绪论包括遥感概念、遥感技术特点、技术系统、遥感分类、发展概况、当前遥感发展主要特点集展望。 第一章，电磁波及遥感物理基础 第二章，遥感平台及运行特点 第三章，遥感传感器及成像原理 第四章，图像数字处理基础知识 第五章，遥感图像几何处理 第六章，辐射处理（图像增强，平滑，锐化，融合，四则运算） 第七章，判读 第八章，自动识别分类 第九章，应用

### 遥感原理与应用（武大） #### 第一章 电磁波及波谱特性 **1.1 概述** 遥感技术是通过在不直接接触目标的情况下，利用电磁波、声波等手段对目标进行探测的技术。在电磁波遥感中，通过收集不同物体反射或发射的电磁波来识别和分析地表目标。电磁波的反射或发射辐射特征因物体种类、特征和环境条件的不同而有所差异，这是遥感技术的基础。 **1.1.1 电磁波** 电磁波是由变化的电场和磁场交替产生的波动现象。根据麦克斯韦电磁场理论，变化的电场会在其周围产生变化的磁场，而这一变化的磁场又会在更远处产生新的变化电场。这种交替产生的过程使得电磁波以光速在空间中传播。电磁波包括了从短波长的γ射线、X射线到长波长的微波、无线电波等不同类型。 电磁波具有波动性和粒子性两种特性。波动性体现在干涉、衍射和偏振等现象中；粒子性则体现在光电效应等现象中。在遥感技术中，主要关注的是电磁波的波动性特征。 **1.2 物体的发射辐射** 物体发射的辐射与其温度密切相关。根据普朗克定律，不同温度下的物体发射出的电磁波谱具有不同的特征。这一原理被广泛应用于热红外遥感中，通过对物体发射的红外辐射进行分析，可以获取物体的温度信息。 **1.3 地物的反射辐射** 地物表面会反射接收到的部分电磁波。反射率取决于地物的材质、结构以及电磁波的波长等因素。通过对地物反射率的研究，可以识别不同的地物类型，这是光学遥感的基础。 **1.4 地物波谱特性的测定** 为了准确测量地物的波谱特性，通常采用地面测量、机载测量和卫星测量等方式。通过这些手段，可以构建地物的波谱库，这对于遥感数据的解译至关重要。 #### 第二章 遥感平台及运行特点 **2.1 遥感平台的种类** 遥感平台主要包括地面平台、航空平台（如飞机、无人机）和航天平台（如卫星）。不同的平台具有各自的优缺点，选择合适的平台对于遥感任务的成功至关重要。 **2.2 卫星轨道及运行特点** 卫星轨道的选择直接影响遥感数据的质量和覆盖范围。例如，低地球轨道(Low Earth Orbit, LEO)卫星提供高分辨率图像，但覆盖范围较小；而地球同步轨道(Geostationary Earth Orbit, GEO)卫星虽然分辨率较低，但能持续观测同一地区。 **2.3 陆地卫星及轨道特征** 专门用于陆地观测的卫星通常采用太阳同步轨道(Sun-Synchronous Orbit, SSO)，确保每天同一时间经过地球上同一地点，有利于观测地表变化。 #### 第三章 卫星传感器及其成像原理 **3.1 扫描成像类传感器** 扫描成像类传感器通过扫描地表反射的电磁波来形成图像。这类传感器可以分为推扫式和旋转扫描式两种类型。推扫式传感器沿卫星运动方向进行扫描，而旋转扫描式传感器则是绕一个轴旋转扫描。 **3.2 微波成像类传感器(侧视雷达)** 侧视雷达是一种主动式的微波遥感方式，通过发射微波并接收反射回来的信号来形成图像。它不受天气和光照条件的影响，特别适用于夜间和云雾覆盖地区的观测。 #### 第四章 遥感图像数字处理基础知识 **4.1 图像的表示形式** 遥感图像通常以数字形式存储，可以通过像素值来表示图像亮度或其他物理量。像素值反映了地物的反射或发射特性。 **4.2 遥感数字图像的存贮** 遥感图像的存储格式多样，常见的有TIFF、JPEG2000等。这些格式支持不同的压缩比率和质量设置，以满足不同应用需求。 **4.3 遥感数字图像处理系统** 遥感数字图像处理系统通常包含预处理、增强、分类等多个步骤。通过这些步骤，可以从原始数据中提取有用信息。 **4.4 遥感图像处理系统与GIS和GPS的集成** 遥感图像处理系统可以与地理信息系统(GIS)和全球定位系统(GPS)集成，实现空间数据的综合管理和分析。 #### 第五章 遥感图像的几何处理 **5.1 遥感传感器的构像方程** 构像方程描述了遥感图像上像素与地面上对应点之间的数学关系。通过解决构像方程，可以进行图像的几何校正。 **5.2 遥感图像的几何变形** 遥感图像可能会因为传感器姿态、大气折射等原因出现几何变形。几何校正是为了纠正这些变形，提高图像精度。 **5.3 遥感图像的几何处理** 几何处理包括但不限于几何校正、地图投影转换等操作。这些处理有助于提高图像的空间定位准确性。 **5.4 图像间的自动配准和数字镶嵌** 图像间的自动配准是将不同时间或不同传感器获取的图像进行精确对齐。数字镶嵌则是将多幅图像拼接成一幅连续的图像。 #### 第六章 遥感图像的辐射处理 **6.1 遥感图像的辐射校正** 辐射校正是为了消除大气影响，恢复地物真实反射率或发射率的过程。常用的校正方法包括大气校正、太阳高度角校正等。 **6.2 遥感图像增强** 图像增强旨在突出图像中的某些特征或细节，常见的方法有直方图均衡化、对比度拉伸等。 **6.3 图像平滑** 图像平滑用于减少图像噪声，使图像更加清晰。常用的技术有均值滤波、中值滤波等。 **6.4 图像锐化** 图像锐化是为了增强图像边缘或细节，使图像看起来更加清晰。常用的方法有梯度锐化、拉普拉斯算子等。 **6.5 多光谱图像四则运算** 多光谱图像四则运算是指对不同波段的图像进行加减乘除运算，从而产生新的图像。这种方法有助于提取特定的地物信息。 **6.6 图像融合** 图像融合是将不同来源或多时相的图像进行组合，以获得更高质量的图像。融合技术有助于提高图像的空间分辨率和光谱分辨率。 **6.7 遥感图像和DEM复合** 将遥感图像与数字高程模型(Digital Elevation Model, DEM)结合起来，可以创建三维地形图像，这对于地形分析非常有用。 #### 第七章 遥感图像判读 **7.1 景物特征和判读标志** 通过观察遥感图像上的纹理、形状、颜色等特征，可以识别出不同的地物类型。这些特征被称为判读标志。 **7.2 目视判读的一般过程和方法** 目视判读包括了图像准备、初步浏览、详细分析等步骤。通过这些步骤，可以有效地解读遥感图像。 **7.3 遥感图像目视判读举例** 举例说明如何通过目视判读来识别土地覆盖类型、城市扩展等现象。 #### 第八章 遥感图像自动识别分类 **8.1 基础知识** 自动分类是基于计算机算法对遥感图像进行分类的过程。常见的分类方法包括监督分类和非监督分类。 **8.2 特征变换及特征选择** 特征变换用于改进分类结果，常见的方法有主成分分析(Principal Component Analysis, PCA)。特征选择则是挑选最相关的特征进行分类。 **8.3 监督分类** 监督分类需要训练样本，通过学习训练样本的特征来识别未知图像中的地物类型。 **8.4 非监督分类** 非监督分类不需要训练样本，而是通过聚类算法自动将相似的地物分组。 **8.5 非监督分类与监督分类的结合** 结合非监督和监督分类的优点，先通过非监督分类进行初步分组，再通过监督分类细化分类结果。 **8.6 分类后处理和误差分析** 分类后处理包括平滑、边界细化等操作，以提高分类精度。误差分析用于评估分类结果的准确性。 **8.7 非光谱信息在遥感图像分类中的应用** 除了光谱信息外，还可以利用纹理、位置信息等非光谱信息来辅助分类。 **8.8 句法模式识别概述** 句法模式识别是一种基于规则的方法，用于识别复杂地物结构。 **8.9 计算机自动分类的新方法** 随着机器学习和深度学习的发展，出现了许多新的自动分类方法，如卷积神经网络(Convolutional Neural Network, CNN)。 #### 第九章 遥感技术的应用 **9.1 遥感技术在测绘中的应用** 遥感技术可以用于地形图制作、地籍测量等领域，提高了测绘工作的效率和精度。 **9.2 遥感技术在环境和灾害监测中的应用** 遥感技术在环境监测方面可以用于水体污染监测、森林火灾预警等。在灾害监测方面，可用于洪水监测、地震灾后评估等。 **9.3 遥感技术在地质调查中的应用** 遥感技术可以辅助地质制图、矿产资源勘查等工作，特别是在难以到达的地区。 **9.4 遥感技术在农林牧等方面的应用** 遥感技术在农业方面可用于作物生长监测、病虫害预警等；在林业方面可用于森林资源清查、森林健康监测等。 **9.5 遥感技术在其他领域中的应用** 遥感技术还广泛应用于海洋研究、城市规划、交通管理等多个领域。

