在本模块中，我们将讨论以下概念：
地形和地形校正 坡度、坡向和高程的光照效应对收集和处理遥感数据提出了额外的挑战。已经开发了多种校正方法，包括使用数字高程模型，以开发对有问题的地形的预测。如果您的研究是在高海拔地区或地势平坦的地区进行的，您会欣慰地知道，地形影响的预处理已经由专家处理（尽管谨慎小心，手动方法确实存在）。
几何校正 此过程可确保光栅图像的对齐随着时间的推移以及相对于彼此的图像是系统的和一致的。对于 Landsat，地理配准和正射校正过程是通过独立的地面控制点和先前创建的数字高程模型完成的。对于像 Landsat 这样的档案数据集，确保像素排列一遍又一遍，年复一年是最重要的。否则，遥感科学家和生态学家将几乎没有能力进行多时相分析。
重要的是要记住，这些质量保证方法都不是 100% 万无一失的！遵循“了解您的数据”的座右铭，从定性和定量的角度仔细检查您的图像。我们将在本模块的后面部分展示这方面的几个示例。
在 Google Earth Engine 中提供数据之前，拥有（免费！）专门的支持和幕后工作是一个令人难以置信的优势。但是，您可能仍然发现有必要操作您感兴趣的数据集以促进特定的研究应用。在本模块中，我们将使用 Landsat 8 数据，下图详细说明了不同处理级别的几个用例。
来自俄勒冈州南部的原始 Landsat 8 图像。我们的图像以 Mt McLoughlin (2,893 m) 为中心，东边是上克拉马斯湖。如果缩小图像，可以看到 Medford（西）和 Klamath Falls（东）这两个城市。
下一级预处理采用我们的“原始”数据，并对太阳活动的影响应用修正，包括太阳辐照度、地球-太阳距离和太阳仰角。对于研究人员来说，大气顶部 (TOA) 通常适用于评估单一日期、单一场景的图像（即相对较小的研究区域中的土地覆盖分类）。这是由于不同程度的太阳效应取决于收集的日期、时间和纬度。将以下代码附加到您的脚本中，生成的图像将类似于下面的图像。
加载 TOA 集合，由于对太阳效应的影响进行了一些校正，部分图像看起来更清晰。然而，似乎还有工作要做！
这些数据经过了最高级别的预处理，试图最好地代表地面上的实际情况，其中一定量的太阳能反射回（反射）到空中和星载传感器。然而，即使是表面反射率产品也会受到太阳角度低、云层过多以及覆盖位置超过南北纬 65 度的不利影响（Young 等，2017）。尽管如此，建议对多个日期（例如变化检测）或大地理范围（例如算法预测）的分析使用 Landsat 表面反射率数据。将这最后一段代码添加到您的脚本中，以在您的地图查看器窗格中查看下面的图像。
应用大气校正似乎大大提高了我们的图像清晰度，尤其是在上克拉马斯湖和麦格洛林山以西的农业区。
这些示例的代码来自一个特定的 Landsat 图像，但您现在拥有调查任何感兴趣区域（即您的研究区域）以比较不同预处理级别的框架。
正如我们发现的那样，当我们到达表面反射产品时，大气、地形和几何校正的预处理工作已经完成。在 Google Earth Engine 中提供 Landsat 数据之前，处理 Landsat 数据未包含的一个非常重要的步骤是去除近地天气现象。这通常以云的形式出现。云在热带（即茂密的雨林）和水体上空特别普遍。在本节中，我们将在明尼苏达州东北部和安大略省西南部的 Quetico-Superior 地区看看后者，那里的地形在夏季难以捕捉，因为大面积的云层覆盖，部分是由数百个小到中等大小的湖泊。
让我们从加载我们知道是多云的图像开始。在这个地区有很多选择可供选择，但这张八月下旬的图片向我们展示了多种形式的云。需要考虑的另一件事是，云具有在下面的土地上投下阴影的额外效果，这进一步扩大了我们最终必须移除的地理范围。启动一个新脚本，运行下面的代码以生成如下图所示的图像。
Quetico-Superior 国家上空的多云图像。
