内容概要：本文介绍了如何利用Sentinel-2遥感影像和Google Earth Engine（GEE）平台，结合多种光谱指数与随机森林（Random Forest, RF）机器学习模型，检测沿海和半咸水湖泊中的有害藻华（HABs）。通过计算MNDWI、NDCI、AFAI、MCI和ABDI等光谱指数，构建水体与藻华特征，并基于NDCI阈值生成训练标签，采用分层采样方法提取样本并划分训练集与测试集。使用100棵决策树的随机森林分类器进行模型训练与验证，评估指标包括总体精度、Kappa系数、生产者/消费者精度及F1分数。最终生成藻华危险分布图，并统计有害藻华占水体总面积的百分比，结果可导出至Google Drive。; 适合人群：具备遥感基础知识和GEE平台操作经验的科研人员或环境监测相关领域的技术人员，熟悉Python编程及基本机器学习概念的学习者； 使用场景及目标：①实现对有害藻华的自动化遥感监测；②掌握光谱指数构建、样本采集、模型训练与精度评估的完整流程；③应用于湖泊、河口等水域生态环境管理与预警系统； 阅读建议：建议结合代码实践，理解每一步的数据处理逻辑，重点关注指数选择依据、标签生成方式及模型性能分析，注意调整参数以适应不同区域的水体特征。

武汉大学遥感信息工程学院遥感原理的erdas的图像分类试验教材ppt

运用ENVI进行遥感分类教程

高光谱遥感的出现是遥感界的一场革命,它能大大地改善对植被类型的识别与分类精度,而寻求快速、高精度的植被高光谱分类方法更具有重要的现实意义。文中将结合具体的高光谱遥感数据,通过在研究区域内选取一定的植被类型和合适的训练样本,得出哪种分类效果较佳以及影响分类精度的因素。

以上海崇明岛东滩湿地为例，利用改进的BP算法结合主成分分析，将光谱信息的主成分、NDVI、MNDWI以及GIS数据作为神经网络的输入参数对东滩湿地进行神经网络分类．结果表明，神经网络分类能够有效的提高分类的精度，适合湿地分类．

matlab遥感分类代码CNN-AL-MRF 这就是《Hyperspectral Image Classification with Convolutional Neural Network and Active Learning》的代码。 如果您使用此代码，请在您的工作中引用以下论文。 [1] 曹向勇，姚敬，徐宗本，孟德宇。 具有卷积神经网络和主动学习的高光谱图像分类。 IEEE 地球科学与遥感学报，2020 年。() [2] H. Bi、F. Xu、Z. Wei、Y. Xue 和 Z. Xu，一种用于最小监督 polsar 图像分类的主动深度学习方法。 IEEE 地球科学与遥感学报，2019 年。 在 Windows 中安装 Matconvnet 请按照网站上的说明进行操作：。 再现结果 重现第四部分的实验结果。 D(1)，请跑 matlab CNN_AL_MRF_main.m 接触： 如果您有任何问题，欢迎与我联系（ / ）。

Urban数据通常被用于高光谱图像混合像元分解。它由Hydice传感器获取，图像大小为307*307。原始数据有210个波段，在去除噪音和水吸收波段后，一般留下162个波段做后续处理与分析。地物类别包含道路，屋顶，草地和树木。

