SSGAN: Cloud removal in satellite images using spatiospectral generative adversarial network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Satellite data’s reliability, uniformity, and global scanning capabilities have revolutionized agricultural monitoring and crop management. However, the presence of clouds in satellite images can obscure useful information, rendering them difficult to infer. Aiming at the problem of cloud cover, this study presents a SpatioSpectral Generative Adversarial Network (SSGAN) approach for effectively eliminating cloud cover from multispectral satellite images. It utilizes the Synthetic Aperture Radar (SAR) images as complementary information with the optical images from the Sentinel-2 satellite. The proposed model exploits feature extraction by sub-grouping the 13 channels of Sentinel-2 images based on their electromagnetic wavelength. Experimentally, we demonstrated that the proposed SSGAN model surpasses conventional and state-of-the-art (SOTA) methods and can reconstruct regions obscured by clouds. The subgrouping optimized the utilization of sensor information and improved the performance metrics for reconstructed images. Compared to the state-of-the-art (SOTA) approach, the SSGAN model demonstrates higher performance, achieving a mPSNR of 32.771, mSSIM of 0.880, and correlation coefficient (CC) of 0.889. The SSGAN model was further evaluated under varying conditions, including scenarios without the inclusion of SAR data, where it achieved a mPSNR of 26.825, mSSIM of 0.726, and CC of 0.615. Adding SAR images into the model significantly enhanced its performance, resulting in a mPSNR of 29.932, mSSIM of 0.857, and CC of 0.735. These results indicate that higher mPSNR, mSSIM, and CC values correspond to better image reconstruction quality. Our method enhances the usability of satellite data for crop mapping, crop health monitoring, and crop yield prediction.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle