- 博客(21)
- 收藏
- 关注
RSS订阅原创 GIS应用开发实验报告（四）
摘要：本实验将Python批量裁剪脚本封装为GUI工具，使用PyQt5构建可视化界面，支持单张/批量栅格裁剪。实验采用ArcGISPro3.5.2和Python3.11环境，通过rasterio.mask实现裁剪功能，geopandas读取shapefile，并运用多线程处理任务避免界面卡顿。最终使用PyInstaller打包成独立exe文件，实现了日志记录和进度显示功能。实验成功提升了用户体验，对大规模数据处理和GUI交互有了更深入理解。完整代码可免费分享。
2026-04-13 18:17:46
189
原创 GIS应用开发实验报告（三）
摘要：本实验实现了将Python脚本封装为ArcGISPro工具的过程，通过创建脚本工具实现空间分析任务的自动化处理。实验使用arcpy模块开发工具，设置输入输出参数（地理数据库、要素类、CSV文件等），完成数据读取、字段创建、属性连接等操作。重点掌握了工具参数配置、脚本关联及测试验证等关键技术，有效提升了GIS脚本的复用性和交互性。实验表明，合理的参数设置和验证机制对工具实用性至关重要，为后续开发标准化GIS工具提供了实践基础。
2026-04-13 18:11:30
238
原创 基于 CNN+LSTM 的全国年度降水预测实践
CNN+LSTM 可以有效建模年度栅格降水的空间和时间模式使用研究区 mask 确保预测区域正确nodata 填充和 patch 重建优化保证第一年预测值合理可结合 SSIM / 边缘损失提升预测空间细节关键词：CNN、LSTM、降水预测、年度栅格、研究区 mask、深度学习。
2026-03-28 20:07:00
434
原创 基于 ConvLSTM 的全国年度降水预测实践
在气象与环境科学中，长期降水预测一直是关键问题。近期，我完成了一个基于深度学习的兰西城市群年度降水预测项目，使用网络结合栅格数据实现 2025–2027 年降水预测，并确保预测严格在研究区内。本文将分享整个项目的思路、方法和经验。
2026-03-28 20:00:04
727
原创 无人机多光谱遥感结合深度学习的作物病害检测研究综述
融合无人机多光谱遥感与深度学习技术开展作物病害检测研究，以大疆 Mavic 3M 多光谱无人机为数据采集平台，提取 NDVI、NDRE 等光谱特征，构建基于 YOLOv8 与 CNN 的病害检测模型，实现作物病害的早期定位与分类。对山东省寿光市 200 亩黄瓜基地开展霜霉病检测实验，结果显示，该技术检测准确率达 93.5%，较人工检测提升 33.5 个百分点，检测效率提升百倍以上，可实现病害症状显现前 2-3 天的早期预警。
2026-03-09 15:26:45
1256
原创 【遥感地学分析】什么是遥感地学分析？
它让我们跳出地面的局限，从高空俯瞰地球的变化，用数据解读地理的规律。卫星或飞机带着传感器，在几百甚至几千公里的高空，接收地球表面反射或发射的电磁波，形成我们常说的“卫星影像”，就像给地球拍了张高清“证件照”。2. 记几个核心概念：不用死记硬背，了解“分辨率”（影像越清晰，分辨率越高）、“多光谱”（卫星能拍多种颜色的影像）、“植被指数”（识别植被的“法宝”）就够了。举个例子：卫星拍下某区域的影像，通过遥感地学分析，我们能分辨出哪里是农田、哪里是水库，还能计算出农田的种植面积、水库的蓄水量，甚至预测作物产量。
2025-11-14 09:55:11
393
原创 【遥感地学分析】光谱数据谱强法求解ndvi敏感性分析
NDVI 的核心公式为：NDVI=(NIR−Red)/(NIR+Red)，其中 NIR 为近红外波段（通常 750-900nm）光谱强度，Red 为红波段（通常 630-690nm）光谱强度。其物理意义在于：植被叶片的叶绿素对红波段强吸收、对近红外波段强反射，而土壤、水体等非植被地物在两波段的反射差异较小，因此 NDVI 能有效突出植被信号，数值范围介于 [-1,1] 之间 —— 植被覆盖度越高、长势越好，NDVI 值越接近 1；水体、裸土则分别接近 - 1 和 0。
2025-11-13 11:36:06
1249
原创 【遥感地学分析】利用Python求解遥感影像FVC
使用Python计算遥感影像的植被覆盖度（FVC）主要利用像元二分模型，该模型假设每个像元由植被和土壤两部分组成，通过植被指数（通常是NDVI）来估算植被所占的比例。
2025-11-09 00:22:44
1152
原创 【遥感地学分析】利用NDWI进行叶片含水量分析
本文详细介绍基于 Landsat 8 卫星波段参数，利用室外采集的叶片高光谱数据，实现叶片含水量分析的完整流程，包括数据预处理、EVWI 批量计算、定量 / 定性分析及结果可视化，附 Excel 与 Python 实操方案。。
