首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    学习资源 | NOAA连接AI与环境科学(十)—AI/ML在后处理和数据传播中的应用

    AI,机器学习/深度学习技术(包括深层神经网络,DNN)在许多领域和应用中取得了很大的进展,包括医药、自动驾驶、社交媒体、金融工业等。在私有领域,人工智能的准确性和可用性方面的惊人增长具有显著意义。人工智能在气象学和海洋学领域也取得了显著的进展。然而,直到最近,在环境科学领域只有很少的AI应用开发工作。 令人鼓舞的是,AI在这些领域的应用在不断增加,而且取得了令人鼓舞的结果,其中包括预测技能。随着卫星数据的不断增加以及社会依赖的增加,将会持续改善预报准确率和精度。来自高分辨率卫星和传感器,一系列新传感器,以及物联网背景下新观测设备的数据不断增加。这些数据的增加将给这些数据的应用带来极大的挑战,AI已经成为潜在的解决技术。

    03

    社交软件新功能:英国科学家用AI和社交软件监控城市内涝 | 热点

    一条社交软件消息可能包含大量的信息,例如,它可以告诉我们洪水的位置在哪里,水深多少,洪水泛滥的趋势是怎样的。 随着气候变化的加剧,海平面上升,沿海地区面临巨大的威胁,每年雨季都会遭受洪灾的困扰。 近日,英国邓迪大学的科学家团队向外界展示一项可以用来检测城市内洪涝灾害的技术,该技术是由AI、社交媒体、众包技术组成的。 为了能够开发出一套早期洪涝灾害侦测系统,科学家们首先想到的是研发出一个超归结(hyper-resolution)城市洪涝计算机模型。为了验证该模型的可靠性,科学家需要收集大量的地面真实数据。 然

    02

    GEE APP——土壤水分资源管理器

    由于土壤水分含量与地球气候和天气以及干旱、洪水或山体滑坡等现象有关,因此对许多科学和专业用户来说都非常宝贵。遥感技术为连续测量这一变量提供了独特的可能性。特别是在农业领域,对高空间分辨率绘图的需求非常强烈。然而,目前可操作的土壤水分产品只有中粗空间分辨率(≥1 公里)。本研究介绍了一种基于机器学习(ML)的高空间分辨率(50 米)土壤水分绘图方法,该方法基于 Landsat-8 光学和热图像、哥白尼哨兵-1 C 波段合成孔径雷达图像以及可在谷歌地球引擎中执行的模型数据的整合。这种方法的新颖之处在于将完全由数据驱动的 ML 概念应用于地表土壤水分含量的全球估算。来自国际土壤水分网络的全球分布式原位数据是模型训练的输入。在独立验证数据集的基础上,得出的整体估算精度(根均方误差和 R²)分别为 0.04 m3-m-3 和 0.81。除了检索模型本身,本文还介绍了一个收集训练数据的框架和一个用于土壤水分绘图的独立 Python 软件包。谷歌地球引擎 Python 应用程序接口为完全基于云的数据收集和检索的执行提供了便利。对于土壤湿度检索,它无需下载或预处理任何输入数据集。

    01
    领券