gis收藏家-CSDN博客

原创空间数据工程——如何使用 Python 和 ArcPy 对 Vision Zero 多边形的值进行地理处理

这些值来自另一个名为“Area_Engineering_CopyFeatures”的图层中的字段，其中一个名为 COUNCIL_DISTRICT 的字段记录了从 1 到 10 的数字。例如，如果 Final_Output_12 中的一个面与 COUNCIL_DISTRICT 字段中的值 9 和 3 相交，那么 Final_Output_12 中 area_eng_areas 的赋值必须是“CENTRAL, SOUTH”。然而，由于目标图层中存在条件选择和多个赋值，简单的空间连接并不可行。

2025-04-22 15:30:00 1582

原创如何利用生成式人工智能合成大型高分辨率 SAR 图像？

接下来，使用在 80 厘米分辨率（SD80）下进行微调的模型进一步细化图像，将分辨率提升至 2048x2048，并添加更精细的细节。外绘是修复的一种变体，它会根据提示修改部分噪声的清晰图像，使其与周围内容无缝融合，重点在于扩展图像的边界。在我们的示例中，将初始的 1024x1024 像素图像水平扩展，以创建 1024x2048 像素的图像。这些示例证实了我们方法的有效性，凸显了其能够扩展图像，而不会在原始图像与其扩展图像的连接处引入可见的伪影。然而，最终图像的整体一致性不如其他方法所达到的水平。

2025-04-22 08:45:00 1088

原创几何编码：启用矢量模式地理空间机器学习

本质上，要对区域内的任何几何图形（即您正在使用的坐标系内的矩形区域）进行编码，首先要布置覆盖该区域的参考点网格。例如，如果我们对 10km x 10km 的区域感兴趣，我们可以定义间隔 1km 的参考点，形成一个 10x10 的网格。以上区域的操作如下所示。我之前关于这个主题的笔记表明，MPP 编码能够很好地捕捉形状的几何属性 [1]，具有连续性和某些类型的不变性等理想属性 [2]，并且能够编码关于成对空间关系的信息 [3]。我将介绍一个简单的模型，该模型基于附近的地质特征，预测特定区域内地震发生的概率。

2025-04-21 14:13:37 834

原创如何规范化卫星图像以用于深度学习

在本研究中，我们旨在探索不同的归一化方法，这些方法将更适合卫星图像数据的特性，并能够使分布居中，并减少异常值的影响。尽管在非线性带状直方图变换的情况下，视觉效果可能非常显著，但网络的收敛性和性能并不受这些变化的影响。相反，我们的场描绘实验结果表明，即使对同一方法进行微小的修改（例如，我们如何变换异常值），也会对模型的收敛性和性能产生更大的影响。比较图 10 中的对数和非对数归一化，我们发现对数归一化的效果是保留直方图的平尾，而非对数归一化则会压缩（压缩）长直方图尾部的值，类似于线性归一化中的边界。

2025-04-21 14:09:29 828

原创 Python 中的地理空间数据分析：环境应用案例研究

随着地理空间技术的不断发展，我们可以预见与 AI 的更深层次的集成、增强的数据可视化功能和用户友好的界面，使这些工具越来越受到更广泛的受众的欢迎。这使其成为创建富有洞察力、可共享的地理空间可视化的理想选择，可提供数据的动态视角。GeoPandas 允许我们读取、写入和执行各种地理空间文件格式（例如 Shapefile 和 GeoJSON）的空间操作，使其成为数据准备和分析的绝佳选择。具体来说，在环境管理中，地理空间分析是一种非常宝贵的工具，可以实现数据驱动的决策，并加强对自然资源的监测和保护。

2025-03-07 16:00:00 1015

原创使用 Tweepy、Text Blob 和 ArcGIS 观察城市的空间幸福感

也许是一个月的数据，甚至是几年的数据。其次，我认为广泛的情绪与一个人的幸福感并没有特别的相关性，需要一个更优雅的分类模型。为了确保不抽样人口稀少的地区，我首先删除了县提供的“洛杉矶县公园和开放空间”数据集中指定为“公园和开放空间”的所有区域。洛杉矶和芝加哥的地图以相同的方式表示，并且具有相同的数据分布，因此可以直接进行比较。在北部，有广阔的霍夫曼庄园和格伦维尤/斯科基地区，在南部，有伊利诺伊州和印第安纳州边界卡卢梅特城附近的地区。同样明显的是，至少在这一天，库克县南部代表了更高的负面情绪。

