腾讯云开发者社区-腾讯云

开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

二猫の家

专栏作者

521

文章

488124

阅读量

34

订阅数

【GEE】分块处理以降低内存压力

内存数据 var 程序函数

https://code.earthengine.google.com/6f3876f55be5280369750c9e38c8ffce?noload=true

2024-04-25

470

【GEE】基于光谱距离度量方法的加沙地区地表覆盖变化检测

var 数据 app map mask

本文将介绍如何在 Google Earth Engine (GEE) 平台中使用光谱距离度量方法进行地表覆盖变化检测，并以加沙地区为例，使用Sentinel2数据展示2023年3月和2024年3月的地表覆盖变化区域。

2024-04-25

680

【GEE】优雅地实现年度、季度、月度甚至旬度影像合成（附完整代码）

date var 对象函数数据

光学影像由于受到天气因素（云、雨和雾等）影响，导致单张影像数据存在大量坏死像元。此处，坏死像元指由于受到云遮挡等导致下垫面地物覆盖不能准确被卫星信息捕捉从而不能正常用于实际应用的像素（云识别等研究除外，因为这类研究就是需要有云像素）。坏死像元的存在造成实际应用中数据需求难以得到满足，因此有必要考虑时序影像合成等技术来补充/弥补影像。时序影像合成，从粗到细，可以分为年合成、半年合成、季度合成、月度合成和半月合成等，在不同学科研究中都有广泛应用，例如半月合成在降雨侵蚀（B因子计算等）中被广泛采用。按照学科和研究需求不同，可以自主选择适合自己研究的合成方式开展研究。下面就分别以北京主城区为例，使用Landsat-8影像数据集分别实现年合成、半年合成、季度合成、月度合成和半月合成等其中合成方式选择median（大家也可以选择mean、max、min等其他合成方式）。

2024-04-25

1040

【GEE】使用Colab加载Geemap

map 可视化配置数据

2024-04-25

610

【GEE】基于Landsat8数据的地表温度LST反演

数据 image var 地图函数

2024-04-24

1390

【遥感图像处理】绘制高光谱3D立方体

数据数据类型图像处理对象命令行

以“pylab”模式启动IPython。命令行输入：ipython --pylab 将以下代码（注意修改数据集路径）复制到ipython命令窗口中，回车。这个时候，会弹出Hypercube的窗体，就可以看到绘制的3D图像了。

2024-04-24

860

【GEE】利用哨兵2号计算NDBI并使用前后时段影像补全空值

var 数据 image select time

2024-04-24

760

GEE非参数趋势分析（Mk-Sen）

var 函数集合数据统计

趋势分析是寻找感兴趣的东西正在增加的地方，或者减少多少。更具体地说，本教程演示了使用非参数 Mann-Kendall 检测影像中的单调趋势测试是否存在增加或减少的趋势以及 Sen 的斜率量化趋势的幅度（如果存在）。本教程还显示估计 Mann-Kendall 检验统计量的方差，Mann Kendall 检验统计量是检验是否存在任何趋势，以及统计量的 P 值（假设正态分布）。重要提示：此处介绍的方法适用于评估单调趋势（即没有季节性的数据）在离散数据中（即非浮点）。此外，如果应用本教程中的方法对新数据（即地区、时间范围、来源）可以需要调整和可视化参数以适应特别的结果。

2024-04-15

1470

【GEE】下载研究区的Landsat8去云清晰影像

产品可视化数据算法 var

如果你仅仅是使用影像来可视化的话，追求没有云的效果你可以适当的调整时间，来看看哪一张那个融合后的影像效果最好

2024-04-10

1560

机器学习之特征选择（Feature Selection）

selection 模型数据算法机器学习

特征提取和特征选择作为机器学习的重点内容，可以将原始数据转换为更能代表预测模型的潜在问题和特征的过程，可以通过挑选最相关的特征，提取特征和创造特征来实现。要想学习特征选择必然要了解什么是特征提取和特征创造，得到数据的特征之后对特征进行精炼，这时候就要用到特征选择。本文主要介绍特征选择的三种方法：过滤法（filter）、包装法（wrapper）和嵌入法（embedded）。

2024-04-10

3400

【GEE】遥感数据趋势分析Sen+mk

var 集合可视化数据统计

2024-04-10

1070

Google Earth Engine中的mean()与median()：何时使用哪一种？

异常 google mean median 数据

在使用Google Earth Engine（GEE）进行数据分析和影像处理时，我们经常会遇到需要对影像进行聚合的情况。而在GEE中，mean()和median()是两个常用的聚合函数。但是，什么时候使用mean()，什么时候使用median()呢？这篇文章将为您详细解答。

