XiaoMi-AI文件搜索系统
World File Search System卫星图像
卫星图像处理中的人工智能＆...
卫星图像处理是管理我们星球资源的强大工具之一。最近，它在应对全球挑战（例如资源管理，可持续性，气候变化，灾难管理和响应，作物监测等）等全球挑战方面非常重要。图像处理中AI技术的演变已成为处理卫星图像的动力。通过提供高级工具进行分析。FDP旨在深入了解AI在卫星图像处理及其应用中的范围和影响。
使用卫星图像预测贫困
摘要：贫困是一个复杂的社会经济问题，影响了全世界数百万的人。分配和导致贫困的因素对于有效的决策，资源分配和有针对性的干预措施至关重要。卫星成像技术和深度学习技术的出现在该领域开辟了新的可能性。本研究旨在探索使用深度学习和卫星图像来预测地区贫困水平的潜力。这项研究的主要重点是培训RNN模型，以学习卫星图像与财富指数之间的复杂关系。该系统成功证明了利用卫星图像来预测各个地区城市财富指数的能力。数据可用性和质量，计算资源和监管约束仔细管理，以确保系统的可靠性和有效性。这项研究证明了利用卫星图像和深度学习技术的可行性和有效性。它有助于数据驱动的贫困分析领域，并为在区域和全球规模上理解和解决贫困提供了有价值的工具。
旋转 - 等级的神经网络，用于从卫星图像中删除云 /作者= suhat，suhas; Marks，Tim K. /creationDate = 2025年1月8日 /主题=人工智能，计算机视觉，机器学习< /div>
摘要在本文中，我们旨在使用深层神经网络从多云的光学图像和对齐的合成孔径雷达（SAR）图像中恢复无云的光学图像。与以前的方法相反，我们观察到卫星图像特征通常没有首选方向。通过使网络层遵守改变输入图像的方向的几何约束，可以将此见解纳入神经座的设计中，只能改变相应的输出图像的方向，而不必影响秘密的质量或细节。我们构建了一个多模式旋转 - 等级神经网络，称为EquICR（Equivariant Cloud Removal），该网络准确地编码了此几何。在接受公共SEN12MSCR数据集接受培训时，我们观察到使用EquiCR的重建图像质量的改善，与使用深度学习无内置旋转等效性相比。有趣的是，在更困难的情况下，当云覆盖量很高或训练数据集很小时，EquiCR对基线方法的改善更大。
secbnet：光学卫星图像的语义分割增强色彩平衡网络
摘要 - 地球观察卫星可以在不同的时间，气候条件和平台形式下捕获光学图像，在颜色和亮度上表现出很大的差异，在合成大面积光学卫星图像时会导致视觉体验差。相关的颜色平衡问题引起了研究人员的极大关注，但诸如缺乏研究数据和对模型参数的敏感性之类的挑战持续存在。为了解决这些问题，本文发布了一个公开开放的数据集，并提出了语义细分增强色彩平衡网络（SECBNET）。首先，为了减轻研究数据的稀缺性，我们开发了一个公共可用的遥感图像颜色平衡数据集，Zhu hai色彩平衡图像（ZHCBI），以支持相关的研究活动。第二，为了提高颜色平衡图像和目标图像之间的语义一致性，我们设计了以分割结果为指导的双分支U-NET架构，并提出了一种新颖的分割特征损失函数。最后，为了解决分段处理中块之间的接缝问题和不自然的过渡，我们引入了一个基于加权平均的后处理模块。我们对ZHCBI数据集上的现有主流颜色平衡算法进行了比较实验和分析。结果表明，与其他主流方法相比，我们所提出的方法可实现最先进的颜色平衡质量，并具有显着改善的视觉效果和更高的峰信噪比（PSNR）（23.64 dB）。
生成稀有物体的合成卫星图像
