当前位置：首页 > wzjs >正文

产品做国外网站有哪些网站编辑

wzjs 2025/7/27 18:10:46

产品做国外网站有哪些,网站编辑,什么平台可以做网站,企业网站响应式案例多光谱遥感数据包含可见光至红外波段的光谱信息，Python凭借其丰富的科学计算库（如rasterio、scikit-learn、GDAL），已成为处理此类数据的核心工具。本文以Landsat-8数据为例，演示‌辐射校正→特征提取→监督分类→精度评…

多光谱遥感数据包含可见光至红外波段的光谱信息，Python凭借其丰富的科学计算库（如rasterio、scikit-learn、GDAL），已成为处理此类数据的核心工具。本文以Landsat-8数据为例，演示‌辐射校正→特征提取→监督分类→精度评估‌的完整技术链。

数据处理流程

1. 辐射定标

将原始DN值转换为辐射亮度（Radiance）：

代码实现‌：

python

import rasteriodefdn_to_radiance(band_path, M, A):with rasterio.open(band_path) as src: dn = src.read(1) radiance = M * dn + Areturn radiance.astype(np.float32)# Landsat-8 Band4参数示例M = 0.0003342A = -0.1b4_rad = dn_to_radiance('LC08_B4.TIF', M, A)

2. 大气校正（6S模型简化版）

采用暗像元法估算地表反射率：

代码实现‌：

python

import numpy as npdefatmospheric_correction(radiance, esun, solar_zenith): d = 1.0# 日地距离修正因子 theta = np.deg2rad(solar_zenith)return (np.pi * radiance * d**2) / (esun * np.cos(theta))esun_b4 = 1536.36# Band4的ESUN值theta = 45.2# 太阳天顶角b4_refl = atmospheric_correction(b4_rad, esun_b4, theta)

3. 特征计算（NDVI为例）

代码实现‌：

python

with rasterio.open('B5.TIF') as nir_src, rasterio.open('B4.TIF') as red_src: nir = nir_src.read(1) red = red_src.read(1) ndvi = (nir.astype(float) - red.astype(float)) / (nir + red + 1e-10)

图像分类实践

1. 数据准备（训练样本构建）

python

from sklearn.model_selection import train_test_splitimport numpy as np# 假设已提取特征矩阵X（shape: n_samples×n_features）# 标签数据y来自地面真实样本X = np.stack([b4_refl, b5_refl, ndvi], axis=2).reshape(-1,3)y = labeled_data.flatten() # 0-背景,1-小麦,2-玉米,3-林地X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

2. 随机森林分类

‌原理公式‌：基于Gini不纯度选择分裂特征：

代码实现‌：

python

from sklearn.ensemble import RandomForestClassifierrf = RandomForestClassifier(n_estimators=100, max_depth=10, oob_score=True)rf.fit(X_train, y_train)pred_rf = rf.predict(X_test)

3. 支持向量机分类（RBF核）

‌核函数公式‌：

代码实现‌：

python

from sklearn.svm import SVCfrom sklearn.preprocessing import StandardScalerscaler = StandardScaler()X_train_scaled = scaler.fit_transform(X_train)X_test_scaled = scaler.transform(X_test)svm = SVC(kernel='rbf', C=10, gamma=0.1)svm.fit(X_train_scaled, y_train)pred_svm = svm.predict(X_test_scaled)

定量评估方法

1. 混淆矩阵与Kappa系数

‌Kappa计算公式‌：

代码实现‌：

python

from sklearn.metrics import confusion_matrix, cohen_kappa_scorecm = confusion_matrix(y_test, pred_rf)kappa = cohen_kappa_score(y_test, pred_rf)print(f"Kappa系数：{kappa:.3f}")

2. 分类报告（F1-score）

python

from sklearn.metrics import classification_reportreport = classification_report(y_test, pred_rf, target_names=['背景','小麦','玉米','林地'])print(report)

3. 特征重要性可视化

python

import matplotlib.pyplot as pltfeatures = ['Band4','Band5','NDVI']importances = rf.feature_importances_plt.barh(features, importances)plt.title('Feature Importance')plt.show()