内容概要：本文详细介绍了利用Google Earth Engine (GEE) 进行Sentinel-2卫星数据处理与分类的全流程。首先，通过筛选特定区域（AOI）、时间范围和云覆盖度的数据，去除云层和阴影干扰，并计算云掩膜后的图像中值以提高质量。接着，对图像进行分割并选取关键波段和聚类信息，准备训练数据集，包括多种地表覆盖类型（如非正式定居点、植被、裸地、水体等）。然后，使用随机森林算法训练分类器，并对分割后的图像进行分类。此外，还进行了像素级别的分类作为对比。最后，将分类结果导出到Google Drive，并评估了模型的训练和验证精度。 适合人群：遥感数据分析人员、地理信息系统（GIS）从业者以及对地球观测数据处理感兴趣的科研人员和技术爱好者。 使用场景及目标：①掌握Sentinel-2数据的预处理方法，如去云、降噪等；②学习基于GEE平台的地物分类流程，包括样本准备、模型训练、结果评估等；③理解不同级别（对象级与像素级）分类的区别及其应用场景。 其他说明：本教程侧重于实际操作步骤，提供了完整的Python代码示例，帮助读者快速上手GEE平台上的遥感影像处理任务。同时，通过比较对象级和像素级分类的效果，可以更好地选择合适的分类方法。

内容概要：本文旨在分析慕尼黑特蕾西恩维斯地区在2023年和2024年不同时间段（包括 Oktoberfest 期间）的地表温度（LST），以研究城市热岛效应。文中通过 Landsat 9 和 Sentinel-2 卫星影像数据，利用 Split-Window 算法计算 LST，并进行归一化处理和差异分析。此外，还计算了 NDVI、NDBI、NDWI 和 Albedo 等指数，并进行了土地覆盖分类。为了提高分辨率，采用了随机森林算法对 LST 数据进行降尺度处理。最后，通过统计分析和散点图验证了降尺度结果的有效性。 适合人群：具备一定遥感和地理信息系统（GIS）基础知识的研究人员和技术人员，尤其是对城市热岛效应和地表温度分析感兴趣的学者。 使用场景及目标：①分析特定区域（如 Oktoberfest 场地）在不同时间段的地表温度变化；②评估城市热岛效应的影响；③通过降尺度技术提高 LST 数据的空间分辨率；④验证降尺度方法的准确性。 阅读建议：此资源涉及多种遥感数据处理技术和算法，建议读者在阅读时结合实际案例进行实践操作，并重点关注代码实现和结果验证部分。同时，建议读者熟悉 Python 或 JavaScript 编程语言，以及 Google Earth Engine 平台的基本操作。

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。

使用 QGIS 和 R，使用 Landsat 数据制作快速土地覆盖图 下载数据 解压存档 tar -zxvf archiveName.tar.gz 创建多层对象 使用gdal_merge.py任throuh命令行（使用-separate开关），或经由QGIS（光栅>其它>合并...） 将多层对象加载到 QGIS 选择您最喜欢的波段组合（Landsat 5 和 7 上的 4、5、3 对我来说效果很好） 确保你有一个好的（颜色）拉伸（在图层属性中，选择 Extent: current ，点击Load和Apply 。如果需要，通过重新聚焦区域或使用定义 min/max 的方式进行调整）。 创建一个新的矢量图层 在 QGIS 中，左侧工具栏上有一个按钮Create a new vector layer 。 选择多边形 添加名为class的新属性，保持类型为文本数据 移除 ID 属性 单击确定

