Moderate-Resolution Imaging Spectroradiometer
PulseAugur coverage of Moderate-Resolution Imaging Spectroradiometer — every cluster mentioning Moderate-Resolution Imaging Spectroradiometer across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架利用自监督学习重建NDVI时间序列数据
研究人员开发了GloSSR，一个新颖的自监督时空学习框架，用于重建归一化植被指数（NDVI）时间序列数据。该方法通过人为创建退化模式来生成自监督训练对，解决了遥感数据中的云污染和噪声挑战。该框架利用具有ConvLSTM架构的双向Transformer来捕获复杂的时间和空间相关性，增强特征提取并保留长期植被趋势。
-
新的机器学习框架使用红外数据准确检测云层
研究人员开发了一个名为云识别支持向量机（CISVM）的新机器学习框架，用于利用红外大气探测数据检测云层。这种监督方法仅使用高光谱红外辐射，并与业务云参考数据达到88.52%的一致性。CISVM框架深入了解了地表特性、季节性和地理位置如何影响云层检测，并为包括欧洲航天局FORUM在内的未来红外任务奠定了基础。
-
新的CanadaFireSat数据集赋能高分辨率野火预测
研究人员开发了一个名为CanadaFireSat的新基准数据集，以改进高分辨率野火预测。该数据集利用多模态数据，包括来自Sentinel-2的高分辨率卫星图像、MODIS产品和ERA5环境数据，以预测加拿大境内100米分辨率的野火发生情况。深度学习架构的实验表明，结合来自多种模态的时间输入，其性能显著优于单一模态输入，在2023年野火季达到了60.3%的峰值F1分数。
-
Vision Transformers 提升沿海藻华测绘能力
研究人员开发了一种新的方法，利用 Vision Transformers（一种深度学习模型）来绘制沿海藻华的地图。该方法利用 Landsat-8/9 和 Sentinel-2 卫星的高分辨率图像，检测出通常会被分辨率较低的传感器遗漏的碎片化藻华结构。研究将四种 Transformer 架构与标准的卷积基线进行了比较，发现 Swin Transformer 在云层覆盖和太阳反光等挑战性条件下表现最佳。与传统的谱指数方法相比，这种深度学习…
-
休斯顿的云与州际公路对齐，显示城市热效应
德克萨斯州休斯顿的新卫星图像显示，云层完美地沿着该市的州际公路形成。气象学家观察到的这一现象为“城市云效应”提供了令人信服的视觉证据，这一概念得到了多年科学研究的支持。这种效应归因于城市表面（尤其是铺砌的道路）吸收和辐射的热量，这些热量会影响大气条件和云的形成。
-
AI模型利用卫星天气数据量化二氧化碳
研究人员开发了一种物理引导的神经网络，能够利用地球静止轨道业务环境卫星（GOES-East）的数据量化大气二氧化碳（$XCO_2$）。该模型利用卫星高时间分辨率和高空间分辨率的特点，以及气象和地表反射率数据来估算$XCO_2$。虽然精度不如专用仪器，但GOES-East衍生的数据提供了对大片区域二氧化碳变异性的独特视角，更新频率高，显示出观测城市排放增强和农业碳汇的潜力。
-
新的GDS-Mamba模型利用图和稀疏Tokens增强树种分类
研究人员开发了一种名为GDS-Mamba的新模型，用于改进使用MODIS卫星时间序列数据进行树种分类。该模型解决了细微物种差异以及空间、光谱和时间信息耦合等挑战。GDS-Mamba采用图正则化方法进行上下文建模，解耦架构进行特征提取，以及稀疏Tokens来提高效率和学习细微特征。实验表明，该模型在准确性方面有显著提高，优于其他十二种模型。
-
新的卫星系统利用人工智能在严格约束下进行实时野火检测
研究人员开发了一种用于卫星的实时野火检测系统，该系统设计用于在严格的在轨约束下运行。该系统采用一种轻量级的密集表示学习方法，特别是DenseMAE，来处理热红外图像并将火灾识别为小的异常。这种方法在模型占用空间小和推理时间快的情况下实现了高精度，在极端类别不平衡的挑战性条件下优于传统方法。
-
地球系统基础模型整合多样化数据用于气候预测
研究人员开发了地球系统基础模型 (ESFM)，这是一个开源框架，旨在整合和预测多样化的地球系统数据。ESFM 基于 Aurora 模型架构，并采用了处理异构数据的新方法，包括来自卫星和站点源的缺失值。该模型利用轴向注意力捕捉变量间的依赖关系，并通过对单个变量进行分词以方便适应新任务，在与现有基准的比较中表现出具有竞争力或更优的性能。