遥感导论电子版的好处在于可以直接浏览电子版 并且打印下载很方便 很有利于学习和实践性操作

本文评估了卡拉巴尔都会区土地利用/土地覆盖（LULC）模式内的土地利用/土地覆盖（LULC）动态。 使用遥感和Arc GIS软件包获取并处理了2002、2006、2008、2010、2012、2014和2016年的热图像，以便确定研究区域内LULC中发生的变化。 LULC专题图的总体准确度计算结果超过80％，这表明几乎可以达成共识。 这项研究的结果表明，到2016年，LULC班级已假定与以前的班级规模相比，其当前班级规模有所不同。 研究区域的土地利用格局变化的特征是，建筑等级，水体增加（尽管从2010年到2012年略有负面变化），而茂密的植被和裸地类别则主要呈负趋势； 因此，表明未来的变化趋势将对整个LULC构成消灭的威胁。 这项研究表明，该地区土地利用方式的变化能够影响环境的某些特征，例如地表温度。 该研究建议政府应着手进行植树造林，以增加市中心和偏远地区周围的城市植被。

介绍了天然气水合物的遥感探测方法,即:首先选择适当的ETM+、ASTER以及Quickbird等遥感图像,分析可见光、短波红外、热红外波段的影像特征,反演地表温度;然后结合野外调查和前人资料,寻找天然气水合物的直接和间接遥感解译标志,进行遥感解译。研究结果表明,青藏高原天然气远景区出现的几种遥感解译标志包括:地表上空高温异常(尤其是水体上空)、泥火山、沼泽地水体中大量气泡和棕黄色沉淀物,以及碳酸盐化、粘土化等指示信息。本研究为进一步开展大规模天然气水合物遥感调查和圈定靶区提供了基础方法。

基于光谱指数的植被含水率遥感反演模型研究--以岷江上游毛尔盖地区为例，潘佩芬，杨武年，利用研究区植被样本实测含水率和实测光谱数据，基于植被光谱指数法，建立植被含水率与植被光谱指数之间的数学模型，同时利用该模

基于MATLAB对遥感图像或矩进行中值，众数或均值滤波。 实现了数字图像处理中的中值、众数、均值、最大、最小值等滤波，可以根据需求选择。 代码中是正方形的滤波窗口，你可以更改为线、十字、X，棱形、圆形等的滤波窗口。 全都是自己写的，有注释。

为了提高遥感数据的处理速度,解决遥感信息提取中的数据密集与计算密集问题,将并行计算的思想引入到遥感图像的处理与信息提取中,构建基于 Landsat ETM + 影像的分布式遥感图像水体提取模型｡以渭干河流域为研究区,利用单波段阈值法､多波段谱间关系法､水体指数法等方法进行水体信息自动提取的实验｡实验结果表明,该模型具有较高的识别精度,能够快速识别水体,并具有稳定的可扩展性和伸缩性｡

是用于高光谱遥感影像分类的机器学习脚本，其中使用了MLP算法（Multilayer Perceptron Algorithm）对Salinas数据集进行分类。 Salinas数据集是一个常用的高光谱遥感影像数据集，包含了来自13种不同作物和地物的224个像素。在你的Python脚本中，使用了MLP算法对这些像素进行分类。MLP算法是一种基于神经网络的分类算法，其通过多层神经元对特征进行抽象和表达，从而实现高效的分类。在该算法中，使用了反向传播算法对网络进行训练，以便调整网络中的权重和偏置，从而提高分类的准确性。

欧空局最新2020年10米分辨率的的土地利用数据，江苏省的数据，可根据自己研究区范围进行合理的裁剪。

常用的遥感融合方法常导致较严重的光谱畸变,为减少融合图像光谱特征的扭曲,提出三种新融合方法即合成变量比值法(SVR)、平滑滤波亮度调制法(SFIM)和Gram_Schimdt变换法(GS)。采用定量分析方法,分别对中等分辨率Landsat ETM+数据和高分辨率Quickbird数据的融合效果进行了评价。结果表明,不同方法具有不同的光谱保真度和空间信息融入度。同一种方法对于不同分辨率的遥感数据具有不同的融合效果。对中等分辨率Landsat ETM+数据,SFIM能产生较高的空间信息融入度和光谱保真度。利用中等分辨率Landsat ETM+数据进行融合处理时,SFIM优于合成SVR和GS;在高分辨率Quickbird数据的融合中,SVR能产生较高的空间信息融入度和光谱保真度。利用高分辨率Quickbird数据进行融合处理时,SVR则优于SFIM和GS。在中等分辨率Landsat ETM+数据、高分辨率Quickbird数据融合处理中,基于SFIM、SVR融合方法能分别获得较好的视觉效果,又能改善目视解译和遥感分类精度。

大气辐射校正是定量遥感的基础性工作,大气校正效果的优劣直接决定后续定量遥感分类和参数反演的精度。文中通过对模拟的多光谱遥感影像数据比较FLAASH和ATCOR两种常用的大气校正方法,以评价二者大气校正效果。