本研究的目的是利用MODIS数据调查苏丹在2001-2013年期间的土地覆盖变化，并确定影响土地覆盖的气候因素。 使用SPSS v 17软件调查气候因子与植被覆盖的相关性。 还使用ArcGIS v 10.2软件分析NDVI数据。 结果表明，在其他月份植被减少的两侧，7月至10月的年平均月尺度，NDVI值曲线分布为中心。 在苏丹平均NDVI的空间分布中，在南部地区发现了很高的价值。 另一方面，北部地区植被覆盖率较低。 NDVI空间意味着呈现特征值：秋季，然后是夏季，然后是冬季。 通过计算年平均NDVI值和季节NDVI值，可以推断出冬季和夏季主要植被覆盖类型以0.014 / 10a和0.008 / 10a的速率增加。 冬季，NDVI在秋季和年尺度分别降低0.001 / 10a和0.026 / 10a的速率。 年度NDVI显示，由于中部和东部地区的退化，该地区的中部和东部地区显着退化（面积= 12705.7 km2，占总面积的0.5％），而南部地区则显着改善（面积= 22485.4 km2，占总面积的0.9％）。降水增加，温度降低。 夏季和秋季的平均NDVI与夏季和秋季的平均降水量的显着性水

本文以武汉三镇为研究对象，利用2009年夏季Landsat TM主要遥感数据源，进行地表温度反演和土地覆盖解译，计算了武汉市城市建筑指数NDBI、归一化植被指数NDVI；并利用NDVI计算地表比辐射率，并使用单窗算法精确反演得到了武汉市2009年夏季地表温度LST。研究结果表明：武汉城市热岛由武昌、汉口、汉阳三大城区热岛构成，且三镇交界区存在多数热岛效应更为严重的“岛中岛”，以汉口区中心商业区最为集中；进一步对植被覆盖区和建筑区温度及NDVI、NDBI相关性研究表明，武汉市不同土地覆盖类型有较大差异，LS

土地覆盖测绘项目 该存储库既包含构成我们的“地物覆盖图”工具的前端Web应用程序，又包含后端服务器。 项目设置说明 打开机器上的终端 安装conda（注意：如果在Azure上使用DSVM，则可以在预安装conda时跳过此步骤！） # Install Anaconda cd ~ wget https://repo.anaconda.com/archive/Anaconda3-2019.07-Linux-x86_64.sh bash Anaconda3-2019.07-Linux-x86_64.sh # select "yes" for setting up conda init rm Anaconda3-2019.07-Linux-x86_64.sh # logout and log back in exit 如果打算使用GPU，请安装NVIDIA驱动程序； 请注意，这可能需要重新启动（

中国土地覆盖数据集包括5种产品：1）由GLC2000项目开发的基于SPOT4遥感 数据的全球土地覆盖数据中国子集，数据名称为GLC2000；2）由IGBP－DIS支持的 基于AVHRR遥感数据的全球土地覆盖数据中国子集，数据名称为IGBPDIS；3） MODIS土地覆盖数据产品中国子集，数据名称为MODIS；4）由马里兰大学生产的 基于AVHRR数据的全球土地覆盖数据中国子集，数据名称为UMd；5）由中国科学 院组织实施的中国2000年1：10万土地覆盖数据，对其进行合并、矢栅转换（面积最 大法），最后得到全国幅1km的土地利用数据产品，数据名称为WESTDC。

描述： 开发有效的解决方案将提高精度并获得长江流域的高分辨率详细 LULC 变化具有重要意义。本文从 1985-2020 年的 Landsat 数据中获取了长江流域每年的 LULC 图。使用增强型随机森林方法，LULC 的整体平均准确率提高到 91.75%。 （资源只上传了2020年，需要其他年份请私信） 引用： yao jun yuan. Land use and land cover over the Yangtze River(V1). 2021. Science Data Bank. 2021-11-01. cstr:31253.11.sciencedb.j00116.00008;

WTS WTS：使用分割模型对遥感土地覆盖分类的弱监督学习框架 介绍 这是WTS监督学习框架用于使用分割模型进行遥感土地覆盖分类的实现，其中SRG算法指的是 。 引用该存储库 如果您发现此代码对您的研究有用，请考虑将其引用： @article{wts, title={WTS: A weakly towards strongly supervised learning framework for remote sensing land cover classification using segmentation models}, author={Wei Zhang, Ping Tang, Thomas Corpetti and Lijun Zhao}, booktitle={Remote Sensing}, pages={},