墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
600+累计阅读
622平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
NDWI（Normalized Difference Water Index）是一种用于提取水域信息的指数。在Google Earth Engine中，我们可以使用两种方法来计算NDWI并提取水域面积。下面将详细介绍这两种方法，并提供相应的源代码。
方法一：基于图像计算NDWI
首先，我们需要选择适当的图像，通常是基于遥感传感器拍摄的多光谱影像。以下是计算NDWI的步骤：
var image = ee.Image("影像ID");
var roi = ee.GeometryENVI植被指数的计算以及注意事项
以下是一些植被指数的基本计算公式和注意事项;
GEE AI：基于landsat 8和Satellite Embedding数据的2017-2027年洪湖水体监测
本研究基于Google Earth Engine平台，利用2017-2024年Landsat 8卫星数据，通过归一化水体指数（NDWI）对洞庭湖洪湖区域水体变化进行监测分析。研究采用30米空间分辨率数据，以年为单位处理分析，通过NDWI时间序列揭示了水体分布的年际波动和长期趋势。结果表明该方法能高效实现区域水体的精准监测，为水资源管理提供科学依据。未来可结合多源数据和AI算法进一步提升监测精度，并构建实时监测系统。该技术方案具有推广应用价值，可为全球水环境保护提供技术支撑。
用GEE和Sentinel-2数据，5分钟搞定武汉东湖的实时水体范围提取（附完整代码）
本文详细介绍了如何利用Google Earth Engine（GEE）和Sentinel-2数据快速提取武汉东湖的实时水体范围。通过NDWI指数计算和动态阈值分割技术，实现高效准确的水体提取，并提供完整代码包，适用于湖泊监测和环境研究。
Landsat波段全解析：从光谱原理到NDVI、NDWI实战应用
遥感技术通过传感器接收地物反射或辐射的电磁波信息，实现对地球表面的非接触式观测。其核心原理在于不同地物具有独特的光谱特征，传感器通过特定波段捕获这些特征。这项技术的价值在于将海量影像数据转化为可量化的地表参数，广泛应用于资源调查、环境监测和灾害评估等领域。在众多遥感数据源中，Landsat系列卫星因其长期、稳定的观测能力成为中分辨率遥感分析的基石。理解其波段设计是进行有效解译的关键，例如，近红外波段对植被细胞结构敏感，是计算归一化差值植被指数的核心；短波红外波段则能有效反映水分含量和矿物成分。本文聚焦于如何
别再手动调阈值了！用GEE的Otsu算法5分钟自动分割Landsat 8水体（附完整代码）
本文介绍了如何利用GEE平台结合Otsu算法（最大类间方差法）实现Landsat 8影像的自动化水体分割，大幅提升遥感影像处理效率。通过完整的代码示例和工程化实践，展示了从数据预处理到优化实现的完整流程，帮助用户告别手动调参，5分钟内完成水体提取任务。
Google Earth Engine（GEE）——用两种方法计算NDWI水域面积提取（Landsat 8）
使用 Landsat 8 使用指标 NDWI 使用两种方法计算水域面积 ，这次我们随便选择了陕西附近的一个部分作为我们的研究区，我们所需用到的函数：ee.Image(args)
使用Google Earth Engine提取Sentinel Level A数据中的水域面积
