gis收藏家的博客

本质上，要对区域内的任何几何图形（即您正在使用的坐标系内的矩形区域）进行编码，首先要布置覆盖该区域的参考点网格。例如，如果我们对 10km x 10km 的区域感兴趣，我们可以定义间隔 1km 的参考点，形成一个 10x10 的网格。以上区域的操作如下所示。我之前关于这个主题的笔记表明，MPP 编码能够很好地捕捉形状的几何属性 [1]，具有连续性和某些类型的不变性等理想属性 [2]，并且能够编码关于成对空间关系的信息 [3]。我将介绍一个简单的模型，该模型基于附近的地质特征，预测特定区域内地震发生的概率。

随着地理空间技术的不断发展，我们可以预见与 AI 的更深层次的集成、增强的数据可视化功能和用户友好的界面，使这些工具越来越受到更广泛的受众的欢迎。这使其成为创建富有洞察力、可共享的地理空间可视化的理想选择，可提供数据的动态视角。GeoPandas 允许我们读取、写入和执行各种地理空间文件格式（例如 Shapefile 和 GeoJSON）的空间操作，使其成为数据准备和分析的绝佳选择。具体来说，在环境管理中，地理空间分析是一种非常宝贵的工具，可以实现数据驱动的决策，并加强对自然资源的监测和保护。

批次形状 — 图像：torch.Size([4, 3, 512, 512])，标签：torch.Size([4, 512, 512]) 数据类型 — 图像：torch.float32，标签：torch.int64。由于 GPU 限制，我只测试了 20 个 epoch 的训练，Maxwell 教授测试了 50 个 epoch，您可以在我介绍中分享的原始文章中查看结果。：找到合适的学习率和其他超参数需要进行实验，需要高 GPU 使用率，这是昂贵的。：处理大型正射影像需要仔细的平铺和预处理。

位置列表指定了颜色列表中每种颜色在颜色图中的确切位置，范围从 0 到 1。每个位置值对应于渐变中的特定点，确定颜色之间的过渡发生的位置。在这个自定义颜色图中，我们逐渐将白色的不透明度从开始时的 85% 更改为完全透明，每次更改 35%，当我们从低海拔到高海拔范围的三分之一时，它实际上就完全透明了。在 John Nelson 的教程中，他使用 ArcGIS Pro 中的“inferno”色图作为他的变暖层。乘法将混合层的颜色值与基础层的颜色值相乘，从而产生颜色组合后的整体图像较暗。

我本来希望在更广泛的时间范围内（而不是一个月内）进行更深入的研究，并花更多时间分析数据集内的不同社区。我的目标是创建一个交互式可视化，展示取货地点随时间的变化。我被 KeplerGL 吸引，因为它被吹捧为能够很好地处理大量数据，而且我想亲自体验一下新的地理空间工具，因为之前我的 GIS 工作主要是使用 ArcGIS。如果我对数据施加更多限制，例如更严格的地理区域或不显示详细的建筑数据，事情可能会更顺利。然而，在检查输出结果后，很明显，这只说明了一件事：当查看计数时，地图只显示受欢迎的建筑仍然很受欢迎。

在本文中，我将举一个例子——如何将矢量数据（在本例中为高程线）转换为网格单元的栅格。由于我的最终目标不仅仅是可视化海拔地图，而是用乐高积木来实现这一点，所以我必须进行一些缩放以确保我有一定数量的离散海拔水平，以便与不同颜色的乐高积木相匹配。虽然对于空间分析项目来说，这一步可能不是必需的，具体取决于最终用例，但对于一个有趣的练习来说，这很棒。首先，使用空间连接，我确定栅格网格单元的多边形与高程线之间的重叠（即两者之间的重叠）。这将产生一个方形网格多边形，其中每个网格单元都有一个单一值——相应高程的平均值。

