XiaoMi-AI文件搜索系统
World File Search System遥感数据
影响遥感数据和地理信息系统集成和使用的机构问题
摘要：遥感数据和地理信息系统 (GI) 技术的开发者和用户与政府、工业和学术界的几乎所有类型的机构都有联系。这些不同机构中的个人经常发现接受遥感和 GI 的障碍不一定是技术性的，而可以归咎于机构本身。影响遥感和 GIS 技术的几个主要机构问题是数据可用性、数据营销和成本、设备可用性和成本、标准和实践、教育和培训以及组织基础设施。不仅确定了与这些问题相关的问题，还讨论了需求和机会。提出了与数据、设备、标准、教育培训和组织结构相关的问题的建议研究主题议程。通过更加关注机构问题的研究，可以增强对遥感和 GIS 技术的理解、集成和使用。
空间分辨率在量化机载遥感数据中的 SSC 的作用
简介 通过分析现场水样可以确定水体内的悬浮固体浓度 (SSC)。尽管这种方法可以得到准确的测量结果，但是结果是基于点的，并且仅在有限数量的采样位置可用。如果必须将测量结果在较大的区域进行空间外推，则可能会引入相当大的误差 (Nanu 和 Robertson，1990)。通过增加采样密度可以提高估算的 sscs 的准确性，这使该方法过于耗时且成本高昂。但是，如果与遥感数据相结合，这种现场采样方法对于量化 ssc 和研究其在水体内的空间分布模式非常有用。能否准确地从遥感数据量化 SSc 取决于数据中记录的 ssc 与其反射率之间的相关性。如果 ssc 小于 100 mgl-I，则在可见光和近红外波长范围内，这两个变量之间存在正相关性（Forster 等，1994；Lyon 等，1988；Mertes 等，1993；Ritchie 和 Cooper，1988；Tassan，1993）。如果 ssc 较低且范围较小（20 至 50 mgl-I），则这两个变量之间的关系为非线性（例如对数）（Xia，1993）。遥感数据中 ssc 与其数字值 (DN) 之间已建立的关系受多种因素的影响，例如波长、视角和
利用遥感数据支持智能农业GIS监测耕地和农作物状况
本文回顾了哈萨克斯坦多级农田监测系统的现状，该系统是精准农业系统的一部分，在国家层面和土地使用者的背景下实施。确定了广泛使用遥感 (RS) 和无人机 (UAV) 数据的主要制约因素。该国领土面积大、气候条件不同、地形高度差异大，这些因素对数据处理和解释方法的选择产生了影响。Sentinel、Landsat、Modis 卫星的数据被用作输入数据，农业中最常用的软件应用程序都基于这些数据。在对巴甫洛达尔地区 KH“Mayak”农场的农田进行监测的基础上，使用可用的在线应用程序、程序、本地 Web 服务，无人机评估了在哈萨克斯坦现代条件下多级使用遥感的潜力。无人机与移动 RTK 站的测量结果可以确保地图的精度达到 1:1000。
使用遥感数据支持智能农业 GIS 监测耕地和农作物状况
本文回顾了哈萨克斯坦多级农业用地监测系统的现状，该系统是精准农业系统的一部分，在国家层面和土地使用者的背景下实施。确定了广泛使用遥感 (RS) 和无人机 (UAV) 数据的主要制约因素。该国领土面积大、气候条件不同、地形高度差异大，对数据处理和解释方法的选择产生了影响。Sentinel、Landsat、Modis 卫星的数据被用作输入数据，农业中最常用的软件应用程序以此为基础。在对巴甫洛达尔地区 KH“Mayak”农场的农业用地进行监测的基础上，利用可用的在线应用程序、程序、本地 Web 服务、UAV 评估了在哈萨克斯坦现代条件下多级使用遥感的潜力。无人机与移动 RTK 站的测量结果可以确保 1:1000 比例尺的地图精度。
一个用于融合遥感数据的贝叶斯分层框架：太阳引起荧光
太阳能诱导的叶绿素荧光（SIF）已成为植被生产力和植物健康的有效指标。SIF的全球量化及其社会不确定性产生了许多重要的功能，包括改善碳通量估计，改善碳源和水槽的识别，监测各种生态系统以及评估碳序列工作。长期，区域到全球尺度监测现在是可行的，可以从多种地球观察卫星中获得SIF估计。这些努力可以通过严格的卫星SIF数据产品中存在的不确定性来源的严格核算来帮助这些努力。在本文中，我们引入了一个贝叶斯分层模型（BHM），以估算从1°×1◦分辨率分辨率分辨出具有全球覆盖的旋转碳天文台-2（OCO-2）卫星观测中的SIF和关联不确定性。我们的建模框架的层次结构允许方便模型规范，各种变异源的量化以及通过回归模型中的傅立叶项纳入季节性SIF信息。模型框架利用大多数温带土地区域的SIF可预测的季节性。所得数据产品以相同时空分辨率的现有大气二氧化碳估计值进行了补充。
