目前，GEE以其强大的功能受到了国外越来越多的科技工作者的重视和应用，然而在国内应用还十分有限。GEE提供了基于Javascript和Python语言的API，前者是官方主推平台的编程语言，易于上手但在输入输出和绘图可视化等方面存在不足，而Python作为目前最受欢迎的编程语言，能够弥补Javascript在这方面存在的不足，且更方便批处理和机器学习。前期我们开展了基于Javascript的GEE
目录看一幅波长与光对应的图1、波段2、波段组合3、多波段数据的三种存储方式4、全色5、彩色6、 多光谱7、高光谱 看一幅波长与光对应的图1、波段波段又称为波谱段或波谱带，在遥感技术中，通常把电磁波谱划分为大大小小的段落，大的成为波段区，如可见区、红外区等；中等的如近红外、远红外等；小的称为波段。 影像数据根据波段的多少可以分为单波段影像和多波段影像两种，单波段影像一般用黑白色的灰度图来描述，多波
遥感技术最基本的东西其实就是遥感图像，不管你是设计传感器，还是专注遥感的应用，都是围绕着图像来工作。离开图像来谈遥感，等同于画饼充饥。这部分内容包括：遥感成像原理和基本概念遥感图像基本特征1原理和基本概念图1 被动遥感成像过程遥感成像可分为如图1所示5个部分，对于专注于遥感应用来说，需要重点学习的是传感器部分，即成像装置。传感器是获取地面目标电磁辐射信息的装置。传感器按照不同的分类标准可分为很多类
转载
2023-08-03 14:09:32
0阅读
特色1、原理深入浅出的讲解；2、技巧方法讲解，提供所有案例数据及代码；3、与项目案例相结合讲解实现方法，对接实际工作应用 ；4、跟学上机操作、独立完成案例操作练习、全程问题跟踪解析；5、群辅助巩固学习及实际工作应用交流，不定期召开线上答疑。刘老师（副教授），来自重点双一流高校，长期从事3S技术、非点源污染模拟、环境系统开发与应用，主持完成多项重点研发及工程项目，发表多篇SCI论文，具有丰富的工程实
转载
2023-07-11 20:38:50
228阅读
Improvement and expansion of the Fmask algorithm: cloud, cloud shadow, and snow detection for Landsats 4–7, 8, and Sentinel 2 images1.概述1.1.对于LandSat卫星1.2.对于Sentinel卫星1.3.本文贡献2.算法改进和扩展2.2.算法改进2.2.算法扩
转载
2023-08-11 17:54:13
154阅读
简单介绍： 图像配准(Image registration)就是将不同时间、不同传感器（成像设备）或不同条件下（天候、照度、摄像位置和角度等）获取的两幅或多幅图像进行匹配、叠加的过程，它已经被广泛地应用于遥感数据分析、计算机视觉、图像处理等
转载
2023-08-29 11:46:21
0阅读
遥感和GIS之间有着天然的联系，它们可以互为补充。遥感是空间数据采集和分类的有效工具，GIS是管理和分析空间数据的有效工具。两者是空间信息的主要组成部分，有着天然的联系。遥感具有动态、多时相采集空间信息的能力，遥感影像已经成为GIS的主要信息源。作为GIS的核心组成部分，遥感影像是提供及时信息的理想方式。在遭遇灾害的情况下，遥感影像是唯一我们能够立刻获取的地理信息；在地图缺乏的地区，遥感影像甚至是
转载
2023-09-17 08:25:59
0阅读
遥感电磁辐射是比较难理解也是非常重要的内容，对于一般学习遥感专业的人来说，只需要学习个大概，这个大概主要包括你需要理解几个概念以及能从电磁辐射原理上解释一些遥感现象，进而为遥感过程的理解打下一个基础，如果你想在这个环节上有所建树，建议深入阅读徐希孺编写的《遥感物理》。本专题包括内容：地物波谱遥感过程1 遥感与电磁波（一）电磁波
遥感技术可以监测植被的变化，主要研究植被的替代指标. NDVI，又称标化植被指数，是目前应用最为广泛的指标，是近红外波段与红色波段的差异经二者之和校正后的结果. 公式为：NDVI=（NIR-RED）/（NIR+RED），该指数值介于-1与1之间： 0代表该区域基本没有植被生长；负值代表非植被覆盖的区域；取值0~1之间，数字越大代表植被的覆盖面积越大，植被的量越多. 云、水体和冰雪在红色及近红外波段
卫星遥感
原创
