XiaoMi-AI文件搜索系统
World File Search System遥感图像
热带森林覆盖和森林砍伐的卫星测绘
在全球范围内绘制和监测热带森林覆盖率只能通过遥感图像和地理信息系统 (GIS) 工具来完成，这些工具可以绘制和计算图像分析的结果。自 1973 年以来，NASA 的 Landsat 卫星已连续获取了大部分热带地区的图像。这些图像提供了 20 年的时间序列，可以对热带森林覆盖率前所未有的变化进行前后分析。通过对这些图像和其他数据的分析，可以编制显示森林范围和森林砍伐模式的地图，本文后面将对此进行介绍。还需要森林管理区、公园、保护区和其他重要特征（如交通网）的补充地图，以便进行保护规划和气候
快速评估和绘图手册 - Seagrass-Watch
海草及其相关环境的遥感基于这样的原理：遥感器可以“看到”基质以及基质上或基质内生长的植被。遥感仪器测量太阳光穿过大气层、与目标相互作用、并反射回大气层后，由安装在飞机或卫星上的传感器进行测量的光线。海草等底栖特征是否能够真正被辨别取决于水柱的光谱光学深度、海草的亮度和密度以及海草与基质之间的光谱对比度，以及遥感仪器的光谱、空间和辐射灵敏度。由于遥感图像通常覆盖比实地工作大得多的区域，因此使用各种主观或统计开发的技术进行推断。不幸的是，无法保证推断是有效的。
海草栖息地快速评估指南
海草及其相关环境的遥感基于这样的原理：遥感器可以“看到”基质以及基质上或基质内生长的植被。遥感仪器测量太阳光穿过大气层、与目标相互作用、并反射回大气层后，由安装在飞机或卫星上的传感器进行测量的光线。海草等底栖特征是否能够真正被辨别取决于水柱的光谱光学深度、海草的亮度和密度以及海草与基质之间的光谱对比度，以及遥感仪器的光谱、空间和辐射灵敏度。由于遥感图像通常覆盖比实地工作大得多的区域，因此使用各种主观或统计开发的技术进行推断。不幸的是，无法保证推断是有效的。
从影像中提取线性特征的技术回顾
摘要 几十年来，从遥感图像中自动提取线性特征一直是广泛研究的主题。最近的研究表明，提取特征信息可用于更新地理信息系统 (GIS) 等应用，前景广阔。近年来，随着多种机载和卫星传感器的发射，可用图像的增加刺激了研究。然而，虽然图像数据范围和可用性的扩展为获取图像相关产品提供了新的可能性，但也对图像处理提出了新的要求。有效处理大量可用数据需要提高自动化程度，同时仍要利用人类操作员的技能。本文概述了用于线性特征提取的图像类型。本文还介绍了用于特征提取的方法，并考虑了这些程序的定量和定性准确性评估。
关于床沙测量的观点
摘要 在过去十年中，山区洪水和泥石流的床沙测量技术取得了重要进展。虽然悬浮沉积物仍然是测量的最常见的部分，但床沙仍然是一个问题，因为它不仅更难测量，而且对地貌变化的影响也最大。床沙输送现场测量技术的发展至关重要，需要复杂化才能在不同环境中有效发挥作用。理想情况下，床沙测量技术应该是非侵入性的、灵活的和代表不同类型的输送。这篇文章是几十年来在山洪中对砾石和鹅卵石床溪流进行床沙实验的结果，以及为未来应用开发床沙测量方法和设备的问题。描述了捕获和追踪技术，并强调了高分辨率遥感图像的潜力。随着人们对砾石河床动力学和变化的认识不断提高，对用于进一步模型验证和应用的可靠现场数据的需求将不断增长。
![arxiv：2411.15497V2 [CS.CV] 2024年11月26日](/simg/8\811ad24cc1d5902e1721b00a4ab5775467ef340d.webp)
arxiv：2411.15497V2 [CS.CV] 2024年11月26日
遥感图像对象检测（RSIOD）旨在识别和定位卫星或空中图像中的特定对象。但是，当前RSIOD数据集中存在标记数据的稀缺性，这显着限制了当前检测算法的性能。尽管现有技术，例如数据增强和半监督学习，可以在某种程度上减轻这种稀缺性问题，但它们在很大程度上依赖于高质量的标签数据，并且在稀有对象类中的性能差。为了打扮这个问题，本文提出了一个布局控制的扩散生成模型（即燃气。据我们所知，Aerogen是第一个同时支持水平和旋转边界箱状况生成的模型，从而实现了满足特定外部外部和对象类别要求的高质量合成图像的构成。此外，我们提出了一个端到端数据增强框架，该框架集成了多样性条件的发电机和过滤器 -
