珞珈一号夜光遥感数据地理配准，栅格数据地理配准

GGG信

已于 2025-01-21 21:08:52 修改

阅读量868

点赞数 5

文章标签： arcgis

于 2024-12-28 20:50:59 首次发布

本文链接：https://blog.csdn.net/m0_48587622/article/details/130755045

版权

夜光数据位置和路网位置不匹配，虽然都是WGS84坐标系，不匹配！！！不要看到就直接用。

珞珈一号寿命只有6个月，也就是说只有18年10月到19年3月左右的数据。

路网数据是WGS84,路网为深圳福田，投影坐标系为wgs84-49N。

任务：计算每条街道的夜间灯光值。

一、夜光数据下载：

珞珈一号官网下载数据（注册，选定区域，下载）

珞珈一号

下载数据，顺序1，2（眼睛图标可显示“靛青色”框内的夜光数据），3。

二、夜光遥感数据地理配准

夜光数据位置和路网位置不匹配，虽然都是WGS84坐标系，不匹配！！！不要看到就直接用。

参考的以下两个视频，第一个全看，第二个看前10min就够了。或者自己bilibili搜“地理配准”

【在ArcGIS使用矢量图对栅格图片进行地理配准】

【Arcgis地理配准与矢量化】

菜单栏——自定义——工具栏——地理配准。

选中对应点，可借助路网，建筑物数据，百度地图之类的大致参考一下，位置差不多匹配了，就可以

可以借助别的数据进行位置的大致确定。

配准之后，导出：地理配准——校正——Nodata设置为0

三、计算夜光数据值

按腌膜提取

环境中的“处理范围”、“栅格分析”选择想保留区域的图层。

四、辐射定标

珞珈一号数据下载和预处理

在栅格计算器中输入：

Power("0314矫正提取.tif",1.5) * Power(10,-10)

运行出错的话，把输出路径改一下，删掉“dengguang.gdb\ ”，加“.tif”

arcgis会计算失败，用QGIS

QGIS：

五、以表格显示分区统计

arcgis，有问题，直接看qgis的。

用arcgis，结果会变少，建议用QGIS的分区统计。

缓冲区大小根据自己情况定。

dbf查看即可

五、结果验证

去找一些论文，看下他们数值的分布比对一下。

6、其他数据处理/程序/指导！！！

>直接看PDF吧，搬过来调格式类似了。
>通过网盘分享的文件：v1.1 数据_代码_指导.pdf
链接: https://pan.baidu.com/s/1E93QTFcdl7DQjCYZW1Kj2Q?pwd=GGGX 提取码: GGGX

**[目录：GIS数据处理/程序/指导，街景百度热力图POI路网建筑物AOI等](https://blog.csdn.net/m0_48587622/article/details/144679291?spm=1001.2014.3001.5501)**
1. **百度热力图指导，买数据提供指导，含详细说明文档。==链接0-数据介绍：==[百度慧眼百度热力图数据处理，可直接用于论文](https://editor.csdn.net/md/?articleId=144676034)。==链接1-原理及应用：==[百度热力图数据获取，原理，处理及论文应用-CSDN博客](https://blog.csdn.net/m0_48587622/article/details/144842755?spm=1001.2014.3001.5501) 。==链接2-Pro操作：==[百度热力图数据处理流程Arcgis PRO篇，Arcgis,QGIS见链接其他文章-CSDN博客](https://blog.csdn.net/m0_48587622/article/details/144758713?spm=1001.2014.3001.5501)。**
2. **多模型（含全部树模型）分类回归精度结果对比（回复审稿人意见之：为什么选某个模型？比如为什么选XGBoost？）。**

       回归模型：线性模型（Linear、Ridge 、Lasso、Huber 、Partial Least Squares），KNN，SVR，树模型（Decision Tree、RF、AdaBoost 、GBDT、XGBoost、LightGBM 、CatBoost ）。可自定义增加。
       分类模型：Logistic Regression、Naive Bayes、KNN、SVM、树模型（Decision Tree、RF、AdaBoost 、GBDT、XGBoost、LightGBM 、CatBoost ）可自定义增加。

3.**各种树模型分类回归代码（RF/GBDT/XGBoost/LightGBM/Catboost等模型对比，最优模型最优参数）。**
3. **树模型-SHAP分析，上一步选模型，这一步用模型进行分析。**
4. **GCN用于街道研究，如GCN实现街道功能分类。**
5. **树模型-SHAP分析，上一步选模型，这一步用模型进行分析。**
6. **街景语义分割后像素提取，指标计算代码（绿视率、天空开阔度、界面围合度、视觉熵/景观多样性等），含详细说明文档。[deeplabv3+街景图片语义分割，无需训练模型，看不懂也没有影响，直接使用，cityscapes数据集](https://blog.csdn.net/m0_48587622/article/details/130305968?spm=1001.2014.3001.5502)。**
7. **街景主观感知两两对比程序（数据集生成，自定义每张图片出现次数，提示剩余总对比次数，对比程序！最少对比次数，最高的效率。[街景主观感知1：街景图片两两对比程序](https://editor.csdn.net/md/?articleId=144806908)），TrueSkill计算beautiful、safer等维度主观感知评分（原理，代码）均含详细说明文档。[街景两两对比程序，Trueskill计算评分代码，训练模型，预测街景](https://blog.csdn.net/m0_48587622/article/details/144684793)。**
8. **街景主观感知训练，预测模型（beautiful, safer等自定义维度），多模型对比（ResNet50，ResNet101，EfficientNet、VGGNet、GoogleNet、DenseNet、MobileNet、ShuffleNet、Xception、ConvNeXt、Vision Transformer (ViT)、RegNet等），beautiful和safer维度精度均达到0.89。[街景两两对比程序，Trueskill计算评分代码，训练模型，预测街景](https://blog.csdn.net/m0_48587622/article/details/144684793)。**
9. **街景图片色彩聚类。**
10. **全国街景数据。**
11. **OSM路网简化指导（详细说明文档，双线变单线，fclass选择，拓扑检查，短道路处理）。**
12. **POI数据，重分类，各种密度，各种比例，功能混合度/熵/多样性计算。**
13. **建筑物各种指标计算（建筑密度，容积率）。**
14. **坐标系转化代码（bg09，wgs84，Gcj02等各种地理，投影转化）。**
15. **GIS相关处理，指标计算，街道街区相关，活力相关，街道品质相关。**