1 Google Earth Engine平台简介Google Earth Engine,又称谷歌地球引擎,是基于云计算的地理信息处理平台。谷歌地球引擎是世界上最先进的、专门处理卫星图像和其他地球观测数据的云端运算平台,由谷歌、卡内基梅隆大学、美国地质调查局联合开发。该平台存储了公开可用的全球尺度上的长时间序列的遥感影像(Landsat、MODIS、Sentinel等)和其他数据的PB级存档，并且

参考论文:郭山川,杜培军,蒙亚平,王欣,唐鹏飞,林聪，夏俊士.2021.时序Sentinel-1A数据支持的长江中下游汛情动态监测.遥感学报,25(10): 2127- 2141合成孔径雷达(SAR) 因其对地观测全天候、全天时优势，成为多云多雨天气限制下洪水动态监测中不可或缺的数据来源之–。由于GEE(GoogleEathEngine)云计算平台的兴起和短重访Sentinel-1数据的可获取性，

1、概述湖泊遥感作为一门新型交叉学科，是湖泊科学和遥感科学的重要分支。本文探讨了湖泊遥感科学的研究对象、内容和方法，通过梳理国内外总体研究进展，总结出湖泊遥感的5个发展趋势:(1)关注问题，从兴趣向发展到问题导向;(2)观测手段，从地基遥感/中分辨率卫星发展到高分辨率高光谱/无人机;(3)算法算力，从单机版经验/机理模型发展到云计算机器算法;(4)研究维度，从水体表层发展到垂向剖面;(5)研究区域

表里有三个人，咱们需要筛选出三个人，并分别计算他们的总和值。先看一下数据范围（A1:B27）通过筛选找张三。按照上图所示输入函数，选择9，求和。然后按照函数输入即可。就能计算出结果。筛选项选择王五，就会自动计算王五的总和。筛选到李四就会自动计算李四的总和。如果把9改成1，就是自动计算筛选出来的均值结果，如下图所示。如果改成4就是取筛选项的最大值，选择5就是取最小值。...

1 实验目的学习水体光谱的特征曲线，掌握应用遥感图像处理软件进行水体波谱的差异性分析。了解常用的提取水体的方法，掌握常用的水体植被指数，如改进的归一化水体指数（MNDWI）；能够使用ENVI 软件进行水体信息提取并使用 ArcGIS 软件进行出图显示，学会建立模型反演叶绿色a 浓度。2实验内容这次实验主要包括了数据的预处理、水体信息提取和叶绿素a浓度反演三个方面，通过对遥感数据进行预处理，更...

实验报告目录1.实验目的对池州市 2013、2017 年 Landsat 8 OLI 的遥感图像进行土地利用分类，对分类结果进行修正和精度评价，并对各类土地利用类型的面积进行统计。基于计算机分类结果，生成土地利用动态变化专题图，分析主要的土地利用动态变化类型，变化的原因等。2.实验内容这次实验主要包括了数据的预处理和动态监测两个方面，通过对遥感数据进行预处理，更加熟悉遥感数据预处理的流程...

水体提取分类依据及基础水体提取分类依据水体提取的方法很多,很多学者也进行了分类,大体上有一个分类框架,主要是基于光学影像的分类,比如王航等[7]将水体提取分成3类,分别是基于阈值法、分类器法和自动化法; 李丹等[8]更深一步进行总结,引入近些年发展火热的基于雷达影像数据的水体提取,总体而言,水体提取主要以光学影像信息为主,雷达影像是近些年发展起来并迅速应用到水体提取的领域之中,基于此在该分类基础上

概述：基于ENVI平台，利用该平台自带的Landsattm5多光谱遥感图像作为数据源，进行监督分类应用实验，并对其分类结果进行精度比较，结果表明：6种监督分类方法中最大似然法分类精度较高，且计算时间相对较短，更普遍适合中低分辨率多光谱遥感图像分类工作。根据具体需求，同学们可以选择自己合适的分类方法。方法：监督分类主要分为平行六面体分类法、最小距离分类法、马氏距离分类法、最大似然分类法、神经网络分类

解释以下函数的意思：如下表示的是坡度大于等于25且覆盖度大于等于80且为森林灌木的条件，为真时，就输出结果5，若为假，就继续执行后半部分。另外一个矢量数据是植被覆盖度数据，其中有一个字段【植被覆盖】里的数值表示的就是植被覆盖度的数值，需要以此字段为依据，将其转换为栅格数据。如下，值字段选择【森林与灌木】，像元大小选择10米，另外注意输出数据的命名问题，像元分配类型和优先级字段保持默认。如下，得到的

空间自相关指的是分布于不同空间位置的地理事物，它的某一个属性值存在统计相关性，一般来说，距离越近，相关性越大。本次分析某一个城市的不同收入家庭的居住空间分布情况。先用全局空间自相关指数（Moran’s指数）判断这个城市的家庭收入是否存在空间自相关；如果存在，再使用高/低聚类判断是哪种类型的聚类；最后，进行聚类和异常值分析以及热点分析，找出各类集聚的空间分布区域。我们先打开一个城市的家庭收入面数据，