2025-03-07 07:30:00 889

原创使用开放数据、ArcGIS 和 Sklearn 测量洛杉矶的城市相似性

为了评估社区之间的人口相似性，我确定了四个特征，我认为这些特征可以体现社区之间的文化和体验相似性：家庭收入中位数 (MHHI)、平均年龄、当地人口中白人的百分比以及当地人口中西班牙裔的百分比。在我们的例子中，大小可能非常重要。人口密度是使用 ESRI 的丰富工具根据 2018 年美国社区调查 (ACS) 中的人口估计值得出的，地块密度是根据洛杉矶县税务评估员地块数据集创建的，交叉口密度是从洛杉矶县全县地址管理系统 (CAMS) 街道数据集中得出的，商业用地密度是从评估员地块数据集的一个子集中提取的。

2025-03-06 09:54:58 1200

原创训练地理空间深度学习的 UNet 模型：Google Colab 中的分步指南

批次形状 — 图像：torch.Size([4, 3, 512, 512])，标签：torch.Size([4, 512, 512]) 数据类型 — 图像：torch.float32，标签：torch.int64。由于 GPU 限制，我只测试了 20 个 epoch 的训练，Maxwell 教授测试了 50 个 epoch，您可以在我介绍中分享的原始文章中查看结果。：找到合适的学习率和其他超参数需要进行实验，需要高 GPU 使用率，这是昂贵的。：处理大型正射影像需要仔细的平铺和预处理。

2025-03-06 09:51:05 1009

原创 Python 创建地形图

位置列表指定了颜色列表中每种颜色在颜色图中的确切位置，范围从 0 到 1。每个位置值对应于渐变中的特定点，确定颜色之间的过渡发生的位置。在这个自定义颜色图中，我们逐渐将白色的不透明度从开始时的 85% 更改为完全透明，每次更改 35%，当我们从低海拔到高海拔范围的三分之一时，它实际上就完全透明了。在 John Nelson 的教程中，他使用 ArcGIS Pro 中的“inferno”色图作为他的变暖层。乘法将混合层的颜色值与基础层的颜色值相乘，从而产生颜色组合后的整体图像较暗。

2025-03-04 19:00:00 770

原创分水岭地图

接下来，我添加了一个新的多边形，比我们感兴趣的区域略大。首先，我使用 ArcGIS Pro 中的标准山体阴影工具，将其指向裁剪的 DEM。我为生成的图层添加了柔光混合模式，以应用下方多边形的蓝色。使用叠加混合模式时，所有低于 50% 的灰色都会变亮，而所有高于 50% 的灰色都会变暗。接下来要显示的是三个级别的水数据：威拉米特河（用于背景）、流域的两条主要水道（卢基亚穆特河和小卢基亚穆特河）以及流域内其余的河段。为此，分水岭多边形被赋予 40% 灰色的填充，以及从黑色过渡到 50% 灰色的粗偏移渐变边框。

2025-03-04 07:30:00 672

原创在 ArcGIS Pro 中描绘和绘制流域

在本练习中，我放大了两条小溪的交汇处，并在其上游选取了两个累积单元。要查看数据的全部范围，您可以将符号系统从“拉伸”切换到“分类”，使用两个类别，并降低低端类别的阈值。为了确定这个尺寸，我通常会创建一个布局，并确保在开始完成地图设计时，在感兴趣的区域周围有足够的填充。对于这张地图，我只想显示来自两个流域的溪流，所以我使用剪辑层工具将溪流线剪辑到流域多边形。在布局中进行初始尺寸调整，确保我的 DEM 足够大，可以在最终设计中容纳一些摆动空间。我添加了多边形地图注释，并创建了一个比感兴趣的区域稍大的正方形。

