遥感

青春不败 177-3266-0520

CNN-Transformer：PyTorch遥感【含无人机】影像的分类、检测、语义分割和点云分类随着小卫星星座的普及，对地观测已具备多次以上的全球覆盖能力，遥感影像也不断被更深入的应用于矿产勘探、精准农业、城市规划、林业测量、军事目标识别和灾害评估。

青春不败 177-3266-0520

MATLAB在生态环境数据处理与分析一：MATLAB编程入门要点：介绍、案例演示、软件界面、语法基础、基本运算等二：MATLAB编程入门

YouGIS顽石工坊

免费｜中国1km分辨率逐月平均气温数据集（1976-2025，50年600期）：附Python/Matlab/R读取代码摘要：基于CRU全球0.5°气候数据集与WorldClim高分辨率气候数据集，通过Delta空间降尺度方案生成的中国区域1km分辨率逐月平均气温数据。时间跨度1976-2025年共50年600期，NetCDF格式，已用496个独立气象站点验证。本文介绍数据背景、技术规格、使用方法与完整获取方式（50年逐年关键词）。

YouGIS顽石工坊

Python GDAL实战：ASTER GDEM V003全国DEM高程数据处理（1123幅分幅合并→34省裁切，30m精度）摘要：本文详细记录了基于 Python（rasterio + GDAL）对 ASTER GDEM V003 原始数据进行全国34省级行政区DEM裁切的完整工程实践。涵盖数据下载、分幅合并（mosaic）、矢量裁切（mask）、质量检验全流程，附完整可复现代码。数据覆盖N18°N53°、E73°E134°，成果34个GeoTIFF文件，总计10.61GB，124.8亿有效像素。

xiao5kou4chang6kai4

遥感技术在生态系统碳储量、碳收支、碳循环以及人为源排放反演等领域的技术卫星遥感具有客观、连续、稳定、大范围、重复观测的优点，已成为监测全球碳盘查不可或缺的技术手段，卫星遥感也正在成为新一代、国际认可的全球碳核查方法。本此内容的目的就是梳理碳中和与碳达峰对卫星遥感的现实需求，系统总结遥感技术在生态系统碳储量、碳收支、碳循环以及人为源排放反演等领域的技术发展，以实践的角度切实解决遥感技术在生态、能源、大气等领域的碳排放监测及模拟问题

前网易架构师-高司机

带标注的SDD-SAR遥感船舶识别数据集，识别率92.9%，7000张图，支持yolo，coco json，voc xml,文末有模型训练代码SDD-SAR遥感船舶识别数据集是一个高质量的开源数据集，包含7000张带标注的遥感图像，专门用于船舶目标检测任务。该数据集在测试集上达到了**92.9%**的识别率，支持YOLO系列（v7-v12、v26）、COCO JSON和PASCAL VOC XML等多种标注格式。文末附有完整的模型训练代码，方便快速上手。

2026年最新软科排名：地信、地理科学、人文地理、自然地理、测绘、遥感2026年6月15日，软科发布中国大学专业排名，正是一年高考季，学校专业排名对高考选专业有很大参考价值。

酬勤-人间道

VTK 与 Cesium-native 结合实践：小场景三维编辑 + 数字地球精准贴合VTK 擅长小场景精细化三维数据处理，Cesium-native 适合大场景数字地球 GIS 可视化。在岩土、地质、矿山项目中，我们常需要用 VTK 编辑带经纬度的 DEM、DOM、倾斜摄影模型，编辑后如何精准贴合数字地球、无偏移变形，是实际开发的核心痛点。本文分享一套低成本、可落地的开源融合方案。

2026 低空经济 3S（地信/测绘/遥感）对口岗位合集上一篇我们聊了一个扎心的问题：3S专业到底是不是在"硬挤"低空经济？👉今天这篇，我们聊点更实在的：3S专业进低空经济，到底能干哪些岗？薪资是什么水平？需要会什么技能？

全球综合评估模型-GCAM模型的安装与参数解读本文主要介绍全球综合评估模型（GCAM）模型的安装过程。一、模型安装模型说明文档：GCAM v8.2 Documentation: Global Change Analysis Model (GCAM)，在这里，你能看到关于GCAM模型的介绍，包含哪些模块，怎么获取安装文件，以及适合初学者学习的用户指南，高级开发用户的指南等。