在第一次扫描过程中：算法逐行扫描二值图像，直到找到一个白色像素（在我们的例子中值为 255，黑色为 1），记为“p”。像素“p”的标记规则：如果“p”的所有四个相邻像素都是黑色（值为 0），则为“p”分配一个新标签。在 CCA 的二值图像中，我们对背景像素不感兴趣，我们希望集中精力于前景像素以找到连通对象。如您所见，我们有八个对象，但是该对象现在具有不同的标签，通过第二次扫描，我们将对字典中看到的所有标签进行分组。图 3. 4 和 8 邻域情况的图像示例，其中灰色像素是要检查的像素，红色是中心像素。

地理编码的局限性和过时的图像给模型范围之外的数据带来了相当多的噪音。表 H 描述了布局分类器的最终模型架构。表 I 中的分类混淆矩阵描述了模型的性能，并展示了所有类别的高预测精度。图 3 显示了模型在每个时期的训练和验证精度的提高。这些模型可以替代实地考察，在房地产选择的初步阶段识别建筑特征，从而节省公司的时间和资源。建筑布局 CNN 模型可让商业房地产决策者根据地址的卫星图像将建筑分为端盖式、独立式、加油站式或其他布局类别。训练数据通过对每幅图像进行三次旋转来增强，以增加模型训练的观察次数。

让我们深入研究 3D 网格算法的深层概念漏洞：让我们揭开行进立方体的复杂性，并详细介绍将点云转换为网格的 Python 实现，例如下面的示例。此阶段涉及导入必要的 Python 库：用于数值运算的 NumPy、用于点云和网格处理的 Open3D、用于 Marching Cubes 实现的 scikit-image 以及用于空间数据结构和计算的 SciPy。然而，它的几何影响是显著的。最重要的是，大规模优化对于大数据集也至关重要，例如分块（以较小的块处理点云）、并行化和高效的数据结构，以显著提高性能。

高效的空间查询 利用 GeoAlchemy2 的空间功能，以最小的工作量执行复杂的空间查询。数据库抽象 SQLAlchemy 提供了与各种数据库交互的一致接口，包括具有空间扩展功能的数据库（如 PostgreSQL 的 PostGIS、SQLite 的 SpatiaLite）。用于空间数据的 ORM SQLAlchemy 的 ORM 通过将数据库记录映射到 Python 对象，简化了空间表的工作，从而使地理空间数据的操作更加容易。在 GIS 中使用 SQLAlchemy 的好处。

我们有各种工具和方法来测量闪电的位置、时间和形状。在本文中，我将简要介绍不同检测方法的工作原理。在第二部分，我还将介绍一段 Python 代码，向您展示如何实时可视化闪电数据。这些数据来自 MTG-LI 的预发布版本，MTG-LI 是第三代气象卫星 MTG 所携带的闪电成像仪设备。我们如何探测闪电？

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。

手动绘制田地边界是最耗时的任务之一，其准确性取决于绘制者的表现。然而，精确的边界检测在很多领域都有应用。例如，假设您想训练一种机器学习算法，分析卫星图像中的植被指数与农场作物产量之间的关系。您需要的第一个输入是农场的形状文件，这通常需要手动绘制。绘制一个形状文件可能只需要几分钟，但如果您需要为 1000 个农场绘制边界呢？这时，这个过程就变得非常耗时，而自动提取边界的技术就变得非常有价值，可以节省数小时的工作时间。

加载训练样本前，请确保同一类别的所有样本拥有相同的类别编码、类别名称、类别值（类别值不能为0）。由于测试影像为2024年3月拍摄，覆盖石门水库集水区部分区域，波段排列相同，已进行预处理，确保所有栅格信息与训练样本相符。确保图像正确预处理（例如，缩放像素值），以便训练和测试图像共享相同的参数，包括像素大小、像素深度、波段数和坐标系。（F1-score），则来自于混淆矩阵的概念，都是用来评估模型性能的。表示在全部阳性样本中，预测为阳性的占比。表示在所有预测的阳性结果中，有多少百分比是真正的阳性。

