打印研究区影像集合的均值散点图

最新推荐文章于 2025-11-25 11:31:36 发布

YOLO_CODE

最新推荐文章于 2025-11-25 11:31:36 发布

阅读量53

点赞数

CC 4.0 BY-SA版权

文章标签：均值算法算法编程

本文链接：https://blog.youkuaiyun.com/YOLO_CODE/article/details/133060977

编程专栏收录该内容

502 篇文章 ¥59.90 ¥99.00

订阅专栏

本文介绍了如何通过编程语言，特别是Python，来生成遥感影像研究区的均值散点图。均值散点图有助于理解影像集合的平均像素值分布，揭示地物类型和空间信息。步骤包括导入必要库、读取影像数据、计算均值散点图及绘制图表。通过颜色深浅，可洞察像素值高低，辅助遥感分析。

在进行遥感影像分析时，了解研究区域影像集合的均值散点图是一种常见的数据可视化方法。均值散点图可以帮助我们直观地了解研究区域的平均像素值分布情况，从而提供有关地物类型和空间分布的信息。

下面我将介绍如何使用编程语言来生成研究区影像集合的均值散点图。假设我们已经有了一组影像数据，可以按照以下步骤进行处理。

导入所需的库
首先，我们需要导入一些必要的库来处理影像数据和生成散点图。在这个例子中，我们将使用Python编程语言和一些常用的库，如NumPy、Matplotlib和Rasterio。

import numpy as np
import matplotlib.pyplot as plt
import rasterio

读取影像数据
接下来，我们需要读取研究区域的影像数据。假设我们的影像数据存储在一个文件夹中，并且所有影像具有相同的大小和投影信息。

image_folder

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

YOLO_CODE

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

订阅专栏

GEE：打印研究区影像集合的均值散点图（以计算LST为例）

养乐多的博客

05-24

539

本文将介绍在 Google Earth Engine（GEE）平台上使用 Landsat 数据计算研究区的 LST，并统计研究区内 LST 的均值，以及绘制均值的散点图，散点图中可以区分 LST 数值是由哪一个 Landsat 卫星计算而来，并分别用不同的颜色表示不同的卫星数据。结果如下图所示，

研究区影像集合的均值散点图

bug_code702的博客

09-20

110

在遥感图像处理和分析中，研究者经常需要对一组影像数据进行统计分析，以了解数据的分布和趋势。其中一个常用的分析方法是生成均值散点图，它可以帮助我们可视化影像集合中各像元的平均值，并揭示出数据的空间分布特征。假设我们的研究区域包含了多个影像，每个影像都具有相同的空间范围和分辨率。我们可以将这些影像读取为NumPy数组，然后将它们组合成一个三维数组，其中第一个维度表示影像的索引，后两个维度表示影像的行和列。函数绘制散点图，横轴表示像元的索引，纵轴表示对应像元的均值。函数读取每个影像的数据，并将它们存储在名为。

参与评论您还未登录，请先登录后发表或查看评论

GEE：计算影像的统计值（像素数量、像素和、最大值、最小值、均值、方差、标准差、众数），影像集合的统计值列表，绘制影像集合统计值时间序列折线图

养乐多的博客

01-04

4248

Google Earth Engine（GEE）平台上计算一副影像的统计值，包括像素数量、像素和、最大值、最小值、均值、方差、标准差、众数的代码。进一步，将这些方法应用到影像集合中，打印影像集合中每一副影像的统计值，打印到列表，并绘制统计值的时间序列图。

GEE：绘制累积降雨量折线图、降雨量均值折线图

养乐多的博客

12-03

2950

本文记录了在GEE（GoogleEarthEngine）平台上，使用UCSB-CHG/CHIRPS/DAILY数据集，绘制一个指定点的一段时间内的降水量累计值折线图的代码，也记录了绘制一个区域一段时间内的降水量均值的折线图代码。其中累积降水量使用每日数据累积，降水量均值折线图使用的是每周的降水量数据。即本文记录了将影像集合按天 ‘day’ 合成和按周 ‘week’ 合成的方法。操作对象：一个点研究区：一个点的缓冲区累计值：一个点一段时期内降水量的累积值二、降水量均值折线图绘制操作对象：整个影像研

