如果你的gdal版本是3.2.2及以上，那么只能：
from osgeo import gdal
ds = gdal.Open(data)
rows = ds.RasterYSize
cols = ds.RasterXSize
bandnum = ds.RasterCount
transform = ds.GetGeoTransform()
ds是一个对象，rows是影像的行，也是Y轴长度。对应的，cols则是影像的列，X轴的长度。bandnum代表影像的波段数。
transform是一个list，存储着栅格数据集的地理坐标信息。
#transform[0] /* top left x 左上角x坐标(经度)*/
#transform[1] /* w--e pixel resolution 东西方向上的像素分辨率*/
#transform[2] /* rotation, 0 if image is "north up" 如果北边朝上，地图的旋转角度*/
#transform[3] /* top left y 左上角y坐标（纬度）*/
#transform[4] ...
兄弟们，今天聊个听起来特科幻，其实原理特朴素的东西——遥感。
说白了，这就是隔空搞情报。
你以为遥感是卫星在天上发激光，或者像科幻片里那样“滴”一下扫出地下的黄金？太天真了。遥感的本质，就是给地球拍照片，然后玩大家来找茬。
你想啊，卫星在天上转，跟你站在二楼偷看楼下的烧烤摊没区别。它就是盯着地面一直拍，今天拍一张，明天拍一张。然后重点来了，把两张照片叠在一起，看哪儿不一样。
今天这块地是绿的（庄稼），明天变灰了（盖楼了）——哦，开发商动了。今天这片海是蓝的，明天飘了一层油——哦，谁在偷排。这就是遥感干的事儿，用时间戳来戳穿世界的谎言。
很多人觉得遥感高大上，其实它就是个开了上帝视角的监控探头。唯一的区别是，你家门口的探头拍车牌，它拍的是 chlorophyll（叶绿素）浓度。换个洋气的词叫“光谱分析”，换回人话就是：绿的就是活的，灰的就是死了。
那这玩意儿怎么割韭菜呢？哦不，怎么赚钱呢？
农业公司租遥感数据，看哪块地旱了、哪块地有虫，省得雇人下地跑断腿。保险公司也用它——你报灾说“我家三百亩玉米全淹了”，卫星照片一调出来，嘿，就淹了你家门口那三平米的水坑。想骗保？先问问天上的镜头答不答 ...
我的提示词是：
我想设计一个网络结构，实现耕地边界提取，结果是一块块耕地，打算是提取耕地的轮廓，但是我又想实现实例分割，所以模型的结果为三个矩阵，第一个是轮廓线（0到1代表概率），第二个代表是否为种植、休耕、背景。第三个是具体的耕地结果图。首先我说下 深度学习遥感提取有部分方案是直接用cnn，直接用cnn有缺点，这个缺点是田块和田块之间的共线问题会被识别为一大个田块。其次，如果直接用预测耕地轮廓线的方案，缺点是线可能不闭合，而且有些房子轮廓也会被识别为耕地轮廓。你现在给我一个可行的设计方案，从输入到输出。
它的回答是：
你这个思路其实已经非常接近“真正能落地的耕地实例分割框架”了。而且你已经准确指出了两个核心难点：
纯语义分割（CNN）→ 共线田埂会粘连（多个田块变成一个）
纯边界提取→ 边界不闭合→ 非耕地（房子、道路）也有轮廓
所以你真正需要的，不是“单任务网络”，而是：
一个“边界约束 + 区域约束 + 实例约束”的联合网络本质：
用区域约束边界用边界切割区域用实例头解决粘连问题
这是核心思想。
一、你最终应该输出什么？你现在的三个输出其实非常合理：
输出头
...
