遥感合集---长时间序列遥感、无人机遥感、Python-GEE遥感云大数据分析、CNN-PyTorch遥感、植被参数光学遥感反演

为为-180-3121-1455

于 2024-09-13 18:03:56 发布

阅读量1.7k

点赞数 33

分类专栏：遥感生态机器学习文章标签：无人机 cnn 人工智能数据分析

本文链接：https://blog.csdn.net/JWW19903121626/article/details/142215688

版权

生态同时被 3 个专栏收录

12 篇文章 0 订阅

订阅专栏

遥感

11 篇文章 0 订阅

订阅专栏

机器学习

4 篇文章 0 订阅

订阅专栏

长时间序列遥感数据处理及在全球变化、物候提取、植被变绿与固碳分析

植被是陆地生态系统中最重要的组分之一，也是对气候变化最敏感的组分，其在全球变化过程中起着重要作用，能够指示自然环境中的大气、水、土壤等成分的变化，其年际和季节性变化可以作为地球气候变化的重要指标。此外，由于生态工程保护建设和植被自然生长等因素，中国陆地生态系统发挥了重要的碳汇作用。因此，定量评估植被时空动态变化是制定生态系统可持续发展目标和衡量生态系统固碳潜力的重要前提，卫星遥感数据衍生的生态参量产品为研究长时间序列全球及区域植被时空变化提供了重要数据源。目前已经从卫星获取的遥感数据反演了许多长时序生物物理参量产品，如GIMMS3g NDVI/LAI/FAPAR、MODIS NDVI/LAI/FAPAR/ GPP、GLASS LAI/FVC/GPP等，并且已经广泛应用于全球或区域尺度植被变化趋势及格局分析。

专题一 长时序遥感产品在全球变化/植被变绿/植被物候等方面的应用

Science/Nature/PNAS等相关文章

长时序遥感数据产品介绍

长时序遥感数据产品分析方法

长时序遥感数据产品质量评价

专题二 MODIS遥感数据产品预处理

基于MODIS TOOL的HDF影像拼接/子区截取/格式转换

基于MODIS TOOL的长时序海量遥感数据的自动批处理程序

基于Python的遥感产品数值读取

基于Python的产品质量控制(QC)图层读取及含义解读

经QC后的产品最大值/均值/中值等合成

专题三 长时序MODIS遥感数据产品时间序列重构

遥感数据异常值/离群值outliers检测方法

年内时间序列遥感数据重构以去除噪声点(滤波、多项式拟合、…)