2025-03-03 09:33:37 895

原创使用 DuckDB、H3 和 KeplerGL 探索纽约出租车地理空间数据

我本来希望在更广泛的时间范围内（而不是一个月内）进行更深入的研究，并花更多时间分析数据集内的不同社区。我的目标是创建一个交互式可视化，展示取货地点随时间的变化。我被 KeplerGL 吸引，因为它被吹捧为能够很好地处理大量数据，而且我想亲自体验一下新的地理空间工具，因为之前我的 GIS 工作主要是使用 ArcGIS。如果我对数据施加更多限制，例如更严格的地理区域或不显示详细的建筑数据，事情可能会更顺利。然而，在检查输出结果后，很明显，这只说明了一件事：当查看计数时，地图只显示受欢迎的建筑仍然很受欢迎。

2025-03-03 09:27:37 1264

原创用于气候变化分析的图像数据收集

此外，在 AWS 环境中，我们可以生成高质量的标签。现在我们了解了遥感的基础知识，让我们来讨论一下它在研究气候变化方面的优势。不幸的是，EO 数据集的开发一直很混乱。矛盾的是，这正是我们应该用它们前进的相反方向，特别是如果我们希望我们的深度学习模型更好地发挥作用的话。最有可能的是，我们将在云计算平台中预处理和分析数据。温馨提醒，值得一提的是，改进建模的最佳方法是使用更好的数据。作为这些数据的用户，我们可以为找出这一领域的差距做出贡献。由于这些数据集的大小和数量已经增加，尝试在本地运行我们的模型毫无意义。

2025-03-01 12:00:00 626

原创使用 Python 栅格化矢量数据

在本文中，我将举一个例子——如何将矢量数据（在本例中为高程线）转换为网格单元的栅格。由于我的最终目标不仅仅是可视化海拔地图，而是用乐高积木来实现这一点，所以我必须进行一些缩放以确保我有一定数量的离散海拔水平，以便与不同颜色的乐高积木相匹配。虽然对于空间分析项目来说，这一步可能不是必需的，具体取决于最终用例，但对于一个有趣的练习来说，这很棒。首先，使用空间连接，我确定栅格网格单元的多边形与高程线之间的重叠（即两者之间的重叠）。这将产生一个方形网格多边形，其中每个网格单元都有一个单一值——相应高程的平均值。

2025-02-28 10:55:27 593

原创 Grad-CAM — 可视化深度学习结果

要生成 Grad-CAM 可视化，您需要选择一个特定的类，以便了解模型的决策。通过突出显示图像中对模型输出贡献最大的区域，帮助用户了解模型预测的基础。通常覆盖在原始图像上，以直观地表示图像中哪些区域对于模型的决策最为重要。暖色（如红色和黄色）表示重要性较高，而冷色（如蓝色）表示重要性较低。反向传播是根据前向传播的误差更新网络权重的过程。，有助于解释和理解卷积神经网络（CNN）做出的。（梯度加权类激活映射）是一种深度学习中使用的。每个特征图的权重通过平均梯度来计算。加权特征图组合起来生成定位图。

2025-02-28 10:53:02 1406

原创使用机器学习进行土地覆盖分类

本文提供了使用 Python 进行土地覆盖分类的分步指南，涵盖数据采集和预处理、特征提取和训练/测试数据集的准备、模型训练和准确性评估以及结果的预测和导出。总体而言，该模型在某些类别上表现出色，但在稀疏或不平衡的类别上表现不佳，这凸显了解决类别不平衡、增强特征表示和增加训练数据多样性的必要性。训练后，使用测试数据集验证模型。总体而言，该矩阵突出显示了代表性不足的类别的严重错误分类，以及占主导地位、代表性良好的类别的出色表现。类别，这些类别的精度、召回率和 F1 分数接近于零，表明这些类别的模型性能较差。

2025-02-25 17:22:22 872

原创使用 Python 从 Scratch 实现图像处理的连通分量分析

在第一次扫描过程中：算法逐行扫描二值图像，直到找到一个白色像素（在我们的例子中值为 255，黑色为 1），记为“p”。像素“p”的标记规则：如果“p”的所有四个相邻像素都是黑色（值为 0），则为“p”分配一个新标签。在 CCA 的二值图像中，我们对背景像素不感兴趣，我们希望集中精力于前景像素以找到连通对象。如您所见，我们有八个对象，但是该对象现在具有不同的标签，通过第二次扫描，我们将对字典中看到的所有标签进行分组。图 3. 4 和 8 邻域情况的图像示例，其中灰色像素是要检查的像素，红色是中心像素。

