XiaoMi-AI文件搜索系统
World File Search System植被指数
基于形态学的机载激光雷达数据建筑物检测
摘要 激光雷达（lidar）技术的出现为三维建筑物检测提供了有前途的资源。由于去除植被的困难，大多数建筑物检测方法将激光雷达数据与多光谱图像融合以获取植被指数，而仅使用激光雷达数据的方法相对较少。然而，融合过程可能会导致分辨率和时间差异、阴影和高层建筑位移问题以及地理参考过程引入的误差。本研究提出了一种形态建筑物检测方法，通过逐步去除非建筑物像素来识别建筑物。首先，地面过滤算法将地面像素与建筑物、树木和其他物体分离。然后，分析方法使用大小、形状、高度、建筑物元素结构以及第一次和最后一次返回之间的高度差去除剩余的非建筑物像素。实验结果表明，该方法在奥斯汀市区的研究地点取得了不错的效果，总体准确率达到 95.46%。
Agisoft Metashape 用户手册 - 专业版，版本 1.8
该软件允许将来自 RGB、热成像或多光谱相机（包括多相机系统）的图像处理为密集点云、纹理多边形模型、地理参考真正射影像和 DSM/DTM 形式的空间信息。进一步的后处理可以消除模型中的阴影和纹理伪影，计算植被指数并提取农用设备活动图的信息，自动对密集点云进行分类等。得益于分布式处理功能，Metashape 能够在本地集群中处理 50 000 多张照片。或者，可以将项目发送到云端以最大限度地减少硬件投资，同时所有处理选项仍然可用。明智地实施数字摄影测量技术，并结合计算机视觉方法，可形成智能自动化处理系统，一方面，摄影测量领域的新手可以管理该系统，另一方面，该系统为专家提供了许多帮助，他们可以从立体模式等高级功能中受益，并完全控制结果的准确性，并在处理结束时生成详细报告。
ATBD 土地覆盖 - LP DAAC
这两个参数都依赖于由 MODIS 2 级和 3 级产品合成的 1 公里网格数据库。输入包括：(1) 将分类限制在陆地区域和浅水区域的 EOS 陆地/水域掩模；(2) 从 MODIS 陆地波段 (1-7) 中的 MODIS BRDF/Albedo 产品 (MOD43B4) 得出的天底 BRDF 调整反射率 (NBAR)，调整为每 16 天周期的中值太阳角度的天底视图；(3) 从 1000 米分辨率的波段 1 (红色，250 米) 得出的空间纹理 MODAGTEX)；(4) 16 天周期的 1k 方向反射率信息 (MOD43B1)；(5) 16 天周期的 1km MODIS 增强植被指数 (EVI) (MOD13)； (6) 8 天内 500 米处的积雪 (MOD10)；(7) 8 天内 1 公里处的地表温度 (MOD11)；以及 (8) 地形海拔信息 (MOD03)。这些数据在一个月的时间段内合成，以在 1 公里网格上生成全球一致的多时间数据库，作为分类和变化表征算法的输入。
尼泊尔的精确农业
尼泊尔的农业部门雇用了三分之二的人口，并贡献了26％的国家国内生产总值，面临着有限的土地资源，迅速的人口增长和气候变化影响的重大挑战。传统的农业实践和环境压力源阻碍了小麦的产量，这是对GDP贡献4.63％的重要作物。这项研究旨在使用多光谱无人机图像，叶绿素含量测量，谷物产量数据和植物高度确定十种品种中表现最佳的小麦基因型。研究区域附近约900平方米，为监测植物生长和健康提供了最佳条件。通过监测各种物候阶段的小麦，可视化生长模式，并在植被指数（VIS）和原位测量之间进行了相关分析。我们的发现表明，像NDVI这样的VIS可以有效地监测小麦的健康和生长。基因型WK 2891和WK 2430始终显示出更高的VI值，表明健康和生物量产生更好。这些基因型在峰值生长（0.805和0.803）和最高晶粒产量（0.745和0.695 kg/m²）时也表现出最高的NDVI值。相反，基因型WK 1204和HIMGANGA具有最低的NDVI值（0.614和0.705），最低产量（0.598和0.598和0.507 kg/m²）。nDVI和CiredEdge对于随着时间的推移评估健康特别有效，NDVI显示出与SPAD读数（R²= 0.7451）和产量预测（R²= 0.634）的最高相关性。包括对摄像机属性和太阳辐照度的校正提高了VI值的准确性，校正的数据集始终显示出更高的VI值。作物表面模型（CSM）的植物高度测量也与原位测量值密切相关（R²= 0.78），以验证使用无人机衍生的数据来监测农作物的生长。VIS的时间序列分析提供了对农作物生长阶段的见解，峰值表示4月初的强劲增长。光谱指数和谷物产量之间的强相关性证实了它们在精确农业中的有用性，有助于优化农业管理并提高生产率。通过确定表现最佳的小麦基因型和最有效的植被指数，这项研究有助于增强作物监测实践，以应对尼泊尔农业部门的气候变化和环境压力源所带来的挑战。
引用：Moutaouakil W.，Hamida S.，Cherradi B.，Raihani A.（2024）使用机器LEA
摘要：洪水代表了造成广泛损害的重要自然危害。该研究旨在证明采用机器学习（ML）模型的鲁棒性，即随机森林（RF），支持向量机（SVM），逻辑回归（LR），K-Nearest邻居（KNN）和决策树（DT），以生成摩洛哥Tetouan City的洪水易感图。该方法依赖于包含1000个样本的空间数据集，其中包括八个条件因素：高程，坡度，距离河流（DR），排水密度（DD），土地使用（LU），河流功率指数（SPI），地形见证见证人指数（TWI）和归一化差异植被指数（NDVI）。使用遥感技术提取这些因素。ML算法的性能比较表明，RF在曲线（AUC）值下表现出最高的精度和面积，达到95％，从而优于其他模型。这项研究的关键发现可以作为当局和水文学家主动预测易洪水领域的指南，并采取必要的措施来减轻风险。
