NYC_Traffic_Safety_Project 我整理并整理了我所做的第一个项目的代码（与同学们组成一个团队，归功于陈书效，赖小亚，罗旭丹，钟敏喜和李嘉颖）。 此仓库包含纽约市地图和事故的原始数据，还包括用于进行预处理并将其输入到CNN模型中的Python代码。 背景 在城市中，交通事故正成为越来越普遍的伤害和死亡原因。 根据NYC Open Data的数据，仅在纽约，2018年过去几天每天平均发生622起交通事故。 因此，预测未来事故的能力（例如，地点，时间或方式）不仅对公共安全利益相关者（例如，警察，自治企业）而且对运输管理人员和个人旅行者都非常有用。 许多学者对交通事故的原因进行了大量研究，但很少关注道路设计。 但是，在许多情况下，每年都会设计出令人难以置信的十字路口，导致事故发生。 我们做了什么 我们训练了一个卷积神经网络（CNN），使用十字路口的卫星图像作为特征，附近交通

可以解码NOAA，风云，M2，等气象卫星高清图片，本人自己购买注册版

泄漏检测 草稿2017-05-01 迈克尔·克拉克（Michael.clark via wassname dot org），克雷格·巴尔达奇诺（Craig Baldacchino） 该项目探讨了我们可以使用卫星图像和机器学习来发现泄漏的想法。 主要假设是，鉴于泄漏维修的时间和地点以及给定的10-15m2分辨率的卫星图像，我们可以比随机猜测所定义的基准更好地预测泄漏。 我们使用随机森林模型，然后使用超优化调整数据过滤器和模型参数。 我们的结果显示f1得分约为0.6，而虚拟f1得分为0.5。 这个小的改进支持了我们的假设，但是它表示预测能力太差，无法用于管道维护。 我们预计，以更高分辨率的图像重复实验可能会提供有用的预测能力水平。 介绍 西澳大利亚州的漏水造成了超过100亿升的水，每年造成的损失超过10亿美元。 西澳大利亚州自来水公司每年只能人工检查10-12％的管网是否有不可见的泄漏 。

这可用于获取地表温度卫星图像的数据数组集，特别是对于hdf5格式的图像。 它还有助于确定 hdf5 图像数据中特定位置的地表温度。

SAM卫星图像分类 该项目旨在说明SAM算法在卫星图像分类中的用途。 高光谱图像提供像素光谱，可获取有关表面的详细信息，以识别和区分光谱相似（但独特）的材料。 放置在遥感卫星上的高光谱图像传感器可捕获具有各种光谱带的高光谱图像。 进行了实验，以在高光谱图像上实现光谱角度映射器（SAM），以对表面上的像素进行分类。 还可以获得图像的假彩色合成，以便更好地可视化表面差异。 各个波段的高光谱图像彼此堆叠，以形成用于SAM实现的三维图像立方体。 SAM是一种监督分类算法，可基于光谱角的计算来识别图像中的各种类别。 在为每个像素建立的测试向量与为用户选择的每个参考类别建立的参考向量之间计算光谱角。 获得了将多个2D数据集读取并重组到一个紧凑的3D数据集多维数据集中的结果。 构建参考向量以执行SAM分类，并计算参考向量和像素向量之间的角度以与确定的阈值角度值进行比较。 然后应用颜色编码来区分已被SAM

rfm模型matlab代码卫星图像 RPC 中的偏差优化 我们在这里提供了一些使用有理函数模型 (RFM) 算法的 2D-3D 图像/对象坐标的 matlab 代码。 所有这些代码都用于我们的实验。 将您的地面控制点 (GCP) 放在 WGS84_Obse_Sample.txt 中，并将这些点的坐标放在 MIC_L_Sample.txt 和 MIC_R_Sample.txt 中的两个图像（左侧和右侧）上。 此外，提取 Coeff.txt 中随卫星图像提供的有理多项式系数 (RPC)。 您可以通过运行 Ours-2D-3D-First-Order.m 来获得结果。 如果您在代码中遇到一些问题或发现一些错误，请发送电子邮件至：或

利用多时相卫星图像进行农作物分类 该仓库提供了使用多时相卫星图像进行农作物分类的代码。 作物分类对于理解作物的供应很重要。 卫星图像有助于实时监测作物生长和健康状况。 如今，每天都有高分辨率的卫星图像。 利用高频数据和多个波段，可以使用深度学习对农作物进行分类。 有许多经典的机器学习农作物分类方法可用它使用单时间图像，并使用其结果精度相对较低作物的光谱特性和结构特性，但我们会使用由玫瑰M. Rustowicz笔者建议的方法 安装 conda create --name geo_py37 python=3.7 conda install gdal rasterio conda install numpy pandas geopandas scikit-learn jupyterlab matplotlib seaborn xarray rasterstats tqdm pytest sq

本数据为卫星图像数据集，含有上千张卫星不同种类的卫星拍摄图像，并且已经进行分类和归一化处理，下载后可以直接使用，可以用于深度学习等多个领域。

了解Clouds Kaggle竞争 Kaggle竞赛：从卫星图像了解云 去做 结帐Snorkel-斯坦福大学处理的数据标签不是很好 看各种类型的内核 查看各种kaggle内核以了解重要的方法/思想 会员 Shubham Arora 迈克尔·布伦斯曼 项目任务 该项目的目的是创建一个图像处理程序，以识别不同种类的云（鱼，花，砾石和糖）。 该产品将用于预测某个地区的天气并查看由于气候变化而引起的云层变化。 与大多数云图像处理产品不同，该产品将能够识别区域中的云类型，而不仅仅是云密度。 链接到竞争 比赛网页提供。 目标用户 气候变化研究人员 气象学家 用户故事 我，研究人员，应该能够使用该程序来查看气候变化对一个地区的影响。 我（研究人员）应该能够使用该程序来查看区域中的云类型。 我（研究人员/气象学家）应该能够使用此程序来预测某个地区的天气。 最有价值球员 我们的MVP的裸露骨骼功能将能

SITS-用于地球观测数据多维数据集的卫星图像时间序列分析 概述 sits R软件包提供了一组用于分析，可视化和分类卫星图像时间序列的工具。 SITS的主要目的是支持使用机器学习方法对图像数据立方体进行土地覆盖和土地变化分类。 SITS中的基本工作流程是： 使用云或本地计算机中可用的图像集合创建数据多维数据集。 从数据多维数据集中提取用作训练数据的时间序列。 对样品进行质量控制和过滤。 使用提取的样本训练机器学习模型。 使用训练有素的模型对数据立方体进行分类。 对分类图像进行后处理。 安装 先决条件 sits软件包依赖于sf和rgdal ，而后者又需要安装GDAL和PROJ库。 请按照提供的有关安装sf和rgdal的说明进行操作。 获取SITS SITS当前在github上可用，如下所示： # Please install the `sits` package from g