The dataset contains 10,000 satellite images and almost 50,000 mesoscale cloud clusters. 这个数据集包含10,000个卫星图像以及近50,000个中尺度云簇 Understanding Clouds from Satellite Images_datasets.txt

泄漏检测 草稿2017-05-01 迈克尔·克拉克（Michael.clark via wassname dot org），克雷格·巴尔达奇诺（Craig Baldacchino） 该项目探讨了我们可以使用卫星图像和机器学习来发现泄漏的想法。 主要假设是，鉴于泄漏维修的时间和地点以及给定的10-15m2分辨率的卫星图像，我们可以比随机猜测所定义的基准更好地预测泄漏。 我们使用随机森林模型，然后使用超优化调整数据过滤器和模型参数。 我们的结果显示f1得分约为0.6，而虚拟f1得分为0.5。 这个小的改进支持了我们的假设，但是它表示预测能力太差，无法用于管道维护。 我们预计，以更高分辨率的图像重复实验可能会提供有用的预测能力水平。 介绍 西澳大利亚州的漏水造成了超过100亿升的水，每年造成的损失超过10亿美元。 西澳大利亚州自来水公司每年只能人工检查10-12％的管网是否有不可见的泄漏 。

SAM卫星图像分类 该项目旨在说明SAM算法在卫星图像分类中的用途。 高光谱图像提供像素光谱，可获取有关表面的详细信息，以识别和区分光谱相似（但独特）的材料。 放置在遥感卫星上的高光谱图像传感器可捕获具有各种光谱带的高光谱图像。 进行了实验，以在高光谱图像上实现光谱角度映射器（SAM），以对表面上的像素进行分类。 还可以获得图像的假彩色合成，以便更好地可视化表面差异。 各个波段的高光谱图像彼此堆叠，以形成用于SAM实现的三维图像立方体。 SAM是一种监督分类算法，可基于光谱角的计算来识别图像中的各种类别。 在为每个像素建立的测试向量与为用户选择的每个参考类别建立的参考向量之间计算光谱角。 获得了将多个2D数据集读取并重组到一个紧凑的3D数据集多维数据集中的结果。 构建参考向量以执行SAM分类，并计算参考向量和像素向量之间的角度以与确定的阈值角度值进行比较。 然后应用颜色编码来区分已被SAM

利用多时相卫星图像进行农作物分类 该仓库提供了使用多时相卫星图像进行农作物分类的代码。 作物分类对于理解作物的供应很重要。 卫星图像有助于实时监测作物生长和健康状况。 如今，每天都有高分辨率的卫星图像。 利用高频数据和多个波段，可以使用深度学习对农作物进行分类。 有许多经典的机器学习农作物分类方法可用它使用单时间图像，并使用其结果精度相对较低作物的光谱特性和结构特性，但我们会使用由玫瑰M. Rustowicz笔者建议的方法 安装 conda create --name geo_py37 python=3.7 conda install gdal rasterio conda install numpy pandas geopandas scikit-learn jupyterlab matplotlib seaborn xarray rasterstats tqdm pytest sq

A study for texture feature extraction of high-resolution satellite images based on a direction measure and gray level co-occurrence matrix fusion algorithm