基于PyQis自动布局生成专题图

（1）基于python与PyQis自动生成专题图，包括图例，图名，比例尺、指北针、有经纬度线的外图框等地理要素等信息。 （2）包含一份样例数据sample_data，包括一个多光谱遥感影像以及一个农分类分类的结果矢量。 （3）输出结果在output中，可以实现作物分类叠加影像的专题图以及只显示影像的专题图。 （4）告别arcpy，开源qis自主可控。安装qis自带的python3环境。

基于Python的SPI（标准化降水）指数大区域批处理程序

1.本算法基于30年区域气象数据（以吉林省为例NASA的气象格网数据，0.5°×0.5°）计算SPI指数。 2.本程序包括1992-2022的降水（月均）气象数据可供大家测试。 3.程序运行步骤按照代码标号运行，最终可以得到多点的SPI指数，可以在ARCGIS中插值成更高分辨率的面状栅格。 4.本程序基于climate_indices库，为在window中适配，提供适用于window10-11，python3.8环境的按照包。在SPIPythonProcess\lib\climate_indices-py3.8.whl。 5.后续博主会提供详细博客介绍如何使用。

基于Python的多表格国土地类分类汇总程序

（1）本程序可以以表格中的“DLBM”字段进行分类汇总，统计该项目中每类地类的面积以及图斑数，并支持将多个excel文件批量计算。 （2）temp/成果模板.xls,为模板样式，以上面的类别为准（第三次国土调查工作分类）。 （3）data/里面为样例数据，供大家参考。 （4）result/cese.xlsx为我们样例数据跑出去的结果。可以看到每个excel在cese.xlsx为一条记录。 （5）使用方法：python PandasProcess.py --input_dir data --out_path result\cese.xlsx （6）如果有啥使用不明白可随时交流。

Python哨兵影像自动下载脚本

（1） 可支持离线产品下载。下载这些“离线”产品，将触发它们从LTA检索。过一段时间，所请求的产品将可以通过原始URL下载。 （2）可以断点续传，点运行后可以不用管了 （3）可提供矢量范围检索格式 （4）需要安装sentinelsat库 pip install sentinelsat （5）影像下载需要的用户名及密码,需登录Copernicus Open Access Hub注册,注册地址https://scihub.copernicus.eu/dhus/#/home

基于Python的GDAL高分变率遥感影像配准算法

（1）基于SIFT与Ransac算法完成两景高分辨率遥感影像特征特征提取以及几何变换进行配准。 （2）为避免同名点过大区域错误配准，可进行影像的分块配准，需要注意的是两景影像保证行、列数一致。 （3）因数据上传限制，data文件夹里有两个高分二号融合影像（0.8米）的样例数据供大家参考学习。 （4）main.py为主函数，设置两期影像的路径和输出位置运行即可。

基于pyqt5+GDAL带界面的遥感指数（模型）小软件

（1）基于pyqt5实现的遥感应用软件，可根据需求进行改动。目前里面是一个NDVI指数计算的样例。逻辑与界面分离，运行时不会界面卡死。 （2）打开多光谱影像进行最优线性拉伸，可通过鼠标滚轮进行放大、拖拽等功能。非常适合初学者进行pyqt界面类的设计与程序开发。 （3）里面有个4波段（B,G,R,NIR）的影像作为样例数据（2019img.tif）。 （4）主程序为RSIdentificationDefault.py，在cmd中运行 python RSIdentificationDefault.py即可。

基于Python实现温度植被干旱指数（TVDI）的计算代码

（1）代码的输入为同一区域的NDVI影像以及地表温度产品，需要注意的是这两景影像的行列数需要保存一致。（若不明白的可以参考这个博客：https://blog.csdn.net/u010329292/article/details/128976019?spm=1001.2014.3001.5502） （2）最终产品包括两部分。第一部分是干边与湿边的拟合方程以及r方的曲线图。第二部分为TVDI产品。 （3）程序入口为main.py，本资源提供了济宁市附近的样例数据供大家上手操作。 （4）DATA/fig.png为输出的拟合曲线图。

基于Tensorflow 的高分辨率遥感影像道路提取算法

（1）构建U-Net结构形式，包含resnet、dilateBlock的全连接语义分割网络。 （2）损失函数使用了dice_coefficient与bce_loss的加权。 （3）从result/Epoch56_Iter385.jpg的训练结果图（第一列影像，第二列真值，第三列本算法效果）可以看到，路网基本检测，包括一下没有标记的路网（最后一张图片）都可以检测出来。 （4）train.py 普通训练模式,训练数据可以使用公开的遥感道路检测数据集。 （5）train_swith.py 使用Swish 的新激活函数进行训练模式。 （6）train_connection.py 相比（4）在骨干网络中对resnet网络输出后链接了dilateBlock模块。 （7）train_connection_multi.py 相比（6）使用多GPU训练模式。 （8）测试文件对应为test.py 与test_swish.py.

Python PCA遥感影像变化检测算法代码

（1）基于Python sklearn与opencv实现的利用PCA方式的两期影像变化检测算法。 （2）支持大影像，并可以将变化图斑转成矢量。 （3）并基于图像处理的方式滤除一些面积过小（或者长宽比过大的区域）的图斑，这里可以自己进行定义。 （4）需要注意的是两幅影像的行数与列数要一致，如果有差异可以参考之前写的博客（https://blog.csdn.net/u010329292/article/details/128976019?spm=1001.2014.3001.5502）

基于Tensorflow迁移学习的遥感影像场景分类

（1）基于TensorFlow中的inception-resnet-v2场景识别模型。 （2）程序以天宫数据大赛的数据为例，供深度学习研究者学习。当时比赛的介绍：https://share.escience.net.cn/topic/detail?topicId=c4100db5f59349b7b76b6011716adb31 （3）create_tfrecord.py将文件夹中的影像数据生成.tfrecord格式供训练以及验证。 （4）pretrain\inception_resnet_v2_2016_08_30.ckpt为骨干网络的预训练模型。 （5）TGplusplus\images存放的为训练数据。 （6）data\预赛测试集A-1000.zip为比赛的测试数据集。 （7）train_RsImage.py为训练代码。test_Image_TG.py为测试代码。