XiaoMi-AI文件搜索系统
World File Search System地理
地理空间科学与技术暑期学校（...
最近，知识被认定为印度经济可持续增长的最重要驱动因素。印度通过“数字印度”计划采用了新的信息制度，以实现经济可持续增长，从而支持良好的治理、可持续发展目标和赋予公民权利。在过去的三十年中，地理空间技术在各个领域的广泛应用已被证明是应对这些挑战的有效推动因素。印度政府科技部国家地理空间计划 (NGP) 前身为自然资源数据管理系统 (NRDMS)，其能力建设计划旨在通过与各种合作伙伴组织合作的各种计划，发展国家地理空间科学和技术发展能力。为期三周的计划分为三个级别，即 1 级（标准）、1 级（空间思维）和 2 级。此外，还有为期三天的地理创新挑战计划。该计划的目标是与学术界和用户机构合作，建立知识和各个级别的治理并促进创新。
发现地理卫星：从数据集到Kelvins Spotgeo挑战
地球同步赤道轨道（GEO）是许多重要空间资产的所在地，例如远程通讯和导航卫星。GEO中监视居民空间对象（RSO）是实现空间情境意识（SSA）和保护批判空间资产的关键方面。然而，由于目标的极端距离以及包括云的缘故，大气/天气效应，光污染，传感器噪声/缺陷和恒星闭合，因此基于地面的地理对象进行了挑战。Kelvins Spotgeo挑战旨在确定来自低成本地面望远镜的图像在多大程度上可用于检测GEO和近Geo RSO，仅来自没有任何其他元数据的光度信号。同时，Spotgeo数据集还解决了有关卫星检测问题的计算机视觉观点中缺乏公开可用的数据集；通过组装和释放这样的数据集，我们希望在光学检测RSO上付出更多的努力，并为现有方法和将来的方法提供客观的台式标记。在这项工作中，我们介绍了Spotgeo数据集开发，Challenge设计，评估指标和结果分析的详细信息。
地理空间科学技术的冬季学校（...
地理空间科学和技术知识的夏季/冬季学校能力建设计划已被确定为印度可持续经济增长的最重要驱动因素。印度通过其“数字印度”计划采用了新的信息制度来实现可持续经济增长，以支持善政，可持续发展目标和赋予其公民权力。在过去的三十年中，将地理空间技术广泛采用到各个部门中已被证明是应对这些挑战的有效推动者。印度政府的自然资源数据管理系统（NRDMS）的国家地理空间计划（NGP）的能力建设计划倡议，以前的自然资源数据管理系统（NRDMS），通过与各种合作伙伴组织合作，通过各种各样的计划来开发国家地理空间科学和技术发展的国家能力。三个星期的计划正在三个级别（标准），1级（空间思维）和2级。此外，还有一个为期三天的地理创新挑战计划。该计划的目的是与学术界和用户机构合作建立知识和各级治理，并促进创新。地理空间科学和技术的2级夏季 /冬季学校这个三周计划是全国八家机构实施的主题特定的高级培训。为期一周的在线刷新会议将在三周计划开始之前举行。3印度政府由国家地理空间计划（NGP）支持的21天夏季/冬季学校（第2级），印度政府由国家地理空间计划（NGP）支持通过使用地理空间软件来开发地理空间技术的知识和能力建设。
气候，矿物学和稳定骨料在地理气候梯度沿土壤有机碳动力学
抽象有机物在土壤中的积累被理解为矿物相关（分解，微生物衍生的）有机物与自由颗粒（较少分解的植物衍生）有机物之间的动态。然而，从区域到全球尺度，主要土壤有机碳（SOC）部分的模式和驱动因素尚不清楚，并且与土壤类型之间的子宫遗传学变异保持不佳。在这里，我们将与淤泥和粘土大小的颗粒（S + C），稳定的聚集体（>63μm，SA）和颗粒有机物（POM）相关的SOC与沿着地理气候梯度采样的各种草地表土与颗粒有机物（POM）分开。两种矿物相关的部分（S + C＆SA）对SOC的相对贡献在整个梯度中差异很大，而POM从来都不是主要的SOC分数。稳定的骨料（>63μm）在富含碳 - 富含碳的土壤中成为主要的SOC分数。稳定聚集体中碳的分解程度（>63μm）始终在S + C和POM级分之间，并且没有沿研究梯度变化。相比之下，与S + C分数相关的碳在富含碳 - 贫民土壤中的微生物分解较少。S + C部分中SOC的量与Pedogenic氧化物的含量和质地呈正相关，而与稳定聚集体（>63μM）相关的SOC量与Pedogenic氧化物含量呈正相关，并与温度负相关。我们提出了我们发现的概念摘要，该概念将稳定骨料（>63μm）与其他主要SOC馏分的作用整合在一起，并说明了它们在（土壤）环境梯度之间的重要性变化。
植物地理学
