Mohammadreza Narimani
PulseAugur coverage of Mohammadreza Narimani — every cluster mentioning Mohammadreza Narimani across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Kincade大火后索诺玛县葡萄园野火韧性分析
一项新的研究论文使用地理空间框架分析了2019年Kincade大火对加利福尼亚州索诺玛县葡萄园的影响。研究发现，尽管与野外相比，葡萄园的即时光谱影响较低，但这并不表明其完全具有韧性。2021年之前，烟雾笼罩、道路网络中断以及植被恢复缓慢等因素，描绘了一幅更复杂的葡萄园韧性图景。
-
新的Sentinel-2数据集助力活动火灾分割研究
研究人员发布了一个新的基准数据集，用于使用Sentinel-2卫星图像进行活动火灾分割。该数据集包含2,148个图像-掩码对，来源于25起加州野火，覆盖时间从2020年7月到2026年8月。数据包括区分背景、活动火灾和无效观测的详细掩码，以及用于训练和评估的相关元数据和代码。该数据集旨在支持稀有类别分割和从算法标签中学习的研究。
-
新的AI工作流程使用卫星影像和SAM 3绘制农田范围
研究人员开发了一种新的工作流程，使用1米NAIP影像来绘制农田范围和边界。该方法结合了使用Dice主导损失训练的残差U-Net模型和文本提示的Segment Anything Model (SAM 3)。该方法取得了高精度，组合模型在果园行和碎片化地块等具有挑战性的数据集上显示出显著的改进。由此产生的语义农田范围层可以在现有地块地图不足的情况下支持农业监测。
-
神经网络高精度预测葡萄叶片光谱反射率
研究人员开发了一种新的多头注意力神经网络来预测葡萄叶片的光谱反射率。该模型在一个包含16个叶片性状的特定数据集上进行训练，取得了0.84的决定系数（R^2）和1.52%的归一化均方根误差（NRMSE）。与传统的PROSPECT-PRO模型相比，它在近红外（NIR）和短波红外（SWIR）区域表现出更高的准确性，为农业遥感应用提供了更稳健的框架。
-
深度学习利用 AlphaEarth 嵌入绘制加州番茄图
研究人员开发了一种新方法，利用 Google DeepMind 的 AlphaEarth 地理空间嵌入和深度学习 U-Net 模型来绘制加利福尼亚的番茄种植系统图。这种方法消除了手动特征工程的需要，而手动特征工程在以前的遥感工作流程中很常见。该模型在独立测试集上实现了高精度，像素精度、精确率、召回率和 F1 分数均超过 99%。模型生成的置信度图在田地边缘附近最高，表明田地内部的预测是可靠的。