第十一个项目，水体提取

最新推荐文章于 2025-01-24 15:11:28 发布
最新推荐文章于 2025-01-24 15:11:28 发布
阅读量1k 收藏 1
点赞数
CC 4.0 BY-SA版权
分类专栏： 参与的项目
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/directx3d_beginner/article/details/85718859

公司的项目，这个比较成功，用总监的话说，

 

得益于组长的内存管理库和精湛的经验，让我学到了经验。并从头到尾学习了下源代码。以前都是看完自己负责的那部分就结束了，太浮躁了。

这次都是用开源的东西去做的，很满意。

 

这个项目属于国家部委项目

IDL实现(GF1/2和landsat8)水体提取
07-27
IDL实现(GF1/2和landsat8)水体提取，使用归一化差异水体指数（MNDWI），二值化栅格图像，滤波去除细小空洞，输出矢量数据。（很详细的注释引导）
Google Earth Engine（GEE）提取水体
guaicaicexu的博客
07-13 8239
今天分享一下如何用MNDWI水体指数来提取研究区的水体
GEE：基于GEE的单个湖泊的实时水体提取（以武汉东湖为例）
qq_45930287的博客
03-03 4372
利用GEE实现Landsat 8和Sentinel 2的单个湖泊实时水体提取
【GEE中水体边界的提取】
qq_36253366的博客
09-19 1632
在Google Earth Engine（GEE）中，水体边界的提取是一个常见的遥感应用，它通常涉及对卫星影像进行分析，以识别出水体的边缘。
GEE：对Sentinel-2遥感影像进行处理，水体提取与可视化
养乐多的博客
05-30 1万+
本文介绍了通过Google Earth Engine平台，并使用哨兵数据提取水体掩膜的方法和代码。通过记录代码、裁剪和去除云等处理步骤，最终得到具有水体掩膜的影像，并进行可视化和导出。这种方法基于归一化水体指数（NDWI）和OTSU阈值计算技术，无需复杂的图像处理算法，适用于快速获取水体信息的需求。
Erdas Imaging区域水体提取
qq_53019493的博客
04-23 1857
用Erdas Imaging区域水体提取流程
水体提取方法之单波段阈值法升级版
热门推荐
邵杰子龙
05-05 2万+
水体提取方法之单波段阈值法升级版，利用MNDWI，NDWI，INDVI结合分析，单波段提取水体
ERDAS2015RGB颜色分类法水体提取
邵杰子龙
05-13 6305
1. 在ERDAS中建模，分别做出逆NDVI、NDWI、MNDWI三个指数的Model。 Toolbox→Model Maker，如图1 图1指数建模 2. 将以上三个指数运行后形成的影像进行融合。 点击Raster→Spectral图标→Layer Stack会出现图的对话框，分别加载三个指数形成的影像，最好记住添加的顺序，第一个添加的为第一波段，第二个添加的为第二波段，依此类推，加...
【可视化表达】：GEE水体提取结果展示的艺术
![【可视化表达】：GEE水体提取结果展示的艺术]...首先阐述了GEE平台架构及其水体提取功能的特点，详细介绍了水体提取的基本步骤、代码编写技巧以及如何在平台上加载和预处理数据集。其次，文章重
GEE处理哨兵-2 遥感图像、水提取和可视化
gis收藏家的博客
01-24 1127
本文介绍了通过谷歌地球引擎平台并利用哨兵数据提取水掩膜的方法和代码。通过裁剪、云雾去除等处理步骤，最终得到带水掩膜的图像，并可视化导出。该方法基于归一化水指数（NDWI）和OTSU阈值计算技术，无需复杂的图像处理算法，适合快速获取水信息的需要。
水系提取算法（D8）的matlab实现
03-04
较为详细介绍了水系提取算法（D8）的matlab实现代码及有关解释
WaterProject_水体提取_
10-04
水体提取功能，里面主要实现了多源遥感卫星水体提取，入库，推送等后续代码功能
landsat8的idl处理代码
08-20
包括landsat8数据的NDVI、NDWI计算，辐射定标，提取landsat8数据的水域面积。注意改为自己的数据，代码可以摘用，不会用不要喷
阈值分割法提取遥感图像水体
05-10
完整的程序和图片数据调用，能阈值分割对遥感图像上水体的提取。
基于GEE平台提取水体
puzige的博客
05-21 1万+
本文主要介绍如何利用GEE平台与哨兵2号影像提取水体。水体的提取主要是基于NDWI指数进行，当然，通过改变波段运算，也可以根据MNDWI进行提取。主要代码如下： 下面展示一些 内联代码片。 //首先对数据进行去云处理 var s2_rmcloud = function(image) { var quality = image.select("QA60").unmask(); return image.updateMask(quality.eq(0)); }; //NDWI var s2_ndwi