2025-02-24 12:15:00 859

原创利用机器学习根据卫星图像预测建筑物布局

地理编码的局限性和过时的图像给模型范围之外的数据带来了相当多的噪音。表 H 描述了布局分类器的最终模型架构。表 I 中的分类混淆矩阵描述了模型的性能，并展示了所有类别的高预测精度。图 3 显示了模型在每个时期的训练和验证精度的提高。这些模型可以替代实地考察，在房地产选择的初步阶段识别建筑特征，从而节省公司的时间和资源。建筑布局 CNN 模型可让商业房地产决策者根据地址的卫星图像将建筑分为端盖式、独立式、加油站式或其他布局类别。训练数据通过对每幅图像进行三次旋转来增强，以增加模型训练的观察次数。

2025-02-24 07:45:00 440

原创绘制可持续性地图：土地覆盖评估以提高农业生产力潜力

利用归一化差异植被指数 (NDVI)、归一化差异建设用地指数 (NDBI) 和 k 均值聚类，本研究探索了过去 7 年（2017-2024 年）大学周围当地社区（Khandisa 保护区）的耕地和建设用地的演变，旨在提醒当地社区他们可以利用的农业潜力以及如何确保其潜在价值得到回报。鉴于祖鲁兰大学农业和商业部门的完善，以及其对社区参与计划的高度重视，这为他们提供了一个与当地社区合作参与教育计划和研究项目的机会，这些计划和研究项目侧重于可持续农业和经济/营销模式，以促进相关农产品的生产和销售，面向大学人口。

2025-02-23 14:45:00 1819

原创融合 sentinel-1 SAR 和 sentinel-2 MSI 数据用于水稻绘图

研究结果为使用不同数据集（即协调的 Sentinel-2 MSI：多光谱仪器、Level-1C 和 Sentinel 1- 合成孔径雷达 (SAR) 数据）对随机森林 (RF) 算法进行图像分类的性能评估提供了宝贵的见解。通过利用两种传感器的互补优势，Sentinel-2 MSI 和 Sentinel-1 SAR 数据的集成可为这些特定应用提供更好的见解和更可靠的结果。值得注意的是，当 Sentinel-2 MSI 的图像质量受到云层或雾的影响时，Sentinel-1 SAR 数据可以作为合适的替代品。

2025-02-23 06:45:00 720

原创 Landsat-8 影像绘制地表温度 (LST) 地图

在本教程中，我使用 landsat-8 collection 2 level-1，产品编号为“LC08_L1TP_114064_20231016_20231102_02_T1”，位于印度尼西亚南苏拉威西岛（路径 114 — 行 64）。LC08_L1TP_114064_20231016_20231102_02_T1_B5.TIF > 波段 5 LC08_L1TP_114064_20231016_20231102_02_T1_B4.TIF -> 波段 4。现在，我们必须根据植被比例值计算地表发射率。

2025-02-22 19:45:00 1886

原创使用 Landsat-8 和 Keras 进行建筑物检测

由于担心这些波段之间的共线性，我最初删除了红色、绿色、蓝色和沿海特征（如下所示）。出于这个原因，我继续使用模型中的 IR、NDVI 和湿度指数特征。将这些工程特征堆叠起来后，我分别检查了每个波段，并与 RGB 图像中的物体（即建筑物、道路、植被、水体）进行比较。光照变化：阴影的存在会因一天中的时间、一年中的时间和相关城市的纬度位置而变化。城市密度：奥斯汀使用的模型在人口密度明显较高或较低的城市（如旧金山或乡村定居点）中可能不会表现良好。道路分类（图 2、图 4）识别道路可能很有用，但这不是该模型的目的。