长时序逐年份遥感产品年均/最大值、月均/最大值、季节均/最大值批处理运算

距平anomaly及变异系数coefficient of variation计算

不良天气(如云)对长时序遥感数据分析的影响

专题四 基于GIMMS 3g和MODIS NDVI构建更长时序遥感数据

GIMMS 3g和MODIS NDVI产品相关性分析

重叠时间段内GIMMS 3g和MODIS NDVI产品融合

基于GIMMS 3g和MODIS NDVI产品的更长时间序列产品生成

专题五 植被物候提取与分析实践应用

年内时间序列遥感数据重构方法

多种植被物候提取方法实现：threshold/logistic/derivative/…

生长季开始/长度/结束日期提取

区域植被SOS/LOS/EOS制图

年际间植被物候变化趋势分析

专题六 植被变绿趋势分析实践应用

长时序年际间植被变化趋势分析方法

植被变绿/变黄趋势判断准则

基于一元线性回归的植被变化趋势判断

基于Manner-Kendall(M-K)的植被变化检验

基于变异系数法(CV)的植被变化稳定性分析

区域结果成图显示与空间格局分析

专题七 植被变绿与生态系统固碳一致性分析

植被变绿意味着生态系统固碳增强吗？-来自长时序遥感产品的启示

长时序NDVI变化趋势分析

长时序LAI变化趋势分析

长时序GPP变化趋势分析

长时序NDVI/LAI/GPP变化趋势综合研判

专题八 草地生长关键参数/生物量遥感估算及趋势分析

草地LAI/覆盖度/生物量遥感估算原理

PROSAIL辐射传输模型应用

PROSAIL模型参数敏感性分析

基于PROSAIL模型草地关键参数遥感反演

长时序草地生长变化趋势分析

无人机遥感在农林信息提取中的实现方法与GIS融合应用

遥感技术作为一种空间大数据手段，能够从多时、多维、多地等角度，获取大量的农情数据。数据具有面状、实时、非接触、无伤检测等显著优势，是智慧农业必须采用的重要技术之一。本课程梳理了我国目前无人机遥感在智慧农业信息提取的综合态势，对无人机平台的性能、机载传感器指标、地面传感器应用、农林遥感光谱指数、农林光谱建模方法进行了大量的分析。在此基础上，按照形态、生理生化、胁迫、估产等四大类信息提取目标，从理论和实践两方面进行了详细的分析。

其中，围绕着四大类信息，划分为十四个子专题：株数和株高、冠层覆盖度、作物倒伏、不同生育期状况、叶面积指数、作物系数、叶绿素含量、营养元素含量、异常因素胁迫、病虫害、作物衰老、净同化率、蛋白质含量、生物量。对每一个子信息都有相应的数据，涵盖三波段真彩色、多光谱和高光谱无人机数据，进行智慧信息提取的学习。

GPT模型支持下的Python-GEE遥感云大数据分析、管理与可视化技术及多领域案例

为解决这一问题，国内外涌现了许多全球尺度地球科学数据（尤其是卫星遥感数据）在线可视化计算和分析云平台如谷歌Earth Engine（GEE）、航天宏图的PIE Engine和阿里的AI Earth等。其中，Earth Engine最为强大，能够存取和同步遥感领域目前常用的MODIS、Landsat和Sentinel等卫星图像和NCEP等气象再分析数据集，同时依托全球上百万台超级服务器，提供足够的运算能力对这些数据进行处理。目前，Earth Engine上包含超过900个公共数据集，每月新增约2 PB数据，总容量超过80PB。与传统的处理影像工具（例如ENVI）相比，Earth Engine在处理海量遥感数据方面具有不可比拟的优势。一方面，它提供了丰富的计算资源；另一方面，其巨大的云存储能力节省了科研人员大量的数据下载和预处理时间。可以说，Earth Engine在遥感数据的计算和分析可视化方面代表世界该领域最前沿水平，是遥感领域的一次革命。