第十三篇GEE中使用MNDWI和NDWI水体指数逐年提取水体
Gee Explorer的博客
10-20 3252
/ 从2014年到2023年循环year++) {// 设置每年的开始和结束日期// 每年的开始日期// 每年的结束日期// 创建一个图像集合，过滤条件为每年的日期范围、感兴趣区域（roi）和云覆盖小于10%.filterDate(start_date, end_date) // 过滤指定日期范围内的影像.filterBounds(roi) // 过滤只在感兴趣区域内的影像。
GEE水体提取之NDWI（矢量裁剪、统计面积、数据导出）
Lbta的博客
06-25 1万+
GEE专栏：GEE水体提取之MNDWI（矢量裁剪、数据导出） 计算区域2018年6-10月武汉市所有Landsat 8数据。 效果图 1、基于otsu计算结果，基于otsu提取结果，之前一直处于途中计算状态，原因推测数据量大，计算耗时，此外GEE给每个人分配的计算资源是有一定的限制的，非无线计算资源。 源码部分 function maskL8sr(image) { var cloudShadowBitMask = (1 << 3); var cloudsBitMask = (1 &
基于 GEE Sentinel-1 数据集提取水体
@HNUSTer的博客
01-07 1332
基于 GEE Sentinel-1 数据集提取水体。
Google Earth Engine（GEE）——计算水体面积提取2013-2020年青海湖面积的为例
此星光明博客
09-13 4202
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。
如果我有2024年一月十二号、四月八号、七月二十九号、十一月二十八号的威宁县草海自然保护区采样点总氮总磷数据，如何使用GEE 平台通过支持向量回归机器学习构建模型以及反演2004、2009、2013、2018、2023年的四个季度的总氮总磷的具体步骤与逻辑
最新发布
03-22
<think>好的，我需要帮助用户了解如何利用GEE平台和SVR模型反演威宁县草海自然保护区过去多个年份的总氮总磷数据。用户提供了2024年四个日期的采样点数据，并希望反演2004、2009、2013、2018、2023年的四个季度数据。我需要一步步拆解这个过程，确保逻辑清晰且技术可行。 首先，用户的问题涉及时间序列分析和遥感反演，可能需要用到历史卫星数据。GEE平台有丰富的遥感数据集，比如Landsat、MODIS等，这些数据可以作为特征变量。总氮总磷通常与水体反射率相关，所以可能需要选择合适的光谱指数或波段作为输入特征。 接下来，支持向量回归（SVR）是一种机器学习方法，适用于小样本数据，适合用户提供的四个日期的采样数据。但需要注意，四个日期的数据可能较少，可能需要数据增强或交叉验证来提高模型泛化能力。 然后是数据预处理部分。用户需要收集对应2024年四个日期的卫星影像，并进行大气校正、云掩膜等处理，确保影像质量。同时，总氮总磷的采样数据需要与卫星影像的日期匹配，可能需要时间窗口内的影像合成，比如使用当月或当季度的中值合成。 模型训练阶段，需要将采样点的总氮总磷数据与对应的卫星影像波段值提取结合，形成训练数据集。然后进行特征选择，可能包括单波段反射率、NDWI（归一化水体指数）、NDCI（归一化差异叶绿素指数）等。数据可能需要归一化或标准化处理，以适应SVR模型。 模型验证是关键，用户需要划分训练集和验证集，使用交叉验证评估模型性能，计算RMSE、R²等指标。如果模型表现良好，就可以进行反演。 历史数据反演部分，用户需要获取目标年份（2004、2009等）的对应季度的卫星影像，并进行相同的预处理。然后应用训练好的SVR模型预测总氮总磷浓度，最后进行后处理，如去除异常值、空间插值等，生成反演结果图。 不过，可能存在几个挑战：历史卫星数据的可用性（如Landsat 5在2003年之后的可用性）、云覆盖问题、季节变化对模型的影响，以及采样数据量少导致的模型过拟合或欠拟合。需要建议用户考虑时间一致性，比如不同年份同季度的影像选择，或者使用MODIS数据弥补Landsat的时间分辨率不足。 最后，步骤可能需要具体代码示例，比如如何在GEE中提取波段、训练SVR模型，但用户可能更关注流程而非具体代码。因此，回答需要结构清晰，分步骤说明，同时提醒潜在问题和解决方案。