些星载传感器在环境监测方面取得了令人鼓舞的结果（例如，森林覆盖分类、检测森林的物候变化、土地利用/土地覆盖制图、农业土地覆盖表征、作物压力估计、岩性和矿物制图 [11-13]）。高光谱图像处理解决了与分类方法相关的主要困难，例如相关数据的高维性和标准处理技术的有限可用性[14]。为了克服这些局限性，最近建立了几种机器学习算法，补充了高光谱数据处理的巨大潜力[14]。由于星载高光谱传感器缺乏全球覆盖，不同国家使用不同的先进高光谱传感器进行常规的基于飞机和无人机的高光谱调查，例如先进的可见红外光谱仪（AVIRIS）及其最新版本AVIRIS-下一代（AVIRIS-NG）；HyMap；数字机载成像光谱仪（DAIS）等。这些传感器能够收集
使用地理空间数据评估茶树健康和产量...
茶是印度最重要的饮料之一。它是第一大外汇收入来源。印度是世界上最大的茶叶生产国。印度的阿萨姆邦、梅加拉亚邦、特里普拉邦、北孟加拉邦（大吉岭）和锡金邦对该国的茶叶总产量贡献巨大。除此之外，印度南部的泰米尔纳德邦、卡纳塔克邦和喀拉拉邦也为茶叶生产做出了贡献。过去几年，人们发现茶产业正在失去立足之地。这主要是因为生产结构错误、由于生产成本高而无法与其他茶叶生产国竞争、小农户组织化、加工阶段的质量控制不佳以及更重要的害虫和疾病侵扰。遥感和 GIS 技术已被有效用于监测水稻、小麦等多种一年生作物。因此，开发一种使用遥感和 GIS 监测茶园的方法已成为迫切需要。之前缺乏使用遥感监测茶叶的研究，这为开发一种方法提供了想法，该方法可以帮助监测种植园的生长并在需要时采取有效措施。在本研究中，尝试使用遥感图像的纹理和色调变化来评估茶树的健康状况。应用灰度共生矩阵 (GLCM) 技术将茶斑分为健康、中度健康和患病茶。使用纹理和分类图像来描绘患病斑块。得出了健康、中度健康和患病茶的百分比。观察发现，2001 年 12 月的 LANDSAT 图像显示健康茶树的面积为 60.4%，中度感染茶树的面积为 23.6%，患病茶树的面积为 16.2%。对于 2004 年 2 月的 LISS III 图像，发现健康茶树的面积为 43.9%，中度感染茶树的面积为 36.8%，患病茶树的面积为 19.3%。同样，对于 2004 年 6 月的 ASTER 图像，发现健康茶树的面积为 24.9%，中度健康茶树的面积为 50.1%，患病茶树的面积为 25.1%。最后将结果与地面叶面积指数 (LAI) 和产量进行了比较。因此，这里尝试的纹理分析和色调变化可以在识别和检测茶园中的病斑方面发挥重要作用。这项研究表明，4 月、6 月和 8 月基于 MODIS 的 NDVI 与庄园层面的茶叶产量有显著相关性。为进一步检验 MODIS 得出的 NDVI 是否与 LAI 相关，建立了一个经验方程，结果表明茶叶的 LAI 与 NDVI 具有显著的线性关系 (R 2 =0.36)。然而，研究发现，仅凭不同时间段的 NDVI 观测结果无法解释茶叶产量的差异。这表明茶叶产量的统计模型似乎并不令人鼓舞。