Earth observation
PulseAugur coverage of Earth observation — every cluster mentioning Earth observation across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
新方法 SIMPLER 剪枝基础模型以用于地球观测
研究人员开发了 SIMPLER，一种用于高效适应地球观测任务基础模型的新颖方法。该技术在微调前识别并剪枝预训练视觉 transformer 中的冗余层，显著降低计算成本并提高推理速度，而无需梯度计算或超参数调整。SIMPLER 已证明在保持高性能的同时剪枝大量参数的能力，在不同模型架构和数据集上显示出前景。
-
TESSERA v2 研究揭示地球观测模型的最佳扩展方法
研究人员对像素级地球观测基础模型进行了大规模扩展研究，在 1,024 个 NVIDIA GH200 超级芯片上进行了 395 次训练运行。研究发现，预训练损失是下游性能的糟糕预测指标，这表明将计算资源集中在更大的编码器和更多数据上，而不是更大的投影仪上，更为有效。该团队训练了一系列模型，包括拥有 2100 万个参数的 TESSERA v2-1B-M，其性能优于更大规模的开源和专有模型，并通过 Matryoshka 表示法实现了高效服务。
-
新框架将3D模型应用于卫星多视图重建
研究人员开发了EO-VGGT，一个旨在将现有3D基础模型应用于卫星多视图重建的新框架。该框架解决了标准模型中隐式的透视假设与卫星影像明确的轨道推扫几何之间的几何差异。EO-VGGT采用几何相关约束选择策略来优化观测序列，并采用传感器射线编码器将像素级视线转换为几何令牌，然后通过轻量级适配器集成到模型中。研究结果强调了整合明确的物理几何和优化的视图选择对于有效的卫星3D重建的重要性。
-
新型SAMBA模型利用Mamba和散布引导掩码增强SAR目标识别能力
研究人员推出了一种新颖的SAMBA基础模型，专为合成孔径雷达（SAR）目标识别而设计。SAMBA采用Mamba编码器来解决传统Transformer架构的计算复杂性问题，并结合了利用SAR物理成像特性的散布引导掩码自动编码器（SG-MAE）策略。该方法旨在改善自监督预训练，尤其是在标注数据稀缺的情况下，并在各种下游分类和检测任务上展示了最先进的性能。
-
新的EO-WM模型通过物理信息AI改进地球观测预测 · 已追踪3个来源
研究人员开发了EO-WM，一种新颖的视频扩散Transformer，用于概率性地球观测预测。该模型采用物理信息条件框架来更好地表示气象强迫，将基线条件与异常分开，并随时间累积应力信号。EO-WM旨在通过考虑由天气驱动的不确定性和稀疏观测来改进未来地球表面动力学的预测，在与植被指数下降和天气响应保真度相关的特定指标上优于现有方法。
-
UniverSat：用于多样化地球观测数据的视觉Transformer
研究人员开发了UniverSat，一种新颖的视觉Transformer（ViT）骨干网络，专为地球观测（EO）数据设计。它具有通用补丁编码器，允许单个模型处理包括光学和非光学传感器在内的多样化数据类型，跨越各种分辨率和尺度。这种方法能够在异构多模态语料库上进行自监督训练，从而产生稳健、传感器无关的空间特征，并在标准的EO基准测试中表现良好。
-
研究发现地理空间人工智能模型缺乏标准化评估
一篇新发表在arXiv上的论文强调了地理空间基础模型（GFMs）评估和报告方面存在显著的不一致和缺乏标准化的问题。作者发现许多论文缺乏关键细节，例如标准化评估、训练协议和发布的权重，这使得模型难以进行有效比较或排名。为解决此问题，该论文提出了社区应遵循的六项具体期望，包括命名许可的权重发布和共享核心评估，以促进对GFMs的更好理解并加速其创新。
-
新的FusionRS数据集集成了RGB和红外图像，用于遥感视觉语言模型
研究人员推出了FusionRS，这是一个新颖的大规模数据集，旨在通过整合RGB和红外图像来推进遥感领域的视觉语言模型。现有模型主要关注RGB数据，忽略了红外图像中存在的宝贵信息，例如热结构和光照不变特征。FusionRS旨在通过提供带有相应场景和红外特定字幕的对齐RGB-红外图像对来弥合这一差距，从而能够训练双模态基础模型以增强地球观测理解。
-
新型智能体框架统一遥感数据处理
研究人员开发了CangLing-KnowFlow，一个旨在统一和自动化处理海量遥感数据集的新型智能体框架。该系统集成了包含1000多个工作流案例的程序化知识库、用于错误恢复的动态工作流调整模块以及用于持续学习的进化记忆模块。在KnowFlow-Bench基准测试中，CangLing-KnowFlow在各种LLM骨干网络上均显示出比Reflexion基线更高的任务成功率，为复杂的地球观测挑战提供了强大的解决方案。
-
发布新的阿拉伯语大语言模型排行榜和地球观测模型