2023-03-03 06:32:57
199阅读
1 引 言 截至到20世纪末，全球仍有20％地形起伏在200m以上的地区没有1：5万或更高精度的地形图。有超过1/3的可居住区不具备90m水平分辨率和30m垂直分辨率或更高精度的DEM。其中许多是位于热带亚、热带和地震、火山活动强烈的板块边缘。1999年9月搭载有ASTER传感器的Terra卫星发射和随后的2000年2月SRTM（Shuttle Radar Topography Mapping
前言这些代码均是使用最基础的方法，通过一步一步迭代过程来理解算法的原理及实现过程，并不采用于实用工程，读者以此作为学习参考即可。监督分类监督分类的概念：首先使用训练样本学习一个分类器，再对测试样本进行分类。图像分类的两个步骤：特征提取与分类算法。特征提取：颜色特征向量。分类 训练过程：使用训练样本学习分类器。 测试过程：使用学习好的分类器对测试样本分类。分类算法：感知器算法。线性判别函数 那么，如
Python+GEE遥感开发之计算遥感生态指数RSEI0 使用的遥感数据1 植被指数的计算（NDVI）2 湿度指数的计算（WET）2.1 MOD09A1计算WET（GEE代码）2.2 Landsat8计算Wet（Python代码）3 温度指数的计算（LST）3.1 MOD11A1获取LST（GEE代码）3.2 Landsat获取LST（Python代码）4 干度指数的计算（NDBISI）4.1
本章节主要参考《python地理空间分析指南》第六章。文章中的所有操作都可以在ENVI中完成，这里只提供一个图像处理的思路。一、图像波段变换波段变换最常用的地方就是进行图像显示，例如使用假彩色图像以凸显植被信息。图像波段变换即将图像波段的组合顺序重新排列并显示的方法，主要使用GDAL库。下面以一个例子进行实验，首先给出数据的下载地址：http://git.io/vqs41打开原图可以看到，植被明显
1. Rasterio与Rioxarray安装Rasterio 是一个很多模块是基于 GDAL 的 Python 包，可用于处理地理空间栅格数据，例如 GeoTIFF 文件。为此，可以使用许多模块和函数，例如，处理来自卫星的原始数据、读取栅格数据、检索地理元数据、转换坐标、裁剪图像、合并多个图像以及以其他格式保存数据。大量的功能和易于实施使 Rasterio 成为卫星数据分析的标准工具。首先安装
转载
2023-08-21 15:58:11
120阅读
本文讲述了遥感影像和DEM从获取、处理、切片到Cesium应用的一系列流程
1. 数据获取笔者这里使用的是哨兵一号（Sentinel-1）、ALOS的遥感影像和ALOS的DEM数据下载地址为：ASF Data Search (alaska.edu)ASF（Alaska Satellite Facility） DAAC是美国国家航空航天局阿拉斯加卫星设备处用来
Panchromatic and multispectral image fusion for remote sensing and earth observation: Concepts, taxonomy, literature review, evaluation methodologies and challenges ahead全色和多光谱图像融合（Panchromatic and mu
基于Python的遥感可视化
写在前面首先本文原作者为：Mohit Kaushik最近在做一些基础遥感分析，需要对处理后影像可视化，课本上的方法很原始，带着你造一遍轮子，从地理坐标到转到像素坐标……，本着偷懒的原则，有意中发现这篇遥感可视化文章。使用Python读取图像非常简单，因为针对不同的图像格式，它提供了简便的第三方库，用来读取、可视化、编辑等，例如Matplotlib、Ope
转载
2023-07-03 17:04:15
499阅读
一些基于python+gdal整理的小工具#!/usr/bin/env python
# coding: utf-8
from osgeo import gdal
import os
import glob
import numpy as np
import math
def read_img( filename):
'''
读取影像为数组并返回信息
——————