深度学习模型映射快速植物物种从公民科学和遥感数据变化
人为栖息地破坏和气候变化正在重塑全球植物的地理分布。但是，我们仍然无法以高空间，时间和分类学分辨率来绘制物种的变化。在这里，我们开发了一种深度学习模型，该模型使用来自加利福尼亚的遥感图像以及50万公民科学观察培训，可以绘制2,000多种植物物种的分布。我们的模型 - DeepBiosphere-不仅要优于许多常见的物种分布建模方法（AUC 0.95 vs. 0.88），而且可以以多达几米的分辨率来绘制物种，并以高准确性地描绘了植物群落，包括原始和透明的红木国家公园森林。这些精细的比例预测可以进一步用于绘制跨人类改变景观的栖息地碎片的强度和尖锐的生态系统过渡。此外，从频繁的遥感数据集合中，DeepBiosphere可以在2- y的时间段内检测严重野火对植物群落组成的快速影响。这些发现表明，对公共地球的观察和深入学习的公民科学可以为自动化系统铺平道路，以监视全球实际时间的生物多样性变化。
一种从空间立体影像中描绘建筑物足迹的混合方法
从遥感图像中自动提取建筑物轮廓线已用于更新城市地区的地理空间数据库 [1]。高分辨率星载立体 (HRSS) 传感器（例如 GeoEye、WorldView、QuickBird）的发射开启了一个新时代，提供了从太空获取立体图像和 3D 地图的可能性 [2]。事实上，建筑物识别、重建和变化检测已经使用立体图像匹配以及 3D 边缘匹配技术进行 [3,5-6]。如 [3] 所述，基于立体图像的 3D 边缘匹配提供了有希望的结果，但前提是建筑物在数据的空间分辨率方面足够大、具有简单的矩形形状并且与周围物体相比具有良好的辐射对比度。事实上，虽然使用非常高分辨率的航空图像进行 3D 边缘匹配可以详细重建建筑物轮廓线 [7]，但使用星载图像，同样的方法可能会遇到问题，特别是在两幅对极图像中都无法清晰检测到建筑物轮廓的情况下。此外，虽然影像匹配提供了代表建筑物高度的DSM，但是从该DSM提取的建筑物大小和形状通常被高估，因此需要辅助信息。
一种从空间立体影像中描绘建筑物足迹的混合方法
从遥感图像中自动提取建筑物轮廓线已用于更新城市地区的地理空间数据库 [1]。高分辨率星载立体 (HRSS) 传感器（例如 GeoEye、WorldView、QuickBird）的发射开启了一个新时代，提供了从太空获取立体图像和 3D 地图的可能性 [2]。事实上，建筑物识别、重建和变化检测已经使用立体图像匹配以及 3D 边缘匹配技术进行 [3,5-6]。如 [3] 所述，基于立体图像的 3D 边缘匹配提供了有希望的结果，但前提是建筑物在数据的空间分辨率方面足够大、具有简单的矩形形状并且与周围物体相比具有良好的辐射对比度。事实上，虽然使用非常高分辨率的航空图像进行 3D 边缘匹配可以详细重建建筑物轮廓线 [7]，但使用星载图像，同样的方法可能会遇到问题，特别是在两幅对极图像中都无法清晰检测到建筑物轮廓的情况下。此外，虽然影像匹配提供了代表建筑物高度的DSM，但是从该DSM提取的建筑物大小和形状通常被高估，因此需要辅助信息。
计算机视觉方法烧伤区域图像分割
了解野火后被烧毁区域的程度和严重程度是对对Climate变化影响感兴趣的科学家进行研究的重要目标和重点。在我们的项目中，我们使用六个进一步的分割模型来实现这项任务，使用较低分辨率Landsat卫星的遥感图像作为输入和输出分割掩码，以表明图像的哪些部分被燃烧并且未燃烧。我们的模型建立在Pytorch模型库和开源U-NET模型的DeepLabv3分割模型上；我们使用这些模型的预贴版本作为基线，并进一步实验将红外带作为输入和MAE损失函数，旨在减少噪声和低分辨率的影响。我们发现所有方法都达到了高精度，但是除了RGB之外，还包括NIR（近红外）和SWIR（短波输入）频段的5频段模型，对于DeepLabV3和U-NET架构都表现最好。我们的模型在数据集中的加利福尼亚野火方面非常有效，但是我们希望将它们进一步推广到世界其他地区的分布之外的火灾，那里的火灾未有充分记录。这些广告将极大地帮助这些领域的应急准备，野生火灾和气候科学。