在详细介绍使用案例之前，让我们简要回顾一下 Paligemma 的内部运作。Paligemma 将 SigLIP-So400m 视觉编码器与 Gemma 语言模型相结合，用于处理图像和文本（见上图）。在今年 12 月发布的新版 Paligemma 中，视觉编码器可以预处理三种不同分辨率的图像：224px、448px 或 896px。视觉编码器对图像进行预处理并输出图像标记序列，然后将其与输入文本标记线性组合。Gemma 语言模型进一步处理这种标记组合，然后输出文本标记。

其网站上的文档很好地描述了它的重要性："坐标参考系（CRS）非常重要，因为 GeoSeries 或 GeoDataFrame 对象中的几何图形只是任意空间中的坐标集合。不过，您也可以从文件名中解析日期，跳过这一步。为了区分冰和水，使地图更加清晰，我在绘图函数中加入了额外的参数。在绘图时，我确定了多边形类型列，以区分数据中的冰和水多边形。最后，我创建了一个列表，通过设置 x 轴和 y 轴限制来调整绘图的缩放设置。在 for 循环的底部，我将绘制的文件保存为 png 格式，并添加了文件名以区分每次迭代。

地图代数是一种在地理信息系统（GIS）中使用数学和逻辑运算分析栅格数据的方法。该方法由 Dana Tomlin 博士于 20 世纪 80 年代开发，应用范围广泛，从地形分析到水文模型，从生态建模到城市规划，无所不包。地图代数的工作原理是对栅格数据的每个单元格进行数学运算，从而建立数据层之间的关系。在 Python 中，我们可以使用 Rasterio 和 GDAL 等库处理栅格数据，并使用 NumPy 执行快速数学运算。例如，通过将一个地区的高程图与降水数据相结合，可以进行洪水风险分析。

本文介绍了如何使用 Maxar 开放数据计划提供的卫星图像，通过安装相关库、下载样本数据、制作互动地图、初始化 SAM（Segment Anything Model）、分割图像、显示分段输出、使用滑块比较图像以及在互动地图上显示图像等步骤，对利比亚洪灾的卫星图像进行分割处理。

本网页介绍了如何使用Python绘制邻近地图，特别是用于展示美国东南联盟（SEC）大学橄榄球队之间的距离关系，并且展示了如何使用geopy库中的大圆法来计算距离，以及如何使用NumPy、Matplotlib、Pandas和geopandas等库进行数据处理和地图可视化。

本文介绍了如何在 Python 中使用反距离加权法（IDW）进行空间插值，以推断非洲国家级别的缺失人口密度数据，并通过实例验证了 IDW 方法的有效性。

地球的每个部分都有其特定的坐标参考系统或 CRS，它可以最大限度地减少在 2D 平面上处理 3D（几乎）球面坐标（例如参考地球上的点的坐标）的误差。列表之间的交集可能是一个非常长的操作，该操作随着形状的复杂性而增长。在下面的代码中，我们给出了一个示例，说明如何在给定多边形。尽管这看起来似乎是一件微不足道的事情，但我经常面临的一个问题是提取几何图形的坐标并使用它们将其可视化。计算n个点列表的最近邻，意味着必须计算每个点到每个其他点的距离，这需要。在下面的示例中，我们绘制了意大利地区人口的空间分布。

假设有人很快就会耗尽汽油，他/她需要在为时已晚之前找到最近的加油站，解决这个问题的最佳解决方案是什么？当然，驾驶员可以检查地图来找到最近的加油站，但如果该地区有多个加油站，并且他/她需要快速确定哪个加油站是最近的，则可能会出现问题。所以在多边形内，最近的 POI 肯定是多边形内的点。Geovoronoi 是一个用于在地理区域内创建和绘制 Voronoi 区域的软件包。在这个项目中，我根据 POI 数据在地图上创建 Voronoi 区域。创建新的数据框来收集每个 Voronoi 区域内的街道网络。

