gis收藏家的博客

接下来，使用在 80 厘米分辨率（SD80）下进行微调的模型进一步细化图像，将分辨率提升至 2048x2048，并添加更精细的细节。外绘是修复的一种变体，它会根据提示修改部分噪声的清晰图像，使其与周围内容无缝融合，重点在于扩展图像的边界。在我们的示例中，将初始的 1024x1024 像素图像水平扩展，以创建 1024x2048 像素的图像。这些示例证实了我们方法的有效性，凸显了其能够扩展图像，而不会在原始图像与其扩展图像的连接处引入可见的伪影。然而，最终图像的整体一致性不如其他方法所达到的水平。

此外，在 AWS 环境中，我们可以生成高质量的标签。现在我们了解了遥感的基础知识，让我们来讨论一下它在研究气候变化方面的优势。不幸的是，EO 数据集的开发一直很混乱。矛盾的是，这正是我们应该用它们前进的相反方向，特别是如果我们希望我们的深度学习模型更好地发挥作用的话。最有可能的是，我们将在云计算平台中预处理和分析数据。温馨提醒，值得一提的是，改进建模的最佳方法是使用更好的数据。作为这些数据的用户，我们可以为找出这一领域的差距做出贡献。由于这些数据集的大小和数量已经增加，尝试在本地运行我们的模型毫无意义。

利用归一化差异植被指数 (NDVI)、归一化差异建设用地指数 (NDBI) 和 k 均值聚类，本研究探索了过去 7 年（2017-2024 年）大学周围当地社区（Khandisa 保护区）的耕地和建设用地的演变，旨在提醒当地社区他们可以利用的农业潜力以及如何确保其潜在价值得到回报。鉴于祖鲁兰大学农业和商业部门的完善，以及其对社区参与计划的高度重视，这为他们提供了一个与当地社区合作参与教育计划和研究项目的机会，这些计划和研究项目侧重于可持续农业和经济/营销模式，以促进相关农产品的生产和销售，面向大学人口。

研究结果为使用不同数据集（即协调的 Sentinel-2 MSI：多光谱仪器、Level-1C 和 Sentinel 1- 合成孔径雷达 (SAR) 数据）对随机森林 (RF) 算法进行图像分类的性能评估提供了宝贵的见解。通过利用两种传感器的互补优势，Sentinel-2 MSI 和 Sentinel-1 SAR 数据的集成可为这些特定应用提供更好的见解和更可靠的结果。值得注意的是，当 Sentinel-2 MSI 的图像质量受到云层或雾的影响时，Sentinel-1 SAR 数据可以作为合适的替代品。

由于担心这些波段之间的共线性，我最初删除了红色、绿色、蓝色和沿海特征（如下所示）。出于这个原因，我继续使用模型中的 IR、NDVI 和湿度指数特征。将这些工程特征堆叠起来后，我分别检查了每个波段，并与 RGB 图像中的物体（即建筑物、道路、植被、水体）进行比较。光照变化：阴影的存在会因一天中的时间、一年中的时间和相关城市的纬度位置而变化。城市密度：奥斯汀使用的模型在人口密度明显较高或较低的城市（如旧金山或乡村定居点）中可能不会表现良好。道路分类（图 2、图 4）识别道路可能很有用，但这不是该模型的目的。

虽然它们为我们提供了有关地球的开创性见解，但它们受到当时技术的限制——它们速度慢、成本高，并且需要复杂的手动校准。尽管目前的系统仍然价格较高，而且不像我们希望的那样便携，但持续的发展有望在不久的将来提供更具成本效益和优化的解决方案。简单来说，高光谱相机就像普通的数码相机，不仅可以捕捉常见的红、绿、蓝三色，还可以记录数百个额外的“颜色层”（光谱带）。生成的图像中的每个像素都带有详细的光谱（独特的指纹），可帮助我们识别其所代表的材料。这些相机的制造商提供多种选择和配置，而我只重点介绍了有限的选择。

以下是根据 2023 年 12 月 14 日（巴西夏季）拍摄的 MSI/Sentinel-2 图像得出的指数，针对巴伊亚州 Chapada Diamantina 地区一片 10 公顷的雨养咖啡种植园。在此背景下，使用卫星图像等气候监测工具至关重要，特别是考虑到欧盟的反森林砍伐法，该法将于 2025 年 12 月 30 日对大公司生效，2026 年 7 月 30 日对微型和小型企业生效。对咖啡产区的影响一直是种植者、购买者和出口商关注的问题，尤其是对阿拉比卡咖啡而言。还指出，由于高温引发的缺水问题，

