Zobrazeno 1 - 10
of 101
pro vyhledávání: '"Antropov, Oleg"'
Deep learning (DL) models are gaining popularity in forest variable prediction using Earth Observation images. However, in practical forest inventories, reference datasets are often represented by plot- or stand-level measurements, while high-quality
Externí odkaz:
http://arxiv.org/abs/2308.05005
Accurate mapping of forests is critical for forest management and carbon stocks monitoring. Deep learning is becoming more popular in Earth Observation (EO), however, the availability of reference data limits its potential in wide-area forest mapping
Externí odkaz:
http://arxiv.org/abs/2212.00246
Autor:
Ignatenko, Vladimir, Laurila, Pekka, Radius, Andrea, Lamentowski, Leszek, Antropov, Oleg, Muff, Darren
The ICEYE constellation features the first operational microsatellite based X-band SAR sensors suitable for all weather day-and-night Earth Observation. In this paper, we report on the status of the ICEYE Constellation and describe the characteristic
Externí odkaz:
http://arxiv.org/abs/2102.04545
Autor:
Šćepanović, Sanja, Antropov, Oleg, Laurila, Pekka, Rauste, Yrjö, Ignatenko, Vladimir, Praks, Jaan
Land cover mapping is essential to monitoring the environment and understanding the effects of human activities on it. The automatic approaches to land cover mapping (i.e., image segmentation) mostly used traditional machine learning that requires he
Externí odkaz:
http://arxiv.org/abs/1912.05067
Publikováno v:
Remote Sensing; Nov2024, Vol. 16 Issue 21, p4079, 31p
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
Ge, S, Su, W, Gu, H, Rauste, Y, Praks, J & Antropov, O 2022, ' Improved LSTM Model for Boreal Forest Height Mapping Using Sentinel-1 Time Series ', Remote Sensing, vol. 14, no. 21, 5560 . https://doi.org/10.3390/rs14215560
Funding Information: This study was supported by the National Natural Science Foundation of China (Grant No. 62001229, 62101264, 62101260) and by China Postdoctoral Science Foundation (Grant No. 2020M681604). O.A. was supported by Multico project fun
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=dedup_wf_001::ed5835a629d674d8b0af35be664e8b88
https://cris.vtt.fi/ws/files/69723905/remotesensing_14_05560_v2.pdf
https://cris.vtt.fi/ws/files/69723905/remotesensing_14_05560_v2.pdf