Advertisement

AtmosphericCorrection:6s模型提供Python版本，并支持GF1、2、Landsat-8、Sentinel等数据。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
该影像大气校正工程基于6s模型，通过调用py6s接口实现影像头文件的自动读取，并对遥感影像进行大气校正的批量处理。同时，项目包含环境和依赖项：需要Python 3.6版本，并已安装gdal和py6s库。此外，提供了多个脚本，分别针对Landsat 8、Sentinel以及GF1和GF2影像进行大气校正工程化应用，具体脚本包括AtmosphericCorrection_Landsat8.py、AtmosphericCorrection_Sentinel.py和AtmosphericCorrection_GF.py。为了降低存储空间占用，程序设计中将大气校正结果进行了10000倍放大处理。后续测试正在使用.../AtmosphericCorrection/AtmosphericCorrection_La

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 大气校正：6S模型Python版，适用于GF1、GF2、Landsat-8和Sentinel...
    优质
    这是一款基于Python开发的大气校正工具，采用先进的6S辐射传输模型，专门针对高分一号、二号卫星及Landsat-8和Sentinel等数据进行处理。 基于6S模型的影像大气校正工程OVERVIEW调用py6s接口，自动读取影像头文件信息，并对遥感影像进行大气校正批处理。 环境与依赖： - Python版本：3.6 - 安装gdal: `conda install gdal` - 安装py6s: `conda install -c conda-forge py6s` 脚本说明： - AtmosphericCorrection_Landsat8.py 针对Landsat 8影像，已可工程化使用。 - AtmosphericCorrection_Sentinel.py 针对Sentinel 影像，已可工程化使用。 - AtmosphericCorrection_GF.py 针对GF1、2影像，已可工程化使用。 为了减少校正结果的存储空间，在程序中将大气校正的结果放大了10000倍。
     
  • 基于IDL的GF1/2和Landsat8数据水体提取方法
    优质
    本研究提出了一种利用IDL平台处理GF1/2及Landsat8卫星影像进行水体自动识别的方法，旨在提高不同传感器间数据融合与分析精度。 使用IDL实现GF1/2和Landsat8数据的水体提取方法如下：首先应用归一化差异水体指数（MNDWI）进行计算；然后将得到的结果二值化为栅格图像；接着对这些栅格图像执行滤波操作，以去除细小空洞或噪声。最后一步是输出矢量格式的数据文件。整个过程中需详细注释代码以便于理解每步的操作意图和功能。
     
  • Landsat 8 数据简介
    优质
    Landsat 8卫星自2013年起运行，提供高分辨率地球表面图像，涵盖可见光、近红外和短波红外等多光谱数据，广泛应用于环境监测与自然资源管理。 Landsat 8 卫星于2013年2月发射升空，搭载了OLI（Operational Land Imager陆地成像仪）和TIRS（Thermal Infrared Sensor热红外传感器）两种传感器，每16天可以实现一次全球覆盖。
     
  • Emoji.lua：提供基本表情符号支持的Lua模块
    优质
    Emoji.lua是一款专为编程语言Lua设计的功能库，致力于简化开发者在项目中集成和使用基本表情符号的过程。通过该模块，用户可以轻松地添加丰富的情感表达元素到他们的应用或脚本之中，从而提升用户体验与互动性。 表情符号 :speech_balloon:Lua的基本表情符号支持模块 :crescent_moon:例子如下： ```lua local emoji = require(emoji) print(emoji.emojify(I :heart: :tea:!)) -- 输出 I ❤️ ☕! ``` 安装方法：如果您使用的是 `luarocks`，请运行： ```shell luarocks install emoji ``` 或者手动将文件夹复制到您的Lua解释器可以找到并需要它的位置： ```lua local emoji = require(emoji) ``` 接口方法包括： - `emoji.get(tea) -> :teacup_without_handle:` 返回查询的表情符号。 - `emoji.which(:teacup_without_handle:) -> tea` 返回表情符号的名称。 - `emoji.emojify(I :heart: :tea:!))` 用于将文本中的表情代码转换为实际的表情。
     