通俗地说，它显示了在通过光学系统后，您是否可以区分精细细节，或者它们是否会模糊在一起（更精细的细节由更高的频率表示，并通过它们之间有足够的对比度来区分它们）。正是这种更广泛的光谱支持实现了更高的分辨率：由于每个像素整合了更多的光子，因此可以减小像素大小（从而提高分辨率），而不会增加低于其他较低分辨率的较窄波段的采样噪声。例如，如果您希望在城市地区获得良好的超分辨率，以改善城市遥感应用的结果，那么包含城市样本的数据集可能就足够了，但超分辨率模型在森林、山脉、田野或数据集中未表示的其他环境中会表现不佳。

由于光谱阈值过高，高亮或暗区（如裸露的岩石、反光的建筑物和阴影）会被错误分类。2025 年 1 月 7 日，洛杉矶发生的一系列山火造成了灾难性的破坏，一些火势至今仍在蔓延。最后，为了监测受影响区域（烟雾、火灾和受损物体），我们对提取的蒙版进行了逻辑或运算符。在近红外波段，看不到烟雾，并且由于植被减少，燃烧的建筑物区域也表现出非常低的反射率。由于瑞利散射，较短的蓝色波长被烟雾颗粒高度散射，导致蓝色波段的反射率较高。从发布的照片​​来看，中心有一股浓烟和烧毁的建筑物，呈黑斑状。首先，我们检查了每个光谱带。

在我们的方法中，每个光谱带/指数（例如，红色、NDWI）都被视为单变量序列，分成“斑块标记”，然后由约 600k 个参数的 Transformer 进行处理。我们随机屏蔽了这些斑块标记中的很大一部分，并训练模型以重建缺失的片段，从而捕获每个斑块内的短暂亚季节动态和整个时间序列中的多月背景。尽管我们的测试集中存在类别不平衡，并且标签噪声可能是 ESRI 数据集固有的，但混淆矩阵的对角优势表明模型学习到的表示可以有效区分这些主要的土地覆盖类型。，该算法识别标记为“-1”的异常模式和标记为“1”的正常时间行为。

非法倾倒是指未经许可或未采用适当方法倾倒废物。据报道，日本茨城县石冈市最近发生了一起严重的非法倾倒垃圾事件。该垃圾堆位于一条国道旁的围墙边，由于重量过大，有倒塌的危险。探测非法倾倒非常重要，我们探讨了卫星遥感能否应用于这一任务。

二维模拟对水流的水平运动进行了更详细的分析，而三维模拟则以最全面的方式对水流的三维运动和相互作用进行建模，从而绘制出最真实的洪水风险地图。水力模拟在制定洪水管理、城市规划和应急策略方面发挥着至关重要的作用，可用于预测洪水风险、实施预防措施和开发预警系统。因此，地理信息技术在洪水和淹没分析中发挥着至关重要的作用。地理信息系统（GIS）和遥感技术在灾前、灾中和灾后提供的数据收集、分析和可视化能力，为确定和管理洪水风险提供了巨大优势。此外，在数字地形模型的帮助下，我们可以确定城市地区中存在空心和洪水风险的区域。

我们使用谷歌（GCP）作为我们的云平台，并选择使用 Apache Beam 作为我们的分布式计算框架来加速处理时间，因为 GCP 为 Beam 提供了一个名为 Dataflow 的执行引擎，其功能相当全面。最耗费计算的步骤是计算每幅卫星图像的图像嵌入。考虑到在我们使用的分辨率下，一公顷的卫星图像只有大约 350x350 像素，而我们要分析的大多数地物甚至比一公顷小得多。不足为奇的是，它在处理具有相似材质的地物（如人行道和道路之间的边界）以及不规则的小地物（如树木和阴影）时可能会遇到困难。

