悬浮物质量浓度是黄河口海域重要的水质和水环境监测参数之一，直接影响着水面以下光场的分布!进而影响水体的初级生产力和水域生态环境。本文基于2011年6-7月和11-12月共计89组现场实测悬浮物质量浓度和光谱数据!分析了黄河口及其附近海域不同悬浮物质量浓度的水体光谱特征，尝试利用多种波段组合建立悬浮物质量浓度遥感反演算法。结果表明865nm波段与波段比655nm/560nm组合形式算法反演结果最优!算法相关系数R2为0.95,平均相对误差为25.65%。将算法应用于2014-2016年共7景Landsat 8 OLI遥感影像!分析了不同年份黄河口悬浮物质量浓度的时空分布特征!黄河口海域悬浮物质量浓度分布总体呈现近岸高!离岸低的特点!不同时期悬浮物质量浓度量值上有显著变化。.

内容概要：本文是一段用于Google Earth Engine（GEE）平台的JavaScript代码脚本，主要实现了对研究区域（AOI）内2024年Landsat 8卫星影像的获取、预处理与分析。首先定义了一个地理范围矩形区域，随后加载了Landsat 8地表反射率数据集，并按空间范围、时间范围和云覆盖率进行筛选。接着通过自定义函数对影像应用缩放因子校正，生成中值合成影像并裁剪到研究区。在此基础上，计算归一化植被指数（NDVI）和归一化水体指数（NDWI），并对结果进行二值分类：NDVI ≥ 0.2 判定为植被，NDWI > 0.3 判定为水体。最后将原始影像、NDVI、NDWI及其分类掩膜可视化展示在地图上。; 适合人群：具备遥感基础知识和一定GEE平台操作经验的科研人员或学生，熟悉JavaScript语法者更佳；适用于地理信息、环境监测、生态评估等领域从业者。; 使用场景及目标：①实现遥感影像自动批量处理与指数计算；②开展植被覆盖与水体分布的快速提取与制图；③支持土地利用分析、生态环境变化监测等应用研究； 阅读建议：建议结合GEE平台实际运行该脚本，理解每一步的数据处理逻辑，可调整参数（如阈值、时间范围）以适应不同区域和研究需求，并扩展至多时相分析。

内容概要：本文档提供了Landsat-7 SLC-off影像空隙填充算法的实现代码。SLC-off是Landsat-7卫星扫描仪的一个故障，导致成像时出现条带状的缺失数据。该算法基于美国地质调查局（USGS）的L7 Phase-2空隙填充协议，使用Google Earth Engine (GEE) 平台进行实现。代码首先定义了一些参数，如最小和最大缩放比例、最少邻近像素数量等。接着，通过定义`GapFill`函数来实现主要的空隙填充逻辑。该函数接收源影像和填充影像作为输入，并利用核函数计算两个影像之间的共同区域，再通过线性回归计算缩放因子和偏移量，对无效区域进行处理，最后应用缩放和偏移并更新掩膜，完成空隙填充。此外，还展示了如何使用该函数对两幅具体的Landsat-7影像进行处理，并将结果可视化显示。; 适合人群：对遥感影像处理有一定了解的研究人员或开发者，特别是那些熟悉Google Earth Engine平台及其JavaScript API的人群。; 使用场景及目标：①适用于需要处理Landsat-7 SLC-off影像的研究或项目；②帮助用户理解如何在GEE平台上实现影像空隙填充算法；③为用户提供一个可复用的代码示例，以便根据具体需求调整参数或扩展功能。; 阅读建议：读者应先熟悉Landsat-7 SLC-off现象及其对影像质量的影响，以及GEE平台的基本操作。在阅读代码时，重点关注`GapFill`函数内部的工作流程，特别是如何通过线性回归计算缩放因子和偏移量，以及如何处理无效区域。同时，可以通过修改输入影像和参数值来探索不同情况下的空隙填充效果。

