Google Earth Engine
PulseAugur coverage of Google Earth Engine — every cluster mentioning Google Earth Engine across labs, papers, and developer communities, ranked by signal.
-
Google AI 发布 WeatherNext 3，预报精度提升 5 倍
Google AI 推出了 WeatherNext 3，这是由 Google DeepMind 和 Google Research 开发的先进全球天气 AI 模型。与前代模型 WeatherNext 2 相比，该新模型提供了高达五倍的预测精度。与依赖具有显著预报延迟的基于物理模拟的传统模型不同，WeatherNext 3 利用实时地球静止卫星观测和真实世界数据，每小时更新全球预报，提供更本地化、更及时的见解。
-
Google DeepMind 发布 WeatherNext 3 AI，实现超高精度每小时天气预报 · 跟踪 8 个来源
Google DeepMind 推出了 WeatherNext 3，这是一个用于全球天气预报的先进人工智能模型。该新模型通过直接从实时卫星观测中学习，绕过了传统的基于物理的模拟及其固有的数据延迟，从而显著提高了准确性和分辨率。WeatherNext 3 以 5 公里的分辨率生成每小时预报，比其前代产品提高了五倍，并正在集成到包括 Search、Gemini 和 Maps 在内的各种 Google 产品中。
-
Google AI 利用深度学习从太空绘制全球甲烷排放图
Google Research 开发了一个名为 MAPL-EMIT 的深度学习框架，用于自动检测和量化卫星数据中的甲烷羽流。这一新方法在 PNAS 上发表，通过实现 84% 的专家标注羽流召回率，显著改进了现有方法。为了方便更广泛的使用，Google 发布了训练模型、全球羽流数据库和推理库。
-
Google AI 通过新的行星预测引擎自动化全球预测模型
Google Research 推出了行星预测引擎 (PPE)，这是一个实验性的 AI 系统，旨在自动化整个地理空间建模工作流程。该系统可自主处理从数据发现和策展到模型训练和评估的任务，将所需时间从几周大大缩短到几分钟。PPE 利用 LLM 选择相关的地理空间数据，将其与基础模型嵌入融合，并在各种模型架构中进行搜索，为公共卫生、粮食安全和环境风险等关键全球挑战提供预测。
-
深度嵌入提高了荷兰森林清查中树种分类的准确性
一篇新的研究论文探讨了使用预训练遥感模型的深度嵌入来改进荷兰国家森林清查中的树种分类。研究发现，这些源自 Presto、Alpha Earth 和 TESSERA 等模型的深度嵌入，其性能显著优于传统的手工制作特征。通过利用公开可用的卫星数据，这种方法为更新森林清查提供了一种更频繁、更具可扩展性的方法，尤其是在数据受限的情况下。
-
人工智能和遥感技术追踪达卡快速城市化和环境变化
一项新近发表在arXiv上的研究详细介绍了如何利用遥感和机器学习技术分析2019年至2024年间孟加拉国达卡地区的土地利用和植被变化。该研究采用了卫星图像以及决策树、K近邻和随机森林等算法来追踪土地覆盖的变化。研究结果显示，城市建成区显著增加（59.5%），而植被（-8.46%）和水体（-7.77%）则有所减少，凸显了快速城市化对环境的影响。该研究强调了这些技术工具在可持续城市规划和政策制定方面的实用性。
-
Gamuda Berhad 使用人工智能和卫星技术进行环境监测
Gamuda Berhad 开发了一个名为SIGMA的数字监测系统，以加强其建筑项目的环境责任。该系统利用基于卫星的地理空间监测和环境DNA（eDNA）分析，提供环境条件的实时数据，取代了传统劳动密集型的方法。该平台旨在提供持续监测、可追溯性和可靠的审计跟踪，从而实现更有效可持续发展努力，并满足全球投资者严格的ESG期望。
-
ROSA-TFormer模型使用卫星数据对松树人工林进行高精度分类
研究人员开发了ROSA-TFormer，这是一种新颖的Transformer模型，用于结合雷达和光学卫星图像对油松（Pinus sylvestris）人工林进行分类。该模型集成了SAR和光学数据的独立分支、一个传感器感知门以及时间注意力池化，以有效捕捉多源季节性特征。实验表明，在特定数据集上，该模型实现了高分类精度，总体准确率为99.67%，油松F1分数为98.91%，凸显了该模型在植树造林监测方面的潜力。
-
深度学习框架从SAR图像估计InSAR相干性
研究人员开发了一个深度学习框架，能够直接从检测到的SAR图像估计InSAR相干性，无需精确配准。该框架使用残差U-Net模型在Sentinel-1数据上进行训练，学习后向散射幅度和相干性之间的关系。该方法在准确性上优于现有的基于强度的方法，并在不同地点和时间基线上表现出强大的泛化能力，从而能够实现大规模应用。
-
Google DeepMind 发布 WeatherNext 2，一款用于更快、更准确天气预报的 AI 模型
Google DeepMind 推出了 WeatherNext 2，这是一款先进的用于天气预报的 AI 模型，其预测速度提高了 8 倍，并具有小时级分辨率。该新模型基于函数式生成网络 (FGN) 方法构建，可以从单一输入生成数百种可能的天气情景，在准确性和提前期方面均超越了其前代产品。该技术正被整合到 Google Search 和 Maps 等各种 Google 产品中，并通过 Google Cloud 的 Vertex AI 平台提供。