GDAL_OGR简单的使用教程检测安装from osgeo import gdal
查看版本gdal.VersionInfo('VERSION_NUM')
# '2040100'
开启python异常默认情况下，发生错误时，GDAL/OGR Python绑定不会引发异常。相反，它们返回错误值（例如None），并将错误消息写入sys.stdout。你可以通过调用UseExceptions()函数来开启异常：
from osgeo import gdal
# 开启异常
gdal.UseExceptions()
# 打开不存在的数据集
ds = gdal.Open('test.tif')
# 开启异常前
ERROR 4: test.tif: No such file or directory
# 开启异常后
RuntimeError Traceback (most recent call last)
<ipython-input-5-6ef000fdc647> in <module>
----> ...
各位，今天我们来解构一下“遥感”这个专业。
一、遥感到底是个啥？核心定义： 遥感（Remote Sensing），顾名思义，即“遥远地感知”。它并非超能力，而是一门利用飞机、卫星等平台上的传感器，在不直接接触的情况下，获取地球及其他天体信息的科学与技术。
可以把它想象成给地球做一次全面的“健康体检”。我们使用的工具不是听诊器，而是各种传感器，它们能捕捉到肉眼看不见的光谱信息，比如：
可见光影像： 就是我们常见的“地球写真集”。
红外影像： 可以感知地表温度，监测火灾或农作物长势。
雷达影像： 能穿透云层，全天候无阻碍地“看”地表。
一言以蔽之，遥感的核心流程就两步：获取数据（拍片）和处理分析（修图解读）。
二、听着高大上，学遥感究竟有何用？学习遥感，你将解锁一个独特的视角——“上帝视角”。
当你的同学还在为一张地图上的等高线而苦恼时，你已经可以在电脑上拖动鼠标，以上帝的视角俯瞰山川湖海、城市变迁。这种体验，堪比在玩一款名为“地球Online”的即时战略游戏。
地理相关学科的魅力在于培养人的宏观思维和跨学科整合能力。遥感人，通过分析卫星影像，为国土规划、环境保护、灾害预警、国家安全 ...
正如之前我说的，遥感影像在深度学习的输入形式一般是RGB格式，而遥感影像的原始数据一般由多个波段组合。
所以，我们需要做的一个步骤的：把多波段的遥感影像转换为RGB遥感影像。
RGB，三个字母说明了这个文件由三个矩阵组成，它们的顺序是RED、GREEN、BLUE。也叫做红绿蓝波段。
以国产遥感影像高分一号为例，GF1的原始数据的波段顺序是BLUE、GREEN、RED、NIR。即蓝、绿、红、近红外。
所以把多波段的遥感影像转换为RGB遥感影像的原理很简单，我们只需要保留前三个波段，并且把1、3波段调换顺序即可完成此步骤。
具体的python代码如下：
from osgeo import gdal
import os
def convert_4band_to_rgb(input_tif, output_tif):
"""
Convert a 4-band (RGB+NIR) TIFF to a 3-band RGB TIFF.
Args:
input_tif (str): Path to the input 4-band TIFF file. ...
Bilibili 下载指南本指南提供使用 yt-dlp 下载 Bilibili 视频（ID：BV1n2j2zxEZk）的 ai-zh 字幕（SRT 格式）和 M4A 音频的命令，分别适用于单个视频部分和整个合集。
下载单个视频部分（字幕和音频）要下载某个特定部分（例如第 4 部分）的 ai-zh 字幕和 M4A 音频：
yt-dlp --cookies www.bilibili.com_cookies.txt --write-subs --sub-langs ai-zh -f "bestaudio[ext=m4a]" --restrict-filenames -o "%(title)s_p%(part_number)s.%(ext)s" https://www.bilibili.com/video/BV1n2j2zxEZk?p=4
注意事项：
将 ?p=4 替换为所需的视频部分编号（例如，?p=5 表示第 5 部分）。
确保 www.bilibili.com_cookies.txt 是从浏览器导出的有效 cookies 文件。
输出文件将命名为类似 有声书长生从娶妻开始_p04.m4 ...
landsat9影像下载的渠道有很多个，最常见的是USGS、GEE。
今天是演示怎么在USGS下载Landsat9影像。
下载数据本身是免费的、不收钱。但是最大的阻碍就是科学网上冲浪。
所以也导致了很多小白，跑去国内二手交易平台寻求帮助。
这些帮助不仅限于注册USGS，卖USGS成品号，帮下载数据。
如果你掌握了landsat9的下载全流程，你可以去赚这个辛苦的、繁琐的零花钱。
1. 注册USGS(⊙o⊙)…我在几年前注册过一个，现在为了演示，开始注册第二个USGS账号。
邮箱我使用的是网易的126邮箱。
邮箱是新注册的邮箱，13:55注册邮箱，然后开始在USGS注册，4分钟完成注册USGS。
即，13:59收到USGS注册确认邮箱，4分钟完成USGS账号注册，如下
登录账号地址是：https://ers.cr.usgs.gov/login
成功注册：
不想注册USGS，用我的：账户名：rs4xiaobai12密码：rs4xiaobai12
2. landsat9 数据下载数据下载的页面是https://earthexplorer.usgs.gov/
2.1 设置搜索条件首先要 ...