【无人机+GIS】智慧农林遥感核心技术：多源数据驱动的作物参数反演与制图在智慧农林快速发展的当下，无人机遥感凭借其高时空分辨率、灵活机动等优势，已成为农林资源监测、作物长势评估及灾害预警的核心技术手段。然而，如何高效整合无人机平台、多类型传感器（真彩色、多光谱、高光谱等）与地面实测数据，精准提取作物形态、生理生化、胁迫及产量等关键信息，并将其转化为可落地的GIS空间决策成果，仍是当前农林科研与生产实践中的痛点。这个教程聚焦“无人机遥感信息提取—参数反演—GIS融合应用”的全流程技术体系，从农林遥感的基础理论与传感器选型切入，系统讲解株数/株高、冠层覆盖度、叶面积指数、叶绿素含

xiao5kou4chang6kai4

R语言+遥感：水环境监测全流程实战（水体指数/水深/水温/水质/可视化）卫星遥感技术以其宏观、动态、周期性的优势，为水环境监测提供了全新的视角；而R语言作为强大的统计分析与数据可视化工具，则能高效处理遥感反演中的复杂建模问题。二者的深度融合，正逐渐成为水环境遥感领域不可或缺的核心技能。

现有森林地上生物量产品介绍为将本研究估算的森林地上生物量（AGB）与现有主流产品进行对比，以下系统介绍三个代表性团队研发的AGB动态产品：中山大学刘小平团队、北京大学郭庆华团队、中国科学院空天信息创新研究院何国金团队。

青春不败 177-3266-0520

最新AI+Python驱动的高光谱遥感全链路解析与典型案例从数据获取到行业应用的全流程核心技术，包括卫星、航空、地面数据的获取与处理，辐射定标与大气校正的完整流程，基于Scikit-learn的机器学习分类与回归，以及基于PyTorch的深度学习模型构建与训练。

梦想的初衷~

Biome-BGC模型应用Biome-BGC是一款高效的生态系统过程模型，可结合站点描述、气象及植被生理生态参数，实现日尺度碳、水、氮通量模拟，研究尺度可从点尺度扩展至整个陆地生态系统。该模型可系统模拟碳积累、水分输运、土壤过程及能量平衡等核心生态过程。重点讲授利用CMFD和CN05.1格点化气象数据驱动该模型开展区域模拟，并介绍Linux、Python等工具在模型前处理与后处理中的综合应用。

梦想的初衷~

无人机多光谱-生态三维建模全流程实战——基于Python与AI辅助技术随着多学科“结构—功能”一体化研究推进，无人机多光谱与结构光摄影测量（SfM）技术已从实验室验证走向区域尺度生态监测主流。过去十年，相关传感器技术普及，实现了冠层三维形态、碳储密度等生态变量的大规模可重复估算，为生态研究提供了新路径。

探索Python融合地学：绘制栅格数据经纬度剖面图今天分享在python中绘制栅格经纬度剖面图的代码，这类图比较美观，在一些好的论文中也经常出现。参考：https://doi.org/10.1111/gcb.15373

梦想的初衷~

大数据驱动下的自然科学建模：从统计学习到深度神经网络的系统性实践随着大数据和人工智能技术的快速发展，地球科学、生态学、环境科学等领域的研究方式正在发生深刻变革。传统统计方法难以处理复杂的高维、非线性数据，而机器学习与深度学习为解决这些问题提供了新思路。尤其是大模型的出现，进一步提升了遥感反演、气候模拟等任务的效率和精度。

青春不败 177-3266-0520

最新AI赋能Python长时序植被遥感动态分析、物候提取、时空变异归因及RSEI生态评估从Landsat/Sentinel卫星数据的智能化去云处理，到MODIS植被产品的AI辅助质量控制，以ChatGPT 、DeepSeeK为代表的大模型技术已成为提升遥感数据处理效率与精度的核心工具——尤其在长时序植被动态监测、物候期精准提取、时空变异归因分析及生态环境质量评估等领域，展现出传统方法难以企及的技术优势。