XiaoMi-AI文件搜索系统
World File Search SystemVHR
HE EvoLand 可交付成果 D2.2
VHR 光学任务：这些任务可以计算 3D 产品，例如数字高程模型或图像中识别的任何感兴趣对象的高度。C6 和 C9 演示器可以从这些数据中受益。 星载激光雷达传感器：这些传感器能够捕捉森林冠层高度以及树枝和树叶的分布，对 C3 演示器非常有用。 L 波段和 P 波段 SAR 任务：这些数据集能够穿透植被冠层，为估算森林生物量提供了机会，这与 C3 演示器的目标一致。 Ka 波段高度计 SWOT：由于此任务的范围很广，因此对于 C6 水体测绘非常有用。 热红外和高光谱数据：这些数据类型结合起来显示出巨大的潜力，可以提取有关城市和近郊地区的增值信息，这正是 C9 演示器的目标。
土地覆盖验证协议 - eftas
为了确保地球观测衍生产品的可信度，评估分类结果（即土地覆盖图）的准确性应被视为地理空间地图制作中的强制性步骤。在这方面，最合适且毫无疑问的方法是使用收集的地面真实数据来验证地图结果，这些数据被认为是正确的 1 ，并且需要完全独立于用于地图制作的数据集。此外，这些地面数据应尽可能在图像配准的同一时期收集，从中可以得出土地覆盖使用图。第 1.4 节将进一步讨论这种“时间一致性”。地图准确性的定量测量是地图上的类别与现场观察到的独立地面真实数据之间的一致性或对应性水平。地面真实数据可以通过不同的方式收集，例如地面调查或使用 VHR 图像解释，我们称之为“伪真实”数据。然而，需要考虑到从图像解释获得的数据可能包含错误，地面调查总是比遥感更可取。
从单独和组合机载成像光谱和无人机多光谱数据中进行作物分离
摘要：作物品种分离对于广泛的农业应用至关重要——特别是在需要季节性信息时。通常，遥感可以高精度地提供此类信息，但在小规模结构化的农业区域，需要非常高的空间分辨率数据 (VHR)。我们提出了一项研究，涉及使用无人机 (UAV) 获取的近红外 (NIR) 红绿蓝 (NIR-RGB) 波段数据集以及机载棱镜实验 (APEX) 获取的成像光谱 (IS) 数据集得出的光谱和纹理特征。使用基于随机森林的方法来分析这些数据集的单独使用和组合，以确定作物的可分离性。此外，还分析了基于特征因子加载的不同波段缩减方法。使用 IS 数据集和两个组合数据集获得了最准确的作物分离结果，平均准确度 (AA) >92%。此外，我们得出结论，在 IS 特征数量（即波长）减少的情况下，可以通过使用额外的 NIR-RGB 纹理特征（AA > 90%）来补偿准确度。
检测并绘制松属植物中槲寄生发生率的图表...
槲寄生在法国赤松林中发生率的上升是阿尔卑斯山赤松林保护和可持续性面临的主要问题之一。与天然林相比，人工林更容易受到生物入侵。研究区域覆盖着针叶林（低海拔地区主要是法国赤松），法国西南部阿尔卑斯山的一部分黑森林受到半寄生虫槲寄生的严重影响。由于槲寄生的发生，研究区域的法国赤松树枝肿胀、树体弯曲；树木死亡率惊人。为了管理和尽量减少生物入侵，检测和绘图在森林保护中起着关键作用。通过遥感技术检测和绘制生物入侵地图是研究人员要克服的挑战。高分辨率 (VHR) 卫星图像和航空图像的进步以及遥感和 GIS 技术的应用，已在森林健康状况的检测、绘图和监测方面显示出良好的效果。在本研究中，数字航空正射影像（分辨率 15 厘米）和 VHR 卫星图像 WorldView-2（全色 0.5m 和多光谱 2m）用于通过基于像素的最大似然分类器检测和绘制欧洲松林中槲寄生的存在。在 WorldView-2 光学影像上，成功绘制了欧洲松林的分布，精度较高（96%），kappa 系数为 0.84。存在槲寄生的欧洲赤松在所有波段的光谱反射率都较低，但 WorldView-2 的 NIR1、NIR2 和红边对槲寄生的区分能力更强。