RS新手怎么下载免费的遥感影像数据？
有不少的人在后台问我这个问题。
我推荐去这两个地方下载数据。
1是USGS
2是欧空局
除此之外，还可以通过GOOGLE EARTH ENGINE，批量下载影像。当然这个GEE要写JS代码才可以下载数据。
如果你想下载高清影像，我推荐下载GOOGLE EARTH的数据。
GOOGLE EARTH ENGINE和GOOGLE EARTH是两个不同的东西。
下载GOOGLE EARTH的数据可以通过下面的这个方式下载，亲试有效。
https://github.com/Mbucari/GEHistoricalImagery
对于刚入行的朋友，下载到数据只是第一步。拿到数据后，建议重点研究一下 Landsat 9。它是理解“多光谱”最好的教科书。
你可能会发现，下载下来的原始影像往往是黑乎乎的一片。这时候就要去研究“影像拉伸”。
遥感影像的像素深度通常是16-bit，而普通手机拍摄的照片通常是8-bit。
16bit是指2的16次方，对应的8bit就是2的8次方。
2的8次方是指 2x2x2x2x2x2x2x2 = 16x16 = 256
我们的手机 ...
好久没更新了，最近我不是很忙，下班后直接打开暗黑破坏神4，刷刷刷！这个游戏真上头。
上个月，和朋友讨论了关于躺平的问题。
我的观点是：躺平与否是由你自己决定，私下说应该是不要信宏大叙事，但是一定是要把自己的生活搞好。
朋友给我转发那一则新闻的时候，我立马想到了某些躺平博主。
我本人以前是经常跑去网吧的网瘾少年。很久之前就关注了经常去网吧打炉石的小a在上网，看他去网吧是真下饭。
加上我曾经学过剪视频，剪视频是一个重活，重复的机械活动像是在acrgis画图斑，所以我才下初步的结论：真想躺平的人是不会剪视频的。
我在过去这一个月是真的躺平，公众号也不写了，天天网上冲浪，有空就去找女票玩，闲下来就打打游戏。
我知道大家关注我是想学点东西、看干货、跟着一起成长，但之前能做到持续高频率更新，根本不是我每天凭空产出，主要得益于我前几年慢慢攒下来的知识和内容储备。
可储备总有消耗完的一天，坐吃山空迟早会遇上瓶颈。 这也是我最近半个月停更的原因。
或许我可以换下赛道，学一下土木狗哥，天天发日记，从而转型为聊天博主。
很多的人是矛盾的，我是其中之一。
前面还说自己是躺平，其实呢偷偷摸摸写了四篇的发明专 ...
最近，程序员论坛有个帖子火了。
问的是：AI编程工具，哪个最好用？
65条真实回复，全是写生产代码的老手。
不是试玩两天就吹的那种。
我认真刷完所有评论，发现一个大变化。
AI编程圈，已经出现明显的“阵营分化”。
有人死磕Claude Code。
有人全面转向Codex。
还有人开始用DeepSeek + OpenCode，图个低成本。
今天这篇文章，就把讨论整理出来。
不是广告，不是测评。
就是看看真正的开发者，现在是怎么用AI写代码的。
先说结论。
Codex，已经成为当前口碑第一。
我统计一下这个帖子的所有回复。
提到次数最多的，就是Codex。
而且不是随便提一嘴。
说的是：“Codex最好”、“智商在线”、“review强”。
“逻辑最清晰”、“比Claude更稳定”、“主力已经切过去了”。
很多人现在的组合，已经很明确了。
用Claude Code写功能。
用Codex做代码审查。
或者Cursor加Codex，两个一起用。
这说明了一件事。
AI编程工具，正在从“聊天”走向“工程化”。
现在决定体验好坏的，不再是能不能生成一个演示程序。
也不是会不会写个待办事项应用。
...
作为一名老用户，翻看账单才发现，我从 2025 年 7 月 16 日就开始为 Trae 买单了。起初为了试水，掏了 10 刀开了一个月会员，那时候的体验确实惊艳，于是在首月结束后，我毫不犹豫地直接补了 100 刀开了一年年费。
至今，我使用这款编程工具已经整整 8 个月。但说实话，现在的我，大概率不会再点下那个“续费”按钮了。
曾经的“真香”时刻回想前几个月，Trae 的确算得上是开发者的“提效神器”。
丝滑的交互体验：它的响应速度和代码补全的精准度，一度让我觉得这 100 刀花得物超所值。
高性价比的 Pro 套餐：早期的计费逻辑很清晰，10 美元一个月的 Pro 套餐，包含 600 次快速请求。像我这种中低频使用的开发者，基本能覆盖 20 多天的重度需求，剩下几天靠普通请求过渡也能接受。
那时候，我逢人就推，觉得它是市面上最懂开发者的 AI 编程工具之一。
规则突变：我是来写代码的，不是来烧钱的转折点就在最近的计费规则调整。这次改版，直接把老用户当成了待割的“肥羊”。
以前的 Pro 套餐 是按次数计费，虽然有上限，但心里有底。现在规则一改，同样的日常使用强度，过去一个月才烧 ...