  • 基于6S模型的Landsat 7遥感影像大气校正
    优质
    本文提出了一种基于6S辐射传输模型的大气校正方法，专门针对Landsat 7 ETM+传感器获取的数据进行优化处理，以提升影像质量。 本段落以青岛市Landsat 7遥感影像为例，详细介绍了6S模型的大气校正方法，包括参数输入步骤以及结果分析。
     
  • 基于6S模型的MODIS数据处理
    优质
    本研究采用6S辐射传输模型对MODIS数据进行预处理与校正，旨在提高遥感图像质量及数据分析精度，为环境监测提供可靠的数据支持。 该资源可以使用6S模型快速对MODIS影像进行大气校正。
     
  • CNN-Sentinel:利用Keras解析Python中Sentinel-2卫星数据（Minds Mastering系列...）
    优质
    CNN-Sentinel是Minds Mastering系列的一部分，介绍如何使用Keras库在Python环境中解析和分析来自Sentinel-2卫星的多光谱图像数据。 使用TensorFlow.Keras在Python中分析Sentinel-2卫星数据，并基于开放数据集的卫星数据和CNN进行最新的土地利用分类。以下是脚本概述： 01_split_data_to_train_and_validation.py：将完整的数据集分为训练集和验证集。 02_train_rgb_finetuning.py：使用ImageNet上的预训练权重，在RGB数据上对VGG16或DenseNet201模型进行微调。 03_train_rgb_from_scratch.py：从头开始，使用RGB数据训练VGG16或DenseNet201模型。 04_train_ms_finetuning.py：使用ImageNet上的预训练权重，在多光谱数据上对VGG16或DenseNet201进行微调。
     
  • DDL8S1TS: 利用Landsat 8与Sentinel-1时序数据识别及制图森林扰动区
    优质
    本研究采用Landsat 8和Sentinel-1卫星时序数据，结合遥感技术，旨在精准识别并绘制森林扰动区域，为森林资源管理和生态保护提供科学依据。 ddl8s1ts 是一个 R 软件包，用于利用 Landsat 8 和 Sentinel-1 的时间序列数据来检测和绘制森林干扰图。该软件包通过将谐波回归模型应用于这些卫星的时间序列数据，预测潜在的干扰情况，并基于随机森林算法预测的结果识别实际发生的干扰事件。 需要注意的是，目前仅在 Windows 操作系统上测试过此功能。由于处理大量时间和空间的数据集时需要较长运行时间、高内存和 CPU 资源的支持，因此该软件包特别适合于大规模数据应用的分布式计算环境或高性能计算机集群中使用。 用户可以通过 devtools 包从 GitHub 上安装最新版本： ```r devtools::install_github(dulvrq/ddl8s1ts) library(ddl8s1ts) ``` 目前，`mapDisturbanceL8S1()` 是该软件包唯一可用的函数。此功能内部调用其他辅助性子程序来完成任务。 为了运行 `mapDisturbanceL8S1()`, 用户需要准备一些必要的数据输入文件和参数设置以进行干扰检测和制图工作。
     
  • 6S模型Windows版对话框
    优质
    6S模型Windows版对话框是一款专为Windows系统设计的应用程序或工具，用于辅助用户理解和实践6S（整理、整顿、清扫、清洁、素养、安全）管理方法，提升工作效率与工作环境质量。 6S模型的Windows对话框版本允许用户双击运行，并根据提示输入所需参数，方便且易于学习。
     
  • 2014年成都市Landsat 8数据
    优质
    2014年成都市Landsat 8数据提供了关于中国成都地区在2014年度详细的卫星遥感影像资料，包括土地利用、城市规划与环境监测等多方面的信息。 Landsat 8 是美国陆地卫星计划的第八颗卫星，在2013年2月11日由Atlas-V火箭从加利福尼亚范登堡空军基地发射成功，最初被称为陆地卫星数据连续性任务(LDCM)。该卫星装备了陆地成像仪(OLI)和热红外传感器(TIRS)。