DP+GISer-CSDN博客

原创基于pytorch的深度学习遥感地物分类全流程实战教程（包含自己数据集制作与大图预测）

本教程总结了研究生期间的工作，提供了一份包含34000多字、180页的深度学习应用于遥感地物分类的完整技术流程指南。教程附带详细的实验数据和代码，适合地信遥感或计算机专业的学生使用Python进行深度学习遥感影像分类。内容分为理论篇和实践篇，涵盖遥感与深度学习的基础知识、数据处理、模型训练及预测等。理论篇介绍遥感和深度学习的基本概念及流程，实践篇包括Python环境配置、使用公开数据集及自定义数据进行地物分类的具体操作。教程特别适合科研入门或本科毕设的学生使用，提供了构建数据集、训练模型及高效预测大图的代码

2025-05-19 22:13:09 1802 1

原创 Google Earth Engine(GEE)基于机器学习进行遥感地物分类-从数据到结果（水体 / 植被识别为例，随机森林、SVM、CART、GTB等模型）- 精度验证与结果导出

本文介绍了基于随机森林的遥感影像分类流程及精度评估方法。首先使用300棵决策树构建分类器，对Landsat影像进行水体、植被和其他地物分类，总体精度达98.53%，Kappa系数0.9779。精度分析显示：水体生产者精度96%（1个误判为植被），植被用户精度95.45%；其他地物分类完全正确。结果表明该模型在样本简单情况下表现优异，但实际应用中需考虑区域差异对分类难度的影响，建议与同类研究进行对比评估。

2026-01-28 15:16:18 284

原创 Google Earth Engine(GEE)基于机器学习进行遥感地物分类-从数据到结果（水体 / 植被识别为例，随机森林、SVM、CART、GTB等模型）-训练模型

摘要：本教材演示了四种遥感影像分类模型在GEE平台的实现方法。随机森林通过300棵决策树集成，抗噪声能力强；SVM采用RBF核函数处理非线性特征，适合小样本分类；CART作为单决策树速度快但易过拟合；梯度提升树通过迭代优化20棵决策树实现高精度分类。各模型特点鲜明：随机森林适用于复杂土地分类，SVM擅长高维数据处理，CART适合快速验证，梯度提升树对异常值敏感但精度高。参数设置直接影响模型性能，需根据具体任务平衡计算成本与分类效果。

2026-01-28 15:14:42 45

原创 Google Earth Engine(GEE)基于机器学习进行遥感地物分类-从数据到结果（水体 / 植被识别为例，随机森林、SVM、CART、GTB等模型）- 数据集制作与划分

本研究通过整合水体、植被和其他地物样本点，基于Landsat8影像提取了7个原始波段和4种遥感指数（NDVI/BSI/LSWI/MNDWI），构建了包含180个样本点的机器学习数据集。样本数据包含空间坐标、光谱特征和类别标签，其中水体样本标记为class=1。采用随机抽样方法将数据集按7:3比例划分为训练集（112个样本）和验证集（68个样本）。该数据集可为遥感影像分类研究提供基础数据支持。

2026-01-28 15:12:59 43

原创 Google Earth Engine(GEE)基于机器学习进行遥感地物分类-从数据到结果（水体 / 植被识别为例，随机森林、SVM、CART、GTB等模型）-标签数据准备

本文介绍了两种在Google Earth Engine(GEE)上进行地物标注的方法：1)直接在GEE平台上手动标注，适用于利用GEE云计算和数据集优势的用户；2)上传已有标签数据，适合具备真实地物标签的研究者。教程以水体、植被和背景三类地物为例，详细说明了手动标注步骤，包括影像显示、样本点均匀分布、属性设置等操作，并提供了标签数据导出为shp文件的具体代码。同时介绍了如何将本地标签数据压缩上传至GEE，以及上传后的调用方法。文中特别强调了矢量数据压缩和上传时的注意事项。

2026-01-28 15:10:42 155

原创 Google Earth Engine(GEE)基于机器学习进行遥感地物分类-从数据到结果（水体 / 植被识别为例，随机森林、SVM、CART、GTB等模型）-遥感数据准备