我们的目标是解决Apis Labiosa和Apis Dorsata亚种之间的系统发育关系A. d。 Dorsata，A。D。 Binghami和A. d。 Breviligula，几位作者提出了最后两个物种。我们使用用最大似然方法分析的线粒体COX1和COX2基因序列对巨型蜜蜂进行了系统发育分析。在广义上，我们在多萨塔（A. dorsata）内获得了四个进化枝的支持：上面提到的三个亚种或物种，以及来自南部的第四个谱系。但是，我们的分析并未解决四个谱系之间的系统发育关系。在印度存在两个遗传区分开的“ A. dorsata”群体的存在与存在两个空腔巢蜜蜂的存在，即A. Cerana Cerana和A. c。印度（分别是黑山蜜蜂和黄色平原蜜蜂）。这表明过去的气候或地质事件可能暂时将印度人口与亚洲大陆的人群暂时隔离，从而导致分歧，并可能将印度巨人和空腔巢蜜蜂的物种形成，然后是东亚形式对印度的重新殖民化。对这些独特的谱系的认识对于保护计划很重要，因此可以考虑它们的各个分布，生态和迁移模式，因此可以维持它们所代表的遗传多样性。
前里韦萨尔特斯营地：国家启动地理定位和挖掘行动，以确定墓地的位置
感谢 INRAP 考古学家的研究，有关墓地潜在位置的重要线索已经出现并可得到验证。 2022 年，国家在前圣莫里斯拉杜瓦斯 (Saint-Maurice l'Ardoise) 营地遗址上开展了类似的行动，并于 2023 年 3 月 20 日确定了营地哈基斯儿童墓地的所在地，并确认了遗骸的存在。
从文本到图像模型中检查图像的地理代表性
生成模型的最新进展导致了模型，这些模型既可以为大多数文本输入产生现实和相关的信息。这些模型每天都用于生成数百万张图像，并具有巨大影响诸如生成艺术，数字营销和数据增强等领域。鉴于它们的影响力，重要的是要确保生成的内容反映全球的伪影和周围环境，而不是过分代表世界的某些地区。在本文中，我们使用众包研究的研究衡量了通过dall·e 2产生的普通名词（例如房屋）的地理代表，以及稳定的扩散模型，其中包括27个国家 /地区的540名参与者。为了有意地指定没有国家名称的意见，生成的图像最反映了美国之后是印度的周围，而顶级世代很少反映出所有其他国家的周围环境（平均得分少于5分中的3个）。在输入中指定国家名称的代表性增加了1。平均在5-点李克特（Dall）的李子量表上为44点。75对于稳定的扩散，许多国家的超高分数仍然很低，这突出了将来模型在地理上更具包含的需求。最后，我们研究了量化使用用户研究的产生图像的地理代表性的可行性。1
卫星和地面视图之间的跨注意，以增强细粒度的机器人地理位置
跨视图图像地理位置定位旨在通过用GPS标记的卫星图像补丁绘制当前的街道视图图像来确定户外机器人的位置。最近的作品在识别卫星贴片中达到了显着的准确性，该卫星贴片在机器人所在，其中将中央像素在匹配的卫星贴片中用作机器人粗糙位置估计。这项工作着重于机器人在已知的卫星贴片中的细粒度定位。现有的细颗粒定位工作利用相关操作来获得卫星图像本地描述符和街道视图全局描述符之间的相似性。基于衬里匹配的相关操作简化了两个视图之间的相互作用过程，从而导致距离误差很大并影响模型的概括。为了解决这个问题，我们设计了一个具有自我注意力和跨注意层的跨视图功能fu-sion网络，以取代相关操作。此外，我们将分类和回归预测结合在一起，以进一步降低位置距离误差。实验表明，我们的新型网络体系结构的表现优于最先进的，可以在看不见的地区更好的概括能力。具体而言，我们的方法在同一区域和在活力基准的同一区域和看不见的区域中分别将中位定位距离误差降低了43％和50％。
地理空间植被预测的多模式学习
精确的地理空间植被预测具有各个部门的潜力，包括农业，林业，植物援助和碳会计。为了利用卫星图像的广泛可用性来完成此任务，各种作品应用了深层神经网络，以预测具有逼真质量的多光谱图像。但是，尚未彻底探索植被动力学的重要领域。我们的研究介绍了Greenearthnet，这是第一个专门为高分辨率植被预测设计的数据集，以及ContextFormer，这是一种新颖的深度学习方法，可预测Sentinel 2卫星2卫星图像，并在整个Eu-Rope之间进行精细分辨率。我们的多模式变压器模型上下文形式通过视觉主链利用空间上下文，并以参数有效的方式预测局部上下文贴片上包含气象时间序列的时间动态。Greenearthnet数据集具有学习的云蒙版和适当的植被建模评估方案。它还与现有的卫星图像预测数据集SEARNET2021保持兼容性，从而实现了跨数据库模型比较。我们广泛的定性和定量分析表明，我们的方法的表现优于广泛的基线技术。这包括超越了SEARNET2021上的先前最先进的模型，以及时间序列预测和视频预测的改编模型。我们提供开源代码和预训练的权重，以根据https：// gith ub.com/vitusbenson/greenearthnet [10]重新产生我们的实验结果。据我们所知，这项工作为大陆规模植被建模的第一个模拟介绍了良好的分辨，能够在季节性周期以外捕获异常，从而为对气候变化和极端的响应铺平了预测植被健康和行为的道路。