2025-02-22 14:00:00 336

原创超越 RGB：追踪高光谱成像技术的发展历程

虽然它们为我们提供了有关地球的开创性见解，但它们受到当时技术的限制——它们速度慢、成本高，并且需要复杂的手动校准。尽管目前的系统仍然价格较高，而且不像我们希望的那样便携，但持续的发展有望在不久的将来提供更具成本效益和优化的解决方案。简单来说，高光谱相机就像普通的数码相机，不仅可以捕捉常见的红、绿、蓝三色，还可以记录数百个额外的“颜色层”（光谱带）。生成的图像中的每个像素都带有详细的光谱（独特的指纹），可帮助我们识别其所代表的材料。这些相机的制造商提供多种选择和配置，而我只重点介绍了有限的选择。

2025-02-22 11:15:00 975

原创如何利用卫星图像监测咖啡种植业的全球变暖

以下是根据 2023 年 12 月 14 日（巴西夏季）拍摄的 MSI/Sentinel-2 图像得出的指数，针对巴伊亚州 Chapada Diamantina 地区一片 10 公顷的雨养咖啡种植园。在此背景下，使用卫星图像等气候监测工具至关重要，特别是考虑到欧盟的反森林砍伐法，该法将于 2025 年 12 月 30 日对大公司生效，2026 年 7 月 30 日对微型和小型企业生效。对咖啡产区的影响一直是种植者、购买者和出口商关注的问题，尤其是对阿拉比卡咖啡而言。还指出，由于高温引发的缺水问题，

2025-02-21 09:00:00 514

原创卫星图像超分辨率全面介绍

通俗地说，它显示了在通过光学系统后，您是否可以区分精细细节，或者它们是否会模糊在一起（更精细的细节由更高的频率表示，并通过它们之间有足够的对比度来区分它们）。正是这种更广泛的光谱支持实现了更高的分辨率：由于每个像素整合了更多的光子，因此可以减小像素大小（从而提高分辨率），而不会增加低于其他较低分辨率的较窄波段的采样噪声。例如，如果您希望在城市地区获得良好的超分辨率，以改善城市遥感应用的结果，那么包含城市样本的数据集可能就足够了，但超分辨率模型在森林、山脉、田野或数据集中未表示的其他环境中会表现不佳。

2025-02-20 15:15:00 799

原创使用SPOT 卫星图像监测 2025 年洛杉矶山火

由于光谱阈值过高，高亮或暗区（如裸露的岩石、反光的建筑物和阴影）会被错误分类。2025 年 1 月 7 日，洛杉矶发生的一系列山火造成了灾难性的破坏，一些火势至今仍在蔓延。最后，为了监测受影响区域（烟雾、火灾和受损物体），我们对提取的蒙版进行了逻辑或运算符。在近红外波段，看不到烟雾，并且由于植被减少，燃烧的建筑物区域也表现出非常低的反射率。由于瑞利散射，较短的蓝色波长被烟雾颗粒高度散射，导致蓝色波段的反射率较高。从发布的照片来看，中心有一股浓烟和烧毁的建筑物，呈黑斑状。首先，我们检查了每个光谱带。

2025-02-20 06:45:00 461

原创激光雷达在环境科学中的应用

是该领域的先驱之一，它在千禧年之交拍摄了整个国家的快照，目前正在生成第四代数据。在捷克共和国，类似的数据集称为地貌数字模型 (DMR)，由捷克测绘和地籍局 (ČUZK) 提供。近年来，我们的星球发生了很大变化。与摄影测量法等其他方法相比，激光测高法的一个主要优势是它能够穿透植被，使光束在从地面反射之前发生多次反射。激光雷达对世界各地的科学家来说非常重要，因为它使他们能够比以往更精确地监测我们的星球。激光测高法（也称为激光雷达）是一种遥感技术，可提供地面及其上一切物体（包括植被、地面或建筑物）的高精度。

2025-02-19 14:15:00 459

原创基于块掩蔽的遥感像素时间序列自监督表征学习

在我们的方法中，每个光谱带/指数（例如，红色、NDWI）都被视为单变量序列，分成“斑块标记”，然后由约 600k 个参数的 Transformer 进行处理。我们随机屏蔽了这些斑块标记中的很大一部分，并训练模型以重建缺失的片段，从而捕获每个斑块内的短暂亚季节动态和整个时间序列中的多月背景。尽管我们的测试集中存在类别不平衡，并且标签噪声可能是 ESRI 数据集固有的，但混淆矩阵的对角优势表明模型学习到的表示可以有效区分这些主要的土地覆盖类型。，该算法识别标记为“-1”的异常模式和标记为“1”的正常时间行为。