用修改后的Budyko框架
用于评估Luanhe River（URLR）对流量的植被变化的影响，我们首先计算了基础表面参数（ω）与归一化差异植被指数（NDVI）之间的方程。然后，我们将植被信息引入了Budyko方程，并建立了修改的Budyko方程。最后，使用改良的Budyko方程估算了植被变化对URLR流量的影响。结果表明：（1）URLR中的NDVI从1982年到2016年的趋势越来越大，这与径流深度相反。NDVI的突然变化发生在1998年，并且获得了ω和NDVI之间的简单线性模型（p <0.01）。（2）在变化期（1999- 2016年）中，降水，潜在蒸散量，NDVI和人为因素的贡献率分别为44.99、11.26、29.45和17.30％。尽管降水仍然是ULRB径流撞击的主要驱动力，而ULRB的植被的增加，但植被已成为径流撞击的第二个驱动力，随后是人类活动和潜在的蒸发量。需要进一步研究植被变化对水周期的影响的机制。这项研究的结果可以为URLR中的用水和保护提供理论基础。
文章 使用机载无人机在野外进行道路状况检测和紧急救援识别
摘要：无人机视觉技术在野外救援中的重要性日益凸显。针对野外网络状况不佳、天气恶劣的状况，本文提出了一种从无人机多光谱相机实时拍摄的视频或预先下载的卫星多光谱图像中提取道路并检测路况的技术，为人类提供最优的路线规划。此外，根据无人机的飞行高度，人类可以通过动态手势识别与无人机进行交互，以识别紧急情况和潜在危险，以便进行紧急救援或重新规划路线。这项研究的目的是检测路况并识别紧急情况，以便为野外的人类提供必要和及时的援助。通过获取归一化植被指数（NDVI），无人机可以有效区分裸土路和碎石路，从而完善我们之前的路线规划数据的结果。在低空人机交互部分，我们基于媒体管道手势标志，结合机器学习方法构建了四种基本手势的数据集，用于求救动态手势识别。我们在不同的分类器上测试了该数据集，最好的结果表明该模型在测试集上可以达到 99.99% 的准确率。在这篇概念验证论文中，上述实验结果证实了我们提出的方案可以实现我们预期的无人机救援和路线规划任务。
从无人机图像提取的特征中选择主要变量来解释冬小麦产量的变化
摘要背景：自动化表型分析技术正在不断推进育种过程。然而，在整个生长季节收集各种次要性状并处理大量数据仍然需要巨大的精力和时间。选择具有最大预测能力的最少数量的次要性状有可能减少表型分析工作量。本研究的目的是从无人机图像和关键生长阶段中提取对解释冬小麦产量贡献最大的主要特征。2018 年春季生长季，无人机系统收集了 5 个日期的多光谱图像和 7 个日期的 RGB 图像。从植被指数和植物高度图中提取了两类特征（变量），共计 172 个变量，包括像素统计和动态增长率。采用参数算法、LASSO 回归（最小角度和收缩选择算子）和非参数算法、随机森林进行变量选择。使用 LASSO 估计的回归系数和随机森林提供的置换重要性得分，从每个算法中确定影响粮食产量的十个最重要的变量。结果：两种选择算法都对灌浆期前后与植物高度相关的变量赋予了最高的重要性得分。还选择了一些与植被指数相关的变量
基于Landsat 8卫星图像的地热前景区域估计（围绕
摘要印度尼西亚具有明显的地热潜力，因为其地理位置位于三个主动构造板中。由于难以识别地热电位的确切位置领域，因此巨大的地热电位导致了一部分它的一部分。因此，需要勘探活动才能发现这些潜在的地热站点而没有直接探索。需要进一步发展的地热潜力位于贾瓦中部塞马朗地区的Gedongsongo地区，特别是在Ungaran山的南坡上。这项研究旨在使用Landsat 8卫星图像数据来绘制研究区域中的地热电位区域。使用归一化差异植被指数（NDVI）方法，地表温度（LST）方法和断层断裂密度（FFD）方法利用卫星数据的热图像来利用遥感的分析。这三个参数的覆盖结果在Candi Village和Kenteng Vilage地区产生了地热电位图，表明有几个预测地热势的领域。在坎迪村（Candi Village），鉴定出三个潜在的地热区域，其潜在水平高且非常高的水平，中等谱系密度范围为1.07至1.8 km2，地面地面
利用机载无人机进行野外路况检测及应急救援识别
摘要：无人机视觉技术在野外救援中的重要性日益凸显。针对野外网络状况不佳、天气恶劣的人类，本文提出了一种从无人机多光谱相机实时拍摄的视频或预先下载的卫星多光谱图像中提取道路和检测路况的技术，为人类提供最优的路线规划。此外，根据无人机的飞行高度，人类可以通过动态手势识别与无人机进行交互，以识别紧急情况和潜在危险，以便进行紧急救援或重新规划路线。本研究的目的是检测路况并识别紧急情况，以便为野外的人类提供必要和及时的援助。通过获取归一化植被指数（NDVI），无人机可以有效区分裸土路和碎石路，从而完善我们之前的路线规划数据的结果。在低空人机交互部分，我们基于媒体管道手势标志，结合机器学习方法，构建了四种基本手势的数据集，用于求救动态手势识别。我们在不同的分类器上测试了数据集，最好的结果表明该模型在测试集上可以达到 99.99% 的准确率。在这篇概念验证论文中，上述实验结果证实了我们提出的方案可以实现我们预期的无人机救援和航线规划任务。