Sentinel-2
PulseAugur coverage of Sentinel-2 — every cluster mentioning Sentinel-2 across labs, papers, and developer communities, ranked by signal.
15 天有情绪数据
Sentinel-2 data to be integrated into MLLM frameworks for diverse spatiotemporal analysis tasks
The recent development of an MLLM framework for analyzing construction site activity using Sentinel-2 data suggests a broader trend. It's likely that Sentinel-2's rich multispectral and temporal information will be increasingly leveraged by MLLMs for a wider range of spatiotemporal analysis tasks beyond construction, such as urban development, environmental monitoring, and disaster impact assessment.
Transformer architectures will become dominant for time-series satellite image analysis
The success of TSViT in crop segmentation and the general finding that transformers modeling temporal dynamics are critical indicate a shift. We hypothesize that transformer-based models, including those specifically designed for time-series data like TSViT and potentially others like VistaFormer, will become the leading architectures for various satellite image time-series analysis tasks, outperforming traditional CNNs.
Geospatial Foundation Models adapted with LoRA will see rapid adoption for specialized mapping tasks
The demonstration that LoRA can efficiently adapt GFMs like Prithvi-v2 for wildfire mapping with Sentinel-2 data points to a scalable solution. We predict that this LoRA-based adaptation approach will be rapidly adopted by researchers and practitioners for various specialized geospatial mapping tasks, enabling efficient fine-tuning of powerful foundation models on specific datasets and applications.
-
$T^3S$ 方法利用 thermal time 提高了作物绘图的泛化能力
研究人员开发了一种名为 Thermal Time-based Temporal Sampling ($T^3S$) 的新方法，以提高卫星图像时间序列作物绘图的泛化能力。这种模型无关的方法使用累积生长积温而不是日历时间来重新索引卫星观测，从而使不同年份的物候学上等效的生长阶段对齐。$T^3S$ 在跨年和跨区域作物分类方面表现出持续的改进，增强了不确定性校准，并在标签稀疏的情况下，即使在早期季节预测中也表现出更好的性能。
-
新的光学-SAR框架改进了撒哈拉以南非洲的贫民窟测绘
研究人员开发了一种新颖的光学-SAR框架，以改进撒哈拉以南非洲非正规住区的测绘，解决了仅凭光学图像难以将这些区域与类似的正式住区分辨的挑战。通过整合Sentinel-2光谱数据与Sentinel-1结构信息和改编的本地气候区（LCZ）分类，该框架显著提高了非正规住区边界划分的准确性。这项研究利用了来自肯尼亚内罗毕和埃尔多雷特的が数据，发现SAR衍生的纹理对于性能提升至关重要，整体准确率超过0.81，并将非正规住区（LCZ 7）与正式住…
-
新数据集以更高分辨率影像绘制小型农田边界
研究人员开发了“Fields of the Planet”（FTP），这是一个用于绘制农田边界的新数据集和方法论，特别针对小农户。通过利用更高分辨率的3米PlanetScope影像，FTP显著改进了以往依赖10米Sentinel-2数据的旧方法。这一进步大大提高了全景质量并减少了边界误差，使其在作物监测和产量估算方面更加有效。
-
新方法使用环境信号探测地理空间自监督学习表示
研究人员开发了一种新方法，通过环境信号探测来评估地理空间数据中的自监督学习（SSL）表示。该方法使用共置的ERA5再分析变量（如温度和降水）来评估DINO、MAE和MoCo等SSL模型在多大程度上编码了与环境条件相关的信息。研究发现，表示层面的指标可以区分下游任务性能相似的模型，并且环境信号的可访问性与环境依赖性任务的性能相关。
-
TESSERA v2 研究揭示地球观测模型的最佳扩展方法
研究人员对像素级地球观测基础模型进行了大规模扩展研究，在 1,024 个 NVIDIA GH200 超级芯片上进行了 395 次训练运行。研究发现，预训练损失是下游性能的糟糕预测指标，这表明将计算资源集中在更大的编码器和更多数据上，而不是更大的投影仪上，更为有效。该团队训练了一系列模型，包括拥有 2100 万个参数的 TESSERA v2-1B-M，其性能优于更大规模的开源和专有模型，并通过 Matryoshka 表示法实现了高效服务。