2025-02-19 11:30:00 1150

原创利用高分辨率卫星图像探测非法倾倒

非法倾倒是指未经许可或未采用适当方法倾倒废物。据报道，日本茨城县石冈市最近发生了一起严重的非法倾倒垃圾事件。该垃圾堆位于一条国道旁的围墙边，由于重量过大，有倒塌的危险。探测非法倾倒非常重要，我们探讨了卫星遥感能否应用于这一任务。

2025-02-18 10:17:54 138

原创在 GeoServer 中为 DEM 数据快速生成等高线

数字高程模型（DEM）对于地形分析至关重要，而等高线则是直观显示高程变化的最佳方法之一。GeoServer 不需要预先生成等高线并将其存储为单独的矢量图层，而是允许您通过 WPS（网络处理服务）插件使用 SLD（样式图层描述符）样式和 gs:contour 函数动态生成等高线。这种方法提供了灵活性并降低了数据存储要求。在本博客中，我们将介绍在 GeoServer 中使用 SLD 样式和 gs:contour 函数动态生成等值线的过程。

2025-02-18 10:09:24 1396

原创 GIS遥感洪水分析

二维模拟对水流的水平运动进行了更详细的分析，而三维模拟则以最全面的方式对水流的三维运动和相互作用进行建模，从而绘制出最真实的洪水风险地图。水力模拟在制定洪水管理、城市规划和应急策略方面发挥着至关重要的作用，可用于预测洪水风险、实施预防措施和开发预警系统。因此，地理信息技术在洪水和淹没分析中发挥着至关重要的作用。地理信息系统（GIS）和遥感技术在灾前、灾中和灾后提供的数据收集、分析和可视化能力，为确定和管理洪水风险提供了巨大优势。此外，在数字地形模型的帮助下，我们可以确定城市地区中存在空心和洪水风险的区域。

2025-02-18 09:58:52 906

原创利用 Cityblocks 实现气候区三维可视化

我们决定再花点时间，让任何人都能使用这一工作流程。我们完善了代码，并将其转换成一个小巧易用的 Python 工具，名为 Cityblocks。您可以用它下载全球数据集，提取感兴趣的区域，并将数据转换成图块。随后，数据可以在 QGIS 或其他工具中可视化。您可以在这里找到代码和说明。目前，这主要是针对阿姆斯特丹的使用案例进行的测试，因此我们非常希望得到您对其他城市使用经验的反馈。在这一点上，我们认为最好能将这一小小的副业变成一张真正的地图，在电子科学中心项目地图集中占据一席之地。

2025-01-26 08:30:00 1752

原创将点云转换为 3D 网格：Python 指南

让我们深入研究 3D 网格算法的深层概念漏洞：让我们揭开行进立方体的复杂性，并详细介绍将点云转换为网格的 Python 实现，例如下面的示例。此阶段涉及导入必要的 Python 库：用于数值运算的 NumPy、用于点云和网格处理的 Open3D、用于 Marching Cubes 实现的 scikit-image 以及用于空间数据结构和计算的 SciPy。然而，它的几何影响是显著的。最重要的是，大规模优化对于大数据集也至关重要，例如分块（以较小的块处理点云）、并行化和高效的数据结构，以显著提高性能。

2025-01-25 16:45:00 1724

原创使用 SAM 和接地 DINO 对卫星图像进行分割

我们使用谷歌（GCP）作为我们的云平台，并选择使用 Apache Beam 作为我们的分布式计算框架来加速处理时间，因为 GCP 为 Beam 提供了一个名为 Dataflow 的执行引擎，其功能相当全面。最耗费计算的步骤是计算每幅卫星图像的图像嵌入。考虑到在我们使用的分辨率下，一公顷的卫星图像只有大约 350x350 像素，而我们要分析的大多数地物甚至比一公顷小得多。不足为奇的是，它在处理具有相似材质的地物（如人行道和道路之间的边界）以及不规则的小地物（如树木和阴影）时可能会遇到困难。

