土地覆盖分类应用 该为用户提供了一个工具，可使用 ， 或从可视化，测试和调整像素级土地覆盖分类。 该模型是由（ ， 和合作开发的，是Microsoft 计划的一部分。 这个怎么运作 单击地图上的任意位置以加载9个训练图块候选者，单击训练图块候选者以将其显示在地图上的区域选择面板中，调整透明度，以查看其与自然色高分辨率航空影像的比较。 用户可以上下推动土地覆盖类型的滑块以获取调整后的结果。 单击“教机器”按钮，以提交将用于训练模型的所选训练图块候选。 单击右上角的菜单按钮以打开已提交的训练图块的集合。 可以选择训练图块以将应用程序打开到该当前状态以进行编辑。 先决条件 在开始之前，请确保您已经安装了新版本的 当前的长期支持（LTS）版本是理想的起点。 正在安装 首先，将此存储库克隆到您的计算机： https://github.com/vannizhang/aiforearth-l

EarthEngine深度学习 如果您将其用于学术目的，请引用此存储库。 @misc{das_2019, title={Land Cover Classification based on Landsat-8 imagery from Google Earth Engine}, url={https://ucalyptus.me/EarthEngine-Deep-Learning/index.slides.html}, journal={EarthEngine Deep Learning}, publisher={GitHub}, author={Das, Sayantan}, year={2019}, month={Sep}} 如果喜欢，请 。 在上关注我

遥感是一种工具，它通过称为图像分类的过程对于生产土地用途和土地覆盖图非常重要。 为了使图像分类过程成功，应考虑几个因素，包括高质量Landsat图像和辅助数据的可用性，精确的分类过程以及用户的经验和程序专业知识。 这项研究的目的是使用遥感和地理空间信息系统（GIS）技术对研究区域的土地利用/土地覆盖进行分类和绘制地图。 这项研究包括两个部分（1）土地利用/土地覆被（LULC）分类和（2）准确性评估。 在这项研究中，监督分类是使用非参数规则进行的。 土地利用，土地利用的变化和变化的主要类别是农业（65.0％），水体（4.0％）和建成区（18.3％），混交林（5.2％），灌木丛（7.0％）和贫瘠/裸地（0.5％）。 该研究的总体分类准确度为81.7％，kappa系数（K）为0.722。 卡伯系数的等级很高，因此分类图像适合进一步研究。 这项研究提供了重要的信息来源，计划者和决策者可以使用这些信息来可持续地规划环境。

近年来，深度学习已广泛应用于图像理解领域，并在图像理解方面取得了突破性的研究进展。 由于遥感应用与图像理解是分不开的，因此研究人员对深度学习在遥感领域的应用进行了大量研究，并将深度学习方法扩展到了遥感的各个应用领域。 本文总结了深度学习的基本原理及其在遥感领域的研究进展和典型应用，介绍了当前主要的深度学习模型及其发展历史，重点分析和阐述了深度学习在遥感图像分类中的研究现状。 ，对象检测和更改检测，并在此基础上总结了典型的应用程序及其应用效果。 最后，根据深度学习在遥感领域的当前应用，总结了主要问题和未来的发展方向。