本项目基于百度飞桨AIStudio平台进行实现，百度出品的深度学习平台飞桨（PaddlePaddle）是主流深度学习框架中一款完全国产化的产品，与GoogleTensorFlow、FacebookPytorch齐名。2016年飞桨正式开源，是国内首个全面开源开放、技术领先、功能完备的产业级深度学习平台。相比国内其他平台，飞桨是一个功能完整的深度学习平台，也是唯一成熟稳定、具备大规模推广条件的深度学习平台。平台主界面如下：在飞桨平台上，我们在使用paddle深度学习框架的基础上，可以免费使用平台的服务器，具体如下：接下来我们进入正文~一、项目背景目标检测一直是遥感图像和计算机视觉领域的一个长期问
遥感（RS-RemoteSensing）——不接触物体本身，用传感器收集目标物的电磁波信息，经处理、分析后，识别目标物，揭示其几何、物理性质和相互关系及其变化规律的现代科学技术。换言之，即是“遥远的感知”，按传感器搭载平台划分，包括航天遥感、航空遥感、地面遥感。无人机遥感（UAVRS）技术作为航空遥感手段，具有续航时间长、影像实时传输、高危地区探测、成本低、高分辨率、机动灵活等优点，是卫星遥感与有人机航空遥感的有力补充，在国外已得到广泛应用。其利用高分辨CCD相机系统获取遥感影像，利用空中和地面控制系统实现影像的自动拍摄和获取，同时实现航迹的规划和监控、信息数据的压缩和自动传输、影像预处理等功
本文介绍基于Python中ArcPy模块，对大量长时间序列栅格遥感影像文件的每一个像元进行多时序平均值的求取。 在遥感应用中，我们经常需要对某一景遥感影像中的全部像元的像素值进行平均值求取——这一操作很好实现，基于ArcMap软件或者简单的Python代码就可以实现；但有时候，我们会需要结合同一地区、不同时相的多景遥感影像，求取每一个像元在全部时相中像素值的平均值——这一需求的实现较之前者就有些麻烦，本文对此加以介绍。 首先，我们来明确一下本文的具体需求。现有一个存储有大量.tif格式遥感影像的文件夹，其中每一个遥感影像的文件名中都包含有该图像的成像时间，如下图所示。且其中除了.tif
本文介绍基于Python中ArcPy模块，对大量长时间序列栅格遥感影像文件的每一个像元进行多时序平均值的求取。 在遥感应用中，我们经常需要对某一景遥感影像中的全部像元的像素值进行平均值求取——这一操作很好实现，基于ArcMap软件或者简单的Python代码就可以实现；但有时候，我们会需要结合同一地区、不同时相的多景遥感影像，求取每一个像元在全部时相中像素值的平均值——这一需求的实现较之前者就有些麻烦，本文对此加以介绍。 首先，我们来明确一下本文的具体需求。现有一个存储有大量.tif格式遥感影像的文件夹，其中每一个遥感影像的文件名中都包含有该图像的成像时间，如下图所示。且其中除了.tif
单片机主芯片选择方案方案一：AT89C51是美国ATMEL公司生产的低电压，高性能CMOS型8位单片机，器件采用ATMEL公司的高密度、非易失性存储技术生产，兼容标准MCS-51指令系统，片内置通用8位中央处理器(CPU)和Flash存储单元，功能强大。其片内的4K程序存储器是FLASH工艺的，这种单片机对开发设备的要求很低，开发时间也大大缩短。写入单片机内的程序还可以进行加密，这又很好地保护我们的劳动成果。再者，AT89C51目前的售价比8031还低，市场供应也很充足。AT89C51可构成真正的单片机最小应用系统，缩小系统体积，增加系统的可靠性，降低系统的成本。只要程序长度小于4K，四个I/
近年来遥感技术得到了突飞猛进的发展，航天、航空、临近空间等多遥感平台不断增加，数据的空间、时间、光谱分辨率不断提高，数据量猛增，遥感数据已经越来越具有大数据特征。遥感大数据的出现为相关研究提供了前所未有的机遇，同时如何处理好这些数据也提出了巨大的挑战。传统的工作站和服务器已经无法胜任大区域、多尺度海量遥感数据处理的需要。以EarthEngine（GEE）、PIE-Engine为代表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应用越来越广泛。GEE平台存储和同步遥感领域目前常用的MODIS、Landsat和Sentinel等卫星影像、气候与天气、地球物理等方面的数据集超过
作者：CSDN@_养乐多_本文记录了使用python语言读取数据和逐像素求MK突变次数的方法和代码。并以2001年到2022年的NDVI时间序列数据为例，展示了研究区内NDVI发生突变的次数。众所周知，MK趋势分析中能够检测到的突变次数是多个（红圈代表MK突变检测中的突变点）。如下图所示：突变次数如下图所示：文章目录一、读取时间序列数据二、计算突变次数2.1计算突变次数代码框架2.2研究时间段内的突变次数2.3判断两点之间是否存在突变点2.4MK趋势检验三、输出突变次数tif
前言因为毕设中的部分内容涉及到卫星遥感影像道路分割，因此去对相关算法做了一些调研。本文所使用数据集为DeepGlobe，来自于CVPR2018年的一个挑战赛：DeepGlobeRoadExtractionChallenge。D-LinkNet为该挑战赛的冠军算法。考虑到D-LinkNet开发版本较老(Python2.7、Pytorch0.2.0)，我对此项目进行了重构，具体工作如下：修改相关Python2语法，以满足Python3.8开发环境移除多卡训练部分(DataParallel)，以便让代码变得更加清晰易读增加模型验证函数(eval.py)，增加mIou指标以评估模型效果增加新算法NL-
详情点击链接：遥感云大数据在灾害、水体与湿地领域典型案例实践及GPT模型第一：基础一：平台及基础开发平台·GEE平台及典型应用案例；·GEE开发环境及常用数据资源；·ChatGPT、文心一言等GPT模型·JavaScript基础；·GEE遥感云重要概念与典型数据分析流程； ·GEE基本对象、矢量和栅格对象可视化、属性查看，API查询、基本调试等平台上手。二：GEE基础知识与ChatGPT等AI模型交互·影像基本运算与操作：数学运算、关系/条件/布尔运算、形态滤波、纹理特征提取；影像掩码、裁剪和镶嵌等；·要素基本运算与操作：几何缓冲区，交、并、差运算等；·集合对象操作：循环迭代（map/it
详情点击链接：基于MATLAB的无人机遥感数据预处理与农林植被性状估算前言遥感技术作为一种空间大数据手段，能够从多时、多维、多地等角度，获取大量的农情数据。数据具有面状、实时、非接触、无伤检测等显著优势，是智慧农业必须采用的重要技术之一。 第一：主被动无人机遥感数据1.主被动无人机遥感数据1.1.无人机平台与坐标系1.2.遥感载荷类型与数据1.3.飞行参数设置与计算1.4.无人机VS卫星主被动遥感数据特点 2.读写无人机遥感数据2.1.读写带有/不带地理坐标的无人机影像2.2.读写超大尺寸无人机影像2.3.读写影像元数据信息2.4.读写激光雷达/摄影测量点云 第二：预处理无人机遥感数据1.遥感
