版权声明：本教程涉及到的数据仅供练习使用，禁止用于商业用途。 目录 基于专家知识决策树分类 1. 概述 2. 详细操作步骤 2.1 规则获取 2.2 制作决策树 2.3 执行决策树 1. 概述 基于
归一化植被指数（NDVI） NDVI = ( - ) / ( + ) 植被指数(NDVI)是检测植被生长状态、植被覆盖度和消除部分辐射误差等。NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶、粗糙度等，且与植被覆盖有关。NDVI的范围始终为-1至+1。总体而言，NDVI是衡量健康植被的标准化
像元二分模型是最常见的光合植被覆盖度遥感估算模型，假定植被区的混合像元仅由植被和土壤两部分组成，它的遥感信息是由植被和土壤的光谱信号以其所占像元面积比例为权重系数的线性组合。 其中S、SPV和SBS分别代表混合像元、光合植被端元和裸土的遥感信息，fPV即光合植被覆盖度。
1. 背景 土地荒漠化是指包括气候变异和人类活动在内的种种因素造成的干旱半干旱和亚湿润干地区的土地退化。及时准确地掌握土地荒漠化发生发展情况是有效防止和治理土地荒漠化的基本前提。目前遥感技术在土地荒漠化监测中起到了不可替代的作用。使用遥感影像数据可以提取土地荒漠
// Load the Landsat 8 raw data, filter by location and date.var startDate = '2014-06-01'var endDate = '2014-06-05'var collection1 = ee.ImageCollection('LANDSAT/LC08/C01/T1_8DAY_NDVI') .filterDate(startDate, endDate);print(c
之前写过一篇文章是关于各种指数进行计算的文章，链接如下： (230条消息) 利用GEE（Google Earth Engine）在线处理NDVI、EVI、SAVI、NDMI等指数归一化教程！_此星光明的博客-CSDN博客 很多时候我们觉得如果只是计算一个波段的话，那么我们就可以单一的使用下面这些函数，然后通过影像集合进
1.认识modis数据 明确modis数据行列号划分规则 （https://blog.csdn.net/qq_33356563/article/details/92399954） 2.明确modis数据名的命名规则（根据MODIS Collection 6.1 (C61) LSR Product UserGuide） 3.明确产品的处理方法和算法（以MOD13A1产品为例，根据MODIS VegetationIndex
安装 1、安装Anaconda，下一步 2、安装GDAL （1）打开Anaconda prompt，输入conda install gdal （2）打开网址：https://www.lfd.uci.edu/~gohlke/pythonlibs/#gdal 下载对应python的gdal包，注意对应的Python版本，如GDAL-3.2.3-cp37-cp37m-win_amd64对应的是Python37的， （3）进入下载目录cd xxx （4）执
1.导入哨兵2数据集 2.绘制下载区域 3.修改绘制区域与数据集名称 4.运行下面代码 //define ROI var roi = ee.FeatureCollection(ROI) //哨兵2去云处理 function s2_rmcloud(image) { var qa = image.select('QA60'); var cloudBitMask = 1 << 10; var cirrusBi
var l8sr = ee.ImageCollection("LANDSAT/LC08/C01/T1_SR"), var geometry = /* color: #98ff00 */ee.Geometry.Point([-122.30248383348817, 37.86512944100687]); // 获得与该点相交的有脚印的图像。 var spatialFiltered = l8sr.filterBounds(geometry); // 获得一个单一的
为了监测植被变化，了解这些变化对环境造成的影响，科学家们利用卫星遥感信号测量和绘制地球表面的绿色植物分布，并用植被指数来对地表植被状况进行简单、有效和经验的度量。 植被指数从最初的植被覆盖度、叶面积指数发展到大量基于遥感影像的植被指数（如垂直植被指数、土壤调整植被指
我们讲到了两大生态因子中地形因子的计算与重分类，其实都是比较简单的步骤，其中需要记忆的是坡向的度数分类，并且因为有8个方向，不要搞混哦~~地形因子坡度(单位：度)>60极高敏感50.245-60高敏感425-45中敏感310-25低敏感20-10非敏感1高程（单位：米）>1300极高敏感50.11000-1300高敏感4800-1000
1.登录NASA官网下载MOD13Q1数据，红框标出来的是筛选条件，我的筛选条件列出符合要求的文件如下： NASA官网：https://ladsweb.modaps.eosdis.nasa.gov/ MODIS数据的介绍：https://www.cnblogs.com/cuteshongshong/articles/3622855.html 2.利用指定的MRT工具对MODIS数据进行批处理 MRT下
文章目录 一、功能介绍二、脚本代码三、工具参数四、工具界面五、使用例1、输入2、参数设置3、输出 系列文章目录： ArcGIS自定义脚本编程 一、功能介绍 二、脚本代码 #!/usr/bin/python # -*- coding: UTF-8 -*- import arcpy from arcpy import env import os imp
采用最大合成法将月数据ndvi合成年数据NDVI，本文以spot的月ndvi为例进行，利用matlab平台，代码如下所示： %author yinlichang3064@163.com [a,R]=geotiffread('F:\项目\data\spot_月ndvi\ndvi200001.tif');%先投影信息 info=geotiffinfo('F:\项目\data\spot_月ndvi\ndvi200001.tif')
前言： 本篇文章的出发点是因为之前接触过相关研究，困囧于该系列资料匮乏，想做一个系列。个人道行太浅，不足之处还请见谅。愿与诸君共勉。 数据准备： MODIS数据产品MOD13Q1—以2010年河南省3、4、5三个月为例： 一、MRT单次数据操作 （1）.进入GUI界面操作 1.将所需处理的一个.hdf原始
NDVI是归一化植被指数，常用于检测植被生长状态、植被覆盖度和消除部分辐射误差等，范围为-1到1，负值表示地面覆盖为云、水、雪等；0表示有岩石或裸土等；正值，表示有植被覆盖，且随覆盖度增大而增大； 此次所用NDVI数据来源于NASA官网的MOD13A3产品，前期用MRT对所下载的数据进行了几何校正、拼接
原文链接：https://mp.csdn.net/mdeditor/100978287 https://blog.csdn.net/hengcall/article/details/82586981 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇
博客小序：NetCDF数据广泛的用于科学数据存储，最近几日自己处理了一些NetCDF数据，特撰此博文以记之。 参考博客： https://www.cnblogs.com/shoufengwei/p/9068379.html https://blog.csdn.net/EWBA_GIS_RS_ER/article/details/84076201 http://www.clarmy.net/2018/11/01/python%E8%AF%B
利用envi对Landsat8图像进行NDVI提取提取NDVI选择一定范围的NDVI 提取NDVI 版本：envi4.7 第一步：File -> Open image File 第二步： Basic Tools -> Band Math 在Enter an expression处写入函数 fix（（float(b4)-b3)/(b4+b3)*10000 ) 函数float()使()内的数据变为浮点型，而fix()
1.EXEALL.m function EXEALL(FilePath, FileName)%执行所有流程% FilePath: 文件夹所在路径% FileName: 文件夹名称 FullPath = [FilePath , FileName , '\' , FileName , '.txt']; allPixelPath = [FilePath , FileName , '\', FileName , '.a
