本文对目前主要的遥感影像数据获取网站加以整理与介绍。目录1遥感影像数据1.1综合遥感数据1.1.1USGSEarthExplore1.1.2LAADSDAAC1.1.3CopernicusOpenAccessHub1.1.4GloVis1.1.5地理空间数据云1.2雷达遥感数据1.2.1ASFDAAC1.3夜光遥感数据1.3.1NOAAEOG1.3.2珞珈一号1.4海洋卫星数据1.4.1中国海洋卫星数据服务系统 本文为GIS数据获取整理专栏中第一篇独立博客，因此本文全部标题均由1开头。若需其它GIS领域数据（如气象数据、土地土壤数据、农业数据等），大家可以看这一篇汇总的文章GIS数据下载
本文对目前主要的遥感影像数据获取网站加以整理与介绍。目录1遥感影像数据1.1综合遥感数据1.1.1USGSEarthExplore1.1.2LAADSDAAC1.1.3CopernicusOpenAccessHub1.1.4GloVis1.1.5地理空间数据云1.2雷达遥感数据1.2.1ASFDAAC1.3夜光遥感数据1.3.1NOAAEOG1.3.2珞珈一号1.4海洋卫星数据1.4.1中国海洋卫星数据服务系统 本文为GIS数据获取整理专栏中第一篇独立博客，因此本文全部标题均由1开头。若需其它GIS领域数据（如气象数据、土地土壤数据、农业数据等），大家可以看这一篇汇总的文章GIS数据下载
💡💡💡本文全网独家改进：提出了一种新颖的多尺度滑窗注意力机制，有效的应用在遥感影像和小目标场景，实现涨点。 收录YOLOv5原创自研https://blog.csdn.net/m0_63774211/category_12511931.html💡💡💡全网独家首发创新（原创），适合paper！！！💡💡💡2024年计算机视觉顶会创新点适用于Yolov5、Yolov7、Yolov8等各个Yolo系列，专栏文章提供每一步步骤和源码，轻松带你上手魔改网络！！！💡💡💡重点：通过本专栏的阅读，后续你也可以设计魔改网络，在网络不同位置（Backbone、head、detect、loss等）进行魔改，实现创新
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，将成为保障国家安全的基础性和战略性资源。随着小卫星星座的普及，对地观测已具备多次以上的全球覆盖能力，遥感影像也不断被更深入的应用于矿产勘探、精准农业、城市规划、林业测量、军事目标识别和灾害评估。未来10年全球每天获取的观测数据将超过10PB，遥感大数据时代已然来临。另一方面，随着无人机自动化能力的逐步升级，它被广泛的应用于多种领域，如航拍、农业、植保、灾难评估、救援、测绘、电力巡检等。但同时由于无人机飞行高度低、获取目标类型多、以及环境复杂等因素使得对无人机获取的
【摘 要】低轨卫星系统是获取空间信息和破解宽带数字鸿沟的重要基础设施之一，通信与遥感融合是解决现有遥感和通信分治、卫星重置、应急业务响应不及时等问题的有效途径。概述了低轨通信和遥感卫星系统的现状，针对通信和遥感融合需求，提出了通信遥感融合方案及体系架构，阐述了基于该体系架构的硬件组成及融合试验方案，最后探讨了相关挑战和未来发展。【关键词】通信遥感融合；低轨卫星；即感即传0 引言低轨遥感卫星系统为对地观测提供了数据保障，已广泛应用于森林火灾监测、应急救援、大气观测等领域，促进了社会与经济发展，同时在国防领域的重要战略地位也日益凸显。另一方面，低轨宽带通信卫星近年来受到广泛关注，美国以OneWeb
🚀本文选自专栏：人工智能领域200例教程专栏从基础到实践，深入学习。无论你是初学者还是经验丰富的老手，对于本专栏案例和项目实践都有参考学习意义。✨✨✨每一个案例都附带有在本地跑过的核心代码，详细讲解供大家学习，希望可以帮到大家。欢迎订阅支持，正在不断更新中，本专栏最终不低于200篇文章案例~文章目录一.基于卷积神经网络的遥感图像地物分类1.背景2.卷积神经网络的工作原理2.1卷积层2.2池化层2.3全连接层3.遥感图像地物分类的卷积神经网络应用3.1使用Python和深度学习框架Keras来构建和训练遥感图像地物分类的卷积神经网络6.地物分类应用和挑战
1、TAS数据集2、DIOR3、LEVIR4、DOTA5、RSOD6、UCAS-AOD7、NWPUVHR-108、VEDAI9、HRSC20161、TAS数据集是为航空图像中的汽车检测而设计的。包含30张图片和1319辆手动标注的汽车。这些图像的空间分辨率相对较低，由建筑物和树木造成的阴影较多。HeitzG,KollerD.Learningspatialcontext:Usingstufftofindthings[C]//Europeanconferenceoncomputervision.Springer,Berlin,Heidelberg,2008:30-43.网页介绍链接http://a
【论文阅读】Swin-Unet:Unet-likePureTransformerforMedicalImageSegmentation文章目录【论文阅读】Swin-Unet:Unet-likePureTransformerforMedicalImageSegmentation一、介绍及作用二、具体模型2.1Swin-Unet的总体架构2.2SwinTransformerblock2.3Decoder三、实验结果3.1数据集3.2复现结果 Swin-Unet:最早用于医学图像分割的类Unet-Transformer，使用相应的Swin-Unet在遥感数据集进行相应的测试 卷积神经网络(cnn
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，将成为保障国家安全的基础性和战略性资源。随着小卫星星座的普及，对地观测已具备多次以上的全球覆盖能力，遥感影像也不断被更深入的应用于矿产勘探、精准农业、城市规划、林业测量、军事目标识别和灾害评估。未来10年全球每天获取的观测数据将超过10PB，遥感大数据时代已然来临。点击查看原文链接https://mp.weixin.qq.com/s?__biz=Mzg2NDYxNjMyNA==&mid=2247533277&idx=5&sn=ed2dfba5de2bfa14805
%%子图1，读取影像,tif影像为哨兵四波段影像，subplot(2,2,1);data1=imread('20210409.tif');data2=imread('20210529.tif');red1=data1(:,:,3);%分别为蓝、绿、红、近红波段nir1=data1(:,:,4);red2=data2(:,:,3);nir2=data2(:,:,4);image(0,0,nir1,'CDataMapping','scaled');%image显示近红外波段图像（选择其中一期显示即可）colorbar('vert');%加入垂直方向颜色条（colorbar）colormap(jet