同样，植被指数 NDVI 85（红光和 NIR2 的波段组合）也有区分槲寄生的潜力。此外，结果表明，槲寄生与海拔呈负相关和显著相关（r=-0.5135；p<0.01），而与欧洲赤松的 DBH 呈显著正相关（r=0.52；p<0.01）。通过使用海拔和 DBH 建立了弱但统计显著的多元回归和逻辑回归，以模拟欧洲赤松树中槲寄生的发生率。通过应用基于像素的最大似然算法对松林中的槲寄生进行检测，在 WorldView-2 图像中实现了总体分类准确率 (86%) 和 kappa 系数 (0.52)。2m 分辨率 WV-2 与 0.15cm 分辨率正射影像分类输出的比较表明，空间分辨率较低但光谱分辨率较高的 WV-2 影像的分类精度较高（86%）。这项研究揭示了高分辨率光学影像在检测和绘制树木侵染地图方面具有巨大潜力。检测和绘制此类生物入侵地图可为更好地管理森林提供有用信息。关键词：检测和绘图、欧洲赤松、槲寄生、光学影像、生物入侵
遥感图像变化检测 - Canada.ca
人们对地球表面最新信息的需求与日俱增，因为此类信息为大量应用提供了基础，包括本地、区域和全球资源监测、土地覆盖和土地利用变化监测以及环境研究。遥感卫星数据提供了获取不同分辨率土地信息的机会，并已广泛用于变化检测研究。利用遥感数据，已经开发了大量变化检测方法和技术，而且新技术还在不断涌现。本文首先讨论传统的基于像素和（主要是）面向统计的变化检测技术，这些技术主要关注光谱值，而大多忽略了空间背景。接下来是对基于对象的变化检测技术的回顾。最后，简要讨论了图像处理和遥感数据变化检测中的空间数据挖掘技术。比较了不同技术的优点和问题。强调了图像数据量和多个传感器的指数级增长的重要性以及变化检测技术发展面临的相关挑战。随着超高分辨率 (VHR) 遥感图像的广泛使用，基于对象的方法和数据挖掘技术在变化检测方面可能具有更大的潜力。� 2013 国际摄影测量和遥感学会 (ISPRS) 由 Elsevier B.V. 出版。保留所有权利。
使用IoT和...
摘要 - 本文涉及通过监视评估车辆当前健康状况的内部参数来开发用于检测车辆状况的嵌入式系统。在用户需要时，该项目正在开发该项目的车载嵌入式系统，以生成车辆健康报告（VHR）。它可以预测未来的错误，从而使驾驶员可以不中断旅行并避免发生事故。结果，它警告驾驶员潜在的错误，并帮助他安全开车。生成健康报告所需的数据由车辆内部各种系统的参数值（内置传感器的输出）组成。我们的框架基于Arduino和IoT阶段，这些阶段用于分开各种参数，例如电机变暖和燃油管阻塞，以进行安全且谨慎的驾驶。数据将发送到IoT，在该物联网中，车辆制造商可以通过分布式计算和通过Android应用程序对其进行检查。设备单元由Arduino，Wi-Fi模块，基于Android的设备以及唯一的参数检查传感器模块组成。ESP8266 WiFi模块是具有集成的TCP/IP协议堆栈的独立SOC，可以使任何微控制器访问您的WiFi网络，该网络可用于当前一代汽车。
高山生态中的多尺度高分辨率地形模型：机载激光雷达和无人机立体摄影测量技术的优缺点
摘要：高山环境易受气候变化影响，迫切需要准确建模和了解这些生态系统。过去十年来，使用数字高程模型 (DEM) 来获取代理环境变量的普及度不断提高，特别是因为 DEM 可以相对便宜地以非常高的分辨率 (VHR；<1 米空间分辨率) 获取。在这里，我们实现了一个多尺度框架，并比较了由光检测和测距 (LiDAR) 和立体摄影测量 (PHOTO) 方法产生的 DEM 衍生变量，目的是评估它们在物种分布建模 (SDM) 中的相关性和实用性。