随着航空、航天、近地空间等多个遥感平台的不断发展，近年来遥感技术突飞猛进。由此，遥感数据的空间、时间、光谱分辨率不断提高，数据量也大幅增长，使其越来越具有大数据特征。对于相关研究而言，遥感大数据的出现为其提供了前所未有的机遇，但同时也提出了巨大的挑战。传统的工作站和服务器已经无法满足大区域、多尺度海量遥感数据处理的需要。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EarthEngine（GEE）、航天宏图的PIEEngine和阿里的AIEarth等。其中，EarthEngine最为强大，能够存取和同步遥感领域目前常用的MODIS、L
本文介绍基于ArcMap软件，利用时间滑块功能，对大量多时相栅格遥感影像数据进行动态显示，并生成视频或动图的方法。 首先，我们需要在ArcMap软件中新建一个镶嵌数据集，并将全部的多时像遥感影像数据放入该镶嵌数据集中。这一步骤在我们前期的文章ArcGIS中ArcMap创建镶嵌数据集、导入栅格图像文件并修改像元数值范围的方法（https://blog.csdn.net/zhebushibiaoshifu/article/details/124428977）中已经有了详细的介绍，本文就不再赘述。 完成上述步骤后，我们在刚刚建立好的镶嵌数据集处右键，选择“Open”→“AttributeTa
文章目录前言第一步：定义研究区，自行更换自己的研究区第二步：加载数据集,定义去云函数第三步：主函数,计算生态指标第四步：PCA融合，提取第一主成分第五步：利用PC1，计算RSEI，并归一化完整代码总结前言城市生态与人类生活息息相关，快速、准确、客观地了解城市生态状况已成为生态领域的一个研究重点。基于遥感技术，提出一个完全基于遥感技术，以自然因子为主的遥感生态指数(RSEI)来对城市的生态状况进行快速监测与评价。该指数利用主成分分析技术集成了植被指数、湿度分量、地表温度和建筑指数等4个评价指标，它们分别代表了绿度、湿度、热度和干度等4大生态要素。本文基于GEE平台，实现RSEI算法。运行结果：第
文章目录前言第一步：定义研究区，自行更换自己的研究区第二步：加载数据集,定义去云函数第三步：主函数,计算生态指标第四步：PCA融合，提取第一主成分第五步：利用PC1，计算RSEI，并归一化完整代码总结前言城市生态与人类生活息息相关，快速、准确、客观地了解城市生态状况已成为生态领域的一个研究重点。基于遥感技术，提出一个完全基于遥感技术，以自然因子为主的遥感生态指数(RSEI)来对城市的生态状况进行快速监测与评价。该指数利用主成分分析技术集成了植被指数、湿度分量、地表温度和建筑指数等4个评价指标，它们分别代表了绿度、湿度、热度和干度等4大生态要素。本文基于GEE平台，实现RSEI算法。运行结果：第
GitHub-likyoo/change_detection.pytorch:Deeplearningmodelsforchangedetectionofremotesensingimageshttps://github.com/likyoo/change_detection.pytorch这个框架用起来很方便，下载以后基本不用改什么，直接就可以用，下面做个简要说明1.下载数据，我下载了LEVIR-CD做测试 数据具体链接在这里LEVIR-CD|LEVIR-CDisanewlarge-scaleremotesensingbinarychangedetectiondataset,whichwou
GitHub-likyoo/change_detection.pytorch:Deeplearningmodelsforchangedetectionofremotesensingimageshttps://github.com/likyoo/change_detection.pytorch这个框架用起来很方便，下载以后基本不用改什么，直接就可以用，下面做个简要说明1.下载数据，我下载了LEVIR-CD做测试 数据具体链接在这里LEVIR-CD|LEVIR-CDisanewlarge-scaleremotesensingbinarychangedetectiondataset,whichwou
最近老师让看一下关于GEE的东西，实现大面积的反演、计算地表温度等，也算熟悉一下。参考网上很多大佬的文章，按照自己的思路和想法算出了RSEI，参考的文章都有列出来。目录所用数据集影像数据矢量数据地表气温数据RSEI计算流程图四个指数的计算Wet、NDVI、NDBSI的计算LST的计算对水体进行掩膜归一化主成分分析出图代码参考链接所用数据集影像数据影像数据是：LANDSAT/LC08/C02/T1_L2（就是LANDSAT8下面的Collection2Level2T1数据）。总的来说就是Collection2比Collection1好，T1比T2好，具体的不同可以见如下链接。数据介绍以下是此数据
最近老师让看一下关于GEE的东西，实现大面积的反演、计算地表温度等，也算熟悉一下。参考网上很多大佬的文章，按照自己的思路和想法算出了RSEI，参考的文章都有列出来。目录所用数据集影像数据矢量数据地表气温数据RSEI计算流程图四个指数的计算Wet、NDVI、NDBSI的计算LST的计算对水体进行掩膜归一化主成分分析出图代码参考链接所用数据集影像数据影像数据是：LANDSAT/LC08/C02/T1_L2（就是LANDSAT8下面的Collection2Level2T1数据）。总的来说就是Collection2比Collection1好，T1比T2好，具体的不同可以见如下链接。数据介绍以下是此数据
目录专题一：深度卷积网络知识详解专题二：PyTorch应用与实践（遥感图像场景分类）专题三：卷积神经网络实践与目标检测专题四：卷积神经网络的遥感影像目标检测任务案例【FasterRCNN】专题五：Transformer与遥感影像目标检测专题六：Transformer的遥感影像目标检测任务案例【DETR】专题七：深度学习与遥感影像分割任务专题八：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专题九：遥感影像问题探讨与深度学习优化技巧更多学习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
目录专题一：深度卷积网络知识详解专题二：PyTorch应用与实践（遥感图像场景分类）专题三：卷积神经网络实践与目标检测专题四：卷积神经网络的遥感影像目标检测任务案例【FasterRCNN】专题五：Transformer与遥感影像目标检测专题六：Transformer的遥感影像目标检测任务案例【DETR】专题七：深度学习与遥感影像分割任务专题八：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专题九：遥感影像问题探讨与深度学习优化技巧更多学习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