有趣的是，洪水前事件（红色条）中的一些非水像素（负区域）已转移到洪水后图像中正区域（蓝色条）中的水像素。在这篇文章中，我们将下载两张在迪拜洪水泛滥地点拍摄的 Sentinel-2 图像：一张是在洪水事件发生前评估洪水事件发生前的情况，另一张是在 4 月 17 日洪水事件期间拍摄。洪水前的 Sentinel-2 RGB 图像（左）、洪水后的 Sentinel-2 RGB 图像（中）以及洪水后时期的洪水区域（右），由作者可视化。您在此处看到的差异（4 月 17 日拍摄的图像中的绿色像素）对应于洪水区域。

正如您所看到的，该数据框包含各种形状的几何形状以及各种属性，例如地区和州名称。如果独立可视化包含 110 天的数据，则第一个可视化将包含一天的数据，第二个可视化将包含两天的数据，第 110 个可视化将包含所有 110 天的数据。正如您所看到的，从输出图中，我们已经隔离了 UP 区。这是 geopandas 的一个非常酷的功能，您只需调用 .plot() 即可绘制数据框中包含的所有形状。在这里，我们将地区列设置为 geopandas 和数据数据框中的索引，以便我们可以获得合并数据框中每个地区的安装数量。

该数据相当古老，显示的是 2003 年的森林，这显然是很久以前的事了，但是这里使用的方法将适用于其他森林数据集，或者实际上适用于存储在该数据集中的一些较新（但更大）的数据。出于本次练习的目的，我们将假设海洋的树木覆盖率为 0%，这可能是一个相当安全的假设，但至少值得一提，因此，在下面的代码中，所有大于 100 的值都会更改到 0。我想为森林覆盖率为 0 的网格点设置自定义背景颜色，因此我们使用下面的代码生成具有 101 种颜色的颜色图，用我们的自定义值替换第一个颜色，然后从该颜色列表创建一个新的颜色图。

因此，如果您需要从 python 控制台/jupyter 笔记本使用 QGIS 库，您需要确保您的 python 可以找到 QGIS 库路径。使用 conda，您可以像 Python 上的任何其他库一样安装 QGIS 包。您可以通过从默认虚拟Python环境映射其系统环境路径来使用QGIS Desktop及其库的现有安装（甚至使用QGIS插件安装的GRASS、SAGA和其他算法）。您可以将一个现有的 QGIS 安装用于多个 Python 环境，而不会出现依赖包问题，同时使用的不仅仅是 QGIS 的核心库。

最后，我们将点平移回来，以便旋转图像的中心位于正确的位置（第 16-17 行）。请注意，我们使用的是在转换 stac 文件的纬度和经度坐标时获得的。为了获取盒子内场景角点的坐标，我们需要使用 stac 文件（第 3 行）。重要的是，这与 stac 文件中给出的坐标的 CRS 不同。因此，要获得角点的像素坐标，我们必须首先将经纬度转换为UTM，然后再转换为像素坐标。在图 4 中，您可以看到我们在场景周围绘制了一个完美的框。使用这个角度我们旋转场景（第 9 行）。只有当我们处理南半球的场景时，这才是必要的。

对于克里金法，最重要的参数是您选择的理论变异函数类型，因为它基本上定义了预测值和距离之间的关系。这次我们返回一个矩阵 (n,n)，其中每一行表示一个点与所有其他点之间的距离（每行中的一个值为 0，因为一个点与其自身之间的距离为 0）。正如您所看到的，这里我们计算权重，而不是分配最近的已知点的值。还有许多其他方法，它们具有更高的精度，但它们背后的想法是相同的：找到至少两个已知点之间的函数值。因此，该算法的整体思想是调整理论变差函数的参数，使其适合实验变差函数，然后使用它来预测节点的值。