lee滤波对于sar影像去噪非常有用。且lee滤波也很容易理解，且看以下python代码编写的lee滤波函数。
import numpy as np
from scipy.ndimage import uniform_filter
def lee_filter(img, size, global_variance):
"""
Apply Lee filter for speckle noise reduction using a global variance.
"""
img_mean = uniform_filter(img, (size, size))
img_sqr_mean = uniform_filter(img ** 2, (size, size))
img_variance = img_sqr_mean - img_mean ** 2
# Avoid division by zero or invalid operations
denominator = img_variance + global_va ...
开门见山地回答这个问题，得看情况。
是否做大气校正由你的目的决定。
如果，你的目的是做遥感反演，如水质参数反演、指数计算等，此时需要做大气校正。
如果，若任务不涉及定量反演（如目视解译、粗略分类或相对变化监测），大气校正的必要性较低，可跳过以简化流程。
以上为个人观点，欢迎提出不同看法或进一步交流！
遥感数据是否需要进行大气校正取决于具体应用场景和数据使用目的。以下分两种情况进行说明：
反演,需要大气校正大气校正通常在以下情况下是必要的：定量分析（植被监测、环境监测）
常用的校正方法包括基于辐射传输模型（如MODTRAN、6S模型）或基于影像的经验方法（如DOST、FLAASH）。校正后可获得地表反射率或辐射率数据。
不反演，不需要大气校正不反演的情况有哪些？主要是定性分析、目视解译、深度学习的应用。
因为深度学习的输入一般是8bit图像，而遥感影像原始数据一般是16bit或者14bit（有些国产影像是10bit），所以，无论你是否进行大气校正都需要进行位深转换。
位深转换即非8位图像转换为8位图像。位深转换的方式有很多种，常用的线性拉伸，在arcgis中的位深转换方式如下：
在将遥 ...
以下是我使用的vscode设置。虽然有些主观，但很实用。
1 主题。我放弃了那些炫酷的主题。我选择了Tokyo Night (Storm)。理由是：它平静、赏心悦目，并且与代码形成了美丽的对比，却又不显得刺眼。
2. 字体。我切换到了 JetBrains Mono ，字体大小为14。它提升了我的可读性。
3. 一些插件扩展。1.Prettier
Prettier 很纯粹，就一个代码格式化工具，并不会做代码质量的检查。
2.GitLens
通过GitLens，我们可以轻松查看提交记录、文件修改记录，以及每行代码的最后一次提交信息。
3.代码检查工具
我的主力语言是python，所以我使用的是Flake8。
禅定模式切换方式： Cmd + K Z
隐藏不必要的界面元素可以帮助开发者专注于代码本身，从而提高工作效率.
最后把vscode配置好就可以去愉快地写代码了，不谢我。
揭开卫星图像的4大误区引言卫星图像是一种既充满未来感又贴近日常生活的科技。我们在高德地图、百度地图的导航中，在天气预报的云图里，甚至在新闻报道的灾害救援地图中，都能看到它的身影。然而，在这些简洁的界面背后，隐藏着复杂的卫星系统、原始数据，以及许多令人惊讶的误解。人们常认为卫星图像总是实时的、高清的，只有财大气粗的机构才能使用。事实远比想象中复杂，也更有趣！在这篇博客中，我们将揭开关于卫星图像的五大常见误解，并带你了解中国在这一领域的独特贡献。
误解1：更高分辨率 = 更好的结果？乍一看，高分辨率的卫星图像似乎是王道——能看清单辆汽车、甚至一片树叶的细节，听起来很酷，对吧？但事实并非总是如此。虽然高分辨率图像（如高分二号卫星提供的亚米级分辨率）确实能捕捉细微细节，但它并不一定适合所有场景。比如，监测中国西北地区大规模的退耕还林项目，或评估长江流域的洪水风险，低分辨率但覆盖范围广的图像（如风云四号或资源三号）往往更实用。这些图像提供多光谱数据和频繁的重访周期，能更高效地分析大范围环境变化。
高分辨率数据的成本高、数据量大，处理起来也更复杂。举个例子，2020年长江洪水期间，中国利用风云卫星 ...