抽象生成深度学习体系结构可以产生现实的高分辨率假图像，具有潜在的社会含义。评估这项技术的风险对公众需要更好地了解新颖生成方法可以生成现实数据的条件。在这种情况下的一个关键问题是：生成逼真的图像，特别是针对利基领域的真实图像有多容易。实现特定图像内容所需的迭代过程很难自动化和控制。尤其是对于罕见的阶层，很难评估忠诚度，这意味着生成的方法是否会产生现实的图像和对齐方式，这意味着（井）如何以人类的投入来指导一代。在这项工作中，我们对生成体系结构进行了大规模的经验评估，以生成合成卫星图像。我们专注于核电站作为罕见对象类别的一个例子 - 由于全球只有大约400个设施，因此对于许多其他情况，这种限制是示例性的，在许多其他情况下，培训和测试数据受到现实世界实例的限制限制的限制。我们通过从游戏引擎中获得的两种模式，文本输入和图像输入来生成综合图像，该图像允许对建筑物布局进行详细规范。生成的图像通过常用的指标进行评估，以进行自动评估，然后与我们进行的用户研究的人类判断进行比较，以评估其可信度。我们的结果表明，即使对于稀有物体，具有文本或详细建筑布局的真实合成卫星图像的产生也是可行的。但是，与以前的工作相一致，我们发现自动指标通常与人类的感知不符 - 实际上，我们发现常用的图像质量指标与人类评分之间存在很强的负相关性。我们认为，我们的发现使研究人员能够更好地评估不同生成方法的优势和劣势，尤其是针对利基领域和稀有物体类别，并可以帮助指导未来的生成方法改进。
基于Landsat 8卫星图像的地热前景区域估计（围绕
摘要印度尼西亚具有明显的地热潜力，因为其地理位置位于三个主动构造板中。由于难以识别地热电位的确切位置领域，因此巨大的地热电位导致了一部分它的一部分。因此，需要勘探活动才能发现这些潜在的地热站点而没有直接探索。需要进一步发展的地热潜力位于贾瓦中部塞马朗地区的Gedongsongo地区，特别是在Ungaran山的南坡上。这项研究旨在使用Landsat 8卫星图像数据来绘制研究区域中的地热电位区域。使用归一化差异植被指数（NDVI）方法，地表温度（LST）方法和断层断裂密度（FFD）方法利用卫星数据的热图像来利用遥感的分析。这三个参数的覆盖结果在Candi Village和Kenteng Vilage地区产生了地热电位图，表明有几个预测地热势的领域。在坎迪村（Candi Village），鉴定出三个潜在的地热区域，其潜在水平高且非常高的水平，中等谱系密度范围为1.07至1.8 km2，地面地面
从卫星图像中基于变压器的雷达复合材料的现象
摘要：天气雷达数据对于现象和数值天气预测模型的组成部分至关重要。虽然天气雷达数据以高分辨率提供了有价值的信息，但其基于地面的性质限制了其供应能力，这阻碍了大规模应用。相比之下，气象卫星覆盖了较大的域，但具有更粗糙的重置。然而，随着数据驱动方法和地球静止卫星上的现代传感器的快速发展，新的机会正在出现，以弥合地面和太空观测之间的差距，最终导致更熟练的天气预测以高准确性。在这里，我们提出了一个基于变压器的模型，用于使用最多2小时的卫星数据进行基于接地的雷达图像序列。预测在不同的天气现象下发生的雷达场，并显示出鲁棒性，以防止快速生长/衰减的领域和复杂的场结构。模型解释表明，以10.3 m m（C13）为中心的红外通道包含所有天气条件的熟练信息，而闪电数据在恶劣天气条件下的相对特征最为重要，尤其是在较短的交货时间。该模型可以支持在大型范围内进行降水，而无需明确需要雷达塔，增强数值天气预测和水文模型，并为数据筛选区域提供雷达代理。此外，开源框架有助于朝着操作数据驱动的NOWCASTING的进步。
从卫星图像中学习的自我监督...