以瑞士西部阿尔卑斯山两个山谷的北极高山植物 Arabis alpina 为例，我们表明 LiDAR 和 PHOTO 技术均可用于生成用于 SDM 的 DEM 衍生变量。我们证明，PHOTO DEM 的空间分辨率至少为 1 米，其精度可与 LiDAR DEM 相媲美，这在很大程度上要归功于与市售的 LiDAR DEM 相比，PHOTO DEM 可以根据研究地点进行定制。我们获得了空间分辨率为 6.25 厘米 - 8 米（PHOTO）和 50 厘米 - 32 米（LiDAR）的 DEM，其中我们确定 SDM 中 DEM 衍生变量的最佳空间分辨率在 1 到 32 米之间，具体取决于变量和站点特征。我们发现 PHOTO DEM 范围的缩小改变了所有衍生变量的计算，这对它们的重新计算产生了特殊影响
海上风能开发和北大西洋露脊鲸
短格式 长格式 AMAPPS 大西洋海洋受保护物种评估计划 ASRG 大西洋科学评审组 BAG 前后梯度 BMP 最佳管理实践 BOEM 海洋能源管理局 BWRI 蓝色世界研究所 COP 建设和运营计划 CSA 加拿大航天局 CSA CSA 海洋科学公司 DFO 加拿大渔业和海洋部 DMS 二甲基硫醚 DOI 美国内政部 DST 决策支持工具 ESA 濒危物种法案 IUCN 国际自然保护联盟 MMPA 海洋哺乳动物保护法 NARW 北大西洋露脊鲸 NARWSS 北大西洋露脊鲸观测调查 NMFS 国家海洋渔业局（也称为 NOAA 渔业局） NOAA 国家海洋和大气协会 NYB 纽约湾 OCS 外大陆架 OCSLA 外大陆架土地法 OSW 海上风电 PAM 被动声学监测 PCAD 声学干扰的种群后果 PCoD 种群 干扰的后果 种群PCoMS 多重压力对种群的影响 photo-ID 照片识别 PSO 受保护物种观察员 RWSAS 露脊鲸观测咨询系统 RWSC 海上风电区域野生动物科学合作组织 RWSE 区域野生动物科学实体 SERDP 战略环境研究与发展计划 TC 加拿大运输部 UAS 无人机系统 VHR 甚高分辨率 WEA 风能区
卫星海事图像上超分辨率的任意规模流量匹配
科学背景。目前正在绕地球从地球表面获取图像。由空间机构和政府运营的卫星星座，可以对所有土地表面和海洋进行全球监测。尽管这些非商业卫星提供了开放式和免费图像，但它们的空间决议通常受到限制，最多约为10米。尽管这些空间分辨率在各种应用中足够，但对于需要检测到诸如建筑物，树篱或动物等细节细节的特定应用程序，它们可能是有限的因素。可以人为地增强图像空间分辨率的可能解决方案是超分辨率（SR）。该技术可以被构架为一个倒数的问题，包括学习降解函数的倒数，可以应用于低空间分辨率（LR）图像以估计高空间分辨率（HR）图像。在该领域的最后十年中，学习策略的发展，尤其是深度学习，以学习降解功能，从而提高了这一领域的研究。最近，一种生成方法的扩散模型已实现了超分辨率的重大进展，尤其是在感知可视化方面[6]。在遥感的背景下，超级分辨率也因生成模型的最新进展[9]（包括扩散模型）的最新进展增强了，并使用了两个主要的并发设置，用于学习降级功能。第一个是使用通过对HR图像降采样的卫星图像的合成对训练模型的。在推断时，通常将训练的模型应用于HR图像，以估算一个非常高的空间分辨率（VHR）图像或另一个传感器捕获的真实LR图像。在这两种情况下，它都会由于数据分布在将模型应用于另一个空间分辨率或通过传感器特性的变化引起的比色变化而产生域间隙。为了克服该域间隙，第二个解决方案包括采用跨传感器设置，在该设置中，来自不同传感器的真实图像对训练超分辨率模型。这种现实的场景在训练过程中引起了额外的挑战，因为可能无法正确地共同注册图像，通过具有不同光谱特征的传感器捕获，并且在不同的时间，在观察值中造成了变化[5]。文献中没有共识，进一步的工作应该使使用超分辨率技术获得现实的HR