基于均值滤波的图像滤波方法比较与实战分析

weixin_28809949的博客

09-26

1055

图像处理作为计算机视觉和数字图像分析的基础环节，其核心目标之一是提升图像质量，为后续的特征提取、目标识别等任务提供可靠的数据支持。在实际成像过程中，由于传感器噪声、传输干扰或环境因素的影响，图像往往受到不同程度的噪声污染。为了有效抑制噪声、平滑图像细节并保留关键结构信息，图像滤波技术应运而生。常见的滤波方法可分为线性滤波与非线性滤波两大类。线性滤波通过卷积操作实现，如均值滤波和高斯滤波；非线性滤波则不依赖线性叠加原理，典型代表为中值滤波。

基于 GEE 制作时序数据的折线图和柱状图

@HNUSTer的博客

02-10

342

基于 GEE 制作时序数据的折线图和柱状图。

10、遥感影像分类技术详解

peace的博客

10-13

本文详细介绍了遥感影像分类的核心技术，涵盖监督分类与无监督分类的基本原理、常用方法及其应用场景。重点解析了线性分类器和统计分类器的工作机制，探讨了光谱类与信息类的关系，并对比了不同分类方法的性能特点。文章还介绍了实际应用中的协同策略、常见问题及解决方案，并展望了深度学习、多源数据融合和实时处理等未来发展趋势。通过案例分析和流程图展示，为遥感影像分类的实际操作提供了系统指导。

放射学研究中的数据描述：统计与图形方法详解

楚山之石的博客

08-03

1152

数据描述是放射学研究的基础环节，通过合理运用频率表、中心趋势与变异度指标，结合线图、箱线图等可视化工具，可清晰呈现数据特征，为后续分析与结论推导提供可靠依据。在实际研究中，需根据数据类型（连续 / 分类）、分布形态（正态 / 偏态）选择合适的方法，确保结果的准确性与可读性。掌握这些方法不仅能提升研究的科学性，更能让放射学研究成果的表达更具说服力 —— 毕竟，清晰的数据故事才是科研传播的核心。参考文献。

37、遥感影像分类：最大似然规则与混合分类方法解析

peace的博客

11-09

本文深入解析了遥感影像分类中的最大似然规则监督分类与混合监督/无监督分类方法。详细介绍了训练数据收集、特征选择、多峰分布处理及重采样对分类的影响，重点阐述了结合聚类与最大似然算法的混合分类流程及其优势。通过实际案例展示了该方法在复杂地物分类中的有效性，并总结了其在减少训练数据依赖、提升分类精度方面的应用价值，最后展望了深度学习、多源数据融合等未来发展趋势。

代码随想录 63.不同路径Ⅱ

m0_63814538的博客

11-24

325

4.确定遍历顺序：从递归公式可以看出一定是从左到右一层一层的遍历，这样保证推导dp[i][j]的时候，dp[i - 1][j]和dp[i][j - 1]一定是有数值的。所以本题的初始化代码如下所示：一旦遇到obstacleGrid[i][0] == 1的情况就停止dp[i][0]的赋值1的操作，dp[0][j]同理。1.确定dp数组（dp table）及其下标的含义：dp[i][j]表示从（0，0）出发，到（i，j）有dp[i][j]条不同的路径。下标（0，j）的初始化情况同理。

算法：二叉搜索树的最近公共祖先

czlczl20020925的博客

11-24

403

下面是详细的解释，说明为什么这是必然的。对于我们当前所在的任何节点。

算法沉淀第十二天（牛客练习赛146）

lingran__的博客

11-22

860

本文分享了牛客练习赛146的三道算法题解：1.《合格的机器》通过分析代币奇偶性，得出最优解是尽量使机器代币数为偶数，当总代币数≥2n时最多n-1台合格；2.《小灰灰的火焰星球2》通过排序施法顺序和预处理价值数组，实现高效计算最大收益；3.《盲目自大的小灰灰》通过计算得分区间，判断查询分数是否可能达到。每道题都包含题意分析、逻辑梳理和AC代码实现，适合算法学习者参考。

Anyview数据结构第一章（按需自取）

2302_79085918的博客

11-22

501

【代码】Anyview数据结构第一章（按需自取）

竞争性自适应重加权算法（CARS）的MATLAB实现

最新发布

fengfuyao985的博客

11-25

152

竞争性自适应重加权算法（CARS）的MATLAB实现

GoC题解(22) GoC测试模拟题(2017.3.23)第6题：同心圆

2301_78151773的博客

11-22

217

小C要画红绿黄3个不同半径的同心圆，要求红色(1号）的是最大半径圆，绿色（3号）的是第2大半径的圆，黄色（5号）的是最小半径的圆。但输入是的的3个数可能并没有从大到小。这3个圆一定要按照正确的次序才能画出正确的图形。比如你最后画最大的圆形，就只能看见一个红色的大圆。请你帮小C编程解决这个问题。一行3个不同的正整数a,b,c：表示每圆的半径，范围在[10..100]。有同学容易犯下面这段代码类似的错误。

