遥感

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。

梦想的初衷~

“光能智测”太阳能预测技术——融合WRF-Solar与多源数据的短-中长期预报实战在全球能源体系加速转型、可再生能源大规模并网的背景下，太阳能发电的间歇性与波动性对电力系统安全稳定运行构成重大挑战。提升太阳能资源预测的精度与时效性，已成为支撑新型电力系统建设、保障国家能源安全的关键环节。我国地域广阔、大气环境复杂，高气溶胶、多云、沙尘及复杂地形等因素显著影响太阳辐射传输过程，使得通用预报模型在本地应用中常出现系统性偏差。对此，《气象高质量发展纲要（2022–2035年）》《新型电力系统发展蓝皮书》等国家文件均明确提出，要“提升新能源功率预测能力”“强化气象服务对能源调度的支撑作用”“推

努力毕业的小土博^_^

【地学应用】溜砂坡scree slope / talus slope的定义、机制、分布、危害、与滑坡区别、研究方向与代表论文【地学应用】溜砂坡scree slope / talus slope的定义、机制、分布、危害、与滑坡区别、研究方向与代表论文

青春不败 177-3266-0520

近地面无人机植被定量遥感与生理参数反演实践技术应用一：近十年近地面无人机植被遥感文献分析，传感器选择，观测方式及质量控制要点1.1. 近十余年无人机植被遥感文献分析文献分析软件VOSviewer的使用（实践）

03基于pytorch的深度学习遥感地物分类全流程实战教程（包含遥感深度学习数据集制作与大图预测）-实践篇-使用公开数据集进行深度学习遥感地物分类2 使用公开数据集进行深度学习遥感地物分类2.1代码整体介绍2.2问题定义与数据收集2.2.1问题定义

04基于pytorch的深度学习遥感地物分类全流程实战教程（包含遥感深度学习数据集制作与大图预测）-实践篇-使用自己的数据集进行深度学习遥感地物分类目录第二篇实践篇3 使用自己的数据进行深度学习遥感地物分类3.1代码整体介绍3.2问题定义与数据收集

00基于pytorch的深度学习遥感地物分类全流程实战教程（包含遥感深度学习数据集制作与大图预测）-前言本教程是我研究生期间工作的一个总结，适合地信遥感专业或者计算机专业同学想利用Python在本地利用深度学习进行遥感影像地物分类的同学，尤其是刚刚开始深度学习遥感地物分类的同学。因为本教程中既有遥感和深度学习的基础理论知识，也有编程实践，这样既能让计算机专业的同学了解到遥感的基本知识，也能让遥感地信专业的同学了解到深度学习的基础理论与编程实现。

02基于pytorch的深度学习遥感地物分类全流程实战教程（包含遥感深度学习数据集制作与大图预测）-实践篇-python基础与遥感深度学习境配置目录第二篇实践篇1 python基础与遥感深度学习境配置1.1初识Python1.1.1Python安装与环境配置