本文介绍了基于Landsat8 OLI数据的遥感影像处理流程，以北京市2023年6-10月植被生长季为例。首先筛选云量<30%的37景影像，通过比例换算将整型数据还原为反射率浮点值，利用QA_PIXEL波段进行去云处理。随后构建NDVI（植被指数）、BSI（裸土指数）、LSWI（水分指数）和MNDWI（改进水体指数）四个光谱特征，增强地物区分度。最后采用中位数合成法生成研究区影像，并进行真彩色和指数可视化展示。该流程完整展示了从数据筛选、预处理到特征构建的关键步骤。

2026-01-28 15:07:02 58

原创 Google Earth Engine(GEE)基于机器学习进行遥感地物分类-从数据到结果（水体 / 植被识别为例，随机森林、SVM、CART、GTB等模型）- 教程介绍

本教程为GEE新手提供北京地区Landsat8遥感地物分类全流程指南，涵盖数据筛选（时间/云量/区域）、预处理（比例换算、去云）、光谱指数计算（NDVI/MNDWI）、样本标注、随机森林/SVM模型训练及精度评估（混淆矩阵、Kappa系数等）。重点解析GEE实操细节（矢量数据上传、指数计算代码）和模型对比，帮助用户快速掌握可复用的分类方法，适用于不同区域和地物类型识别任务。

2026-01-25 21:20:54 59

原创 Google Earth Engine(GEE)基于机器学习进行遥感地物分类-从数据到结果（水体 / 植被识别为例，包含随机森林、SVM、CART、GTB等模型）试读

本文提供了一份基于Google Earth Engine（GEE）平台的遥感地物分类实操指南，以北京市为研究区，使用Landsat8 OLI影像，完整展示了从数据准备到分类结果导出的全流程。教程详细介绍了遥感数据筛选（时间、云量、研究区）、预处理（比例换算、去云）、光谱指数构建（NDVI/MNDWI等）、标签数据标注/导入方法，以及随机森林、SVM等机器学习模型的训练与评估。重点解析了混淆矩阵、总体精度、Kappa系数等精度指标的计算逻辑和解读方法，并通过可视化对比验证分类效果。教程注重实用性和可复用性，提

2026-01-25 14:27:30 918

原创重磅通知：GEE将于2026年4月实施项目级计算配额制度，科研用户必看指南

Google Earth Engine（GEE）将于2026年4月引入项目级计算配额制度，对非商业项目进行资源分级管控。新制度将项目分为Community（50EECU-hours）、Contributor（1000EECU-hours）和Partner（100000EECU-hours）三个层级，用户需根据研究需求选择对应配额。科研用户建议优先选择Contributor层级，大型项目团队需提前申请Partner配额。现有用户需在2026年4月27日前完成层级选择，新用户注册时直接绑定配额层级。

2026-01-21 16:47:33 1103

原创 04基于pytorch的深度学习遥感地物分类全流程实战教程（包含遥感深度学习数据集制作与大图预测）-实践篇-使用自己的数据集进行深度学习遥感地物分类

本文详细介绍了基于UNet模型的深度学习遥感地物分类全流程实践。首先阐述了数据预处理步骤，包括正射校正、矢量转栅格、数据集划分等关键操作。接着详细讲解了UNet模型的架构设计与实现，并提供了完整的模型训练、验证和测试代码框架。实验结果表明，该方法在测试集上取得了90.62%的准确率和0.375的mIoU。最后介绍了如何将训练好的模型应用于大尺寸遥感影像预测，通过分块处理解决显存限制问题。整个过程涵盖了从数据处理到模型应用的完整技术链，为遥感地物分类任务提供了实用解决方案。

2026-01-05 10:50:42 1293 1

原创 03基于pytorch的深度学习遥感地物分类全流程实战教程（包含遥感深度学习数据集制作与大图预测）-实践篇-使用公开数据集进行深度学习遥感地物分类

本文介绍了基于UNet模型的遥感地物分类实践，使用WHU建筑物数据集进行建筑物分割任务。首先详细说明了数据集的组成和结构（训练集4736幅、验证集1036幅、测试集2416幅512×512图像），并构建了RSDataset和RSDataLoader进行数据加载。然后实现了UNet模型架构，包含编码器-解码器结构和跳跃连接。在训练过程中采用交叉熵损失函数、SGD优化器和poly学习率调度策略，经过10轮训练后模型在测试集上取得了较好效果（准确率98.15%，F1分数91.71%）。最后展示了预测结果与真实标签