基于深度学习（DL）的一般图像表示学习（IRL）对于卫星图像引起了极大的兴趣，因为它的能力：i）通过自我监督的学习来模拟大量的大量免费可用遥感（RS）数据，从而大大降低了标记数据的要求； ii）将各种RS问题概括为下游任务。基于学习的方法最初为在RS图像上使用自我监督的IRL铺平了道路（例如[1]，[2]）。这种方法通过最大化同一图像的两种观点之间的一致性来对卫星图像表示与卷积神经网络（CNN）进行对比度学习，这是通过数据增强策略生成的。关于RS IRL的最新研究集中在卫星图像的掩盖数据建模上，例如[3] - [10]。他们通过遮罩的自动编码器（MAE）促进了自我监督的学习，并具有视觉变压器（VITS）。通过重建卫星图像，用遮盖的零件执行有效的IRL，即他们学习了描述图像的视觉内容的功能，这些功能可用作调整下游任务的专用模型的起点。最近对MAE对卫星图像IRL的兴趣取决于两个主要原因。首先，与对比的自我监督学习相反，MAE能够学习图像表示，而无需应用任何数据增强策略。这对于卫星图像特别重要，因为大多数数据增强策略都是为自然图像而设计的，并且它们直接适应卫星可能总是可行的。）。第二，已经表明，与VIT相结合的MAE可以根据训练数据的数量成比例地将其缩放到较大的DL模型中[11]，[12]。但是，当使用MAE时，所得图像表示往往为较低的语义水平[13]。这防止了他们的全部潜力，用于需要更高级别卫星图像语义的许多下游任务（例如，场景分类，土地地图生成等。
多光谱卫星图像Dhazing -IJRPR
阴霾通常是由烟，灰尘和水滴（例如烟雾，灰尘和水滴）产生的，可大大降低视觉清晰度。空气颗粒色散会严重影响在朦胧或有雾条件下拍摄的照片。这可以减少对比度，改变颜色，并使人眼很难检测物体特征。图片飞机的目的是通过减少外部因素的影响来改善图像的美学效果。要从照片中删除雾度，我们应用了黑通道先验算法。使用额外的危险照片估算氮氧化物的浓度，以提供污染的估计。气候变化的主要原因是空气污染和温室气体排放。当化石燃料在工厂或汽车中燃烧时，人为的温室气体排放或温室气体被释放到大气中。这些排放进一步加剧了全球变暖趋势。除了主要的温室气体和CO2外，化石燃料的燃烧发射了NO2和CO等化合物，使其成为估计CO2排放的有用参考点。
历史间谍 - 卫星图像支持生态和保护研究的潜力
catalina munteanu（catalina.munteanu@wildlife.uni-freiburg.de）隶属于弗莱堡大学弗里堡大学的野生动物生态与管理以及德国伯林伯林伯林的汉堡大学的地理系。本杰明·克雷默（Benjamin M.亨利·H·汉森（Henry H.索非亚·米格尔（Sofia Miguel）隶属于西班牙阿尔卡拉·德·亨纳雷斯（AlcaláDeHenares）的Alcalá大学，与Dewogía，Geografía，Geografía，Y Medio Ambiente，环境遥感研究小组相关。E. J. Milner-Gulland隶属于英国牛津大学牛津大学的生物学系。Mihai Nita隶属于罗马尼亚布拉索夫的布拉索夫特兰西利亚大学的森林工程系，森林工程系。igor ogashawara隶属于德国柏林的莱布尼兹淡水生态学和内陆渔业研究所。Volker C. Radeloff与威斯康星大学 - 麦迪逊分校的森林与野生动物生态学系有核心，威斯康星州麦迪逊的森林和野生动物生态学系。西蒙妮·罗维利（Simone Roverelli）隶属于德国弗雷堡大学弗莱堡大学的野生动植物生态和管理。Oleksandra O. Shumilova隶属于德国柏林的淡水生态学和内陆渔业的莱布尼兹研究所。ilse Storch隶属于德国弗莱堡大学的弗雷堡大学的野生动植物生态和管理。Tobias Kuemmerle隶属于地理系和德国柏林汉堡大学人类与环境系统转型的综合研究所。