现在来处理我们的云问题。Landsat 提供了一个 pixel_qa 波段，简而言之，它根据先前量化的特征（例如云和雾的可能性）分配不同的值。您会发现用于构建云遮罩的更复杂的代码，但这是从图像中删除那些讨厌的白色斑点的简单、保守的方法。将以下代码附加到您现有的脚本并重新运行以查看类似于下面的图像。请记住取消选中图层控件中的“single_scene”！
成功去除了云和云阴影，但生成的图像不会留下很多可用像素。
虽然谷歌地球引擎中确实有来自 Landsat 的预制 NDVI 图像集，但这些数据集仅在 2017 年可用。因此，我们还将计算 NDVI 并将其添加到我们的图像集。这将使我们能够为 2018 年整个生长季节的每个像素生成一个中值，测量研究区域的植被健康状况。重新运行您的代码，生成的图像应如下所示。
可视化 2018 年整个生长季节的 NDVI 中值。随意切换不同的背景层。您的图像可能与此处显示的图像不完全相同。
我们的 NDVI 图像看起来很不错。但我们对这些价值观有多自信？具体来说，重要的是评估有多少图像实际上构成了我们的中值。我们可以通过可视化每个像素位置使用的图像数量的总和，快速检查我们得到的 NDVI 中位数是否在整个研究区域具有代表性。将以下代码附加到您的脚本中，然后单击“运行”。您应该会看到类似于下图的图像。
对于计数层，如果我们在 NDVI 值中发现空间异常，则有多种选择。我们可以扩大我们的季节性日期范围或选择包括多年的数据。最终，我们可能会接受失败并决定天气多云而无法使用并决定探索不同的数据集——这是完全可以接受的！
可视化用于计算每个像素的中值的图像数量。较深的红色值较低，较深的蓝色值较高。
使用直方图函数量化来自计数层的值的分布数量。
在本单元中，我们回顾了一些应用于遥感影像的常见修正，这些修正有助于您在 Google 地球引擎中找到的高质量产品的生产。我们还介绍了一个用于可视化这些差异的简单框架，并了解了在俄勒冈州南部烟雾缭绕的夏季，处理水平的变化如何影响生成的图像。最后，我们构建了一个工作流脚本，使用 Google Earth Engine 从生长季节图像中去除云层，生成平均植被指数值，并评估所用图像的分布。
Young, NE, Anderson, RS, Chignell, SM, Vorster, AG, Lawrence, R., & Evangelista, PH (2017)。Landsat 预处理的生存指南。生态学，98（4），920-932。
先把结论“剧透”给赶时间的朋友：顶配 Gemini Ultra/2.5 Pro 在纸面成绩上普遍领先，而 ChatGPT 家族（GPT-4o / o3 / 4.1）则在延迟、生态和稳定性上占优。下面把核心数据拆开讲，方便你对号入座。
在FRED v9.110里, BSDF plot routines忽略了由用户对“Apply on Reflection” 或“Apply on Transmission”的选择. 对大部分散射模型来说，BSDF值并无差别，因此，也就没必要指定透射或反射曲线。然而，对于颗粒或Mie散射模型来说，它是一个体效应，不仅有前向散射还有后向散射，这在BSDF绘图时需要考虑。 下面文档及例程是有关
IT行业涉及的技术有很多，其中包括Java、网络安全、Linux云计算、Python开发等。而一直以来，Java是许多人进入IT行业的首选，属于老牌编程语言，而网络安全是当下最具热度的行业，也是近年来不少小伙伴的转行首选，那么Java和网络安全，哪个就业发展前景好?我们一起来看看吧。 目前，作为最热门的编程语言之一，在IT行业中Java的发展前景一直备受瞩目。而且随着互联网的普及和企业级应用
完整的辐射校正包括遥感器校准、大气校正、太阳高度和地形校正。本文主要介绍辐射校正基本概念及区分辐射校正、辐射定标、大气校正。
1.功能概述电磁波在大气传输时，由于大气分子、气溶胶的散射以及臭氧、水汽等气体的吸收，均会影响传感器接收到的信号，导致传感器接收到的信息不能真实反映地表特性。要获得地表的准确信息，就必须尽量消除大气影响，大气校正的目的就是将获取的遥感数据定标后的表观反射率转换为能够反映地物真实信息的地表反射率。 大气校正分为绝对大气校正和相对大气校正。绝对大气校正 将遥感图像的DN值转换为