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。

地球观测（EO）技术的进步正在扩大环境分析的能力，包括更广泛的光谱指数和更高的空间和时间分辨率，这使得详细的长期环境研究成为可能。通过不同的光谱波段和指数，地球观测数据提供了对地球表面特征的宝贵见解，是研究物理过程、预测未来情景和为决策提供信息的模型的重要输入。较小的滤波器不足以填补较大的缝隙，因此需要较大的滤波器--在这种情况下，需要 51 x 51 的滤波器来填补所有缝隙。然而，使用这么大的滤波器可能会影响结果的可靠性，因为它涉及到更大的填隙半径，可能会带来误差。要使该数据集可用，就必须填补这些空白。

使用正确的工具，我们可以从这些文件中提取正确转换的光栅图像和相应的标签，我们可以愉快地将其输入到我们的计算机视觉模型中；它将光栅化和矢量化、下载和上传、分析和标准化、切片和剪辑、连接和提取，一般来说，会尽一切努力确保数据以正确的形状到达正确的位置。缩小范围，我们可以将 Raster Vision 总结为一个框架，它使开发人员能够快速、可重复地配置贯穿机器学习工作流程核心组件的管道：分析和预处理训练数据、训练模型、创建预测、评估模型以及捆绑模型文件和配置以方便部署。我们如何将采样的芯片限制在一个区域？

它是一种基于网格的数据结构，其中网格中的每个单元或像素代表地球表面的特定位置。在最近的版本中，Sedona 社区在可扩展的栅格数据支持方面投入了更多资金，包括栅格数据读取器、写入器和栅格操作。完成此操作后，我们可以创建一个同时具有几何列和栅格列的表。我们添加了额外的构造函数，例如 RS_FromGeoTiff 和 RS_FromAscGrid，它们允许您将各种栅格二进制格式转换为统一的栅格格式。首先，将栅格数据转换为特定的二进制格式，例如 GeoTiff。正如我们所看到的，该列现在的类型是栅格。

由于输出结果会进行简化，因此需要进行评估和细化的过程来丰富分类结果，确实它确实帮助我们加快了分类过程很多。在传统的遥感中，我们需要手动定义掩模和边界，例如目标的边界和掩模的裁剪。它可以通过相机的深度方向进行分割和提取，在本文中，我们将把 SAM 用于城市林业和遥感应用。SAM模型可以在城市地区有效工作，例如来自Google Earth网格模型的样本数据，它可以定义植被覆盖、道路（天桥）、建筑物和水体。基于 RGB 的 SAM 输出、绿带 SAM 输出、基于 RGB 的深度图和绿带深度图输出。

在我们的例子中，样本是观测值的数量，时间步长是 NDVI 列的数量，特征是 NDVI 波段的数量。大多数可用的文献和教程已经发展到更复杂的方法，例如 ConvLSTM、Temporal Transformers 和 Bi-LSTM，为那些希望从基础知识开始的人留下了空白。请记住，该分类器是基于像素的，而不是基于对象的。然而，值得注意的是，这是 LSTM 在遥感领域应用的一个基本示例。学习图表明，训练集和验证集的准确性都在增加，损失都在减少，这表明该模型没有过度拟合，并且可能很好地推广到新数据。

这是我打算发布的关于如何使用 Python 编程语言处理地理空间数据的系列中的第一篇。在该领域工作几年后，我注意到有许多来自地球科学和相关领域的专业人士不是程序员，但在某种程度上需要使用编程语言来执行分析、数学计算或简单地自动化工作流程。通常，这些专业人士很难实现这一目标。如果没有适当的知识，他们最终会开发出复杂的代码，而不遵循容易出错的最佳实践，并且无法有效地处理地理空间领域的大量数据。在另一个极端，我们注意到 IT 专业人员掌握了编程概念，但不具备正确处理地理空间数据的知识。

基于Google Earth Engine (GEE) 进行回归分析是一项强大的地理信息分析技术，广泛应用于许多领域。今天我们将揭开遥感回归分析的神秘面纱，通过Google Earth Engine（GEE），结合线性回归和随机森林回归，带你探索地球表面的奥秘！🚀。

当然还有很多数据哈，并且国外也有很多代理商，数据名称五花八样，但我们只要搞明白它是那颗卫星生产的就能大概有个数了。另外国内的话使用高分影像做立体相对来生成 DEM 是可行的，但是铺开来，大规模的商业应用好像没有看到。

基于Python实现基于遥感指数的水体提取