遥感技术在滑坡检测中的应用是地质灾害监测的重要组成部分，能够有效提升对滑坡事件的快速响应能力。随着深度学习技术的发展，YOLO（You Only Look Once）算法因其速度快、准确率高的特点，在物体检测领域得到了广泛应用。本数据集“遥感滑坡检测数据集VOC+YOLO格式3588张1类别.zip”正是为此目的设计，它包含了3588张遥感图像及其标注信息，专门针对滑坡检测这一特定类别进行标注，格式遵循VOC（Visual Object Classes）和YOLO两种标准，方便研究者进行模型训练和评估。 VOC格式是一种广泛使用的图像标注格式，它定义了用于描述图像中对象的位置、大小和类别的XML文件结构。而YOLO格式则是一种直接用于YOLO算法训练的标注格式，它将标注信息简化为文本文件，每行代表一个对象，包含类别ID和对象中心点坐标、宽度及高度等信息，使得YOLO算法可以直接读取并用于快速训练。 数据集通常用于机器学习和深度学习模型的训练和验证。在深度学习领域，数据集的规模和质量直接影响到模型性能。本数据集共包含3588张图像，这为训练一个能够准确识别滑坡现象的深度学习模型提供了足够的样本量。此外，由于数据集只包含一个类别，即滑坡，因此它在特定任务的场景下能够提供更加专注的训练，有助于提高模型对于滑坡识别的精确度。 通过使用本数据集，研究人员可以开发出更为精确和快速的滑坡检测模型，从而在实际应用中，如灾害预防、城市规划和应急响应等领域发挥重要作用。在模型训练完成后，研究人员可以将模型部署在实时监控系统中，利用遥感图像来自动识别潜在的滑坡风险，及时发出警报，减少滑坡灾害可能造成的损失。 由于本数据集是以VOC和YOLO两种格式提供的，研究者可以根据自己的需要选择适合的格式进行数据处理。VOC格式由于其详细性和规范性，在图像处理中具有很好的通用性，适用于多种图像识别任务。而YOLO格式则因其简洁高效，特别适用于需要实时处理的应用场景。 这份数据集为滑坡检测提供了一个强大的研究和开发平台，能够促进相关技术的发展，并在实际应用中发挥重要的作用。通过对数据集的有效利用，可以提高地质灾害监测和预防的能力，为相关领域的研究和决策提供数据支持。

9.10 多范围波谱特征拟合 Multi Range SFF选项允许对用于ENVI多范围波谱特征拟合制图方法的波谱范围进行限定和编辑。波 谱信号通常表现为多个吸收特征。多范围波谱特征拟合功能允许围绕每个端元的吸收特征定义多个不同的 波长范围。每个范围都被交互式的限定，并绘制包络线去除的吸收特性。也可以选择把权重引入计算，从 而使重要特征被重视起来。限定的波长范围可以被保存到一个文件中，以备再次使用（详细介绍，请参阅 第418页的“多范围波谱特征拟合”）。 提示：要运行多范围波谱特征拟合功能，选择Spectral >Mapping Methods >Multi Range SFF。 （1） 限定新的波谱范围 选择Spectral > Multi Range SFF >Define New Range。选择所需的波谱库，然后点击“OK”。通过在列 表中点击波谱名，从波谱库中选择所需的端元波谱。使用“Ctrl”键可以选择多个波谱，点击“OK”。将 出现Edit Multi Range SFF Endmember Ranges对话框，其中显示所选端元的列表。点击端元名，将出现相 应波谱。 使用第418页“多范围波谱特征拟合”中描述的方法，选择要在波谱特征拟合时使用哪些波谱范围。 键入一个输出文件名并点击“OK”。可以将这些波谱范围应用于多范围波谱特征拟合制图工具中。 （2） 编辑先前定义的波谱范围 选择Spectral > Multi Range SFF >Edit Previous Range。选择SFF参数文件名。点击端元名，将出现相 应的波谱和先前定义的范围。使用第418页“多范围波谱特征拟合”中描述的方法，编辑波谱范围。点击 “OK”来更新参数文件。可以将这些波谱范围应用于多范围波谱特征拟合制图工具中。 9.11 波谱运算 Spectral Math TM 功能是一种灵活的波谱处理工具，它允许用数学表达式或IDL程序对波谱（以及选择 的多波段图像）进行处理。波谱可以来自一幅多波段图像（即一个Z剖面）、波谱库或ASCII文件（参见 第190页的“Z剖面提取”、第382页的“打开波谱库”以及第300页的“从波谱库输入波谱”）。如果已经 打开了一幅或多幅图像，且波段数与其中一个显示的波谱的维数相匹配，这些图像也可以被处理。如果波 段数和波谱维数相匹配，波谱运算也可以将数学表达式应用到多波段图像的所有波段中去。

