sar

Keelix 是一款全新的开源工具，它利用免费的 Sentinel-1 SAR 卫星图像，在不依赖 AIS 数据的情况下监控海军基地，通过雷达图像的前后对比来检测舰船的进出港情况并标记异常活动。该工具在 Norfolk 海军基地进行了为期 12 个月的验证，采用信号处理而非机器学习方法，实现了约 65% 的检测率和约 95% 的精确率。

本可行性研究在AFRL的GOTCHA SAR相位历史数据上，将小型卷积自编码器与分块自适应量化（BAQ）进行基准对比，发现学习式编码器在各速率下均处于劣势。研究还揭示了评估中的陷阱，如CFAR边界伪影和截断范围敏感性，并提出了一套面向学习式雷达压缩的评估协议。

提出了一个使用多传感器卫星数据进行森林地上生物量估算的全局训练CNN，并通过稀疏样地校准流程实现局部预测适应。与未校准的全局模型和ESA CCI产品相比，精度有所提高。

介绍了GEOID-Flood，这是一个用于洪水分割的大规模多模态基准数据集，包含来自65个国家219个事件的超过14,000个瓦片，在单图像、多时相和多模态协议下，将基础模型与传统编码器进行了评估。

本文介绍了一种新颖的不确定性感知PINN框架，用于从SAR数据进行洪水推理，通过动态放松噪声区域的物理约束来解决“物理冲击”问题。在Sen1Floods11数据集上评估，该方法实现了IoU提高25%，并为操作化灾害响应提供了校准的不确定性边界。