2026-01-05 10:29:59 765 1

原创 02基于pytorch的深度学习遥感地物分类全流程实战教程（包含遥感深度学习数据集制作与大图预测）-实践篇-python基础与遥感深度学习境配置

本文介绍了Python基础与遥感深度学习环境配置。主要内容包括：1. Python开发环境安装（Anaconda和PyCharm的详细安装步骤）；2. Python基础语法（数据类型、运算符、流程控制、函数等）；3. 文件读写和类的基本概念；4. 遥感深度学习常用Python库（NumPy、GDAL、PyTorch等）及其安装方法。文章提供了从环境搭建到基础编程的完整指南，特别针对遥感数据处理和深度学习应用给出了相关库的配置建议。

2026-01-04 16:49:18 949 1

原创 01基于pytorch的深度学习遥感地物分类全流程实战教程（包含遥感深度学习数据集制作与大图预测）-理论篇

本文总结了利用Python进行深度学习遥感影像地物分类的研究方法，包含理论篇和实践篇两部分。理论篇介绍了遥感和深度学习的基础知识，包括遥感数据分类、预处理流程、深度学习模型类型和应用流程等。实践篇详细讲解了Python环境配置、公开数据集使用、自定义数据集构建及模型训练预测等操作步骤。文章特别强调了遥感数据与计算机视觉数据的差异，以及深度学习在遥感应用中的创新方向，为遥感与计算机专业学生提供了跨学科研究参考。亮点包括自定义数据集构建、大图预测优化等实用技术，适合科研入门和毕业论文参考。

2026-01-04 15:32:06 851 2

原创 00基于pytorch的深度学习遥感地物分类全流程实战教程（包含遥感深度学习数据集制作与大图预测）-前言

本教程是我研究生期间工作的一个总结，适合地信遥感专业或者计算机专业同学想利用Python在本地利用深度学习进行遥感影像地物分类的同学，尤其是刚刚开始深度学习遥感地物分类的同学。因为本教程中既有遥感和深度学习的基础理论知识，也有编程实践，这样既能让计算机专业的同学了解到遥感的基本知识，也能让遥感地信专业的同学了解到深度学习的基础理论与编程实现。

2026-01-04 15:27:45 414

原创基于站点数据进行遥感机器学习参数反演-以XGBOOST反演LST为例（附带数据与代码）试读

本文介绍了基于站点数据的遥感机器学习参数反演方法。首先阐述了遥感参数反演的重要性及传统物理模型的局限性，指出机器学习方法在复杂场景下的优势。教程详细讲解了软件环境配置（Anaconda、PyCharm）、数据预处理（遥感影像与站点数据获取、格式转换与坐标统一）以及模型构建流程（XGBoost算法实现、参数调优与精度评估）。通过实际案例展示了从数据准备、模型训练到整幅影像反演的全过程，最终得到的地表温度分布图（LST）符合水体低温、建成区高温的预期规律。该方法实现了R²=0.61的预测精度，为遥感参数反演提供

2025-11-07 16:13:06 1030 3

原创自己制作遥感深度学习数据集进行遥感深度学习地物分类-试读

本文介绍了深度学习在遥感地物分类中的应用方法，分为理论篇和实践篇。理论篇讲解了遥感基础（数据分类、预处理流程）和深度学习知识（模型类型、应用流程），重点分析了两者的交叉应用。实践篇提供了Python环境配置指导，并详细演示了如何使用公开数据集和自制数据集进行地物分类，包括数据标注、模型训练及大图预测等关键技术。文中特别强调了遥感数据特性（多波段、大尺寸）带来的技术挑战，并针对性地提出了解决方案。本文适合地信/遥感或计算机专业学生入门深度学习遥感应用，兼顾理论知识与实践指导，为科研和毕业论文提供参考。