第一章、理论基础

1、Earth Engine平台及应用、主要数据资源介绍

2、Earth Engine遥感云重要概念、数据类型与对象等

3、JavaScript与Python遥感云编程比较与选择

4、Python基础（语法、数据类型与程序控制结构、函数及类与对象等）

5、常用Python软件包（（pandas、numpy、os等）介绍及基本功能演示（Excel/csv数据文件读取与数据处理、目录操作等）

6、JavaScript和Python遥感云API差异，学习方法及资源推荐

7、ChatGPT、文心一言等AI自然语言模型介绍及其遥感领域中的应用

第二章、开发环境搭建

1、本地端与云端Python遥感云开发环境介绍

2、本地端开发环境搭建

1）Anaconda安装，pip/conda软件包安装方法和虚拟环境创建等；

2）earthengine-api、geemap等必备软件包安装；

3）遥感云本地端授权管理；

4）Jupyter Notebook/Visual Studio Code安装及运行调试。

3、云端Colab开发环境搭建

4、geemap介绍及常用功能演示

5、ChatGPT、文心一言帐号申请与主要功能演示，如遥感知识解答、数据分析处理代码生成、方案框架咨询等。

第三章、遥感大数据处理基础与ChatGPT等AI模型交互

1、遥感云平台影像数据分析处理流程介绍：介绍遥感云平台影像数据分析处理流程的基本框架，包括数据获取、数据预处理、算法开发、可视化等。

2、要素和影像等对象显示和属性字段探索：介绍如何在遥感云平台上显示和探索要素和影像等对象的属性字段，包括如何选择要素和影像对象、查看属性信息、筛选数据等。

3、影像/要素集的时间、空间和属性过滤方法：介绍如何对影像/要素集进行时间、空间和属性过滤，包括如何选择时间段、地理区域和属性条件，以实现更精确的数据分析。

4、波段运算、条件运算、植被指数计算、裁剪和镶嵌等：介绍如何在遥感云平台上进行波段运算、条件运算、植被指数计算、裁剪和镶嵌等操作，以实现更深入的数据分析。

5、Landsat/Sentinel-2等常用光学影像去云：介绍如何在遥感云平台上使用不同方法去除Landsat/Sentinel-2等常用光学影像中的云，以提高影像数据质量。

6、影像与要素集的迭代循环：介绍如何使用遥感云平台的迭代循环功能对影像和要素集进行批量处理，以提高数据分析效率。

7、影像数据整合（Reducer）：介绍如何使用遥感云平台的Reducer功能将多个影像数据整合成一个数据集，以方便后续数据分析。

8、邻域分析与空间统计：介绍如何在遥感云平台上进行邻域分析和空间统计，以获取更深入的空间信息。

9、常见错误与代码优化：介绍遥感云平台数据分析过程中常见的错误和如何进行代码优化，以提高数据分析效率和精度。

10、Python遥感云数据分析专属包构建：介绍如何使用Python在遥感云平台上构建数据分析专属包，以方便多次使用和分享分析代码。

第四章、典型案例操作实践

11、机器学习分类算法案例：本案例联合Landsat等长时间序列影像和机器学习算法展示国家尺度的基本遥感分类过程。具体内容包括研究区影像统计、空间分层随机抽样、样本随机切分、时间序列影像预处理和合成、机器学习算法应用、分类后处理和精度评估等方面。

12、决策树森林分类算法案例：本案例联合L波段雷达和Landsat光学时间序列影像，使用决策树分类算法提取指定地区2007-2020年度森林分布图，并与JAXA年度森林产品进行空间比较。案例涉及多源数据联合使用、决策树分类算法构建、阈值动态优化、分类结果空间分析等方面。

13、洪涝灾害监测案例：本案例基于Sentinel-1 C波段雷达等影像，对省级尺度的特大暴雨灾害进行监测。案例内容包括Sentinel-1 C影像处理、多种水体识别算法构建、影像差异分析以及结果可视化等方面。。

14、干旱遥感监测案例：本案例使用40年历史的卫星遥感降雨数据产品如CHIRPS来监测省级尺度的特大干旱情况。案例内容包括气象数据基本处理、年和月尺度数据整合、长期平均值LPA/偏差计算，以及数据结果可视化等方面。

15、物候特征分析案例：本案例基于Landsat和MODIS等时间序列影像，通过植被指数变化分析典型地表植被多年的物候差异（样点尺度）和大尺度（如中国）的物候空间变化特征。案例内容包括时间序列影像合成、影像平滑（Smoothing）与间隙填充（Gap-filling）、结果可视化等方面。

16、森林植被健康状态监测案例：本案例利用20年的MODIS植被指数，对选定区域的森林进行长期监测，并分析森林植被的绿化或褐变情况。涉及影像的连接和合成、趋势分析、空间统计以及可视化等方法。

17、生态环境质量动态监测案例：该案例使用RSEI遥感生态指数和Landsat

系列影像，对选定城市的生态状况进行快速监测。主要涉及的技术包括植被指数的计算、地表温度的提取、数据的归一化、主成分PCA分析、RSEI生态指数的构建以及结果的可视化等。

第五章、输入输出及数据资产高效管理

1.本地数据与云端交互：介绍如何将本地端csv、kml、矢量和栅格数据与云端数据相互转换，并讲解数据导出的方法。

2.服务器端数据批量下载：包括直接本地下载、影像集批量下载，以及如何快速下载大尺度和长时间序列数据产品，例如全球森林产品和20年的MODIS数据产品等。。

3.本地端数据上传与属性设置：包括earthengine命令使用，介绍如何上传少量本地端矢量与栅格数据并设置属性（小文件），以及如何批量上传数据并自动设置属性，还将介绍如何使用快速上传技巧上传超大影像文件，例如国产高分影像。

