digital elevation model
PulseAugur coverage of digital elevation model — every cluster mentioning digital elevation model across labs, papers, and developer communities, ranked by signal.
-
AI模型被改编用于精确的月球表面高度估算
研究人员改编了Depth Anything V2基础模型，以改进未来太空任务的月球表面高度估算。通过使用现有的月球立体摄影测量法衍生的数字高程模型对模型进行微调，他们在原始的零样本模型上取得了显著的性能提升。这种增强的能力将有助于月球着陆的危险定位。
-
HorizonNet 使用 CNN 和 DEM 数据实现 GPS 级 USV 导航
研究人员开发了 HorizonNet，这是一个用于在沿海和群岛环境中估计无人水面艇 (USV) 位置的新颖系统。该系统利用卷积神经网络 (CNN) 从全景图像中提取地平线，补偿相机方向。然后，通过 MOSSE 相关滤波器将此处理后的图像与数字高程模型 (DEM) 数据进行关联，最终以 GPS 级精度确定 USV 的位置。
-
神经地形晕渲在卡尔加里城市景观中进行测试
本研究论文调查了基于神经网络的地形晕渲技术在城市环境中的有效性，特别关注卡尔加里市中心。该研究将传统分析地形晕渲方法与一种名为Eduard的机器学习系统进行了比较，该系统最初是在山区景观上训练的。作者探讨了Eduard是否可以适应以准确表示建筑物和街道等城市特征，并旨在确定分析方法仍然优越的场景以及神经晕渲因其训练偏差而显示出意想不到的优势或劣势的场景。研究结果表明，未来需要专门为城市地形晕渲训练的模型。
-
AI框架利用不确定性引导高精度预测磨损场
研究人员开发了一种新颖的不确定性引导主动学习框架，用于预测流精加工过程中的磨损场。该方法利用深度集成来估计认知不确定性，从而能够对最不确定的方向进行选择性DEM模拟。该框架能够准确预测控制侵蚀的关键场，在法向冲击速度、切向冲击速度和颗粒冲击通量方面实现了高Spearman秩相关性。预测的不确定性经过良好校准，能够可靠地预测预测误差和重建磨损场的保真度。
-
New GEOID-Flood dataset advances AI-driven flood segmentation
研究人员推出GEOID-Flood，一个用于洪水分割任务的新型大规模、多模态基准数据集。该数据集来源于欧洲哥白尼应急管理服务在65个国家十多年的激活记录，包含事件前后Sentinel-1和Sentinel-2的影像，以及数字高程模型和人工验证的标签。使用GEOID-Flood进行的初步评估表明，虽然基础模型相比传统编码器显示出微弱优势，但光学-SAR融合并进行微调对于瞬时洪水最为有效，并且在该新基准上训练的模型在未见过的事件上表现出更…
-
新的 AlphaEarth 先验知识提高了 SAR 洪水分割精度
研究人员开发了一种新的方法，通过整合土地覆盖先验知识，利用合成孔径雷达 (SAR) 图像进行快速洪水分割。该方法旨在提高在紧急情况下通常会出现的、事前 SAR 数据不可用时的分割精度。研究比较了包括 CNN 和 Vision Transformers 在内的各种基础骨干网络，证明了数字高程模型 (DEM) 和新颖的 AlphaEarth 先验知识都能在不同事件和骨干网络中提高分割性能。
-
新型时空图网络提升土壤碳预测能力
研究人员开发了SpTGNN，一种新颖的多模态时空图神经网络，用于预测土壤有机碳（SOC）。该模型通过异构图结构和经过微调的TerraMind编码器整合光谱和时间数据，解决了现有方法的局限性。SpTGNN利用混合专家模块进行特征融合，并结合了先进的不确定性量化技术，在非洲和欧洲的评估中表现优于传统的XGBoost基线。
-
AI模型分析火星DEM以识别土丘，辅助探测车导航
研究人员开发了一种基于神经网络的语义分割方法，利用数字高程模型自动检测和预测火星上的土丘。该方法旨在通过识别有利于水或生命存在的环境来辅助探测车导航和寻找地外生命。对监督语义分割和生成对抗网络方法的比较表明，使用人工生成样本增强数据并未显著提高结果。
-
新模型为生理传感器提供可解释的异常检测
研究人员开发了一个名为蒸馏解释模型（DEM）的新框架，用于生理传感器数据中的异常检测。这个三阶段模型旨在提供高准确性和可解释的解释，与黑盒方法不同。DEM将梯度提升专家知识蒸馏到决策树中，提供人类可读的规则，并实现适合实时监控的快速推理时间。
-
新的MorphoFormer AI模型改进了建筑高度和轮廓估计
研究人员开发了MorphoFormer，这是一个利用遥感数据联合估计建筑高度和轮廓的新型框架。与之前将这两个参数独立处理的方法不同，该方法明确编码了这两个参数之间的关系。该框架利用带有Sentinel-1 SAR、Sentinel-2多光谱和DEM输入的Swin骨干网络，将建筑高度RMSE从3.39米降低到3.15米。
-
左翼人士反对依赖风险投资和人工智能取代工作的必然性
一位评论员认为，风险投资对于创办科技公司并非必需，而人工智能驱动的失业并非不可避免。作者批评建制派民主党人接受这些观点，认为他们受到了企业宣传的影响。最终，文章强调了挑战财富对公共话语的影响比追求短期政治利益更重要。
-
深度学习模型从单个卫星图像生成月球高程图
研究人员开发了LunarDepthNet，这是一种新颖的深度学习模型，旨在利用单目卫星图像生成月球表面的详细数字高程模型（DEM）。该模型采用具有EfficientNet编码器和自定义层的UNet架构，以准确解释阴影信息并估算高程。LunarDepthNet实现了0.437的平均nRMSE和4.5米的平均绝对误差（MAE），证明了其生成可靠高程图的能力，尤其是在缺乏立体图像的月球区域。