粒子群优化算法用于高光谱遥感影像分类的自动波段选择

ASD水面光谱处理软件，可以方便地处理ASD便携式光谱仪采集的数据

labview在太赫兹光谱系统中的应用，提供给一些思路

利用高光谱相机拍摄的图像（仅包含图像TIF格式），有需要的可以下载

为了更加精确地分析土壤光谱中不同水分吸收带内的光谱吸收特征参数在估测土壤水分含量(SMC)中的重要性，以新疆渭干河-库车河绿洲为研究区，采集38个土壤样本进行土壤光谱反射率及SMC的测定。利用去包络线消除法提取反射光谱水分吸收特征参数，包括最大吸收深度D、吸收谷右面积Ra、吸收谷左面积La、吸收谷总面积A、面积归一化最大吸收深度DA和对称度S, 将反射光谱水分吸收特征与SMC进行相关性分析，通过随机森林方法对光谱水分吸收特征参数进行分类，获取各参数对SMC的重要性。运用多元逐步回归模型建立SMC反演模型。结果表明：D、A与SMC的相关性最高，同时2200 nm及1400 nm波段范围内的光谱吸收特征参数与SMC的相关性优于1900 nm波段范围内的光谱吸收特征参数；对SMC影响较为重要的前5个参数分别为D2200、La2200、A2200、D1900和Ra2200；SMC的最佳预测模型是采用A2200、D2200建立的多元逐步回归模型，其建模集决定系数为0.88，建模集均方根误差为2.08，测试集决定系数为0.89，预测均方根误差为2.21，相对分析误差为2.80。随机森林分类能得到对

软件ViewSpecPro

PCA pyPCA.py包含三种基于主成分分析（PCA）的方法，用于计算给定地理空间时间序列数据集中的时空变异性的时空模式。 三种方法包括： Empirical Orthogonal Function Analysis (EOFA) Singular Spectrum Analysis (SSA) Nonlinear Laplacian Spectral Analysis (NLSA) 该代码是根据和2.4节中概述的理论构建的。 请参阅随附的Jupyter笔记本中的每种方法的示例。 为了使用这些方法中的每一个，都需要以下Python软件包： NumPy SciPy

掺杂0.2 wt。％Dy3 +和0.2 wt。％Dy3 +，0.5 wt。％Tm3 +共掺杂（100-x）GeS2中心点xIn（2）S（3）（x = 5,10,15,20,25）准备硫属化物玻璃。 根据吸收（500至3000 nm范围）和发射（1000至4700 nm范围）测量结果分析了它们的光谱特性。 计算Judd-Ofelt强度参数Omega（t）（t = 2、4、6）以及光谱参数A（rad），β和T-rad，以及1330、2930和4320 nm的sigma（emi）估计荧光。 这些掺Dy3 +和掺Dy3 +，Tm3 +的Ge-In-S硫族化物玻璃是用于1.3μm光纤放大器和2-5μm中红外激光装置的有价值的材料。

该程序通过对线强度（单位 cm^2）进行最小二乘拟合，对吸收光谱进行 Judd-Ofelt 分析。 找到一组 Judd-Ofelt 参数并用于预测受激流形到所有较低流形的分支比和转移概率。 ED（电偶极子）和 MD（磁偶极子）跃迁概率是为完整分析计算的。 辐射寿命反映了对跃迁概率的贡献（ED 和 MD）。

Sentinel-2工具箱 轻松处理哨兵2图像。 如果您知道如何下载Sentinel-2多光谱图像（或电光），但又不知道如何在Python中使用它们，那么这里已为您实现了所有这些。 内容 功能 功能说明 使用示范 功能： load_bands（） 轮廓（） outline2poly（） ndvi_index（） rvi_index（） savi_index（） evi_index（） rgb_img（） 用法演示： images = load_bands('F:\\S2_billeder\\..\\IMG_DATA',bands=['B03','B04','B05','B01']) 此功能会将您选择的乐队加载到python中。 您可以全部加载它们，但建议仅加载以后分析所需的波段，因为它们占用大量内存（即计算简单的NDVI索引）。 contours, contours_t