之前给大家介绍了基础的遥感数据知识和智能遥感任务，本期就来盘点一下在遥感模型训练中常用的数据集。从应用领域出发，遥感影像样本数据集可分为8个类型：遥感场景识别、土地覆被/利用分类、专题要素提取、变化检测、目标检测、语义分割、定量遥感、其他。[1]本期主要分享7个可用于遥感场景识别/分类的数据集： No.1 UC Merced Land Use● 发布方：Univer
转载
2024-08-08 15:43:30
152阅读
1.产品概述 PIE-Basic是一款高度自动化、简单易用的遥感工程化应用软件，主要面向国内外主流的多源遥感影像数据提供遥感图像基础处理、辅助解译、信息提取及专题制图功能。平台采用多核并行计算技术，大幅提高了软件运行效率，能更好的适应大数据量的处理需要；采用组件化设计，可根据用户具体需求对软件进行灵活定制，具有高度的灵活性和可扩展性，能更好的适应用户的实际需求和业务流程。已广泛应用于气
转载
2023-09-06 15:42:18
34阅读
ArcGIS影像解决方案一、前言 现代遥感技术起源于20世纪60年代，长期以来，美国一直是遥感领域发展的领导者，20世纪80年代开始，我国航天事业取得长足进步，发射了一系列遥感卫星，包含风云气象卫星（1988），资源系列卫星（1999），环境减灾系列卫星（2008年以来），高分系列卫星（2013年以来），碳卫星（2016年）等。 &n
转载
2024-05-08 10:09:23
73阅读
1 绪论随着航空科技工业的不断成熟与发展，我国遥感卫星研制能力不断攀升，发射数量逐年提高，在轨运行的遥感卫星为社会生产及居民日常生活提供了巨大的支持与便利。我国目前同时在轨运行的遥感卫星数量已超过60颗，每天获取并传回的数据规模已达到PB级别。这些数据符合大数据的“4V”特征，即数量多（Volume）、产生速度快（Velocity）、种类多（Variety）和价值密度低（Value），如何从海量数
转载
2024-04-22 11:44:45
37阅读
目录①基于PyTorch深度学习遥感影像地物分类与目标检测、分割及遥感影像问题深度学习优化实践技术应用②基于PyTorch深度学习无人机遥感影像目标检测、地物分类及语义分割实践技术应用③遥感影像目标检测：从CNN（Faster-RCNN）到Transformer（DETR）实践技术④基于python深度学习遥感影像地物分类与目标识别、分割实践技术①基于PyTorch深度学习遥感影像地物分类与目标检
转载
2023-10-19 22:53:42
397阅读
# Python遥感影像地物提取
遥感影像地物提取是利用遥感技术获取的遥感影像数据，通过计算机视觉和图像处理算法来识别和提取出感兴趣的地物或特定目标。Python作为一种强大的编程语言，在遥感影像地物提取中应用广泛。本文将介绍使用Python进行遥感影像地物提取的基本原理和常用的代码示例。
## 遥感影像地物提取的基本原理
遥感影像地物提取可以通过以下步骤实现：
1. 数据预处理：读取遥感
原创
2023-08-01 03:22:31
736阅读
# 教你用 Python 实现遥感影像面积提取
遥感影像的面积提取是地理信息系统（GIS）和环境监测中常见的一项任务。以下是实现这一过程的基本流程和示例代码。本文旨在帮助初学者理解如何使用 Python 进行遥感影像的面积提取，具体步骤如下：
## 流程概述
下面是整个遥感影像面积提取的流程：
| 步骤 | 操作 | 描述 |
|------|------|------|
| 1 |
前面我们介绍了Landsat系列卫星遥感影像数据USGS中批量下载多张图像的方法（）。而较之Landsat、Sentinel等遥感数据，MODIS影像数据下载略嫌麻烦，更重要的是其下载方法经常失效，网络访问有时也不太稳定。这里介绍一种基于Earthdata的MODIS批量下载方法，但要注意：截止2021年05月，该方法也变成了只能借助可以使得我们访问外国网站的软件才可以进行下载的方法。 首先
教程传送门遥感资源大放送（下）| 11 个经典遥感数据集遥感影像是开展测绘地理信息工作的重要数据，对于地理国情监测、地理信息数据库更新等意义重大，在军事、商业、民生等领域发挥了越来越重要的作用。近年来，随着国家卫星影像获取能力的提升，遥感影像数据采集效率大幅提升，形成了低空间分辨率、高空间分辨率、宽视角多角度、雷达等多种传感器共存的格局。 轨道中的 Landsat 2 正在收集地球遥感数据
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
——————
转载
2024-03-01 10:43:50
227阅读
