lwbCUMT的博客

本专栏聚焦「机器学习 + 遥感应用」的落地实践，专为遥感相关专业大学生、刚入门的遥感工程师、机器学习爱好者打造。避开纯理论堆砌，以「实验课式实操」为核心，帮你解决 “懂理论但不会用代码落地”“遥感数据处理与模型结合难” 的痛点，最终能独立完成从数据到模型再到结果的全流程任务。

遥感（Remote Sensing）是一种远离目标，在不与目标对象直接接触的情况下，通过某种平台上装载的传感器获取其特征信息，然后对所获取的信息进行提取、判定、加工处理及应用分析的综合性技术。遥感的主要信息载体是影像，其中包含了地物的形状、位置以及光谱方面的信息。遥感技术的特点包括探测范围广、采集数据快、能动态反映地面事物的变化以及获取的数据具有综合性。遥感技术被广泛应用于资源调查、地表环境监测、人类活动监测等多个领域。

机器学习是让计算机通过数据自主发现规律的技术，与传统编程不同，其核心流程为"数据输入→模型训练→预测输出"。主要分为监督学习（带标签数据，如分类、回归）、无监督学习（无标签数据，如聚类、降维）和强化学习（通过奖惩机制学习）。常用算法包括：随机森林（多决策树集成，抗过拟合）、SVM（最大化分类间隔，适合小样本高维数据）和K-Means聚类（基于距离迭代分组）。这些方法广泛应用于图像识别、用户分群、预测分析等领域，使机器能自动从数据中学习规律并做出决策。

摘要：机器学习已成为遥感与GIS领域的核心技术，能高效处理海量高维数据，解决影像分类、参数反演、空间预测等专业问题。传统算法如随机森林、SVM适合入门，深度学习则擅长处理复杂时空数据。学习应结合Python编程和GIS工具，通过实际项目掌握算法应用，同时保持地学思维，将领域知识与机器学习结合，才能充分发挥技术优势。机器学习是工具，地学认知才是核心竞争力。

摘要：本教程推荐使用Anaconda安装Python，因其集成了Python环境、版本管理和科学计算库。安装时建议从清华镜像源下载最新版，默认路径安装。编辑器推荐PyCharm社区版，支持项目管理、变量查看和代码调试。PyCharm安装步骤包括选择安装路径、勾选所有选项，安装完成后可通过插件中心下载中文语言包实现汉化。两种工具安装均需注意版本选择和路径设置问题。

摘要：本文介绍了如何搭建Python遥感与机器学习开发环境。首先通过Anaconda创建虚拟环境，解决不同项目的库版本冲突问题；接着安装GDAL、numpy、scikit-learn等核心库；然后说明如何在PyCharm中关联配置好的虚拟环境；最后演示了从新建项目到编写运行"Hello world"程序的完整流程。该指南为初学者提供了从环境配置到第一个Python程序的完整入门路径。

本文系统介绍了Python编程基础内容，主要包括：1.数据类型与变量：详细讲解int、float、str、bool、list、tuple、set、dict八大基础数据类型及其常用方法，以及变量的定义和使用规则。2.运算符与表达式：涵盖算术、比较、逻辑、赋值、成员等运算符的使用方法。3.流程控制：包括if-elif-else条件判断和for/while循环结构，以及break、continue等控制语句。4.输入输出：input()获取用户输入和print()格式化输出的使用方法。5.文件操作：open()函

本文介绍了遥感机器学习数据集的制作方法，重点讲解Landsat8数据的获取和处理流程。首先通过地理空间数据云下载遥感影像，使用ENVI进行波段合成和格式转换；然后详细说明在ArcGIS中进行目视解译标注的步骤，包括创建面shp文件、添加分类字段和编辑标注；最后将矢量标注转换为与原始影像一致的栅格数据。该流程为开展遥感机器学习研究提供了完整的数据准备方案，强调自主制作数据集对应用效果的重要性。

本文介绍了基于随机森林的Landsat影像水体提取方法。首先使用GDAL读取Landsat1-7波段影像和标签数据，将数据整合为8列表格（7个波段+标签）。通过数据预处理去除未标记数据后，将数据按7:3划分为训练集和测试集。采用20棵决策树构建随机森林分类器，最大深度设为8。训练后模型测试准确率达到96%，并应用于整景影像预测，最终输出水体提取结果图。完整代码实现了从数据读取、模型训练到精度评估和预测输出的完整流程，适用于遥感影像分类任务。

摘要：本文提出了一种基于随机森林回归模型的水体指数(NDWI)预测方法。通过Landsat影像数据计算NDWI作为回归标签，构建包含7个波段的特征数据集。采用Python实现数据预处理、模型训练（n_estimators=20）和精度评估（R2、MSE等指标），最终输出整个影像的NDWI预测结果。该方法解决了回归任务中实测数据获取困难的问题，可用于水体信息提取。文中详细给出了GDAL影像读写、数据标准化处理和模型保存等关键代码实现。