湿地是全球生物多样性丰富和高生产力的生态系统之一。大型国际重要湿地覆盖遥感分类数据集(RamsarSites_Top100_WetlandCover_2001/2013)由湿地保护区界线和湿地覆盖类型二部分数据组成。 在拉姆萨尔湿地公约组织公布的相关数据、相关自然保护区、Google Earth、天地图等遥感影像基础上，选择了全球100处大型（面积大于20万hm2）国际重要湿地， 开发了与Google Earth 遥感影像相匹配的湿地界线地理信息系统数据。在2001年和2013年Terra/Aqua卫星MODIS传感器 250 m空间分辨率16天合成的MOD13Q1数据基础上，通过对归一化植被指数（NDVI）进行滤波和时间序列重建，采用支持向量机方法（SVM）对其进行分类和制图，得到2001年和2013年全球100处国际重要湿地的地表覆盖遥感分类数据集。国际重要湿地地表覆盖遥感分类系统包括三级分类系统，其中，一级划分为湿地和非湿地，在湿地中，二级分类系统划分水体、森林/灌丛沼泽、草本沼泽、洪泛沼泽、水田、苔原/藓类沼泽等六类，第三级划分中，将森林/灌丛沼泽划分为森林/灌丛沼泽（常绿）和森林/灌丛沼泽（落叶）二种类型，将草本沼泽划分为永久性草本沼泽和季节性草本沼泽二种类型。由于本数据集包括了2001年和2013年间隔12年的数据，因此，可以为全球大型国际重要湿地在这期间变化做对比分析。

湿地是全球生物多样性丰富和高生产力的生态系统之一。大型国际重要湿地覆盖遥感分类数据集(RamsarSites_Top100_WetlandCover_2001/2013)由湿地保护区界线和湿地覆盖类型二部分数据组成。 在拉姆萨尔湿地公约组织公布的相关数据、相关自然保护区、Google Earth、天地图等遥感影像基础上，选择了全球100处大型（面积大于20万hm2）国际重要湿地， 开发了与Google Earth 遥感影像相匹配的湿地界线地理信息系统数据。在2001年和2013年Terra/Aqua卫星MODIS传感器 250 m空间分辨率16天合成的MOD13Q1数据基础上，通过对归一化植被指数（NDVI）进行滤波和时间序列重建，采用支持向量机方法（SVM）对其进行分类和制图，得到2001年和2013年全球100处国际重要湿地的地表覆盖遥感分类数据集。国际重要湿地地表覆盖遥感分类系统包括三级分类系统，其中，一级划分为湿地和非湿地，在湿地中，二级分类系统划分水体、森林/灌丛沼泽、草本沼泽、洪泛沼泽、水田、苔原/藓类沼泽等六类，第三级划分中，将森林/灌丛沼泽划分为森林/灌丛沼泽（常绿）和森林/灌丛沼泽（落叶）二种类型，将草本沼泽划分为永久性草本沼泽和季节性草本沼泽二种类型。由于本数据集包括了2001年和2013年间隔12年的数据，因此，可以为全球大型国际重要湿地在这期间变化做对比分析。

湿地是全球生物多样性丰富和高生产力的生态系统之一。大型国际重要湿地覆盖遥感分类数据集(RamsarSites_Top100_WetlandCover_2001/2013)由湿地保护区界线和湿地覆盖类型二部分数据组成。 在拉姆萨尔湿地公约组织公布的相关数据、相关自然保护区、Google Earth、天地图等遥感影像基础上，选择了全球100处大型（面积大于20万hm2）国际重要湿地， 开发了与Google Earth 遥感影像相匹配的湿地界线地理信息系统数据。在2001年和2013年Terra/Aqua卫星MODIS传感器 250 m空间分辨率16天合成的MOD13Q1数据基础上，通过对归一化植被指数（NDVI）进行滤波和时间序列重建，采用支持向量机方法（SVM）对其进行分类和制图，得到2001年和2013年全球100处国际重要湿地的地表覆盖遥感分类数据集。国际重要湿地地表覆盖遥感分类系统包括三级分类系统，其中，一级划分为湿地和非湿地，在湿地中，二级分类系统划分水体、森林/灌丛沼泽、草本沼泽、洪泛沼泽、水田、苔原/藓类沼泽等六类，第三级划分中，将森林/灌丛沼泽划分为森林/灌丛沼泽（常绿）和森林/灌丛沼泽（落叶）二种类型，将草本沼泽划分为永久性草本沼泽和季节性草本沼泽二种类型。由于本数据集包括了2001年和2013年间隔12年的数据，因此，可以为全球大型国际重要湿地在这期间变化做对比分析。