1. 算法功能简介 大气校正的目的消除大气对太阳和来自目标的辐射产生吸收和散射作用的 影响，从而获得目标反射率、辐射率、地表温度等真实物理模型参数。大多数情 况下，大气校正同时也是反演地物真实反射率的过程。 PIE 的大气校正模块是基于 6S 大气辐射传输模型。 6S 模型假定无云大气的 情况下，考虑了水汽、 CO2
本文以环境一号卫星HJ-1A星上搭载的超光谱成像仪（HSI）数据为数据源，介绍航天高光谱数据的FLAASH大气校正过程。HSI超光谱成像仪能完成对地刈宽为50公里、地面像元分辨率为100米、光谱范围（0.45-0.95µm）和115个光谱谱段的推扫成像。第一步：图像打开与数据准备（1） &nb
every blog every motto: The more people you love, the weaker you are.0. 前言上课需要，在此特对辐射校正、辐射定标、大气校正、正射校正的概念及流程进行梳理。 感谢好友西红柿炒豆腐的指导和博文。1. 正文1. 辐射校正辐射校正，包含辐射定标和大气校正。辐射校正（radiometric correction)：定义1： 一切与辐射相
1、介绍 S2波段设置。 使用SNAP Toolbox内的内置生物物理处理器，生物物理处理器使用八个反射带（B3、B4、B5、B6、B7、B8A、B11和B12），以及使用辐射传输模型（RTM）（即PROSAIL
辐射校正指在光学遥感数据获取过程中，产生的一切与辐射有关的误差的校正（包括辐射定标和大气校正）。三者关系如图：大气校正的准备过程为辐射定标表观反射率：表观反射率就是指大气层顶的反射率,辐射定标的结果之一，大气层顶表观反射率，简称表观反射率，又称视反射率。英文表示为：apparent reflectance辐射定标：将记录的原始DN值转换为辐射亮度值。L=gain*DN+Bias辐射亮度值和大气表观
MODIS数据是著名的大尺度低空间分辨率数据源，一般用于大范围监测、宏观信息的快速提取。在MODIS数据预处理时，最常做的是几何校正。对MODIS数据进行几何校正的工具很多，诸如MCTK工具，或者直接使用ENVI提供的Georeference MODIS、Reproject GLT with Bowtie Correction等工具进行。在一些定量、半定量的监测中，诸如参数反演、植被指数计算时，需
大气校正统计学方法辐射传递方程计算法波段对比法原理例子回归分析法暗像素法直方图法异同ERDAS 使用波段对比法进行大气校正ERDAS ATCOR大气校正扩展模块 大气校正①观测目标的光谱反射 ②地形的光谱反射到目标地物（仅限于山体） ③ 邻近物的光谱散射：进入了观测视线 ④ 大气分子散射除了①是我们所需要的信息外，②③④都是“杂质”。 大气校正即是消除由大气散射引起的辐射误差（2,3,4
作者：ENVI-IDL Landsat8的OLI陆地成像仪比之前的TM/ETM+多了两个波段，0.433–0.453μm和1.360–1.390μm，怎么多的波段对于地表反演更加有利。ENVI5.1直接支持Landsat8的大气校正（2013下半年发布），利用ENVI5.1提供的Landsat8波谱响应函数在ENVI5.0SP3下也能完成大气校正。 大气校正之前，启动E
辐射定标的目是消除传感器本身的误差，确定传感器入口处的准确辐射值，大气校正目的是消除大气散射、吸收、反射引起的误差。一、实验目的（1） 熟悉辐射定标和大气校正主要方法 （2） 熟练ENVI辐射校正处理步骤 （3） 掌握ENVI通用辐射定标工具和Flaash大气校正工具二、实验准备（1） 几个概念a) 大气辐射：大气吸收地面长波辐射的同时，又以辐射的方式向外放射能量，大气这种向外放射能量的方式，称为