QIMMA 排行榜已发布，专注于阿拉伯语大语言模型 (LLM) 的质量。另外，艾伦人工智能研究所 (Allen Institute for AI) 推出了 OlmoEarth v1.1，这是一系列专为地球观测任务设计的更高效的模型。
-
事件驱动相机为太空观测提供范式转变
一篇新的综述论文探讨了事件驱动传感器（也称为神经形态相机）在太空应用中日益增长的用途。与传统的帧基相机相比，这些传感器仅捕捉光照变化，具有高时间分辨率、高动态范围和高能效等优点。该论文将当前和未来的太空应用分为大气观测、环境监测、运行支持和地理空间建模，并指出这项技术代表了遥感的一个范式转变。
-
新型HADT Transformer提升自主卫星集群管理能力
研究人员开发了一种名为HADT的新型Transformer架构，用于异构地球观测卫星集群的自主资源管理。这种无模型强化学习方法旨在实现卫星的实时决策，克服了传统优化算法在动态空间环境中的局限性。实验结果表明，该模型在不同卫星集群配置下均取得了显著的性能提升和强大的适应性。
-
新的基准和数据集推动卫星图像检索发展
研究人员开发了一个新的组合图像检索（CIR）基准，专门针对地球观测（EO）数据进行了定制。该基准在卫星图像上评估了现有的CIR方法，揭示了无需训练的组合技术提供了强大的基线。该研究还引入了一个新的数据集xView2-CIR，专注于灾害监测，突出了以变化为中心的检索与基于属性的方法不同的独特挑战。
-
新的 PINN 框架提高了洪水预测的不确定性感知能力
研究人员开发了一个新框架，利用地球观测数据（特别是合成孔径雷达（SAR））来提高洪水预测的准确性。标准的深度学习模型在水文约束方面存在困难，导致预测结果在物理上不可能。提出的不确定性感知 PINN 框架通过根据传感器噪声和置信度动态调整物理约束来稳定这些模型。该方法在 Sen1Floods11 数据集上实现了 25% 的交并比 (IoU) 提升，并为灾害减缓提供了校准的置信度边界。
-
AI模型在处理真实的地球观测图像失真时遇到困难
一项新的研究论文介绍了一种增强的图像模拟器，用于生成受大气湍流和卫星指向误差影响而退化的真实地球观测（EO）图像。该研究使用此模拟数据评估了YOLOv8和RetinaNet模型在船只检测任务上的性能。结果表明，在退化条件下，YOLOv8的召回率显著下降，而RetinaNet表现出更强的鲁棒性，保持了更高的召回率。
-
StruMPL模型采用新颖的回归技术解决森林生物量估算问题
研究人员开发了StruMPL，一种新颖的多任务密集回归模型，旨在利用不同的数据源估算森林地上生物量（AGB）。该模型整合了卫星激光雷达数据（提供结构信息但缺乏生物量估算）和地面样地数据（提供生物量数据但存在偏差和缺失）。StruMPL通过采用带有回归、插补和倾向性头部的共享编码器进行空间校正，并结合可学习的物理模块来强制执行变量之间已知的异速生长定律，从而应对这些挑战。
-
LandSegmenter 为土地测绘提供灵活的基础模型
研究人员推出了 LandSegmenter，这是一个灵活的基础模型，专为地球观测中的土地利用和土地覆盖测绘而设计。该框架通过整合一个名为 LAS 的大规模、多模态数据集来解决现有模型的局限性，该数据集利用弱标签来减少对大量手动标注的需求。LandSegmenter 包含一个特定于遥感 (RS) 的适配器用于跨模态特征提取，以及一个用于语义感知的文本编码器，在各种 LULC 数据集的零样本设置中表现出具有竞争力的性能。
-
EVE框架推出开源LLM以用于地球情报
研究人员开发了EVE，一个专注于地球情报的专用大型语言模型（LLM）的开源框架。EVE的核心是EVE-Instruct，一个拥有240亿参数的模型，源自Mistral Small 3.2，在与地球观测和地球科学相关的推理和问题解答方面表现出色。该新模型在定制基准测试中展示了卓越的性能，同时保留了通用能力，该项目还发布了精选的训练数据和评估基准。EVE包含一个具有检索增强生成（RAG）和幻觉检测的生产系统，支持超过350名试点用户。
-
MetaEarth3D模型生成行星级一致性3D场景
研究人员推出了MetaEarth3D，这是一种新颖的生成基础模型，旨在生成行星级3D场景，解决了当前AI模型局限于较小环境的限制。该模型可以生成多层次、无界限、多样化的3D场景，从大片地形到城市街区，利用了1000万张真实世界图像。MetaEarth3D旨在通过将空间尺度作为生成AI的关键维度，来推进超广域空间智能在地球观测和模拟等应用中的发展。
-
Agentic AI在遥感工作流中面临独特挑战
一篇新的立场文件概述了将agentic AI应用于遥感任务中独特的技朧挑战。文章认为，由于地球观测数据的复杂地理空间和时间性质，标准的agentic模型会失效，导致错误传播。该文件提出了地理空间Agent的新设计原则，侧重于结构化状态、工具感知推理和验证器引导的执行，以确保地理空间和物理有效性。