布隆过滤器有哪些算法？

kupePoem的专栏

11-22

499

这些算法构成了布隆过滤器技术的完整体系，从基础到高级，满足了不同场景下的需求。布隆过滤器（Bloom Filter）是一种概率型数据结构，用于高效地检查一个元素是否存在于一个集合中。a 对元素x计算k个哈希值：h₁(x), h₂(x), ..., hₖ(x)。如果有0，返回"肯定不存在"。（2）概率性结果：可能返回假阳性（误判），但不会返回假阴性。b 如果所有位置计数器都大于0，返回"可能存在"b 如果粗略层返回"肯定不存在"，直接返回结果。a 创建长度为m的计数器数组，初始化为0。

算法基础篇：（十六）深度优先搜索（DFS）之递归型枚举与回溯剪枝初识

2301_79248256的博客

11-24

592

本文聚焦深度优先搜索（DFS）的递归型枚举与回溯剪枝，以枚举子集、组合型枚举、枚举排列、全排列四个洛谷经典例题为切入点，从问题描述、决策树分析、递归函数设计到代码实现逐步拆解。先阐释搜索本质及 DFS 与回溯、剪枝的关联，再通过具体案例讲解回溯的 “恢复现场” 操作与可行性、重复性等剪枝技巧，总结 DFS 递归型枚举 “画决策树 - 设计函数 - 实现回溯 - 添加剪枝” 的通用步骤，帮助读者理解并掌握 DFS 解决枚举类问题的核心方法，为进阶应用奠定基础。

D3QN+PER机制算法

2301_79815102的博客

11-22

769

Dueling Network是一种深度强化学习网络架构，将Q值分解为状态价值函数V(s)和优势函数A(s,a)。V(s)评估状态本身的好坏（标量输出），A(s,a)衡量各动作的相对优势（向量输出）。通过共享编码器和两个独立分支分别学习V(s)和A(s,a)，最后聚合层采用减去优势均值的约束方式计算最终Q值。这种架构能更高效地学习状态价值，提升策略表现，常与Double DQN和PER机制结合使用（如D3QN+PER算法）。

