遥感相关 AI 资讯

8月11日

10:57

官方账号arXiv cs.LG@Satwat Bashir, Tasos Dagiuklas, Muddesar Iqbal

FedOrbit 针对低轨卫星星座中非独立同分布数据和地面站可见性不规则问题，提出结合轨道级训练、类感知分层聚合、质量加权特征聚合及自适应特征分解的方法。在三个遥感基准和两种非独立同分布划分下，FedOrbit 在六种设置中五种取得最高准确率，第六种与最佳结果相差 0.9 个百分点。相比最强基线，在 Dirichlet 划分下提升 16.1 个百分点，在病态划分下提升 8.6 个百分点，且在六种设置中五种具有最小的轨道间准确率差异。

论文 FedOrbit 联邦学习低轨卫星

推荐理由：卫星联邦学习老被轨道数据不均衡坑，FedOrbit 用分层聚合和自适应分解，在遥感基准上最高提了 16 个点，做边缘 AI 的可以看看。

原文

8月6日

09:33

官方账号arXiv cs.AI@Jacob Arndt, Debvrat Varshney, Philipe Dias, Nivedita Nukavarapu

该论文提出一个用于卫星图像篡改检测与定位的原型基准数据集，包含60张图像，其中30张经复制粘贴拼接或扩散模型修复等方式篡改，另30张为真实图像。每张图像都配有像素级真值掩码和采集元数据，支持定位性能评估。数据集已发布在HuggingFace平台，可免费下载。

论文卫星图像深度伪造数据集

推荐理由：遥感领域缺精细的篡改定位数据集，这个原型集合了拼接和扩散修复两类篡改，还带掩码和元数据，做取证研究可以直接拿来测。

原文

7月27日

10:57

官方账号arXiv cs.LG@Marc Girona-Mata, Jakob Gawlikowski, Sumit Goski, Gautier Bardi de Fourtou, Valentin T. Bickel, Ben Moseley, Abigail Calzada-Diaz, Sylvester Kaczmarek, Raúl Ramos-Pollán

LunarFM是一个多模态基础模型，整合了来自3次月球任务的6种仪器数据，将18个输入通道映射到共享嵌入空间。该模型支持相似性搜索、少样本资源映射、矿物丰度回归和地质单元分类等下游任务。研究提供了从南纬70°到北纬70°的机器学习就绪数据集，以及预训练的多模态掩码自编码器。模型输出768维的月球表面属性表示，代码和数据均已开源。

AI模型 LunarFM 多模态基础模型

推荐理由：LunarFM把三个月球任务的六种仪器数据整合成一个模型，能直接做资源识别和地质分类，开源数据集和代码。

原文

7月1日

10:37

官方账号arXiv cs.AI@Emilie Vautier, Clément Mallet, Cédric Vega

法国国家森林调查局（NFI）利用32,052个样地数据与LiDAR HD项目，训练FLORA深度学习框架。FLORA可从异构LiDAR点云预测六种森林属性：优势木高度、总材积、落叶木材积、针叶木材积、胸高断面积和树干密度。模型采用八叉树主干结合生态和时空辅助变量，通过晚融合门控机制整合。单模型在落叶和常绿两种季节数据上均优于季节专用模型，优势木高度rRMSE为12.3%（R2=0.88），总材积rRMSE为39%（R2=0.74）。

论文 FLORA LiDAR 森林属性预测

推荐理由：法国NFI用LiDAR HD数据训练的FLORA模型，单模型跨季节预测森林属性，精度超过季节专用模型。

原文

6月23日

13:19

官方账号arXiv cs.LG@Nathan Senyard, Salem Hamdani, Astrid Zhang, Derek Wang, Evan Shelhamer, Mathias Lécuyer, Joséphine Gantois

Hedgementation 是一个面向国家尺度、10m² 空间分辨率的树篱映射遥感基准。它整合了多个遥感数据产品与法国树篱清单的标注，用于评估机器学习模型。基准测试了三个基线模型在空间距离和气候区域上的泛化能力，并涵盖监督和自监督学习方法。代码已开源在 GitHub。