02-Sentinel-2 L1C级数据bat和Python脚本批量大气校正前言Sentinel-2 L1C数据大气校正方法单个Sentinel-2 L1C数据大气校正命令行方式调用Sen2Cor校正SNAP中利用Sen2Cor插件校正Sen2cor插件安装：Sentinel-2 L1C数据集批量大气校正命令行bat脚本批处理低配版命令行bat脚本批处理高配版命令行bat脚本批处理Python脚
最近抽空造了一个数据校验的轮子 python-validator。在开发 web 应用时，经常需要校验前端传入的数据。如果使用 Django，那么可以使用自带的 forms 进行数据校验。python-validator 的灵感也是来源于 Django 的 forms (类似 ORM 的方式定义数据结构)，不过 python-validator 更加纯粹，只是数据校验，另外也支持使用 dict 定
本文汇总了ENVI FLAASH大气校正模块中常见的错误，并给出解决方法，分为两部分：运行错误和结果错误。前面是错误提示及说明，后面是错误解释及解决方法。 FLAASH对输入数据类型有以下几个要求： 1、波段范围：卫星图像：400－2500nm，航空图像：860nm-1135nm。如果要执行水汽反演，光谱分辨率<=15nm，且至少包含以下波段范围中的一个：l1050-1210 nml770-
目前ENVI FLAASH大气校正已经很智能了，许多参数都能够自动识别，比如中心经纬度、拍摄时间等等。为了更方便的使用FLAASH功能，特意编写易用版扩展工具，只需设置简单几个参数即可完成复杂的大气校正处理。而且可以用在ENVI Modeler中建模使用。因为是易用版，需要内置传感器参数，仅支持如下传感器类型：GF1 PMS1、GF1 PMS2、GF1 WFV1、GF1 WFV2、GF1 WFV3
不确定性来源有多种不确定性因素会极大地影响红外温度计的校准。这些来源总结如下:辐射源发射率估算测温仪的视场辐射源上的温度变化梯度测量准直辐射源的校准温度环境温度反射温度必备校准设备： 任何红外温度计校准都必须使用以下设备。热辐射源转移标准环境温度温度计安装装置测距装置热辐射源是提供辐射的校准温度源。辐射强度取决于光源温度。红外线温度计通过接受的辐射来确定目标物体温度。辐射源的大小是一个首当其冲的问
队列是一种先进先出(FIFO)的线性数据结构，支持在队尾插入数据(入队)和在队头删除数据(出队)。本文基于链表实现队列，包含头尾指针和队列大小记录。主要操作包括：初始化队列、入队操作(处理空/非空链表情况)、出队操作(释放节点内存)、获取队头/队尾元素、查询队列大小以及完全销毁队列释放内存。链式实现避免了数组实现时元素移动的低效问题，通过维护尾指针提升了尾部插入效率。
目录一、事务简介二、事务的ACID特性三、使用事务3.1 查看存储引擎 `show engines;`3.2 事务使用、提交、回滚语法3.3 使用案例3.3.1 开启⼀个事务，执⾏修改后回滚3.3.2 开启⼀个事务，执⾏修改后提交3.4 设置保存点`savepoint`3.6 ⾃动/⼿动提交事务四、 ...
你是否遇到过这样的困扰：辛辛苦苦开发的网页应用在电脑上表现完美，到了手机上却布局错乱、功能失效？特别是像GitHub_Trending/re/rembg-webapp-tutorial这样的图像处理工具，用户更可能在移动设备上随时使用。本文将带你通过BrowserStack实现跨设备兼容性测试，确保你的应用在任何屏幕上都能完美运行。读完本文，你将掌握从本地部署到多设备测试的完整流程，解决90%的移...
本文将以Air780EPM系列低功耗模组为对象，探讨USB接口硬件设计的关键要点，并介绍LuatOS高效开发API的赋能作用。旨在帮助开发者避开常见设计误区，快速实现稳定可靠的USB应用开发目标。 在设计USB接口时，不少刚接触嵌入式开发的新朋友，往往会因其“看似简单”而掉以轻心。 实际上，USB作 ...