2025-10-09 17:34:13 1062

原创 9 基于机器学习进行遥感影像参数反演-以随机森林为例

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。

2025-09-16 09:13:25 239

原创 8 基于机器学习进行遥感影像的地物分类-以随机森林为例

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。

2025-09-16 09:11:42 487 1

原创 7 制作自己的遥感机器学习数据集

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。

2025-09-15 11:23:52 274

原创 6 Python语法基础

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

2025-09-15 10:54:56 126

原创 5 遥感与机器学习第三方库安装

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。

2025-09-14 17:21:21 201

原创 4 Python开发环境准备

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。

2025-09-13 22:54:59 133

原创 3 遥感与机器学习

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。

2025-09-12 11:31:14 438

原创 2机器学习基础知识

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。

2025-09-11 15:24:59 136

原创 1 遥感基础知识

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。

2025-09-11 10:18:30 275

原创遥感机器学习专栏简介

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。

2025-09-10 08:15:35 232

原创基于机器学习进行遥感影像的地物分类与参数反演-以随机森林为例（提供代码与示例数据）

本教程介绍如何利用Python和随机森林算法进行遥感影像地物分类与参数反演（回归）。主要内容包括：1）Python开发环境配置（Anaconda、PyCharm）及第三方库安装；2）Landsat8数据获取与预处理；3）分类任务（以水体提取为例）和回归任务（以NDWI反演为例）的实现流程，涵盖数据读取、模型训练、精度评估和结果预测等步骤；4）使用ArcGIS/ENVI进行数据处理和可视化。教程适用于SVM、XGBoost等算法，为遥感地学分析提供完整的机器学习解决方案。

2025-08-28 22:03:18 363 1

原创基于pytorch的深度学习遥感地物分类全流程实战教程（包含自己数据集制作与大图预测）理论篇试读

摘要：本文为地信遥感与计算机专业学生提供了一份深度学习遥感影像分类的实践指南，涵盖理论与操作两部分。理论篇介绍遥感基础（数据分类、预处理）与深度学习原理（模型类型、应用流程），并分析两者结合的创新方向（算法改进vs.应用落地）。实践篇详细讲解Python环境配置、公开数据集与自定义数据集的模型训练方法，重点解决遥感数据特有的挑战，如大图分块预测、标签不完整时的训练技巧。亮点包括跨学科知识整合、自定义数据集构建方法及高效的大图预测技术优化。适合科研入门者参考，需注意数据版权保护。

2025-05-27 21:45:08 2030 3

原创 GeoServer（配合Tomcat）安装与配置

运行D:\Program Files\apache-tomcat-9.0.80\bin\startup.bat。解压，并将解压后的geoserver.war复制到Tomcat的webapps目录下。，下载Tomcat Windows64位压缩包，以Tomcat 9为例。，下载合适的java jdk，此处以java17为例。用户名：admin，密码：geoserver。解压压缩包，解压后目录大致如下。配置Tomcat的环境变量。在GeoServer官网。配置java的环境变量。安装过程一路NEXT。

2023-09-18 09:40:55 1979

原创 cordova（nodejs打包apk）环境配置

试了一个多星期终于可以了，各种问题，一定要注意，现在这一套在我这可以使用，仅供参考，不保证大家一定可以成功，玄学！！！

2023-09-12 20:47:45 1620

原创 python基于GDAL的多线程高速批量重采样、对齐栅格、对齐行列数，并无损压缩

在自己写代码处理遥感数据进行波段计算，或者基于遥感等空间数据进行机器学习、深度学习时，一般都需要各图层行列数一致。在QGIS中有“对齐栅格”工具可以完成该任务，但是QGIS中没有提供批量操作的接口，在数据比较多时，需要手动重复操作。

2023-09-12 20:40:43 1140

原创 Python OpenGL环境配置

大佬都说是32位和64位不匹配，所以需要自己先下载好匹配的opengl包，这里我下载的是tar.gz格式的，whl格式的安装后还是不能用，不知道为什么。Anconda换源+虚拟环境创建及使用（界面操作）_anconda huanyuan_lwb-nju的博客-CSDN博客。下载地址：PyOpenGL -- The Python OpenGL Binding。Anconda安装_安装anconda_lwb-nju的博客-CSDN博客。anconda安装教程_安装anconda。1.Python的安装请参照。

2023-08-17 14:59:36 610

TA关注的人

Google Earth Engine(GEE)基于机器学习进行遥感地物分类-从数据到结果（水体 / 植被识别为例，随机森林、SVM、CART、GTB等模型）- 代码与数据

cordova环境配置配套包（2）资源大小有限制只能分开传了

cordova环境配置配套包（1）资源大小有限制只能分开传了

Python openGL库

GEE Python本地快速下载GEE数据代码

《遥感云计算与科学分析》GEE教材中配套代码链接.zip

C语言，vs2010编译运行问题