Earth observation
PulseAugur coverage of Earth observation — every cluster mentioning Earth observation across labs, papers, and developer communities, ranked by signal.
- uses synthetic aperture radar 90%
- instance of Geospatial Foundation Models 90%
- used by synthetic aperture radar 70%
- instance of synthetic aperture radar 70%
- developed synthetic aperture radar 70%
- authored by alphaXiv 70%
- developed Gotit.pub 70%
- instance of Gotit.pub 70%
- authored Gotit.pub 70%
- uses visual question answering 70%
- used by visual question answering 70%
- developed alphaXiv 70%
3 天有情绪数据
-
新的SARVIA方法可将MLLM适配于地球观测任务
研究人员开发了SARVIA,一种用于将多模态大语言模型(MLLM)适配于合成孔径雷达(SAR)地球观测任务的新颖方法。该方法通过利用MLLM中已有的视觉编码器,绕过了对大量昂贵的SAR预训练的需求。SARVIA使用一种自监督学习技术,配合具有可计算答案的视觉问题,仅需极少的适配步骤和计算资源。与传统的基模型相比,SARVIA适配的视觉编码器在SAR检测和分割基准测试中表现出更优越的性能,显著降低了训练成本。
-
新的CARM框架增强了地球观测数据的AI超分辨率能力
研究人员开发了CARM(共形自适应风险掩码),一个旨在提高深度学习驱动的地球观测数据超分辨率可靠性的新型统计框架。与使用固定阈值来确定信任掩码的先前方法不同,CARM能够自适应地调整以应对由季节性和偶发事件引起的时间分布变化。该框架使用具有不同更新速率的专家模型和非对称代理损失来平衡适应速度与稳定性,即使在分布变化的情况下也能确保校准的风险控制。在南海叶绿素a数据上的实验表明,CARM显著降低了违反率和超限频率,同时保持了有用的信任区域。
-
Mastodon 用户征集 AI 和地理空间领域的优秀工作
此条目是 Mastodon 用户 joshuadimasaka 在 sigmoid.social 实例上发布的一条社交媒体帖子。用户正在征集值得展示的工作信息,并鼓励他人将帖子转发给相关人士。该帖子包含与 AI、数据科学、地理空间数据和地球观测相关的标签。
-
新框架探测地球基础模型的物理敏感性
研究人员推出 PiCo,一个旨在探测地球基础模型 (GFMs) 物理敏感性的新颖框架。与仅关注下游任务性能的传统评估不同,PiCo 旨在揭示这些模型在其预测中利用了哪些物理特征。通过从 3D 辐射传输模型和游戏引擎生成合成卫星观测,PiCo 在模型的嵌入空间中识别概念向量。这些向量可以量化预测中的概念重要性,并有助于检验关于模型行为的假设,尤其是在地球观测任务中。
-
AI代理以前所未有的方式构建最先进的地球观测模型,只需最少的人工输入
一篇新的研究论文提出了一种地球观测(EO)模型开发的范式转变,从手动构建转向由AI代理驱动的方法。所提出的方法允许将任何可验证的EO任务构建为一个约束和验证器,从而使一个通用编码代理能够自主地构建和递归地改进EO模型。这种方法在多个基准测试中已展示出最先进的性能,在显著减少训练标签的情况下实现了高精度。
-
欧洲航天局发布用于地球观测的 EVE 大语言模型
欧洲航天局 (ESA) 发布了 EVE,一个专为地球观测任务设计的新型大语言模型。该人工智能模型旨在协助分析和理解海量的地球数据。该机构目前正在探索 EVE 的能力和潜在应用。
-
新的SAREO-FM模型集成了SAR和EO图像,并采用解耦监督
研究人员开发了SAREO-FM,这是一种新的基础模型,旨在处理合成孔径雷达(SAR)和电光(EO)图像。该模型将语义监督与特定模态的重建解耦,允许单独的令牌流来保留传感器观测并捕获场景内容。SAREO-FM在SAR-1M语料库上进行了预训练,在单模态迁移方面表现出色,并在利用互补的SAR和EO数据进行各种任务时取得了显著改进。
-
印度太空科技初创公司在 SpaceX 猎鹰 9 号上发射人工智能技术
三家印度太空科技初创公司 TakeMe2Space、SatLeo Labs 和 EON Space Labs 已成功将人工智能计算和地球观测技术送入轨道。它们的载荷搭载在 SpaceX 的猎鹰 9 号火箭上,作为 Transporter-18 拼车任务的一部分,该任务从加利福尼亚出发。
-
GeoSET:通用基础模型用于SAR到EO图像翻译发布
研究人员推出GeoSET,这是一种新颖的通用基础模型,用于将合成孔径雷达(SAR)图像翻译成电光(EO)图像。与以往专注于特定数据集的方法不同,GeoSET在来自不同传感器和分辨率的超过300万对SAR-EO图像上进行了预训练。这种方法允许使用低秩适配(LoRA)高效地适应新数据集,仅需最少的参数更新和大约一小时每个数据集。GeoSET在六个基准测试中展示了最先进的性能,证明了其在SAR到EO翻译的跨域迁移中的有效性。
-
新的 openEO API 规范旨在标准化地球观测领域的机器学习工作流
