GIS
文章平均质量分 81
GIS 数据栈
热泪盈眶的生活!
展开
-
使用GDAL对TIFF元数据查询
使用GDAL对TIFF元数据查询原创 2023-03-21 14:14:22 · 450 阅读 · 1 评论 -
使用 Python 从点云生成 3D 网格
它们中的大多数的问题在于它们意味着设置许多难以调整的参数,尤其是在不是 3D 数据处理专家的情况下。在这个简短的指南中,我想展示从点云生成网格的最快和最简单的过程。代码必须根据点云的来源稍作修改,否则,只需几行代码即可生成网格。我没有提到各种理论上的东西,但它们并不是完成工作所必需的。不管你的观点来自哪里,重要的是pv.PolyData(points)按照上面提到的格式向方法传递一个 NumPy 数组。这种类型的集合可以来自不同的来源并以不同的格式保存。是点的数量,三列是每个点的。生成网格的代码非常短。原创 2023-03-20 13:58:25 · 5332 阅读 · 6 评论 -
用于特征提取的 LiDAR 数据
用于特征提取的 LiDAR 数据原创 2023-03-15 21:22:14 · 1176 阅读 · 0 评论 -
手把手教你实现HBase免切片渲染空间大数据
手把手教你实现HBase免切片渲染空间大数据转载 2023-03-07 17:11:22 · 595 阅读 · 0 评论 -
ST_Overlaps() 函数
ST_Overlaps() 函数原创 2023-03-07 16:24:54 · 471 阅读 · 0 评论 -
st_intersects 与 st_overlaps区别
st_intersects 与 st_overlaps原创 2023-03-07 16:16:54 · 717 阅读 · 0 评论 -
从 Python 脚本在 ArcGIS Pro 中创建脚本工具
在本教程中,您将学习如何通过独立的 Python 脚本在 ArcGIS Pro 中创建脚本工具。原创 2023-03-06 16:45:55 · 1072 阅读 · 0 评论 -
使用卫星图像进行作物类型分类
如上所述,我们使用了来自 Sentinel-2 的十个波段、两个额外的索引波段和两个来自 Sentinel-1 的波段。我们只选择作物类的指标,因为它们是我们的主要类,而其他类是补充类,以提高模型在作物类上的性能。对于不同强度级别的城市地区,遵循相同的程序。如您所见,Sentinel-1 和 Sentinel-2 的组合为我们的作物类别提供的结果比仅使用 Sentinel-2 稍微好一些。如果您对 Sentinel-2 图像感兴趣,可以阅读我们的博客,了解我们用于下载 Sentinel-2 图像的工具。原创 2023-03-06 16:40:13 · 1297 阅读 · 6 评论 -
使用深度学习的卫星图像超分辨率,第 1 部分
即使测试图像和训练图像具有相同的 GSD,不同的大气条件和云层覆盖也会影响增强,部分解释了测试图像的性能优于训练图像的性能。受ResNet的启发,我们决定设计一个新的 DNN 作为恒等图的一系列扰动,因为超分辨率本质上是对较低分辨率图像的扰动。对于这个特定的训练算法,每层的训练分两个阶段进行:首先训练该层的参数,其次所有先前训练的参数与新层联合优化。要将超分辨率从不适定的优化问题转化为适定的逆问题,我们必须从更高分辨率的图像开始,降级该图像,并优化超分辨率算法以从降级的图像重建原始图像。原创 2023-03-04 21:33:41 · 236 阅读 · 0 评论 -
ArcGIS Pro 中创建和填充镶嵌数据集
在本教程中,我们将在 ArcGIS Pro 中创建一个镶嵌数据集,并使用可用于进一步分析的栅格图像填充它。原创 2023-03-02 19:26:06 · 1534 阅读 · 0 评论 -
使用 Arcpy UpdateCursor 编辑属性表
使用 Arcpy UpdateCursor 编辑属性表原创 2023-03-02 17:50:37 · 574 阅读 · 0 评论 -
Python 的计算字段工具和 Python 来操作现有的属性字段值并创建新的属性字段值
ArcGIS Pro 的字段计算器与 Python 结合使用的三种使用方式原创 2023-03-02 15:54:20 · 682 阅读 · 0 评论 -
GeoAI 的4个主要应用领域
地理空间人工智能 (GeoAI) 是一门新兴的科学学科,它结合了空间数据科学、机器和深度学习中的方法,从空间大数据中提取知识(Janowicz 等人,2019 年)。它是一个活跃的研究领域,在许多领域都有应用,例如:灾害管理、城市规划、物流、零售、太阳能等(Ballesteros 等人,2021 年)。与此同时,卫星的可用性和质量迅速提高,最近无人机图像、其易用性以及消费者和专业无人机的实惠价格正在使这些技术融合。人们可能会认为 GeoAI 将大量算法应用于高空图像分析,但事实是这些算法仅总结为四种,它原创 2023-03-02 15:45:27 · 2960 阅读 · 0 评论 -
使用深度学习的卫星图像超分辨率 · part1
对于这个特定的训练算法,每层的训练分两个阶段进行:首先训练该层的参数,其次所有先前训练的参数与新层联合优化。要将超分辨率从不适定的优化问题转化为适定的逆问题,我们必须从更高分辨率的图像开始,降级该图像,并优化超分辨率算法以从降级的图像重建原始图像。,不同的大气条件和云层覆盖也会影响增强,部分解释了测试图像的性能优于训练图像的性能。扰动层内的更多卷积层增加了扰动层增强图像的能力,但训练收敛变得更加困难。当我们训练超分辨率算法来增强退化图像时,我们想要增强我们关心的区域,这些区域通常是具有结构的区域。原创 2023-02-27 21:31:13 · 432 阅读 · 0 评论 -
OpenStreetMap 和 SpaceNet 的算法比较
我们还注意到,与之前使用 SpaceNet 派生方法使用 Google 卫星图像 + OSM 标签所做的努力相比,有了 23% 的显着改进,这意味着从 SpaceNet 中吸取的教训适用于各种问题集。然而,在发展中国家,OSM 标签通常缺少元数据标签(例如限速或车道数),或者与高空图像的配准不佳(即标签偏离图像的坐标系)。使用称为方向学习的连接任务,结合堆叠卷积模块,有效地利用方向学习和分割任务之间的相互信息,从卫星图像中提取道路网络,并指出 RoadTracer 的性能有所提高。以改进困难地区的标签。原创 2023-02-27 20:33:04 · 1032 阅读 · 0 评论 -
SAR 101:合成孔径雷达简介
较短的天线长度对应于较宽的波束宽度(地面上的波束足迹)。因为在空间中飞行足够大的天线以产生合理的方位角分辨率是令人望而却步的,这限制了方位角方向的空间分辨率。较大的视角会增加阴影的效果(延长阴影),同时最大限度地减少停留的影响(较少的停留)。出现散斑是因为给定像素中通常有许多单独的散射,这会导致像素之间的正(盐)和负(胡椒)干扰,否则反向散射返回是恒定的。金属物体和水具有更高的介电常数并且反射性更强,但是由于它们相对于系统波长而言是光滑的,并且通常是平坦的,因此雷达波束被镜面反射,远离传感器。原创 2023-02-27 20:21:05 · 2547 阅读 · 0 评论 -
反距离加权 (IDW) 插值
反距离加权 (IDW) 插值通过指定搜索距离、最近点、功率设置和障碍来估计未知值。原创 2023-01-12 19:47:36 · 1918 阅读 · 1 评论