然后，我们将掩膜乘以每个像素的面积，并将结果除以1e6，以获得以平方千米为单位的水域面积。在这篇文章中，我们将介绍如何使用Google Earth Engine (GEE) 平台来提取Sentinel卫星的Level A数据中的水域面积。您可以根据需要对代码进行修改和优化，并在GEE平台上进行进一步的探索和分析。在这个例子中，我们使用了Folium库来创建交互式地图，并使用Choropleth函数将水域面积添加到地图上。如果您只对特定区域的水域面积感兴趣，可以使用GEE平台的空间过滤功能来限制分析的范围。
GEE训练教程：基于Landsat和NDWI来提取和分析特定湖泊的水体面积
本文介绍了使用Google Earth Engine分析湖泊水体面积的方法。通过导入湖泊多边形数据，定义云层掩膜函数，加载Landsat 5/7影像并计算NDWI水体指数。关键步骤包括：设置日期范围(2008年1月)、影像预处理、计算中位数合成、NDWI阈值处理(-0.2)以及面积计算(转换为平方千米)。最终输出无云区域面积和水体面积，并进行可视化展示。该方法适用于水体监测研究，代码完整展示了从数据获取到结果导出的全流程。
Google Earth Engine（GEE）——计算水体面积提取2013-2020年青海湖面积的为例
今天我们要做的就是计算青海湖面积长时间序列的分析，这里用到的一点过就是用mask建立一个常量影像，然后淹没掉NDVI大于0的部分，剩下的部分就可以作为估算的面积，这里是反向操作就是把NDVI小于0的分布来进行分析，然后再分别获取时间和格式修改，然后进行乡原属两的统计最后返回值给相应矢量设定面积和影像的属性波段。当然这个里面没有进行影像的去云，所以大家可以先进性去云后再进行分析，加入去云函数。这是打印出来的水体影像的面积统计。回传给矢量后的矢量属性统计。
GEE训练教程：使用使用Landsat 8和MODIS数据分析了特定区域的水域面积变化时序图表
首先，我们定义了一个多边形作为感兴趣区域（ROI），即我们要分析的区域。// 将国家边界添加到地图// 将地图中心设置为该区域，缩放级别为10通过以上步骤，我们成功地使用Google Earth Engine分析了特定区域的水域面积变化。通过MNDWI和NDWI指数，我们提取了水域信息，并通过时间序列图展示了水域面积的动态变化。这些数据对于研究水资源管理、生态系统健康以及气候变化的影响具有重要意义。
GEE训练教程：基于Landsat数据进行水域面积监测和变化分析
本文介绍了一个基于Google Earth Engine平台，利用Landsat卫星数据监测意大利台伯河水域面积变化的项目。项目通过分析2022年和2023年春季夏季的影像数据，采用NDWI、MNDWI、AWEI等多种水体指数方法，结合云掩膜和辐射定标等预处理技术，对台伯河中上游约3,000平方公里的研究区域进行水体提取和面积统计。研究结果显示不同季节水域面积变化特征，并提供了完整的统计指标和可视化方案，为水资源管理提供科学依据。项目支持多种数据导出格式，包括水体掩膜图像、变化检测图和统计分析数据。
Google Earth Engine（GEE）——1997年和2021年三峡大坝蓄水区面积差异图绘制和面积计算
目标是绘制自 2012 年以来世界上最大发电站的三峡大坝造就装机容量（22,500 兆瓦）绘制其蓄水的区域变化监测 由水电站大坝水库引起的洪水区图像。浅蓝色为建坝前河面，深蓝色为建坝后额外的地表水。 代码： var lc5 = ee.ImageCollection("LANDSAT/LT05/C01/T1_SR"), lc8 = ee.ImageCollection("LANDSAT/LC08/C01/T1_SR"), area = /* ...