此外，Pgvector 和 LanceDB 都与各种著名的人工智能工具无缝集成，使我能够根据项目的具体要求选择最合适的技术。LanceDB 是一个用于人工智能的开源矢量数据库，旨在存储、管理、查询和检索大规模多模式数据的嵌入。由于我的电脑 RAM 不够，我会选择 IVFFlat :) 如果你的 RAM 足够，HNSW 是一个更好的选择。让我们为 pgvector 创建相同的查询来查找最近的位置。在本文中，我的目标是开发一个利用矢量数据库来查询地址和位置数据的应用程序。然后让我们创建我们的表。

就像任何其他数据一样，在处理地理空间数据时，识别和纠正异常值是数据准备中的关键步骤，可确保任何后续分析的准确性。在本文中，我们将探索这种简单而强大的基于 MAD 的方法，以在 Python 中识别和调整地理空间异常值，使您的数据分析更加稳健和可靠。通过组合这些异常值，我们可以可视化数据集中的内部值和异常值。在分别识别经度和纬度上的异常值后，我们将这些发现结合起来，以获得数据集中异常值的完整图像。其次，如果您认为某些可能的异常值被检测为异常值，而您只需要捕获极端异常值，则可以提高阈值来实现这一点。

在机器学习预分割阶段，捕获的无人机图像为.jpg（4：3，8064 x6048）格式，为了提高分割质量，将这些图像平铺为正方形（1：1，2048x2048）格式。对于航测过程中飞行高度较高的无人机（如55米至60米，每像素分别为24毫米和27毫米左右），可以解决透视误差，另一方面，分割冠轮廓误差可以解决通过更大的训练数据集来解决。低空无人机图像树种分割可以在更大的尺度和相对更高的高度进行扩展，以利于未来机器学习的进展，围绕较少的目标物种（例如5-10个物种）进行实例分类可以比更多的目标获得更高的精度。

由于上传的全景图像是由两个鱼眼镜头组成的，因此我们将完整图像（2x1，宽度x高度）修剪为两个图像（1x1，宽度x高度）。请注意，修剪后的一半的中间分隔线不是真正的北方，北方在捕获的相机视点中是不同的。另外，谷歌街景开放供公众上传参与，谷歌官方在香港2023的成像传感器是由“理光Theta S”拍摄的，如果使用公开上传的数据，相机型号和镜头校准模型应该关于他们受人尊敬的相机型号（例如 Insta360 X）。结果通常是好的和准确的，但基于颜色的分割仍然存在一些缺陷，即无法从该原型中有效地检索详细的分支结构。

在这篇文章中，我介绍了使用深度学习在卫星图像中进行道路检测的整个流程。从数据预处理和模型训练到推理和输出保存，每个步骤对于获得准确的结果都至关重要。在这个项目中，我专注于分割卫星图像，以确定对城市规划、交通管理和基础设施开发等各种应用至关重要的道路区域。一旦我们有了经过训练的模型，我们就可以使用它对新的卫星图像进行推理以检测道路。这部分的重点是加载训练后的模型并将其应用到新图像。我们将准备卫星图像数据，对其进行预处理，并训练用于道路检测的深度学习模型。→ 使用保存在目录中的模型并注入您的 TIF。

与底图相比，数据集图像的分辨率更高，并且是在一天中的不同时间和不同季节拍摄的，因此我依赖于 GCP 的可靠地质特征。该方法采用两个步骤 - 首先，从 GeoTIFF 文件中提取标记的地理点，其次，将这些点重新投影到广泛使用的 EPSG:4326 坐标参考系统中。运行此程序，我们得到以下输出，这证实了 GeoTIFF 文件中的大小和像素值确实与原始 PNG 文件中的相同。虽然不是我们主要建模任务的先决条件，但拥有树木位置的矢量数据集可以增强可视化和更深入地了解数据的潜力，从而解锁数据交互的新维度。

