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。

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。

模糊C均值聚类算法可有效的解决遥感信息的不确定性和混合像元的划分。文中基于matlab平台、采用模糊C均值聚类对遥感影像进行分类,并运用混淆矩阵对分类结果进行了精度评定。实验结果表明,基于模糊C均值聚类使得分类后的图像很好地区分了地物类别,取得了较好效果。

《Erdas遥感影像处理入门实战教程》以Erdas2010版本经典界面进行实战教学，设计12章内容，正式教学内容总共45课时，15个小时时长。从软件界面开始，到后的应用，适合入门级、初级、中级的人员学习、工作、教师教学参考。课程根据作者实际工作经验，以及采访学员需求，开展课程设计，实用加实战，会是你学习路上的好帮手。

人工智能-粗集约简的神经网络集成在遥感影像分类中的应用.pdf

人工智能-地统计学和神经网络在遥感影像分类中的应用研究.pdf

传统的遥感影像是依据地物的波谱信息来进行分类的。这往往会产生“同物异谱， 异物同谱”的问题， 使得分类精度和效果不理想。因此本文采用基于专家知识的决策树 Ｃ４．５法， 利用地物的波谱信息、归一化植被指数、主成分分析等特征构建决策树， 与监督分类中的支持向量机法、最小距离法去比较。

人工神经网络在高光谱遥感影像分类中的应用，郑玉凤，，高光谱遥感图像数据具有数据量大、波段很多很窄、波段相关性强、信息冗余多、图光一体化等特征。而遥感图像上的光谱值是多种地物

遥感影像分类是模式识别技术在遥感领域的具体应用,针对普通卷积神经网络处理遥感图像分类遇到的边缘分类不准确、分类精度低等问题,提出了一种基于编码解码器的空洞卷积模型(DeepLab-v3+)的遥感图像分类方法。首先标注卫星图像数据;再利用标注数据集对DeepLab-v3+模型进行训练,该模型能够提取遥感图像中具有较强稳健性的边缘特征;最后获得遥感影像地物分类结果。在遥感数据集上进行分析可知,所提方法比其他分类方法具有更高的分类精度,更稳健的边缘特征,以及更优的分类效果。

深度学习是近几年图像识别领域的一门新兴技术，能够自动学习影像深层次特征 从而进行准确的分类决策，为得到更好的高分辨率遥感影像分类结果带来新的契机