Halcon和C#联合编程实现硬币识别（个人入门练习）
本人为机器视觉入门小白，自己突发奇想 1.图片数据来源和分析 2.HALCON实现 3.C#搭建界面框架 4.C#中嵌入HALCON代码，即联合编程 5.导出.exe文件，运行以及Debug 目标是这样的，在图片中识别出每种类型的硬币数量，然后计算出总钱数。先上结果，再细说过程。 C#界面和识别结果： 1.图片数据来源和分析 图片大小及格式均统一，拍摄的时候已经尽可能的去除了背景噪点，所以图像处理的要求并不很高（重点在于思路）。硬币区分原理本人代码采用直径范围来判断（也可以半径或区域面积，HALCON算子
Flow Matching实战：5步搞定图像生成模型优化（附PyTorch代码）
本文提供了一份基于Flow Matching框架优化图像生成模型的实战指南。通过五个关键步骤，详细讲解了从环境配置、核心概念梳理到构建向量场网络、设计损失函数、编写训练循环以及选择ODE求解器进行采样的完整流程，并附有可运行的PyTorch代码，帮助开发者快速掌握这一高效的生成式建模技术。
一文详解本地知识库RAG(检索增强)：LangChain + Hugging Face 三件套 + 本地大模型 + MCP 协议 + Chroma + Agent 全流程实战
模型上下文协议（MCP）是 Anthropic 推出的开放标准，基于 JSON-RPC 2.0，为 AI 应用与外部工具／数据源之间提供统一的双向通信协议，被称为“AI 应用的 USB-C”。LangChain 是一个围绕 LLM、提示模板（Prompts）、记忆（Memory）、链（Chains）、工具（Tools）和代理（Agents）等组件打造的开源框架，旨在简化复杂自然语言应用的开发。：任意可调用的功能或服务（API、数据库查询、本地函数等），由 Agent 或 Chain 在推理过程中调用。
中国裁判文书网案例批量爬取
本文介绍了某法院网站数据采集的技术研究过程，主要包含JS逆向分析和数据解密方法。通过开发者工具分析发现页面数据经过加密处理，重点研究了ciphertext等加密参数的生成逻辑。文章详细记录了定位加密函数、扣取加密代码、解密数据处理的全流程，并验证了解密方法的有效性。研究过程中强调了技术使用的法律边界，明确声明仅用于合法技术研究，禁止任何非法数据爬取行为。最终实现了加密数据的成功解密，并解释了各请求参数的作用，为后续数据清洗和存储奠定了基础。
轴承寿命预测实战：手把手教你用IEEE PHM2012数据集训练模型（附Python代码）
本文详细介绍了如何利用IEEE PHM2012数据集构建轴承剩余寿命预测模型，从数据预处理、特征工程到LSTM模型训练与部署，提供了完整的Python代码实现。通过实战案例，帮助读者掌握预测性维护中的关键技术，提升工业设备的运行安全与效率。
11、机器学习中的聚类与隐马尔可夫模型
本文介绍了机器学习中的两种重要方法：聚类算法和隐马尔可夫模型（HMM）。聚类作为无监督学习的代表，适用于发现无标签数据中的结构，常见算法包括K-均值和自组织映射（SOM），并在传感器数据分析等场景中展现应用价值。隐马尔可夫模型则是一种可解释的序列模型，用于从观测数据中推断隐藏状态，广泛应用于语音识别、自然语言处理和生物信息学等领域。文章详细讲解了HMM的核心概念如马尔可夫性质、转移与发射概率，并通过TensorFlow实现了前向算法，展示了其计算观测序列概率的动态规划思想。最后对比了两类方法的应用场景，展望
【测开求职】面试题：计算机网络 详细版整理
本篇文章是笔者为准备研究生复试和校招而写，因此主要针对问答，注重理解，而不在于细节计算。读者可以先查看上面的链接走一遍计算机网络的整体框架结构。其中，重点难点以及易混淆的知识点，笔者会用其他文章进行了详述，在知识点处贴好了链接，有需要的可以查阅。
第 0 篇｜开篇：为什么我们要从 RNN 讲到 Transformer？
本文介绍了NLP模型的发展历程，从早期规则式方法到如今Transformer模型的演进脉络。文章强调理解NLP技术需要从基础模型入手，重点分析了传统机器学习的局限性（无法处理变长有序输入和深层语义关联），以及RNN如何通过循环结构首次实现顺序依赖捕捉。作者指出Transformer之所以成为主流，是因为它通过自注意力机制解决了RNN的核心痛点（低效串行处理和长距离依赖问题）。专栏将采用"从问题到解决方案"的讲解方式，帮助读者建立完整的NLP知识体系，避免孤立学习和盲目追新。全文旨在为初学
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
9670
扫一扫
