使用TorchGeo进行地理空间深度学习

海量多源遥感数据智能分析展望

创建地图布局是 GIS 作业结束时的一项常见任务。 它用于呈现最终结果的输出，作为与用户交流的一种方式，以便从地图中获取信息、知识或见解。 在包括 QGIS 在内的任何 GIS 软件中制作地图布局都非常容易。 但另一方面，当我们必须生成如此大量的地图时，这可能是一项乏味的工作。 此外，在制作布局图时，我们经常会重复添加一些常见的制图项目，例如比例尺、图例、地图标题等。 那么，如果我们可以自动生成呢

GIS 行业正在经历一个快速变化和增长的时期，人工智能和机器学习 (AI/ML) 的日益普及在推动这一发展中发挥着至关重要的作用。 通过使 GIS 专业人员能够快速准确地处理和分析数据，这些技术有助于释放 GIS 的全部潜力并推动该领域的创新和进步。

使用TorchGeo进行地理空间深度学习

在学习笔记一中，我们介绍了几种常用的分类模型框架，如VGGNet，GoogleNet，和ResNet，并且介绍了几种简单的分割模型。如FCN，UNet，SegNet和Deeplab。从深度学习兴起到现在，模型一直朝着以下几个方向发展：

使用 Python 制作湖泊/水库体积-高程曲线 - 教程

面向对象分类其实在学界统称基于对象的图像分析（OBIA），而在遥感等地学细分领域中，其称为基于地理对象的图像分析（GEOBIA），这种算法优势非常明显。与普通的像元暴力迭代分类不同，对象的概念体现在同质像元的集合，这样能够很大程度去除“椒盐效应”，区别于模糊分类的效果，其对象边界明显。

几何误差会导致连续卫星图像采集之间的错位，进而影响土地监测和变化检测分析。在这篇博客文章中，我们研究了如何稳健地对时间序列光学卫星图像进行配准，以减少这种错位的影响。在本篇博客的末尾，给出用Python配准大区域的高分辨率遥感影像资源，供大家参考学习。图1哨兵-2斯洛文尼亚东部一条道路的L1C延时。时间段为2021年3月至2021年8月。包含经Sentinel Hub 2022修改的哥白尼Sent

基于python shapely的几何集合操作