首先对landsat8数据进行预处理 landsat数据已经做过正射校正和地形校正，直接做辐射定标 和大气校正就行了 我们这里用的数据是已经做过预处理的，所以直接操作就行了 对于特征变量的提取可以参考文献，波段运算方式不唯一，特征变量的选取根据自己的需求来 文章目录一、提取单波段二、波段运算（以NDVI为例）三、缨帽变换四、主成分提取 一、提取单波段对于单波段的提取直接输出保存为tif文件就行了然
转载
2024-04-20 20:34:47
193阅读
0.前言近50年来，Landsat系列卫星为我们提供了非常长时间序列的地球表面观测信息，现阶段Landsat卫星仍然在服役，为全球治理和科学研究提供了非常宝贵的数据。图源：USGS现在是大数据时代，作为地球科学领域来说，遥感资料是不折不扣的宝贵的一手实测资料，且数据量非常的庞大。现阶段来说，可能大部分遥感资料生产的速度远远大于我们去利用它的速度，所以大部分遥感资料还是处于沉睡状态，在等待着技术的继
转载
2023-08-29 21:20:54
309阅读
" 当单幅遥感影像较大时，也就是分辨率较高或者像元数量较多时，如果批量处理这些影像，计算机内存可能不够，程序容易报错：内存溢出。这时需要对影像进行分块读取与处理，也是本节所要分享的重点。"按块读取遥感影像在上一节中，程序一次读取并保存了整个波段的数据。但是，如果单幅图像尺寸较大（行列数较大）的话，我们可以将其分解为块来读取。可能是因为你只需要图像中的某一块，或者你的本本没有足够的内存来同
转载
2023-09-07 17:36:05
0阅读
本文介绍利用ENVI的DEM Extraction扩展模块对天绘一号立体相对数据进行DEM提取的过程及实验结果。实验表明，ENVI完全支持国产“天绘一号”卫星数据的读取和各种预处理。数据介绍： 立体相对DEM提取 数字高程模型(Digital Elevation Model)，简称DEM，是用一组有序数值阵列形式表示地面高程的一种实体地面模型。DEM除了包括地面高程
转载
2024-01-19 22:46:02
61阅读
1. 背景土地荒漠化是指包括气候变异和人类活动在内的种种因素造成的干旱半干旱和亚湿润干地区的土地退化。及时准确地掌握土地荒漠化发生发展情况是有效防止和治理土地荒漠化的基本前提。目前遥感技术在土地荒漠化监测中起到了不可替代的作用。使用遥感影像数据可以提取土地荒漠化信息，通过遥感影像所表现的不同信息，可以判断土地荒漠化的发生与否以及发展程度等。在进行土地荒漠化信息提取时，常用的方法有人工目视解译方法、
转载
2023-07-11 21:45:37
278阅读
一、遥感技术遥感技术是指从高空或外层空间接收来自地球表层各类地理的电磁波信息，并通过这些信息进行扫描、摄影、传输和处理，对地表各类地物和现象进行远距离控测和识别的综合技术。从高空或外层空间接收来自地球表层各类地理的电磁波信息，并通过这些信息进行扫描、摄影、传输和处理，对地表各类地物和现象进行远距离控测和识别的综合技术。二、数据获取城市规划中，我们多采用卫星遥感数据。目前国内权威的卫星遥感数据可以在
# Python从遥感影像提取岸线
遥感技术近年来在环境监测和资源管理中得到了广泛应用，岸线提取则是其中一项重要的应用。岸线的变化不仅关系到生态环境，也与经济发展密切相关。本文将介绍如何使用Python从遥感影像中提取岸线，提供代码示例，并使用可视化技术表示结果。
## 1. 引言
岸线提取通常涉及许多复杂的图像处理步骤，包括影像预处理、边缘检测和形态学操作等。通过使用Python，我们可以
1、 图像导入 在erdas的Import/Export模块中，分别导入TM图像的第1、2、3、4、5、7波段，具体操作步骤为 ① 点击import模块，打开对话框 ② 选择type类型为TIFF ③ media为file； ④ 然后选择输入、输出文件名路径和文件名 ⑤ 分别对123457波段进行导入； ⑥ 在此之前可以选择session－>preference，选择输入、输出主目录。2、
转载
2023-08-13 16:22:15
747阅读
引入 此次的内容是遥感图像镶嵌。 在遥感图像处理中，我们有时为了获取更大范围的地面图像，通常需要将多幅遥感图像拼成一幅图像，这就需要使用图像镶嵌对遥感影像进行拼接操作。 我们需要进行图像镶嵌的遥感卫星影像数据有两种情况，南北方向和东西方方向的，所以我们在选择数据时尽量选择成像条件相似（同一轨道、同一时间）的图像。 通过使用PCI软件图像镶嵌模块手动对长沙地区影像（南北
转载
2023-12-26 15:00:09
157阅读
文章目录1.查看图像的空间分布特征（一）生成灰度图像（二）生成假彩色图像（三）连接不同视图的影像2.查看图像的像元灰度值3.统计并查看图像直方图4.计算NDVI（一）采用波段运算器计算NDVI（二）采用植被指数计算器计算NDVI5.NDVI计算结果检验（一）对结果图像的空间分布特征进行检验（二）对结果图像进行统计特征的检验6.浏览图像的空间分布及数值统计特征（一）查看空间分布特征（二）查看数值统
转载
2023-08-07 11:36:40
183阅读