内容概要：该文档是一份基于Google Earth Engine（GEE）平台的完整遥感数据分析脚本，旨在通过多源遥感数据（Sentinel-2光学影像、Sentinel-1 SAR数据、Copernicus DEM地形数据、GEDI激光雷达生物量与树冠高度产品）估算越南嘉莱省（Gia Lai）的地上生物量（AGB）。脚本系统地实现了数据预处理、特征提取、随机森林回归模型构建与验证、生物量空间制图及总量估算，并进一步评估了各预测变量的重要性，最后将结果导出为资产和CSV报告。整个流程涵盖了从原始数据清洗、云掩膜、指数计算、投影统一、重采样到建模分析与结果可视化的全过程。; 适合人群：具备一定遥感与地理信息系统（GIS）基础，熟悉Google Earth Engine平台操作，从事生态环境、林业碳汇或定量遥感研究的科研人员或研究生。; 使用场景及目标：① 学习如何在GEE中融合多源遥感数据进行生物量反演；② 掌握机器学习（如随机森林）在遥感制图中的应用流程；③ 实现区域尺度地上生物量的空间分布制图与总量统计；④ 分析不同遥感特征对生物量估算的贡献度。; 阅读建议：此资源以实际可运行的JavaScript代码形式呈现，建议结合GEE代码编辑器逐步执行并理解每一步的数据流与参数设置，重点关注数据预处理的一致性、模型训练样本的生成方式以及结果导出路径的配置。

海底底质是矿物、岩石、土壤的自然侵蚀产物，生物降解有机质的沉积物，以及污水排出物等在水体底部的堆积物质统称，不包括工业废水沉积物。其类型可分为硬质底（基岩、巨砾）和软质底（砂、泥），不同底质环境直接影响生物群落分布，如硬质底多固着生物，软质底则以穴居生物为主。 海底底质的探测技术包括声学分类、采样分析及专题图编制，广泛应用于海洋工程、资源开发和科研领域。

决定棉花产量的关键因素之一是棉花的种植面积，适时准确地掌握棉花的种植面积对于科学指导棉生产具有十分重要的意义。文章以安庆市、池州市为例，系统地介绍了在棉花种植面积遥感监测过程中，通过土地利用背景数据库建设，以及基于背景数据的棉花种植面积遥感解译，准确地监测了棉花种植面积及其变化率。结果显示：长江流域棉花主要集中分布于沿江的洲圩区，其次分布于沿江的岗地和丘陵；在2001～2002年度，棉花种植面积变化主要是减少，在2002～2003年度，棉花种植面积变化主要是增加。究其变化的原因，主要受棉花市场价格和气候条

内容概要：本文档介绍了利用Google Earth Engine平台计算Landsat 8和Landsat 9卫星影像的叶面积指数（LAI）的方法。首先定义了时间范围为2022年到2024年，并设置了云量覆盖小于10%的筛选条件。然后通过影像集合操作，对每个影像进行了波段选择、反射率转换、NDVI（归一化植被指数）、EVI（增强型植被指数）计算，最终基于EVI得到LAI。为了确保数据的时间连续性和完整性，以8天为间隔创建了时间序列，并对每个时间段内的最大值进行合成，同时去除了无有效数据的影像。最后，绘制了LAI和NDVI的时间序列图表，以便于分析特定区域在指定月份内的植被变化情况。 适合人群：从事地理信息系统、遥感科学或生态学研究的专业人士，以及对植被动态监测感兴趣的科研工作者。 使用场景及目标：①用于研究植被生长周期与环境因素之间的关系；②评估不同季节或年度间的植被覆盖变化；③为农业、林业管理和环境保护提供科学依据。 其他说明：此文档提供了详细的代码示例，用户可以根据自身需求调整参数设置，如时间范围、空间范围和云量阈值等，以适应不同的研究目的。此外，建议用户熟悉Google Earth Engine平台的基本操作和Python/JavaScript编程语言，以便更好地理解和应用这些代码。

https://www.bilibili.com/video/BV1VV411v7r3/?spm_id_from=333.337.search-card.all.click B站有些朋友没有PPT资源，评论区问，CSDN分享下

一、 【程序环境】程序性质：C# 开发的 WPF 桌程序 开发平台：Visual Studio 2015、GDAL库、.Net Framework 4.5 运行环境：Windows 8.1 以上 二、 【程序目的】GDAL 库是一个开源库，它能够实现读取任意格式的图像文件，包括遥感图像，本程序利用 GDAL 库来读取遥感图像，使用 C# 实现一些核心图像的功能，包括： 遥感图像及普通图像读取：实现读取 .img 遥感图像及选择波段进行处理，实现读取大部分常见图像格式 图像基本操作：实现图像平移、缩放等常见操作 遥感图像增强处理：实现灰度拉伸、HIS变换、图像平滑、图像锐化、边缘增强、反相等增强处理