研究人员为 openEO 提出了一个新的机器学习 API 规范。openEO 是一个旨在标准化地球观测 (EO) 数据立方体访问和处理的平台。该规范旨在弥合 EO 数据格式与机器学习模型输入之间的差距,从而提高不同云基础设施上机器学习工作流的可重现性和可移植性。提议的 API 包括模型初始化、训练和推理等操作以及管理阶段,支持经典模型和深度学习模型。在 R 和 Python 中进行的原型验证已证明其可行性,但要实现完全的跨后端兼容性,…
-
提议太空数据中心以革新卫星边缘AI
一篇新的arXiv论文提出了太空数据中心(SDC)的概念,以应对卫星生成的海量数据处理日益增长的挑战。这些基于AI的平台将在轨道上处理数据,减少将所有数据传回地球的需要,并克服地面站网络的限制。该论文概述了低地球轨道上SDC星座的架构,考虑了轨道设计、网络、计算资源和软件编排,并探讨了其在地球观测和月球探索中的可行性。
-
新的AI模型ReFlowSET和C-DiffSET推动SAR到EO图像翻译的进步
研究人员开发了两个新的框架ReFlowSET和C-DiffSET,用于将合成孔径雷达(SAR)图像翻译成电光(EO)图像。ReFlowSET专注于选择最优的潜在编解码器并从头开始训练一个更小的扩散Transformer,在基准数据集上取得了最先进的结果。C-DiffSET利用预训练的潜在扩散模型,并引入了置信度引导的扩散损失来改进对象生成和减轻伪影,同样展示了卓越的性能。
-
新框架旨在改进遥感AI代理
两篇新的研究论文介绍了几种新颖的框架,用于开发更强大、更可靠的遥感(RS)代理。SimCRAFT提出了一个模型无关的框架,将复杂的RS编排提炼成一个紧凑的7B规模模型,通过合成语料库和检索增强的微调技术来解决数据稀缺问题。HiRS-Agent提出了一个分层多代理系统,包含管理器层和专家层,旨在通过增强动态路由、重新规划和工具使用来改进长时任务解决能力。
-
新基准评估用于地球观测变化检测的AI
开发了一个新的基准来评估地球观测变化检测的AI方法,解决了当前研究中的不一致性。该基准标准化了评估协议,并在十个多样化的数据集和包括CNN和ViT在内的十个模型架构中考虑了预测准确性和计算效率。研究发现,当效率是一个因素时,优化的经典模型(如Siamese U-Nets)通常比复杂的当代模型表现更好,并且预训练在不增加推理成本的情况下持续提高性能。所有遵循FAIR原则的可复现性资源均公开可用。
-
新AI方法利用卫星数据进行具有不确定性感知的贫困测绘
研究人员开发了一种新的机器学习方法,利用卫星图像估算非洲的贫困水平,旨在为公共政策提供更可靠的数据。这种基于同步分位数回归和一致性预测的不确定性感知方法,为邻里级别的财富估算生成预测区间。虽然该方法在点预测方面与最先进技术相当,但其预测区间更宽,凸显了仅依靠地球观测数据进行政策决策的固有局限性。研究人员还提出了一种结合实况调查和模型预测来有效分配援助的程序,该程序在模拟中被证明比其他策略更有效。
-
地理空间基础模型的校准与分布变化敏感性评估
一篇新发表在arXiv上的研究论文探讨了地理空间基础模型(GeoFMs)的校准和分布变化敏感性。研究发现,标准的基于准确性的排名不足以评估GeoFMs,因为它们在各种分布变化下的性能和置信度会显著下降。研究表明,虽然在干净准确性或校准方面,经过地球观测(EO)预训练的模型并不优于经过ImageNet预训练的模型,但它们在分布变化下往往会变得更加过度自信。该论文提倡更全面的评估协议,包括多种条件和指标,以更好地评估GeoFM的进展和实际…
-
新的T3L-DS方法优化了低轨对地观测星座的应急调度
研究人员开发了一种名为任务驱动三层分布式调度(T3L-DS)的新方法,以解决大规模低地球轨道(LEO)对地观测(EO)星座中的动态应急观测调度问题(DEOSP)。该方法旨在以对常规运行的最小干扰,有效地将紧急任务插入现有的观测计划中。T3L-DS在通用网格上表示任务需求和传感器足迹,形成用于协调的观测能力和星间链路的临时集群。实验表明,T3L-DS在应急覆盖方面优于其他分布式方法,并显著减少了常规覆盖损失。
-
SAR数据压缩与去噪框架部署在FPGA上
研究人员已成功将联合合成孔径雷达(SAR)去噪与数据压缩框架部署到嵌入式FPGA平台。这项工作解决了未来SAR任务中对板载数据缩减的关键需求,以实现近乎实时的地球观测。该研究调整了模型拓扑以满足星载系统的约束,并评估了在不同精度和平台(包括CPU、GPU和FPGA)上的性能。主要发现表明,ReLU激活函数比用于自然图像的激活函数更适合SAR图像,并且FPGA为这项任务提供了最高效的解决方案。
-
GeoForge框架增强地球观测智能体的推理能力
研究人员推出GeoForge,一个旨在增强地球观测(EO)智能体推理能力的新型框架。该训练免费系统通过将已完成的工具使用轨迹转化为可重用知识来实现自演化,从而在不改变核心LLM的情况下改进规划。GeoForge利用三个记忆组件——工作流图记忆、动作级经验和适应性技能标准操作程序——来约束操作空间并指导工具执行,从而提高地理空间基准测试的准确性并减少错误。
-
板载视觉语言模型通过对话实现带宽高效的地球观测
研究人员开发了一种新颖的“先总结,后下载”范式,用于地球观测卫星,利用板载视觉语言模型(VLMs)来解决带宽限制。该方法包括卫星生成其传感器数据的自然语言摘要,然后地面操作员发出有针对性的视觉问答(VQA)查询以确认相关性。之后,仅下载关键信息,将数据传输转变为语义感知的对话,从而显著减少带宽消耗,并加速对时间敏感任务的洞察时间。该系统已成功在NVIDIA Jetson平台上实现并进行了测试。