GEE编写可运行代码计算甘肃省NDVI 区域：甘肃省时间：2018年1-12月数据源：Landsat8影像图表：折线图、直方图

06-23

<think>我们使用GoogleEarthEngine(GEE)计算甘肃省2018年1-12月的NDVI，并生成折线图和直方图。步骤如下：1.定义研究区域（甘肃省）2.筛选Landsat8地表反射率数据，时间范围为2018年1月1日至2018年12月31日，并去除云遮挡。3.计算NDVI（归一化植被指数），公式为：$$\text{NDVI}=\frac{\text{NIR}-\text{Red}}{\text{NIR}+\text{Red}}$$对于Landsat8，近红外波段（NIR）是B5，红光波段（Red）是B4。4.生成时间序列折线图：按月份计算甘肃省范围内的平均NDVI，并绘制折线图。5.生成直方图：对整个2018年甘肃省的NDVI值进行统计，绘制直方图。注意：由于Landsat8数据可能有云的影响，我们将使用GEE提供的云掩膜函数（如pixel_qa波段）来去除云。根据引用[1][2][3]中的方法，我们将使用`ui.Chart.image.seriesByRegion`来生成时间序列折线图，并使用`ui.Chart.image.histogram`来生成直方图。代码结构如下：-定义区域（甘肃省）-加载Landsat8地表反射率数据，并进行云掩膜-计算NDVI并添加到图像中-生成时间序列折线图（按月合成）-生成整个区域的NDVI直方图注意：为了得到月平均NDVI，我们可以将每个月的数据合成（例如取中值），然后计算该月的平均NDVI。另外，我们也可以考虑使用`ee.Reducer.mean()`来统计整个区域的平均值，然后按月份绘制折线图。由于用户要求2018年1-12月，我们将按月合成图像，然后对每个合成图像计算区域平均NDVI。折线图：横坐标为月份，纵坐标为平均NDVI。直方图：横坐标为NDVI值，纵坐标为像元数量。我们将按照以下步骤编写代码：步骤1：定义甘肃省边界（可以使用GEE提供的FeatureCollection）步骤2：定义时间范围步骤3：加载Landsat8Collection2,Tier1的地表反射率数据，并应用云掩膜步骤4：定义计算NDVI的函数，并映射到整个图像集步骤5：按月份合成图像（生成一个包含12个图像的集合，每个图像代表一个月的合成）步骤6：使用合成后的月图像集，计算每个月的平均NDVI，并生成折线图步骤7：生成整个2018年NDVI的直方图（使用全年所有像元）注意：由于Landsat8的覆盖不是每天都有，且云的影响，我们使用月合成来减少数据缺失和云的影响。我们将使用`ee.ImageCollection.fromImages()`来构建月合成图像集。代码实现如下：</think>### Google Earth Engine (GEE) 计算甘肃省2018年NDVI示例代码以下是基于Landsat 8影像计算甘肃省2018年NDVI的完整代码，包含折线图和直方图生成： ```javascript // 1. 定义研究区域（甘肃省边界） var gansu = ee.FeatureCollection("users/your_username/gansu_boundary"); // 或使用中国省级行政区划数据 // var china = ee.FeatureCollection("RESOLVE/ECOREGIONS/2017"); // var gansu = china.filter(ee.Filter.eq('PROVINCE', 'Gansu')); // 2. 筛选Landsat 8数据 var landsat8 = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') .filterBounds(gansu) .filterDate('2018-01-01', '2018-12-31') .filter(ee.Filter.lt('CLOUD_COVER', 20)); // 筛选云量<20%的影像 // 3. 定义NDVI计算函数 var addNDVI = function(image) { var nir = image.select('SR_B5'); var red = image.select('SR_B4'); var ndvi = nir.subtract(red).divide(nir.add(red)).rename('NDVI'); return image.addBands(ndvi); }; // 应用NDVI计算 var ndviCollection = landsat8.map(addNDVI); // 4. 创建时间序列折线图 var tsChart = ui.Chart.image.seriesByRegion({ imageCollection: ndviCollection.select('NDVI'), regions: gansu, reducer: ee.Reducer.mean(), scale: 30, xProperty: 'system:time_start', seriesProperty: 'label' }).setOptions({ title: '甘肃省2018年月平均NDVI时间序列', hAxis: {title: '日期', format: 'YYYY-MM'}, vAxis: {title: 'NDVI值'}, lineWidth: 2, colors: ['#1a9850'] }); print(tsChart); // 5. 创建月平均NDVI直方图 // 5.1 创建月份列表 var months = ee.List.sequence(1, 12); // 5.2 按月合成NDVI var monthlyNDVI = ee.ImageCollection.fromImages( months.map(function(m) { return ndviCollection.filter(ee.Filter.calendarRange(m, m, 'month')) .select('NDVI').mean() .set('month', m); })); // 5.3 生成直方图 var histChart = ui.Chart.image.histogram({ imageCollection: monthlyNDVI, region: gansu, scale: 5000, // 适当降低精度提高速度 maxBuckets: 20 }).setOptions({ title: '甘肃省2018年月平均NDVI分布', hAxis: {title: 'NDVI值', minValue: -0.2, maxValue: 1.0}, vAxis: {title: '频率'}, colors: ['#1a9850'] }); print(histChart); // 6. 添加地图显示 Map.centerObject(gansu, 6); Map.addLayer(gansu, {color: 'blue'}, '甘肃省边界'); Map.addLayer(ndviCollection.select('NDVI').mean().clip(gansu), {min: -0.2, max: 0.8, palette: ['red', 'yellow', 'green']}, '2018年NDVI均值'); ``` ### 关键步骤说明： 1. **数据筛选**： - 使用`LANDSAT/LC08/C02/T1_L2` Collection 2 Level 2数据 - 空间范围：甘肃省边界 - 时间范围：2018年全年 - 云量筛选：<20% 2. **NDVI计算**： - 公式：$$ \text{NDVI} = \frac{\text{B5} - \text{B4}}{\text{B5} + \text{B4}} $$ - 其中B5为近红外波段，B4为红光波段 3. **图表生成**： - **折线图**：展示2018年各时相平均NDVI变化 - **直方图**：显示各月NDVI值分布频率 - 使用`ui.Chart.image.seriesByRegion`和`ui.Chart.image.histogram`函数[^1][^3] 4. **可视化优化**： - NDVI值范围：-0.2（非植被）到1.0（茂密植被） - 配色方案：红色→黄色→绿色渐变 ### 注意事项： 1. 需要提前导入甘肃省边界矢量数据（可使用GEE资产或公共数据集） 2. 实际运行时可能需要调整： - 云量阈值（根据影像质量） - 直方图的分桶数量（`maxBuckets`参数） - 空间尺度（`scale`参数影响计算速度） 3. 完整年数据可能受云覆盖影响，建议使用月度合成数据[^2]