</think>以下是使用Google Earth Engine (GEE) 结合支持向量回归(SVR)反演草海总氮总磷的步骤与逻辑框架： --- ### **一、数据准备阶段** #### 1. **实测数据整合** - 将2024年四个日期的采样点总氮(TN)、总磷(TP)数据与GPS坐标整理为CSV文件，格式： ```text latitude,longitude,date,TN,TP 26.86xxx,104.28xxx,2024-01-12,0.5,0.02 ... ``` #### 2. **遥感数据选择** - **影像源**：优先选择与实测日期匹配的卫星数据： - **Landsat 5/7/8/9**（30m分辨率，适合小水体） - **Sentinel-2**（10m分辨率，但2015年后可用） - **MODIS**（500m，时间分辨率高但空间精度低） - **关键波段**： - 反射率波段（Blue, Green, Red, NIR, SWIR等） - 衍生指数：NDWI（水体提取）、NDCI（叶绿素相关）、FUI（水体颜色指数） --- ### **二、GEE数据处理流程** #### 1. **影像预处理** ```javascript // 示例：筛选Landsat 8影像并去云 var image = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') .filterDate('2024-01-01', '2024-01-15') .filterBounds(studyArea) .map(cloudMask) .median(); ``` #### 2. **特征提取** - 从影像中提取采样点对应的波段反射率值： ```javascript var samplePoints = ee.FeatureCollection('users/your_name/TNTP_samples'); var trainingData = image.sampleRegions({ collection: samplePoints, scale: 30, geometries: true }); ``` #### 3. **时序扩展** - 对历史年份（2004,2009等）每个季度重复上述步骤，构建反演用的影像数据集。 --- ### **三、SVR模型构建** #### 1. **特征工程** - **输入变量**：选择与TN/TP相关性高的波段/指数（通过Pearson分析） - **数据归一化**：对反射率波段进行Min-Max标准化 #### 2. **模型训练** ```javascript // 使用GEE的SVM库（需导入第三方库） var svr = ee.Classifier.libsvm({ kernelType: 'RBF', gamma: 0.5, cost: 10 }); var trainedModel = svr.train({ features: trainingData, classProperty: 'TN', // 分TN/TP两次建模 inputProperties: ['B2','B3','NDWI','NDCI'] }); ``` #### 3. **验证方法** - 留出法：80%训练，20%验证 - 交叉验证：K-fold（需将数据导出到本地计算） --- ### **四、历史数据反演** #### 1. **应用模型** ```javascript // 将模型应用于历史影像 var tnImage = image.classify(trainedModel).rename('TN'); ``` #### 2. **结果后处理** - **掩膜**：利用NDWI>0.2提取有效水体区域 - **平滑**：使用3x3中值滤波消除噪声 #### 3. **导出结果** ```javascript Export.image.toDrive({ image: tnImage, description: 'TN_2004_Q1', region: studyArea, scale: 30 }); ``` --- ### **五、关键问题与解决方案** 1. **时间一致性** - 使用相同传感器数据（如2004年用Landsat 5，2023年用Landsat 9） - 无数据季度用相邻月份影像插值 2. **模型迁移性验证** - 检查历史时期是否有少量实测数据可验证 - 对比反演结果与文献报道的浓度范围 3. **季节差异修正** - 为每个季度单独建立模型（如Q1模型仅用1月样本） --- ### **六、预期成果** - 生成2004-2023年每季度的TN/TP空间分布图 - 输出统计结果：草海整体浓度均值、年际变化趋势（可配合时间序列图） 建议优先从Landsat 5/7/8数据完整性较好的年份（如2013、2018）开始试算，逐步扩展到其他年份。若遇到高云量问题，可改用MODIS数据（需接受较低空间精度）。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值