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。

5.3版本用户解压文件后放在：~\Exelis\ENVI53\extensions目录下 4.x版本用户解压文件后放在：~\IDL71\products\envi4x\save_add 放置完成后重启envi即可

研究生期间写的matlab批量填补Landsat影像云污染像元，适用于TM/ETM+/OLI传感器，只需输入需要填补的影像文件夹和参考影像文件夹即可

实现Landsat遥感图像tif格式文件的分类

城市扩展影响了地方到全球范围内的生态系统功能和服务，预计将来会对景观产生更大的影响。 利用1987-2017年的多时态Landsat TM，ETM +和OLI数据，结合地理信息系统技术和景观分析方法，对玉溪市红塔区相对较长的时空格局进行了详细研究。 结果表明，密封表面（城市面积）从1.4％扩大到11.8％，年增长率为7.63％。 在此期间，树木，农场面积和荒地都略有减少，从而使23.8％的农场和9.8％的裸地转移到密封表面。 着眼于城市扩张模式，它呈现出单核极化多边形模式，说明了随着时间的推移城市化向各个方向蔓延。 在NNE和SSE方向上看到最大的扩展，主要是由于地形限制。 正在研究在城市化与可持续发展之间进行权衡，方法是在山脉上开垦贫瘠的土壤，从低海拔平原转移耕种面积，为城市发展腾出空间。

资源来源于USGS，下载网址在另一篇文章中，需要的小伙伴可以自行下载

基于landsat-8的地表温度反演