4、个人数据资产管理：介绍如何使用Python和earthengine命令行来管理个人数据资产，包括创建、删除、移动、重命名等操作，同时还会讲解如何批量取消上传/下载任务。

第六章、云端数据论文出版级可视化

1.Python可视化及主要软件包简介：介绍matplotlib和seaborn可视化程序包，讲解基本图形概念、图形构成以及快速绘制常用图形等内容。

2.研究区地形及样地分布图绘制：结合本地或云端矢量文件、云端地形数据等，绘制研究区示意图。涉及绘图流程、中文显示、配色美化等内容，还会介绍cpt-city精美调色板palette在线下载与本地端应用等。

3.研究区域影像覆盖统计和绘图：对指定区域的Landsat和Sentinel等系列影像的覆盖数量、无云影像覆盖情况进行统计，绘制区域影像统计图或像元级无云影像覆盖专题图。

4.样本光谱特征与物候特征等分析绘图：快速绘制不同类型样地的光谱和物候特征，动态下载并整合样点过去30年缩略图（thumbnails）和植被指数时间序列等。

5.分类结果专题图绘制及时空动态延时摄影Timelapse制作：单幅或多幅分类专题图绘制及配色美化，制作土地利用变化清晰的Timelapse，还会介绍动画文字添加等内容。

6.分类结果面积统计与绘图：基于云端的分类结果和矢量边界文件，统计不同区域不同地类面积，提取统计结果，以不同图形展示统计面积；制作土

地利用变化统计绘图等。

CNN-Transformer：PyTorch遥感【含无人机】影像的分类、检测、语义分割及点云分类

我国高分辨率对地观测系统重大专项已全面启动，高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成，将成为保障国家安全的基础性和战略性资源。随着小卫星星座的普及，对地观测已具备多次以上的全球覆盖能力，遥感影像也不断被更深入的应用于矿产勘探、精准农业、城市规划、林业测量、军事目标识别和灾害评估。未来10年全球每天获取的观测数据将超过10PB，遥感大数据时代已然来临。
另一方面，随着无人机自动化能力的逐步升级，它被广泛的应用于多种领域，如航拍、农业、植保、灾难评估、救援、测绘、电力巡检等。但同时由于无人机飞行高度低、获取目标类型多、以及环境复杂等因素使得对无人机获取的数据处理越来越复杂。

专题一：深度卷积网络知识详解

1.深度学习在遥感图像识别中的范式和问题

2.深度学习的历史发展历程

3.机器学习，深度学习等任务的基本处理流程

4.卷积神经网络的基本原理

5.卷积运算的原理和理解

6.池化操作，全连接层，以及分类器的作用

7.BP反向传播算法的理解

8.CNN模型代码详解

9.特征图，卷积核可视化分析

专题二：PyTorch应用与实践（遥感图像场景分类）

1.PyTorch简介

2.动态计算图，静态计算图等机制

3.PyTorch的使用教程

4.PyTorch的学习案例

5.PyTorch的基本使用与API

6.PyTorch图像分类任务讲解

7.不同超参数，如初始化，学习率对结果的影响

8.使用PyTorch搭建神经网络并实现手写数字的分类

9.使用PyTorch修改模型并提升分类模型表现

专题三：卷积神经网络实践与目标检测

1.深度学习下的遥感影像目标检测基本知识

2.目标检测数据集的图像和标签表示方式

3.讲解目标检测模型的评估方案，包括正确率，精确率，召回率，mAP等

4.无人机影像的植物识别和统计

5.讲解two-stage（二阶）检测模型框架，RCNN, Fast RCNN, Faster RCNN等框

6.架的演变和差异

7.讲解 one-stage（一阶）检测模型框架，SDD ，Yolo等系列模型

8.现有检测模型「CNN系列」发展小结，包括OHEM、FCN、DCN等模型

专题四：卷积神经网络的遥感影像目标检测任务案例【FasterRCNN】

1.一份完整的Faster-RCNN 模型下实现遥感影像的目标检测

2.讲解数据集的制作过程，包括数据的存储和处理

3.数据集标签的制作

4.模型的搭建，组合和训练

5.检测任数据集在验证过程中的注意事项

专题五：Transformer与遥感影像目标检测

1.从卷积运算到自注意力运算 self-attention

2.pytorch实现的自监督模块

3.从Transformer到Vision Transformer (ViT)