-
OlmoEarth v1.2模型在训练和推理方面实现3倍效率提升
研究人员推出了OlmoEarth v1.2，这是一个为提高效率而设计的更新模型家族。这些改进显著降低了训练和推理的计算成本，基础模型的训练GPU时间减少了三分之二，Sentinel-2任务的MACs减少了近三分之二。研究团队已公开所有训练代码。
-
Google AI 将屋顶反射率数据扩展到 50 多个城市，以增强热适应性
Google Research 已将其人工智能驱动的建筑级别屋顶反射率数据集扩展到全球 50 多个城市。该计划旨在帮助城市规划者实施凉爽屋顶解决方案，以应对极端高温和城市热岛效应。新的数据集在 Nature Communications 论文中有详细介绍，它利用一种新颖的方法，将卫星图像与机器学习相结合，提供高分辨率的反射率数据，从而能够进行有针对性的干预，有可能将全球城市热量降低多达 0.5°C。
-
新的AI框架通过卫星图像增强洪水测绘 · 已追踪2个来源
研究人员开发了一种使用Sentinel-1和Sentinel-2卫星图像进行高分辨率洪水测绘的新框架。该方法通过引入一个针对美国本土的新数据集并采用新颖的学习策略，解决了光学数据中的云覆盖和雷达数据中的斑点噪声等限制。该框架利用了移位不变损失函数来处理地理定位不确定性，并使用条件变分自编码器（CVAE）进行生成去斑，在洪水测绘精度方面取得了显著改进。
-
新研究应对图像超分辨率中的扩散模型挑战
两篇新研究论文探讨了图像超分辨率（SR）技术的进展，特别关注扩散模型。第一篇论文“Mind the Gap”量化了跨传感器SR中的域间隙，强调了在合成数据与Sentinel-2和PlanetScope等传感器生成的真实世界卫星图像上训练模型所面临的挑战。第二篇论文“TinySR”介绍了一种更高效的扩散模型，专为真实世界图像超分辨率设计，通过剪枝和架构优化，实现了实时性能，同时显著减小了模型尺寸和计算成本。
-
AI模型利用卫星图像联合检索小麦作物数据
研究人员开发了一种迭代能量模型Transformer (iEBT) 模型，利用卫星数据联合检索小麦作物的土壤湿度、叶面积指数和株高。该多模态Transformer处理来自Sentinel-1雷达和Sentinel-2光学图像的时间序列，通过最小化学习到的能量函数来迭代优化估计。该模型在印度田间测量数据上取得了0.854的R^2的强劲表现，表明Sentinel-1数据对于土壤湿度检索至关重要，Sentinel-2数据对于叶面积指数至关重…
-
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…
-
HLS-GPT Transformer 重建 NASA 卫星反射率数据
研究人员开发了 HLS-GPT，这是一个大规模生成式预训练 Transformer 模型，旨在重建 NASA 的 Harmonized Landsat 和 Sentinel-2 (HLS) 地表反射率数据。该模型利用分层 Transformer 架构处理不同的光谱波段配置，并对单像素时间序列进行操作。HLS-GPT 在美国本土的大量数据上进行了训练，在各种地表条件下展现出强大的重建能力，并在评估中优于传统方法和 NASA-IBM Pr…
-
新框架融合SAR和光学数据，实现抗云土地覆盖制图
研究人员开发了CloudLULC-Net，一个新颖的土地利用和土地覆盖制图框架，该框架有效融合了合成孔径雷达（SAR）和光学遥感数据。该方法旨在克服光学影像常被云层和阴影遮挡的局限性。该框架采用了抑制不可靠光学信号并自适应聚合SAR和光学信息的技术，为LULC预测创建统一表示。为支持这项工作，创建了一个名为CloudLULC-Set的新基准数据集，其中包含超过40,000个SAR-光学-标签三元组。
-
新的deFOREST管道融合卫星数据以进行先进的森林砍伐检测
研究人员开发了一个名为deFOREST的新森林砍伐检测管道，该管道融合了光学和雷达卫星数据以增强传感。该系统使用离散Karhunen-Loéve展开从光学数据构建异常图，在不需要数据分布先验知识的情况下量化异常。然后将这些光学异常图与雷达数据结合，并使用隐马尔可夫模型进行分类。deFOREST方法在亚马逊森林中使用Sentinel-1和Sentinel-2数据进行了测试，与现有的混合方法相比，其准确性更高，尤其是在由于云层覆盖导致光学…
-
新型时空图网络提升土壤碳预测能力
研究人员开发了SpTGNN，一种新颖的多模态时空图神经网络，用于预测土壤有机碳（SOC）。该模型通过异构图结构和经过微调的TerraMind编码器整合光谱和时间数据，解决了现有方法的局限性。SpTGNN利用混合专家模块进行特征融合，并结合了先进的不确定性量化技术，在非洲和欧洲的评估中表现优于传统的XGBoost基线。
-
地理基础模型通过混合 CNN 增强滑坡检测
一篇新的研究论文探讨了使用 Clay v1.5 等地理基础模型 (GFMs) 来改进滑坡检测。研究发现，在 U-Net 架构中，使用低秩适配 (LoRA) 将 GFMs 作为辅助上下文进行集成，取得了最佳效果。这种混合方法显著优于独立的 U-Net 基线和仅使用 Clay 的骨干网络，表明 GFMs 在滑坡分割等任务中，作为补充而非替代详细卷积神经网络时最有效。
-
深度学习追踪80年海草变化，揭示2025年海草崩溃
研究人员开发了一种基于YOLO分割的深度学习模型，利用各种航空和卫星图像，能够准确追踪近80年来海草的分布。该研究聚焦于日本赤穗潮间带，那里在2025年发生了严重的海草消失事件，海草面积从历史平均的6.8公顷减少到仅0.2公顷。这种快速的生态系统转变，可能由水温升高引起，凸显了在监测海草时需要更高的 temporal resolution，尤其是在与自然相关的披露方面。
-
物理约束深度学习提升洪水预测精度
研究人员开发了一个新的基于物理约束的深度学习框架，用于先进洪水预测。该混合模型结合了UNet和傅里叶神经网络算子（FNO）架构，将多模态遥感数据与浅水方程的约束相结合。与现有方法相比，该方法在预测洪水范围和水位方面显著提高了准确性。
-
视觉 Transformer 绘制 38 年美国森林干扰图
研究人员开发了一个深度学习框架，使用视觉 Transformer 绘制了过去 38 年美国大陆的森林干扰图。该方法同时模拟了时间轨迹和空间邻域，为传统卫星数据像素级分析提供了一种更连贯的替代方案。使用多种卫星源和验证数据集进行的评估显示，在检测干扰方面具有高精度，尽管与现有方法相比，在不同干扰类型上的性能有所不同。