2024-04-08

1030

【GEE】基于PCA的LANDSAT 8计算遥感生态指数（RSEI）

数组 add pca select var

2024-04-08

1310

运行pycharm报错：Error running ‘main‘:Argument for @NotNul parameter ‘module‘ of com/intelli/openapi/roo

pycharm openapi com error module

2024-04-05

2660

利用 Python 处理遥感影像数据：计算年度平均影像

函数数据数组 python 遍历

在地球科学、气象学以及环境监测等领域，遥感影像数据是一种重要的信息源，它们可以提供地表的地形、植被覆盖、气候变化等丰富信息。然而，随着观测技术的进步，我们通常会获得大量的遥感影像数据，如何高效地处理和分析这些数据成为了一项挑战。本文将介绍如何利用 Python 中的 GDAL 库处理遥感影像数据，并通过计算年度平均影像来提取更有意义的信息。

2024-03-16

1040

kmeans聚类选择最优K值python实现

import sse 数据数组 python

手肘法的核心指标是SSE(sum of the squared errors，误差平方和)，

2024-02-10

1260

软件工程导论例题详解（整本书）

程序软件软件工程系统测试

一、什么是软件危机？它有哪些典型表现？为什么会出现软件危机？答:软件危机是指在计算机软件开发、使用与维护过程中遇到的一系列严重问题和难题。它包括两方面：如何开发软件，已满足对软件日益增长的需求；如何维护数量不断增长的已有软件。软件危机的典型表现： (1) 对软件开发成本和进度的估计常常很不准确。常常出现实际成本比估算成本高出一个数量级、实际进度比计划进度拖延几个月甚至几年的现象。而为了赶进度和节约成本所采取的一些权宜之计又往往损害了软件产品的质量。这些都降低了开发商的信誉，引起用户不满。 (2) 用户对已完成的软件不满意的现象时有发生。 (3) 软件产品的质量往往是靠不住的。 (4) 软件常常是不可维护的。 (5) 软件通常没有适当的文档资料。文档资料不全或不合格，必将给软件开发和维护工作带来许多难以想象的困难和难以解决的问题。 (6) 软件成本、软件维护费在计算机系统总成本中所占比例逐年上升。 (7) 开发生产率提高的速度远跟不上计算机应用普及的需求。软件危机出现的原因： (1) 来自软件自身的特点：是逻辑部件，缺乏可见性；规模庞大、复杂，修改、维护困难。 (2) 软件开发与维护的方法不当：忽视需求分析；认为软件开发等于程序编写；轻视软件维护。 (3) 供求矛盾将是一个永恒的主题：面对日益增长的软件需求，人们显得力不从心。

2024-01-27

4190

最新详细eclipse下载、安装、汉化教程

镜像配置软件 eclipse 教程

会显示安装进度，可以耐心的等待安装完成注意：在48到49%区间会有很多download的操作集中在这一进度，所以看起来会在这里停比较久，但是progress页面是在动的。请打开progress页面确保没有卡在同一个文件！如果停留在同一个文件太久（5分钟以上，否则不视为卡住），请检查你的网络连接，然后重启软件重试！如果在之前Location那一步使用了国内镜像的话，这一步应该不会持续很久。

2024-01-27

2150

【Python】遥感数据趋势分析Sen+mk

统计 python height path 数据

1.Theil-Sen Median方法又被称为 Sen 斜率估计，是一种稳健的非参数统计的趋势计算方法。该方法计算效率高，对于测量误差和离群数据不敏感，常被用于长时间序列数据的趋势分析中。对于后续代码计算结果中的slope.tif解读,当slope大于0表示随时间序列呈现上升趋势；slope小于0表示随时间序列呈现下降趋势。

2024-01-20

4190

基于长时间序列栅格数据的MK检验

nan 数据异常 add data

MK检验是曼－肯德尔法，又称Mann—Kenddall 检验法，是一种气候诊断与预测技术，应用Mann-Kendall检验法可以判断气候序列中是否存在气候突变，如果存在，可确定出突变发生的时间。Mann-Kendall检验法也经常用于气候变化影响下的降水、干旱频次趋势检测。目前常用于长时间序列的栅格数据的显著性检验，在植被覆盖度，NDVI，NPP等方面尤为常见。该检验功能强大，不需要样本遵从一定的分布，部分数据缺失不会对结果造成影响，不受少数异常值的干扰，适用性强。不但可以检验时间序列的变化趋势，还可以检验时间序列是否发生了突变。

2024-01-20

1700

点击加载更多

社区活动

RAG七天入门训练营

鹅厂大牛手把手带你上手实战，赢鹅厂证书、公仔好礼！

Python精品学习库

代码在线跑，知识轻松学

博客搬家 | 分享价值百万资源包

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

技术创作特训营·精选知识专栏

往期视频·千货材料·成员作品最新动态