4.ViT模型在遥感影像中的应用

专题六：Transformer的遥感影像目标检测任务案例【DETR】

1.Transformer下的新目标检测范式，DETR

2.各类模型在遥感影像下的对比和调研

3.一份完整的DETR模型下实现遥感影像的目标检测

4.讲解针对检测任务的优化策略

专题七：深度学习与遥感影像分割任务

1.深度学习下的遥感影像分割任务的基本概念

2.讲解FCN，SegNet，U-net等模型的差异

3.分割模型的发展小结

4.遥感影像分割任务和图像分割的差异

5.在遥感影像分割任务中的注意事项

案例

讲解数据集的准备和处理

遥感影像划分成小图像的策略

模型的构建和训练方法

验证集的使用过程中的注意事项

专题八：深度学习下的ASL（机载激光扫描仪）点云数据语义分类任务的基本知识

1.PointNet与PointNet++等模型的基本讲解

2.点云数据的预处理和划分

3.点云数据的语义分割

4.点云数据的预测结果分析

专题九：遥感影像问题探讨与深度学习优化技巧

1.现有几个优秀模型结构的演变原理，包括AlexNet，VGG，googleNet，ResNet，DenseNet等模型

2.从模型演变中讲解实际训练模型的技巧

3.讲解针对数据的优化策略

4.讲解针对模型的优化策略

5.讲解针对训练过程的优化策略

6.讲解针对检测任务的优化策略

7.讲解针对分割任务的优化策略

8.提供一些常用的检测，分割数据集的标注工具

植被参数光学遥感反演方法(Python)及遥感与生态模型数据同化算法

传统的地面实测方法能够得到比较准确的植被参数（如叶面积指数、覆盖度、生物量、叶绿素、干物质、叶片含水量、FPAR等），但其获取信息有限，难以满足大范围提取植被参数的需求，尤其在异质地表区域。遥感技术的发展为植被生长状态及动态监测提供了重要的技术手段，与传统地面实测方法不同，遥感把传统的“点”测量获取的有限代表性信息扩展为更加符合客观世界的“面”信息（即区域信息），且不会对生态系统造成破坏，能够长期、动态、连续地估算植被参数，在区域或全球尺度植被参数估算中具有不可替代的优势。随着科学技术的发展和生态文明建设的需要，借助遥感数据反演植被参数，可为生态系统健康评价提供关键的数据支持，并且植被参数遥感反演是当前遥感应用研究的重要内容之一，也是国际遥感领域的热点研究方向。

MATLAB的无人机遥感数据预处理与农林植被性状估算

遥感技术作为一种空间大数据手段，能够从多时、多维、多地等角度，获取大量的农情数据。数据具有面状、实时、非接触、无伤检测等显著优势，是智慧农业必须采用的重要技术之一。本次课程主要针对农业、林业、生态、遥感背景的对无人机遥感有兴趣的初学者（本科生、低年级研究生），MATLAB编程初学者小白。通过学习本课程，让学员将掌握无人机遥感数据预处理的全链条理论与实践流程、典型农林植被性状的估算理论与实践方法、利用MATLAB进行编程实践（脚本与GUI开发）以及期刊论文插图制作等。所学课程可用于支持科研或应用项目开展、研究技术方案推进、期刊论文写作等。

第一章、认识主被动无人机遥感数据

1. 初识主被动无人机遥感数据

1.1. 无人机平台与坐标系

1.2. 遥感载荷类型与数据

1.3. 飞行参数设置与计算

1.4. 无人机VS卫星主被动遥感数据特点