论文 Hedgementation 遥感基准

推荐理由：想测试遥感模型对细节的抓取能力？这个基准用了法国全国树篱数据，10米分辨率，还能跨气候区泛化。

原文

5月22日

11:46

官方一手arXiv: Google DeepMind@Mohammadreza Narimani, Alireza Pourreza, Parastoo Farajpoor

精选

加州大学团队利用Google DeepMind的AlphaEarth地理空间嵌入，结合U-Net深度学习模型，实现了加州加工番茄田的像素级精准识别。研究基于LandIQ 2018年作物多边形构建了平衡参考数据集，在独立测试集上达到99.19%像素精度和99.04% F1分数。该方法无需手工特征工程，且通过蒙特卡洛dropout提供了不确定性估计，边缘区域不确定性最高。结果表明AlphaEarth嵌入可作为分析就绪的替代方案，支持跨年稳健的作物制图。

论文 AlphaEarth 深度学习作物制图

推荐理由：农业遥感团队终于有了无需手工特征工程的端到端方案——AlphaEarth嵌入+U-Net直接输出高精度作物图，做供应链预测和政策分析的可以直接复现。

原文

08:05

08:05IT之家（博客/媒体）

精选72°

中国科学院上海技术物理研究所领衔的研究团队，利用嫦娥六号从月球背面带回的样本，结合残差卷积神经网络AI模型，成功绘制出迄今为止最精确的月球全球化学成分图。该研究修正了月球背面高地的成分认知，发现镁质岩石出露面积远超预期，并重新勾勒了南极-艾特肯盆地的边界。新地图为未来月球探测，尤其是对月球背面的探索，提供了关键导航图。

论文嫦娥六号月球化学成分 AI深度学习

推荐理由：这项研究用AI破解了遥感数据与化学成分之间的复杂映射，做行星科学或遥感分析的团队可以直接参考新地图来规划探测任务。

原文

5月21日

09:46

官方账号arXiv cs.AI@Islam Mansour, Ronny Haensch, Irena Hajnsek, Konstantinos Papathanassiou

精选

该研究提出一种混合机器学习模型，将物理模型约束与光学Landsat数据结合，用于从TanDEM-X干涉相干数据估算森林高度。通过引入Landsat多光谱信息，模型能更好区分森林类型和结构，解决原始数据中的高度/结构与基线/地形坡度歧义。在加蓬Lopé国家公园的验证中，相比原混合模型，RMSE降低13.5%，MAE降低16.6%。这项工作展示了多源遥感数据融合对提升地球物理参数反演精度的价值。

论文遥感机器学习森林高度估算

推荐理由：做遥感或森林生态研究的团队，这个模型直接帮你把森林高度估算误差砍掉一成多，而且方法可复现，建议点开看具体实现。

原文

5月19日

14:53

官方账号arXiv cs.LG@Thijs L van der Plas, Jacob JW Bakermans, Vishal Nedungadi, Gabrielė Tijūnaitytė, Marc Rußwurm, Ioannis N Athanasiadis

精选

Earth embedding模型将地球观测数据转化为与地理位置相关的嵌入向量，但现有评估通常孤立比较单个模型。本文提出嵌入互补性指数，衡量融合多个模型嵌入后的性能提升。在六个下游任务中，融合四个模型（AlphaEarth、Tessera、GeoCLIP、SatCLIP）在四个任务上优于最佳单一模型。互补性因任务和地点而异，且部分由土地覆盖类别的空间尺度决定。研究重新定义了Earth embedding的评估方式：未来最大收益可能来自模型组合而非单一模型。

论文 Earth embedding 模型融合地理空间AI

推荐理由：做地理空间AI或遥感应用的团队，别再只盯着单个模型刷榜——这篇告诉你融合多个Earth embedding模型能带来实际性能提升，建议直接参考其互补性评估方法。

原文