基于 Geo-SAM 的核心思想（预编码 + 交互式分割），结合 PyQt 构建独立桌面应用，以下是高内聚、低耦合的文件模块规划，兼顾当前功能与未来扩展性：
一、整体架构设计思路将应用分为 核心层（Core）、数据层（Data）、界面层（UI）、工具层（Utils） 四大模块，通过明确的接口交互，便于后续添加新模型、新格式或新功能。
二、详细文件模块规划Geo-SAM-PyQt/
├── main.py # [入口] 程序启动文件
├── requirements.txt # 依赖清单（PyTorch, PyQt5, GDAL/Rasterio, OpenCV等）
│
├── core/ # [核心层] SAM模型与分割逻辑
│ ├── __init__.py
│ ├── sam_base.py # SAM模型基类（抽象接口，便于后续扩展SAM变体）
│ ├── sam_wrapper.py # 封装原始SAM/精简SAM模型（加载权重、图像编码、掩码解 ...
下面都是grok的回答。
建立严密成像模型（Rigorous Sensor Model, RSM）的细节（以光学推扫式卫星传感器为主，如高分系列、资源三号、HY-1等）
严密成像模型是卫星遥感影像几何处理的基础模型，它严格基于物理成像原理，通过共线条件方程（collinearity equations）精确描述“像点 → 相机投影中心 → 地面点”的几何关系。与RPC（有理多项式模型）不同，RSM直接使用卫星的内外方位元素（Interior/ Exterior Orientation, IO/EO），无需拟合多项式，精度最高，但计算复杂、依赖辅助数据。
该模型完全在地面处理系统中建立（卫星下传原始DN影像 + 辅助数据后）。核心适用于线阵推扫式（pushbroom）传感器：每条扫描行（scan line）对应一个瞬时投影中心，外方位元素随时间动态变化（多中心投影）。
2. 坐标系链（建立模型的关键）建立RSM需完成以下坐标系转换（从像方到物方）：
焦平面/像空间坐标系 → 相机坐标系（内方位 + CCD畸变 + 拼接）
相机坐标系 → 卫星本体坐标系（相机安装矩阵 + 偏置）
...
遥感2.0时代：从“看图说话”到“空天智能”的范式演进【导读】 2026年，遥感行业正经历着一场前所未有的蝶变。随着“十四五”圆满收官与“十五五”的全面开启，遥感技术已从象牙塔里的科研工具，彻底转变为国家治理与商业运行的基础设施。数据不再是瓶颈，如何从海量像素中“直接提取答案”成为了新的胜负手。
一、 国家级工程：AI遥感正式进入“普查时代”今年最引人注目的行业大事莫过于第四次全国农业普查（四农普）的全面启动。这不仅是一次资源摸底，更是一次遥感技术的“期末大考”。
精度跃迁： 普查标准从传统的16米分辨率直接跳升至优于2米，这意味着我们对国土资源的掌握从“看个大概”进化到了“精细解剖”。
范式转型： 过去依赖人工勾绘的作业模式已被AI自动识别取代。
空地协同： 形成了“卫星过境大面积扫射 + 无人机局部精细补盲”的立体监测体系。
本质变化： 遥感已不再是辅助工具，而是成为了国家基础数据的核心生产工具。
二、 繁星入轨：遥感星座进入“全天候”监控模式截至2026年初，中国在轨民用遥感卫星已突破640颗，位居全球前列。
1. SAR卫星：从“配角”到“绝对核心”过去光学卫星常 ...