2025-11-08 23:59:24
1128
原创 【遥感地学分析】Python自动计算高光谱数据植被指数（附完整代码+数据适配）
在植被遥感与生态监测中，高光谱数据能精准捕捉植被光谱细节，但直接用单波长计算植被指数易受噪声干扰。本文基于实际高光谱Excel数据，提供一套从数据读取、波段聚合到指数计算的完整Python方案，无需手动预处理，新手也能快速上手。
2025-11-08 23:33:39
943
原创 【遥感地学分析】Python实现植被指数多种应用（附可视化+模型）
本文基于预处理的高光谱数据，通过4个分析场景实现植被指数深度解析。首先加载叶片光谱、植被指数等预处理结果，进行差异显著性ANOVA分析和多指标可视化；接着关联实测叶绿素数据，构建多元回归模型；然后解析红边等光谱特征物理机制；最后优化机器学习分类管线，筛选重要特征并比较模型性能。结果显示多个植被指数存在显著类型差异，NDVI与叶绿素相关性最高，随机森林模型分类准确率最佳。建议叶绿素估测优先选用NDVI，类型识别推荐随机森林模型，并注意尺度效应和季节变异对结果的影响。
2025-11-04 18:35:39
340
原创 【遥感地学分析】基于植被指数推算叶绿素含量的经验公式及文献引用
植被指数反演方法主要分为经验统计法（如多元回归、机器学习模型）和物理模型法（如PROSPECT模型）。经验模型通过建立光谱指数与实测叶绿素含量之间的统计关系进行估算，而物理模型基于叶片辐射传输理论，机理性强但参数较多。
2025-11-04 18:27:08
1348
原创 【遥感地学分析】多种叶片植被指数应用核心理论
在之前的叶片高光谱数据分析里，除了植被指数计算，还藏着不少“幕后理论”，这些理论是让分析结果靠谱、能用的关键。下面用我将用通俗的语言把这些理论讲清楚，不用复杂公式，一看就懂。
2025-11-03 22:54:38
840
原创 【空间数据采集与管理】空间数据采集与管理实战指南（基于ArcGISPro）
无论你是GIS专业学生、行业新手，还是需要提升技能的职场人，都能在这里get：主流采集技术的实操步骤、数据库搭建的详细教程、不同场景的解决方案，以及真实案例中的避坑技巧。2. 空间数据的分类体系（矢量/栅格数据、二维/三维数据、静态/动态数据）3. 空间数据采集与管理的应用场景（GIS项目、智慧城市、自然资源监测等）1. 空间数据的定义、特征与核心价值（地理关联、多维度、动态性）4. 行业发展现状与技术趋势（AI融合、实时采集、云端管理）3. 不同场景采集方案设计（城市测绘、农田监测、应急测绘）
2025-11-03 16:10:29
1067
原创 【遥感地学分析】高光谱数据介绍（方法理论）
高光谱成像（Hyperspectral Imaging）是一种先进的遥感技术，它通过在紫外、可见光、近红外和中红外区域的数十至数百个连续且细分的光谱波段对目标区域进行成像，同时获取地表图像信息和光谱信息。这种技术能够在不同的波长下记录光强，为每个像素点提供一条连续的光谱曲线，从而生成包含丰富信息的三维数据块。高光谱图像不仅在信息丰富程度上有显著提升，而且在数据处理技术上也提供了更为合理、有效的分析处理可能性。
2025-10-31 23:40:03
868
原创 【遥感地学分析】利用Python进行高光谱数据连续统去除（2025年11月）
就本科生大作业，我对比进行多方面查阅资料对比，最终发展通过Python进行连续统去除的文章并不多，本人在多方面查询筛选后，写出来以下代码，可以实现高光谱数据连续统去除。但效果与envi略有差异。数据：叶片高光谱Excel数据。实验环境：Python3.8。
2025-10-31 15:12:48
481
原创 【遥感地学分析】遥感地学分析中常用的植被指标
GEMI 通过非线性变换同时削弱大气和土壤影响：η = (2 × (NIR² - Red²) + 1.5 × NIR + 0.5 × Red) / (NIR + Red + 0.5)并且GEMI = η × (1 - 0.25 × η) - (Red - 0.125) / (1 - Red)。本文将系统地介绍几种常用的植被指数，包括经典的 NDVI、EVI，以及一些新型的植被指标，并结合最新的研究进展和实际应用案例，帮助大家深入理解其原理、优缺点及适用场景。NDVI 的取值范围在 -1 到 1 之间。
2025-10-29 20:42:54
2160
兰西城市群ConvLSTM预测降水量栅格数据.zip
2026-03-28
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人