内容概要：本文详细介绍了利用Google Earth Engine (GEE) 平台进行遥感数据分析的完整流程。首先，定义了研究的时间范围（2024年全年）和感兴趣区域（AOI），并设置了一个云掩膜函数来去除影像中的云和云阴影干扰。接着，从Landsat 8卫星影像集中筛选符合条件的影像，并对每个影像进行了预处理，包括计算归一化植被指数（NDVI）和地表温度（LST）。然后，通过线性回归方法确定了NDVI与LST之间的关系，进而计算了土壤湿度指数（TVDI）。最后，对样本点进行了统计分析，绘制了散点图，并计算了皮尔逊相关系数，同时将结果导出为CSV文件。 适合人群：具有遥感数据处理基础知识，特别是熟悉Google Earth Engine平台操作的研究人员或工程师。 使用场景及目标：①学习如何在GEE平台上处理Landsat 8影像；②掌握云掩膜技术的应用；③理解NDVI和LST的计算方法及其相互关系；④探索TVDI作为干旱监测指标的有效性；⑤了解如何进行数据可视化和统计分析。 阅读建议：由于涉及到多个步骤和技术细节，建议读者按照文中提供的代码顺序逐步执行，并尝试调整参数以观察不同设置下的效果变化。此外，对于不熟悉的地理信息系统概念或术语，可以通过查阅相关资料加深理解。

内容概要：本文档介绍了利用Google Earth Engine平台计算Landsat 8和Landsat 9卫星影像的叶面积指数（LAI）的方法。首先定义了时间范围为2022年到2024年，并设置了云量覆盖小于10%的筛选条件。然后通过影像集合操作，对每个影像进行了波段选择、反射率转换、NDVI（归一化植被指数）、EVI（增强型植被指数）计算，最终基于EVI得到LAI。为了确保数据的时间连续性和完整性，以8天为间隔创建了时间序列，并对每个时间段内的最大值进行合成，同时去除了无有效数据的影像。最后，绘制了LAI和NDVI的时间序列图表，以便于分析特定区域在指定月份内的植被变化情况。 适合人群：从事地理信息系统、遥感科学或生态学研究的专业人士，以及对植被动态监测感兴趣的科研工作者。 使用场景及目标：①用于研究植被生长周期与环境因素之间的关系；②评估不同季节或年度间的植被覆盖变化；③为农业、林业管理和环境保护提供科学依据。 其他说明：此文档提供了详细的代码示例，用户可以根据自身需求调整参数设置，如时间范围、空间范围和云量阈值等，以适应不同的研究目的。此外，建议用户熟悉Google Earth Engine平台的基本操作和Python/JavaScript编程语言，以便更好地理解和应用这些代码。

Sentinel-2上的多光谱仪器（MSI）和Landsat 8上的操作性陆地成像仪（OLI）的近天底观测是在两次同时进行的天底过桥（SNO）期间收集的。 采集了撒哈拉沙漠中空间均匀区域分辨率为10、20和30 m的多光谱图像，用于直接比较MSI和OLI大气顶层（TOA）反射率。 本文介绍了Sentinel-2 MSI和Landsat 8 OLI传感器的8个对应光谱带的初始辐射交叉校准。 以经过良好校准的Landsat 8 OLI作为参考，比较表明，在频谱带调整因子Bi的3％之内，6个MSI谱带与OLI一致。 近红外（NIR）和卷云波段是例外。 它们产生的辐射差异分别约为8％和15％。 交叉校准结果表明，除了卷云带以外，这7个相应谱带的放射线差异与OLI一致，误差在1％或更高。 MSI和OLI对不同土地覆盖的观测结果之间的逐像素匹配表明。 这项初步研究表明，在进行植被监测时，MSI的红边带B8A可用来代替NIR带B08。

内容概要：本文旨在分析慕尼黑特蕾西恩维斯地区在2023年和2024年不同时间段（包括 Oktoberfest 期间）的地表温度（LST），以研究城市热岛效应。文中通过 Landsat 9 和 Sentinel-2 卫星影像数据，利用 Split-Window 算法计算 LST，并进行归一化处理和差异分析。此外，还计算了 NDVI、NDBI、NDWI 和 Albedo 等指数，并进行了土地覆盖分类。为了提高分辨率，采用了随机森林算法对 LST 数据进行降尺度处理。最后，通过统计分析和散点图验证了降尺度结果的有效性。 适合人群：具备一定遥感和地理信息系统（GIS）基础知识的研究人员和技术人员，尤其是对城市热岛效应和地表温度分析感兴趣的学者。 使用场景及目标：①分析特定区域（如 Oktoberfest 场地）在不同时间段的地表温度变化；②评估城市热岛效应的影响；③通过降尺度技术提高 LST 数据的空间分辨率；④验证降尺度方法的准确性。 阅读建议：此资源涉及多种遥感数据处理技术和算法，建议读者在阅读时结合实际案例进行实践操作，并重点关注代码实现和结果验证部分。同时，建议读者熟悉 Python 或 JavaScript 编程语言，以及 Google Earth Engine 平台的基本操作。