2025-01-25 08:45:00 1912

原创利用机器学习创建基于位置的推荐程序

推荐系统被广泛应用于不同的应用程序中，用于预测用户对产品或服务的偏好或评价。在过去的几分钟或几小时里，你很可能在网上遇到过或与某种类型的推荐系统进行过互动。这些推荐系统有不同的类型，其中最突出的包括基于内容的过滤和协作过滤。在本文中，我们将研究基于地理位置的推荐，我们特别关注地理位置，以便利用用户的地理位置提供更相关的推荐。为了说明基于位置的推荐器的关键方面，我们将使用 K-Means 算法和来自 Kaggle 的 Yelp 数据集执行一个简单的基于位置的推荐。

2025-01-24 16:24:20 1003

原创 GIS 中的 SQLAlchemy：空间数据与数据库之间的桥梁

高效的空间查询利用 GeoAlchemy2 的空间功能，以最小的工作量执行复杂的空间查询。数据库抽象 SQLAlchemy 提供了与各种数据库交互的一致接口，包括具有空间扩展功能的数据库（如 PostgreSQL 的 PostGIS、SQLite 的 SpatiaLite）。用于空间数据的 ORM SQLAlchemy 的 ORM 通过将数据库记录映射到 Python 对象，简化了空间表的工作，从而使地理空间数据的操作更加容易。在 GIS 中使用 SQLAlchemy 的好处。

2025-01-24 15:24:30 996

原创用 Python 实现近实时闪电数据可视化

我们有各种工具和方法来测量闪电的位置、时间和形状。在本文中，我将简要介绍不同检测方法的工作原理。在第二部分，我还将介绍一段 Python 代码，向您展示如何实时可视化闪电数据。这些数据来自 MTG-LI 的预发布版本，MTG-LI 是第三代气象卫星 MTG 所携带的闪电成像仪设备。我们如何探测闪电？

2025-01-24 15:20:22 2054

原创 GEE处理哨兵-2 遥感图像、水提取和可视化

本文介绍了通过谷歌地球引擎平台并利用哨兵数据提取水掩膜的方法和代码。通过裁剪、云雾去除等处理步骤，最终得到带水掩膜的图像，并可视化导出。该方法基于归一化水指数（NDWI）和OTSU阈值计算技术，无需复杂的图像处理算法，适合快速获取水信息的需要。

2025-01-24 15:11:28 1004

原创卫星图像的高级填隙技术

地球观测（EO）技术的进步正在扩大环境分析的能力，包括更广泛的光谱指数和更高的空间和时间分辨率，这使得详细的长期环境研究成为可能。通过不同的光谱波段和指数，地球观测数据提供了对地球表面特征的宝贵见解，是研究物理过程、预测未来情景和为决策提供信息的模型的重要输入。较小的滤波器不足以填补较大的缝隙，因此需要较大的滤波器--在这种情况下，需要 51 x 51 的滤波器来填补所有缝隙。然而，使用这么大的滤波器可能会影响结果的可靠性，因为它涉及到更大的填隙半径，可能会带来误差。要使该数据集可用，就必须填补这些空白。

2025-01-22 14:00:00 453

原创利用 SAM2 模型探测卫星图像中的农田边界

手动绘制田地边界是最耗时的任务之一，其准确性取决于绘制者的表现。然而，精确的边界检测在很多领域都有应用。例如，假设您想训练一种机器学习算法，分析卫星图像中的植被指数与农场作物产量之间的关系。您需要的第一个输入是农场的形状文件，这通常需要手动绘制。绘制一个形状文件可能只需要几分钟，但如果您需要为 1000 个农场绘制边界呢？这时，这个过程就变得非常耗时，而自动提取边界的技术就变得非常有价值，可以节省数小时的工作时间。

宜春市2005-2024年近20年的历史气象数据，每3小时更新一次数据，参数包含气温、气压、降水量、云层、能见度、风向、湿度等，几万条数据

2024-12-23

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人