遥感
文章平均质量分 88
gis收藏家
收藏真正有用的信息,数据问题及查找数据请私信
展开
-
Raster Vision :地理空间深度学习框架
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?原创 2024-04-25 09:47:33 · 822 阅读 · 0 评论 -
在 Apache Sedona 中处理空间栅格数据
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。原创 2024-04-21 17:56:55 · 929 阅读 · 0 评论 -
遥感中的 SAM 分割
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。原创 2024-04-15 09:41:12 · 844 阅读 · 0 评论 -
TensorFlow 和 Keras 在 R 中使用长短期记忆 (LSTM) 识别作物类型
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。原创 2024-03-17 14:17:38 · 1271 阅读 · 0 评论 -
Python遥感图像处理指南(1)-环境准备及卫星影像简单处理
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。原创 2023-12-16 12:06:40 · 1308 阅读 · 0 评论 -
GEE 学习之遥感回归分析
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!🚀。原创 2023-12-05 10:31:30 · 1024 阅读 · 0 评论 -
DEM数字高程模型生成过程
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。原创 2023-12-05 10:24:35 · 320 阅读 · 0 评论 -
基于Python实现基于遥感指数的水体提取
基于Python实现基于遥感指数的水体提取原创 2023-01-10 16:36:59 · 4572 阅读 · 4 评论