为了实现定量化应用目标,高精度的云层检测已成为遥感数据预处理的关键步骤之一。然而,传统的云检测方法存在特征复杂、算法步骤多、鲁棒性差,且无法将高级特征和低级特征相结合的缺陷,检测效果一般。针对以上问题,提出了一种基于深度残差全卷积网络的高精度云检测方法,能够实现对遥感影像云层目标像素级别的分割。首先,编码器通过残差模块的不断降采样提取图像深层特征;然后,应用双线性插值进行上采样,结合多层次编码后的图像特征完成解码;最后,将解码后的特征图与输入图像融合后再次进行卷积,实现端到端的云检测。实验结果表明,对于Landsat 8云检测数据集,所提方法的像素精度达到93.33%,比原版U-Net提高了2.29%,比传统Otsu方法提高了7.78%。该方法可以为云层目标智能化检测研究提供有益参考。 【基于深度残差全卷积网络的Landsat 8遥感影像云检测方法】是一种利用深度学习技术改进遥感影像云层检测的创新方法。传统的云检测手段往往因为特征提取复杂、步骤繁多以及鲁棒性不足而限制了其在高精度应用中的表现。而该方法则旨在克服这些缺点，通过深度残差全卷积网络（Deep Residual Fully Convolutional Network，DRFCN）实现对遥感影像云层目标的像素级精确分割。 深度残差网络（Residual Network）是深度学习领域的一个重要突破，它通过引入残差块来解决深度神经网络中的梯度消失和爆炸问题，使得网络能更有效地学习到高层特征。在云检测中，DRFCN的编码器部分利用残差模块进行连续的下采样，这有助于提取图像的深层语义特征，如纹理、形状和颜色等与云层相关的重要信息。 全卷积网络（Fully Convolutional Network, FCN）在此过程中起到了关键作用，它允许网络直接进行像素级别的预测。在DRFCN中，经过编码器提取特征后，采用双线性插值进行上采样，目的是恢复图像的空间分辨率，同时结合不同层次编码后的图像特征进行解码。这种解码过程有助于保持从低层到高层的细节信息，确保了云检测的准确性。 解码后的特征图与原始输入图像融合，再次进行卷积操作，实现了端到端的云检测。这种方法的优势在于可以综合高级特征和低级特征，提高检测的鲁棒性和精度。实验结果显示，对于Landsat 8云检测数据集，该方法的像素精度达到了93.33%，相比原版的U-Net（Unet）提高了2.29%，相对于传统的Otsu方法提高了7.78%。 此方法不仅提升了云检测的精度，也为遥感影像分析的智能化和自动化提供了有效工具，特别是在气候监测、环境变化研究、灾害预警等领域具有广泛的应用潜力。未来的研究可以进一步优化网络结构，探索更高效的方法来融合特征，以及针对不同类型的遥感影像进行适应性调整，以提升在更大范围和更复杂条件下的云检测性能。

1. 由于ENVI 4.4 中有专门进行辐射定标的模块，因此实际的操作十分简单。将原始TM 影像打开以后，选择 Basic Tools–Preprocessing–Calibration Utilities–Landsat TM 2. 进入下一步参数选择：根据传感器类型选择Landsat 4,5 或者7。从遥感影像的头文件中获取Data Acquisition 的时间，Sun elevation。如果你是用File–Open External File–Landsat–Fast 的方法打开header.dat 的话，sun elevation 就已经填好了。这里Calibration Type 注意选择为Radiance。输出文件，定标就完成了。

文中在研究遥感影像像素级融合算法的基础上,采用IHS、PCA、Brovey、HPF及Wavelet五种遥感影像像素级融合方法对ETM+数据的多光谱与全色影像进行融合实验,并从融合影像的光谱质量、信息损失、对比度扭曲、空间分辨力几个方面进行比较分析。结果表明,五种融合方法都有效的提高了影像的空间分辨率,但在一定程度上IHS、PCA、Brovey融合影像光谱信息较原始影像存在一定的失真。Wavelet融合法和HPF融合法在信息量和光谱保真性方面较好。在兼顾光谱信息和空间信息综合效应的基础上,认为HPF融合法是ETM+多光谱与全色数据最佳的融合方法。