遥感影像分类是模式识别技术在遥感领域的具体应用,针对普通卷积神经网络处理遥感图像分类遇到的边缘分类不准确、分类精度低等问题,提出了一种基于编码解码器的空洞卷积模型(DeepLab-v3+)的遥感图像分类方法。首先标注卫星图像数据;再利用标注数据集对DeepLab-v3+模型进行训练,该模型能够提取遥感图像中具有较强稳健性的边缘特征;最后获得遥感影像地物分类结果。在遥感数据集上进行分析可知,所提方法比其他分类方法具有更高的分类精度,更稳健的边缘特征,以及更优的分类效果。

东方道迩公司当年代理销售法国Pleiades卫星数据的宣传材料

压缩包中包含sift和surf的图像配准，先用sift或者surf特征提取，然后进行特征匹配，最后还用RANSAC进行误匹配剔除。sift是在Lowe官网源码上进行更改，surf直接使用MATLAB自带函数detectSURFFeatures()。

介绍如何由NDVI计算得到植被覆盖率及相关的一些知识介绍

人工智能-机器学习-高光谱遥感资源探测算法设计与软件实现.pdf

合成孔径雷达(SAR) SAR是一套多波束合成孔径雷达，工作频率为 5.3 GHz，属C频段，HH极化。SAR扫描左侧地面。它有5种工作模式，5种模式的照射带分别为： 500km，300km，200km，300km与500km，800km。 地面分辨率分别为28 m×25 m，28 m×25m，9m×l0m，30m×35m与55m×32m，28m×31m。 BACK

遥感温度植被指数的干湿边拟合并计算干湿边方程，用于计算得到温度植被指数(TVDI),实现干旱监测

遥感估产的基本原理 任何物体都具有吸收和反射不同波长电磁波的特性，这是物体的基本特性。人眼正是利用这一特性，在可见光范围内识别各种物体的，遥感技术也是基于同样的原理，利用搭载在各种遥感平台(地面、气球、飞机、卫星等)上的传感器(照相机、扫描仪等)接收电磁波，根据地面上物体的波谱反射和辐射特性，识别地物的类型和状态

STANet用于遥感图像变化检测 它是本文的实现：一种基于时空注意力的方法和一种用于遥感影像变化检测的新数据集。 在这里，我们提供了时空注意力神经网络（STANet）的pytorch实现，用于遥感图像变化检测。 变更记录 20210112： 添加PAM的预训练权重。 ，代码：2rja 20201105： 添加演示以快速入门。 添加更多的数据集加载器模式。 增强图像增强模块（裁剪和旋转）。 20200601： 第一次提交 先决条件 Windows或Linux Python 3.6+ CPU或NVIDIA GPU CUDA 9.0+ PyTorch> 1.0 视觉 安装 克隆此仓库： git clone https://github.com/justchenhao/STANet cd STANet 安装 1.0+和其他依赖项（例如，torchvision， 和 ）

大气气溶胶是影响气候变化的重要因子之一,利用遥感手段不仅可以获得气溶胶的分布信息, 也可以得到相关的气溶胶光学特性参数。本文阐述了国内外气溶胶遥感的发展动态,介绍了气溶胶遥 感的基本情况及气溶胶光学厚度反演的几种方法,提出了存在的问题并对今后的研究进行了展望