XiaoMi-AI文件搜索系统
World File Search System卫星成像
太空深度学习 - 最后的边疆
机器学习，尤其是深度学习，在太空应用中的应用越来越广泛，这反映了它在解决许多地球问题方面取得的突破性成功。由于模块化卫星和商业太空发射的发展，部署太空设备（例如卫星）对小型参与者来说越来越容易，这推动了该领域的进一步发展。深度学习能够提供复杂的计算智能，这使其成为促进太空设备上各种任务并降低运营成本的有吸引力的选择。在这项工作中，我们将太空深度学习确定为移动和嵌入式机器学习的发展方向之一。我们整理了机器学习在太空数据（例如卫星成像）中的各种应用，并描述了设备上的深度学习如何有意义地改善航天器的运行，例如通过降低通信成本或促进导航。我们详细介绍并阐释了卫星计算平台，并将其与嵌入式系统和当前资源受限环境下的深度学习研究进行了比较。
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。
人工智能在国际人权法中的应用
在过去十年中，人工智能已成为执行国际人权法的越来越重要的工具。本说明全面概述了人工智能技术在国际人权法领域的实施和应用，特别关注如何使用人工智能来跟踪和报告人权的享有或侵犯。从使用热成像监测缅甸的种族暴力到使用人工智能卫星成像量化达尔富尔的村庄破坏，人工智能已经在这一领域以有影响力的方式得到应用。随着新技术的不断涌现，人工智能的使用将继续扩展到人权领域。将人工智能用于“人权”的“好处”可能会带来变革。与此同时，同样的技术也可能被用来造成伤害，因此，了解在哪些方面必须通过深思熟虑的法律和监管干预来减轻人工智能的影响也同样重要。基于从案例研究和对限制和危害的探索中收集的信息，本文提出了一个评估人工智能在国际人权监测和报告背景下影响的框架。通过成本效益分析，从业者可以使用该框架来确定在人权领域应该或不应该使用人工智能的地方。
欧洲对非侵入性大脑刺激的重新分类为III类医疗设备：行动呼吁
1。引言最近发出的公告，例如从美利坚合众国或法国发出的，表明空间现在已成为国防战略的明确部分。因此，需要监视关键资产，控制卫星发布等操作的控制以及对潜在或主动威胁的识别，从低地球轨道（LEO）到地球同步地球轨道（GEO）轨道。这些问题不仅与国防有关。对于平民应用也可能特别感兴趣，例如监视专用卫星（电信，观察和科学任务），交通处理，碎屑识别和跟踪。狮子座轨道特别关注越来越多的卫星占据该空间。可以轻松地跟踪轨迹，而雷达成像可以提供卫星的识别，尽管分辨率有限和深入成像[1]。光学成像可以提供互补的高分辨率图像，并评估卫星的身份，状态，动力学以及对其附近的控制。这需要具有快速转向功能的大型光圈望远镜，以跟踪快速移动的目标。自适应光学器件（AO）来补偿大气湍流。美国在此前景中发展了最先进的资产[2] [3]。本文的目的是介绍并讨论使用专用原型获得的结果。我们还展示了在此特定框架中进行图像后处理的创新工作。考虑卫星成像，后处理也是一个关键问题。Onera确实为法国国防机构开发了自适应光学（AO）辅助图像仪的原型。该系统也已被利用以证明LEO卫星到地面光学电信[4]。的确，LEO卫星在地面光学电信方面面临着类似的问题，即在类似目标上对AO进行湍流的跟踪和补偿。AO板凳位于observatoire de la cote d'Azur（OCA）的MEO望远镜上，考虑了Leo卫星成像或光学电信，该性能很大程度上取决于由卫星雪橇率驱动的湍流的快速时间演化。因此，我们已经开发了一个基于GPU-CPU的实时控制器，以减少循环延迟，从而减少时间误差。该控制器还提供了支持局部自动化的实施的灵活性，以此作为快速发展条件的答案。因此，我们利用了在天文学和生物医学成像中所做的最新工作[5] [6] [7] [8]，开发了专用的盲目反向卷积算法。我们首先简要描述AO设置。我们讨论系统要求和AO系统设计权衡。然后，我们讨论了对民用狮子座卫星的后期处理，并提供了当前的结果。
高分辨率森林碳储量和排放量...... - 图像
通过减少毁林和退化造成的排放 (REDD) 来缓解气候变化的努力取决于对大片地理区域内热带森林碳储量和排放的测绘和监测。通过综合使用卫星成像、机载光探测和测距以及实地样地，我们绘制了秘鲁亚马逊 430 万公顷土地上 0.1 公顷分辨率的地上碳储量和排放图，该面积是哥斯达黎加所有森林面积的两倍，以揭示森林碳密度的决定因素并证明绘制碳排放图以进行 REDD 的可行性。我们发现了以前未知的基于地质基质和森林类型的多种尺度碳储量变化。从 1999 年到 2009 年，土地利用产生的排放占整个区域现有碳总量的 1.1%。森林退化（例如选择性砍伐造成的）使区域碳排放量比毁林本身增加了 47%，而次生林再生抵消了总排放量的 18%。超高分辨率监测减少了 REDD 计划碳排放的不确定性，同时揭示了森林碳储存的基本环境控制及其与土地利用变化的相互作用。
多元图像分析（MIA）简介