使用卫星遥感数据中的甘蔗产量估计在经验或机械建模中：系统评价
1遥感研究生计划（PGSER），教学，研究与扩展协调（COEPE），国家空间研究所（INPE），SâoJosédosCampos 12227-010，巴西； ieda.sanches@inpe.br（I.D.S.）; claudia.almeida@inpe.br（C.M.D.A。）; marcos.adami@inpe.br（M.A。）2Sâo保洛州立大学（UNESP），科学与工程学院，TUP - 17602-496，巴西； Michel.dantas@unesp.br 3 3 Queiroz（ESALQ）的生物系统工程系（USP），Piracicaba 13418-900，巴拉西; Analuciano@usp.br 4地球观察和地球形式分部（Diotg），地球科学一般协调（CG-CT），国家空间研究所（INPE），SâOJoséDosCampos 12227-010，巴西 *通信 *通信：Nildson.silva@inpe@inpe.br
深度学习模型映射快速植物物种从公民科学和遥感数据变化
人为栖息地破坏和气候变化正在重塑全球植物的地理分布。但是，我们仍然无法以高空间，时间和分类学分辨率来绘制物种的变化。在这里，我们开发了一种深度学习模型，该模型使用来自加利福尼亚的遥感图像以及50万公民科学观察培训，可以绘制2,000多种植物物种的分布。我们的模型 - DeepBiosphere-不仅要优于许多常见的物种分布建模方法（AUC 0.95 vs. 0.88），而且可以以多达几米的分辨率来绘制物种，并以高准确性地描绘了植物群落，包括原始和透明的红木国家公园森林。这些精细的比例预测可以进一步用于绘制跨人类改变景观的栖息地碎片的强度和尖锐的生态系统过渡。此外，从频繁的遥感数据集合中，DeepBiosphere可以在2- y的时间段内检测严重野火对植物群落组成的快速影响。这些发现表明，对公共地球的观察和深入学习的公民科学可以为自动化系统铺平道路，以监视全球实际时间的生物多样性变化。
印度基于空间的遥感政策草案-2020（...
1.1遥感技术在该国可持续发展中的作用始于1970年，其开创性实验旨在使用多光谱摄像头系统检测椰子根疾病。印度太空研究组织（ISRO）通过在1988年推出其第一个运营IRS卫星来实现遥感数据对各种社会应用的潜在好处。从那时起，IRS卫星一直在提供有关自然资源各个方面的及时信息，并非常有效地解决了土地，水，海洋，大气和灾难管理的要求。支持发展活动的遥感数据传播的方式基于印度的遥感数据政策（RSDP-2001和2011）。
一种 Google Earth Engine 方法，用于融合不同空间分辨率遥感数据的野火易感性预测
1 地理信息学系—Z_GIS，萨尔茨堡大学，5020 萨尔茨堡，奥地利； sepideh.tavakkoli-piralilou@stud.sbg.ac.at (S.T.P.)； Thomas.Blaschke@sbg.ac.at (T.B.) 2 大不里士大学遥感与地理信息系统系，伊朗大不里士 5166616471； Golzar.einali@yahoo.com (G.E.)； khalil.gh3@gmail.com (K.G.) 3 人工智能高级研究所 (IARAI)，Landstraßer Hauptstraße 5, 1030 Vienna, Austria； pedram.ghamisi@iarai.ac.at 4 集团数字化转型——新主张 Swiss Re Europe S.A., 德国分公司,arabellastrasse 30, 81925 慕尼黑, 德国; Thimmaiah_GudiyangadaNachappa@swissre.com 5 Helmholtz-Zentrum Dresden-Rossendorf，亥姆霍兹弗莱贝格资源技术研究所，09599 Freiberg，德国 * 通讯地址：omid.ghorbanzadeh@iarai.ac.at