随着自然语言处理和计算机视觉的巨大发展，越来越多的智能任务将在遥感领域自动实现。更深远的是，注释等耗时任务的成本可以显着降低。是计算机视觉领域的游戏规则改变者，无需额外学习即可对任何图像进行快速分割。然而，右边的建筑物却误报了。尽管存在差异，但建筑物还是被很好地检测到，尽管一些船只和游乐场出现了误报。然而，精度不够高：检测到图像右侧的建筑物，而不是左侧。由于道路检测是遥感中一项具有挑战性的任务，因此无法很好地检测到。然而，当我们设置类似的塔名称时，很容易出错。我们使用巴黎的目标图像，如下图所示。

我们想拍摄数据的照片，在这种情况下，这是对象的点云。无论是在混乱的场景中对物体进行分类，还是分割3D模型的复杂部分，PointNet的简单而灵活的设计使其成为寻求利用深度学习力量进行3D建模和分析的研究人员和从业者的令人信服的选择。与依赖体素网格或 2D 投影的方法不同，PointNet 通过直接对点云数据应用高度并行化的操作来简化分类过程，无需复杂的预处理步骤。我们在本教程中没有实现 PointNet++，但我们包含了 PointNet++ 论文中介绍的一些技术，例如最远点采样和点丢失。

Dijkstra 算法可在 Python 库 OSMNX 中实现，可用于查找两个位置之间按距离或时间加权的最短路径。使用起始位置和目标位置获取属于网络一部分的最近节点。可以使用 osmnx 函数获取节点的代码。我们将从图中提取节点的几何图形并创建表示最短路径的 LineString 几何图形。正如我提到的，我将做一个分步指南，所以让我们开始吧。然后，我们将提取将用于生成最短路径的图。您可以使用此数据来创建您自己的地图。我们将通过绘制所有元素来检查我们的工作是否正确。将地图的网络和路径保存在本地磁盘中。

无论您是从事土地覆盖分类、对象检测还是任何其他地理空间任务，自定义数据加载器都将简化您的工作流程并帮助您使用地理空间数据集获得准确的结果。然而，OpenCV 和 Pillow 在某些情况下仍然有用，特别是当您需要对地理空间数据执行一般图像处理任务时、当您处理非地理空间图像数据时、或者当您只想读取一个图像的三个波段时。图像而不保留其地理空间属性。在本教程中，我们将引导您完成使用 PyTorch 和 Rasterio 这两个用于深度学习和地理空间分析的强大库创建自定义地理空间数据加载器的过程。

如果我们想要获取周围的图块，请找到边界框最近的角，然后使用它来计算三个相邻网格单元的图块坐标。本质上，Google 地图将图像存储在网格中，其中每个单元格的尺寸为 256 x 256 像素，而单元格的实际尺寸是缩放级别的函数。也许令人失望的是，在这个缩放级别包含我们位置的图块主要是海洋，尽管看到详细地图上绘制的空气污染仍然很高兴。我们不仅有来自通用和美国 AQI 指数的空气质量指数值，而且还有主要污染物的浓度、每种污染物的描述以及针对当前空气质量的一套整体健康建议。，之后您将为您使用的 API 服务付费。

这些操作对于任何地理空间分析都是必不可少的，并将为更先进的技术提供坚实的基础。可能性确实是无限的。在基本操作的基础上，让我们深入研究使用 GeoPandas 的高级地理空间分析技术。这些可以是点、线、多边形或 Shapely 支持的任何其他形状类型，Shapely 是一个用于操作和分析平面几何对象的 Python 库。GeoPandas 不仅简化了基本的地理空间操作，还为高级地理空间分析提供了强大的工具。在接下来的部分中，我们将介绍更高级的主题，例如空间连接、叠加分析和地理空间数据可视化。