遥感论文科研数据获取与处理

📚 共计 30 章节

遥感数据概述

遥感数据类型（光学、雷达、高光谱）、数据分辨率（空间、光谱、时间、辐射）、常用数据格式（GeoTIFF、HDF、NetCDF）。

数据源与获取平台

USGS EarthExplorer、ESA Copernicus Open Access Hub、NASA Earthdata Search、中国资源卫星应用中心。

平台数据源

数据下载实战

以Landsat 8/9为例，学会在USGS平台注册、筛选、下载数据。

数据预处理基础

辐射定标、大气校正（6S、FLAASH、Sen2Cor）、几何校正（正射校正、地理配准）。

校正预处理

Python遥感库入门

GDAL、Rasterio、EarthPy、Rioxarray的安装与基本操作。

数据读取与可视化

使用Rasterio读取单波段/多波段影像，使用Matplotlib展示RGB合成图。

可视化Rasterio

波段运算与指数计算

NDVI、NDWI、EVI、NBR等植被/水体指数的Python实现。

影像裁剪与掩膜

基于矢量边界（Shapefile/GeoJSON）的影像裁剪，使用Fiona+Shapely+Rasterio。

影像重采样与投影转换

不同分辨率影像对齐，坐标系转换（EPSG:4326转EPSG:32650等）。

重采样投影

影像镶嵌与拼接

多景影像的无缝拼接，处理重叠区域（均值、最大值、最小值融合策略）。

时间序列分析基础

多时相影像的堆叠（Stack），计算年际变化趋势（NDVI时间序列）。

时间序列NDVI

云检测与去云处理

Landsat QA波段解析，Fmask算法原理，Python实现云掩膜。

影像分类基础

非监督分类（K-Means、ISODATA）与监督分类（最大似然、支持向量机）。

深度学习遥感分类入门

使用PyTorch/TensorFlow构建简单的CNN进行地物分类。

深度学习CNN

语义分割实战

U-Net模型在遥感影像分割中的应用（道路提取、建筑物提取）。

变化检测技术

双时相影像差值法、比值法、PCA变化检测，Python实现。

变化检测PCA

SAR数据处理基础

Sentinel-1数据读取（SNAP+Python），后向散射系数计算，滤波处理。

干涉图生成、相位解缠、DEM提取原理概述与Python工具。

高光谱数据处理

光谱曲线提取、最小噪声分离（MNF）、光谱角填图（SAM）。

基于DEM的地形校正（C校正、SCS校正），Python实现。

特征提取与降维

主成分分析（PCA）、独立成分分析（ICA）、t-SNE在遥感中的应用。

空间统计分析

Moran's I、LISA聚类、热点分析，使用PySAL库。

空间统计PySAL

栅格计算与地图代数

条件运算、代数运算，使用Rasterio或Xarray实现。

矢量数据处理

Shapefile读写、属性表操作、空间连接，使用GeoPandas。

矢量GeoPandas

遥感数据与机器学习

特征工程、模型训练（随机森林、XGBoost）、交叉验证。

机器学习随机森林

数据增强与样本制作

遥感影像切片（Sliding Window）、数据增强（旋转、翻转、噪声）。

大区域数据处理策略

分块处理（Chunking）、并行计算（Dask、Multiprocessing）。

数据存储与管理

云存储（AWS S3、Google Cloud Storage）、数据目录（STAC标准）。

结果输出与制图

使用Matplotlib/Cartopy制作发表级地图，添加指北针、比例尺、图例。

完整项目实战

从数据获取到最终成果图，完成一个完整的遥感科研项目流程（如城市扩张监测）。

实战城市扩张