Earth observation
PulseAugur coverage of Earth observation — every cluster mentioning Earth observation across labs, papers, and developer communities, ranked by signal.
- instance of Geospatial Foundation Models 90%
- used by synthetic aperture radar 70%
- used by visual question answering 70%
- instance of Gotit.pub 70%
- authored by alphaXiv 70%
- uses visual question answering 70%
- authored Gotit.pub 70%
- used by Gotit.pub 60%
- used by alphaXiv 60%
- developed visual question answering 50%
3 天有情绪数据
-
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。
-
新的ELMZip框架利用AI实现高效卫星图像压缩
研究人员开发了ELMZip，一种利用极限学习机（ELMs）进行星载图像压缩的新框架。该方法通过将压缩构建为一个凸最小二乘问题来解决从小卫星传输大量数据这一挑战，避免了计算密集型的反向传播。ELMZip通过仅传输紧凑的输出权重，显著减少了下行链路的有效载荷，从而实现了高效、实时的AI驱动地球观测。
-
新的DARAD框架增强了持续遥感图像-文本检索能力
研究人员开发了DARAD，一个旨在改进持续遥感图像-文本检索的新框架。该方法解决了不断变化的数据库带来的挑战，例如尺度变化和分布偏移，这些问题可能扭曲跨模态对齐空间。DARAD利用视觉和文本分支的双适配器，以及感知排名的蒸馏过程，以在保留历史数据准确性的同时有效学习新概念。
-
HALO框架通过克服注意力漂移增强低光遥感图像 · 跟踪2个来源
研究人员开发了HALO，一个旨在增强因极端低光条件而退化的遥感图像的新框架。该框架解决了现有方法中“注意力漂移”的问题，该问题通过错误地跨边界聚合特征导致结构模糊和颜色失真。HALO利用双重先验：一个用于区域同质性的语义先验和一个用于边界异质性的拓扑先验，通过同质性-异质性协同注意力模块（H2CAM）进行集成。实验表明，HALO在多个基准测试中取得了最先进的结果，提高了地球观测任务的清晰度和颜色保真度。
-
新章节详述用于卫星图像分析的“地球嵌入”
一篇关于“地球嵌入”的新章节已在arXiv上发布，详细介绍了地球观测正转向可重用数据产品，而不是要求用户自行运行大型基础模型。这些嵌入是总结位置或图像块的向量表示，使用户能够在不处理原始卫星图像的情况下分析紧凑的特征。该章节探讨了各种类型的嵌入、它们在土地覆盖测绘和灾害建模等领域的应用，并讨论了海洋和大气覆盖等挑战。
-
EfficientViT-M2 在鲁棒在轨卫星图像分类中领先
一项比较研究评估了14种不同的计算机视觉模型，包括各种视觉Transformer（ViT）架构，用于地球观测任务中的在轨卫星图像分类。研究侧重于准确性、计算效率、功耗以及对传输退化的鲁棒性。EfficientViT-M2 成为一个有力的候选者，在准确性、低功耗和对噪声及压缩的抵抗力方面提供了良好的平衡，使其适用于资源受限的在轨系统。
-
GeoCore-9B：新型地球观测生成模型，基于地理空间数据训练
研究人员推出了GeoCore-9B，这是一款专为地球观测任务设计的新型90亿参数生成基础模型。与以往微调自然图像先验的模型不同，GeoCore-9B仅使用地球观测数据，并采用基于流匹配的扩散 Transformer 进行训练。它原生将纬度、经度和地面采样距离等地理空间元数据融入其生成过程。为了提高训练稳定性和准确性，开发了一种地理空间语义对齐损失，以从专业教师网络中提取地球表面结构先验。
-
SPECTRA框架通过带路由嵌入和高效LoRA增强地理空间模型微调
研究人员推出了一种名为SPECTRA的新框架，旨在增强地理空间基础模型（GeoFMs）在下游任务中的微调。SPECTRA解决了两个关键挑战：光谱失配（下游传感器可能具有与模型预训练时不同的光谱带）和高昂的微调成本。为了解决光谱失配问题，该框架采用带路由嵌入（BRE）将可用的下游频带映射到预训练GeoFM的预期频带空间。为了提高效率，SPECTRA采用分阶段可迁移性感知LoRA（ST-LoRA）方法，该方法根据估计的分阶段可迁移性智能分…