图像在科学领域已有很长的使用历史，而且使用越来越广泛。代表复杂系统的大量数据只能通过图像可视化来表示。多元图像的来源多种多样。有些是传统意义上的图像（例如卫星数据），而有些则不是（二次离子质谱，SIMS）。几乎所有物理单位都可用于制作图像和多元图像：温度、重力场、阻抗、磁场、电场、质量、波长、超声波长、极化、电子能量等。科学成像领域的一个粗略但实用的细分是卫星成像、医学（临床）成像和显微镜。最简单但有意义的多元图像有两个像素索引（例如图像平面中的宽度和高度）和一个变量索引，组成一个三向数组。从模拟场景或物体到数字图像的一个重要方面是分辨率。多元图像具有空间、强度、光谱和时间（时间）分辨率。典型的旧卫星图像有 512x512 像素，7 个波长带，强度分辨率为 256 级灰度。高空间和强度分辨率是理想的，这使得阵列相当大，计算速度很慢。
多元图像分析（MIA）简介
图像在科学领域已有很长的使用历史，而且使用越来越广泛。代表复杂系统的大量数据只能通过图像可视化来表示。多元图像的来源多种多样。有些是传统意义上的图像（例如卫星数据），而有些则不是（二次离子质谱，SIMS）。几乎所有物理单位都可用于制作图像和多元图像：温度、重力场、阻抗、磁场、电场、质量、波长、超声波长、极化、电子能量等。科学成像领域的一个粗略但实用的细分是卫星成像、医学（临床）成像和显微镜。最简单、有意义的多元图像有两个像素索引（例如图像平面中的宽度和高度）和一个变量索引，组成一个三向数组。从模拟场景或物体到数字图像的一个重要方面是分辨率。多元图像具有空间、强度、光谱和时间（时间）分辨率。典型的旧卫星图像有 512x512 像素，7 个波长带，强度分辨率为 256 级灰度。高空间和强度分辨率是理想的，这使得阵列相当大，计算速度很慢。
遥感：图像链方法
本书将遥感视为一个连续的过程，包括能量与物质的相互作用、辐射传播、传感器特性和效应、图像处理、数据融合和数据传播。重点是使用图像链方法从遥感数据中提取信息所需的工具和程序。这种遥感方法已经从二十多年向本科生和研究生教授遥感以及三十多年为政府和工业界提供遥感问题研究和咨询的经验中发展而来。这种经验通常表明，个人或组织往往过于关注问题的一个方面，而没有考虑整个过程。通常，这会导致大量的时间、精力和费用，却只能实现很小的改进，因为所有的努力都放在了链中的薄弱环节之外。因此，本文提出的遥感观点是将过程视为一个连续的流程，并研究基础科学，直到足以理解限制信息流向最终用户的诸多限制。由于遥感领域非常庞大，我选择将处理范围限制在用于地球观测的航空和卫星成像上。此外，由于绝大多数遥感都是在可见光到热红外区域被动完成的，因此我重点关注了这一领域。在这个范围内
预测带有级联扩散模型的热带气旋
由于气候变化，热带气旋变得更加激烈，与基于数学模型的传统方法相比，基于AL的建模的崛起提供了一种更实惠和更容易获得的方法。这项工作通过整合卫星成像，遥感和大气数据来利用生成扩散模型来预测旋风轨迹和降水模式。它采用了一种级联的方法，该方法包含三个主要任务：预测，超分辨率和降水建模。培训数据集包括2019年1月至2023年3月的六个主要热带气旋盆地的51个旋风。实验表明，来自级联模型的最终预测显示，对于所有三个任务，分别超过0.5和20 dB的良好结构相似性（SSIM）和峰值信号 - 噪声比（PSNR）值（SSIM）和峰值信号 - 噪声比（PSNR）值分别具有出色的结构相似性（SSIM）。可以在单个NVIDIA A30/RTX 2080 Ti的30分钟内生成36小时的预测。这项工作还强调了AL方法的有希望的效率，例如在天气预报中为高性能需求的扩散模型，例如热带气旋预测，同时保持计算负担得起，使其非常适合具有关键预测需求和财务限制的高度脆弱区域。代码可在https：//github.com/nathzi1505/forecast-diffmodels上访问。
诱导气溶胶光学深度的遥感分析：缓解空气污染的综合方法
气溶胶加重在巴基斯坦旁遮普邦的行政拉合尔司构成了重大挑战，并为持续存在的烟雾问题做出了巨大贡献。自2017年以来，该部门经历了烟雾污染的经常性发作，最著名的是在10月和11月。在本研究中，已经分析了气溶胶光学深度（AOD）与三个计量参数一起分析：温度，湿度和降雨。使用遥感数据和卫星成像在2018年10月和2018年11月，2020年和2022年进行了跟踪。此外，来自汽车排气，行业和残茬燃烧的人为排放数据来自次要来源。最终，该研究在10月和11月将在拉合尔分部进行了复杂的环境图片。结果表明，在此期间，AOD水平不仅升高，而且还受到各种计量变量的影响，例如低温，高相对湿度，缺乏降雨量以及各种人类活动的排放。发现卡车，拖拉机和公共汽车是行业和残茬燃烧的最差贡献者之一。因此，本研究表明多部门计划减轻气溶胶水平并打击烟雾威胁，从而促进拉合尔分部的环境可持续性。包括一套全套建议，分为三类：行业，运输和农业。这些专注于技术，控制系统，处置，激励措施，绿色解决方案等。在各个层面上，承诺，协作和协调绝对至关重要。