高分卫星如何监测大湾区水体污染:从光谱原理到业务化链路

高分卫星水质遥感水体污染
于 2026-10-29 03:06:31 修改
·本内容遵循CC 4.0 BY-SA版权协议

高分卫星监测粤港澳大湾区水体污染,这件事我从2018年就开始接触。当时身边很多人觉得卫星遥感做水质监测是个"花架子"——你能拍到水面颜色变化,但真要说哪条河污染了、浓度是多少,还得靠人下去取水样。我自己一开始也抱着同样的怀疑,直到跟着项目跑了几趟珠江口,把同步水样和卫星反演结果摆在一起做散点图,看到R²拉到0.8以上的那一刻,我才真正意识到:这套技术不是替代地面监测,而是把地面监测完全够不到的那部分空间尺度补了回来。

这篇内容想跟遥感、GIS、水环境监测行业的同行们,以及刚入坑的学生聊点实在的:高分卫星在大湾区这种高浊度、强潮汐、河网密布的复杂水体里,到底怎么做水体污染识别,有哪些能直接复用的技术链路,又有哪些只有下过水、跑过数据才会踩到的坑。

1. 珠三角的水污染监测为什么绕不开高分卫星

1.1 地面站点够不够用?

先看大湾区的水系底子。珠江三角洲河网密度在全球都属于极高那一档,西江、北江、东江在这里汇流,加上潭江、增江等支流,河道纵横交错,还牵涉狮子洋、伶仃洋这些河口湾。单是广州、佛山、东莞、中山这几个片区,密布的河涌数量就是上千条的量级。如果靠传统人工采样,就算一个小组一天跑20个点位,把整个湾区的重点水体摸一遍也要几十个工作日,而且采样周期一长,数据在时间上就凑不到同一天,空间上的可对比性大打折扣。

更麻烦的是水体本身变化太快。珠江口是典型的径流与潮汐双重控制区域,一天之内有两次涨落潮,悬浮泥沙浓度能在一个潮周期里出现成倍波动;夏季台风和暴雨期间,上游洪水携带大量泥沙和污染物入海,浑浊水体扩散路径几天一换。地面监测点哪怕布得再密,面对这种高频动态,很容易出现"点位周边的水是干净的、旁边河汊已经黑了"的漏网情况。

大范围同步覆盖,正是卫星的强项。一颗高分卫星过境时,一次性就能拍下整个珠江口到河网区的影像,所有水体在同一个时刻、同一种光照条件下成像,这种空间上的整体性和时间上的严格同步性,地面监测做不到。高分系列卫星还能定期重访,同一个水域每隔几天就能获得一景新影像,积累下来就形成了水质变化的时间序列,可以用来追本底、看趋势、找异常。

1.2 高分卫星适合干嘛?先分清数据家族

很多人一听说"高分卫星",就觉得分辨率越高越好,恨不得把每条河涌都拍成亚米级。但实际做水质遥感,光学卫星的常规分辨率指标只是其中一环,光谱波段设置、重访周期、幅宽其实更关键。大湾区的业务化监测里,几类高分卫星各有分工,我习惯把它们分成三个层次。

第一个层次是普查型,代表是高分一号和高分六号的8米多光谱相机。这两颗星组网之后重访周期可以压到4天左右,幅宽大,一景就能盖上大半个珠江口。对河口悬浮泥沙、近岸富营养化这类大尺度水质参数来说,8米分辨率完全够用,这也是日常业务化监测的主力数据。

第二个层次是细查型,代表是高分二号。它提供0.8米全色和3.2米多光谱,适合对着重点河涌、排污口周边、水源地附近做精细观察。比如一条宽度只有20米的河涌,用8米数据只能分割出两三个像元,水体信号里掺杂大量岸边地物;换成分辨率3.2米的高分二号,河涌水体的纯净像元就多得多。

第三个层次是应急型,代表是高分四号。它在地球同步轨道上,可以对固定区域持续凝视,重访频率极高。珠江口发生突发性污染事件时,高分四号能快速连续获取影像,哪怕分辨率只有50米,也能捕捉到污染羽流的扩散方向和大致范围,为应急调度提供第一手空间信息。

高分五号这类高光谱卫星我放在扩展层讲。它的光谱连续性强,能精细反演叶绿素a、悬浮物浓度等参数,但在大湾区业务化应用里受幅宽和重访限制,用得不如多光谱卫星那么频繁。实际项目中我更倾向于用高分一号、六号做常规监测,发现异常区域后调度高分二号加密观测,需要应急时再把高分四号拉进来。这套组合拳,基本覆盖了从宏观到微观、从定期到应急的全部需求。

2. 卫星看水的基本原理:为什么污染水体在光谱上"藏不住"

2.1 三类典型水体的光谱面孔

卫星拍水质,本质上是在拍水面反射太阳光的光谱信号。水体对光的吸收和散射特性,会随水质成分变化而变化,这个规律在遥感反射率曲线上表现得非常明显。

干净的水体,可见光波段里蓝光和绿光的反射相对高,红光和近红外波段因为水分子强烈吸收,反射率很低。整体遥感反射率曲线呈现"蓝绿高、红红外低"的状态。但实际大湾区里,完全干净的"清水"很少见,更常见的是下面三类:

悬浮泥沙主导的浑浊水体。泥沙颗粒散射能力强,会把可见光到近红外的反射率整体抬上去,并且随着泥沙浓度升高,反射峰的位置会从蓝绿光向红光甚至近红外移动。珠江口洪水期大量泥沙入海时,从卫星影像上能直接看到一条条浊白色的羽流向海外延伸,就是泥沙颗粒散射的结果。

富营养化水体。藻类大量繁殖时,水体中多了大量叶绿素,叶绿素在蓝光和红光波段有强烈吸收,在绿光波段反射相对增高,在近红外波段还会出现一个特征性的荧光峰。所谓"水华"从天空看是绿色带状的图案,正是这种光谱形态的体现。高分一号和六号的多光谱波段里虽然没有专门的水色波段,但通过绿光、红光、近红外的组合,依然能捕捉到叶绿素a的浓度变化。

黑臭水体。这种水体的光谱特征是整体反射率极低,曲线非常平缓,红绿蓝三个波段的反射都明显低于正常水体,近红外波段也几乎没有抬升。原因也好理解:黑臭水体里悬浮物和藻类都不占主导,大量有机物分解产生的黑色物质吸收了大部分入射光,水色发黑发暗。识别黑臭水体,靠的就是这种"低平光谱"与正常水体的差异。

这里要强调一个基础认知:卫星传感器接收到的信号里,真正属于水体的离水反射率往往只占很小比例,尤其是近红外波段,水体信号可能连2%都不到,剩下的大部分是大气散射贡献的程辐射。所以在谈反演之前,大气校正必须先行,否则再好的模型也很难救回来。

2.2 反演模型的取舍:经验公式、半分析还是机器学习

从光谱信号换算到水质参数浓度,行业内常见三类模型:

经验模型是最常用的入门方案。做法是选取一个或多个与目标水质参数相关性高的波段或波段比值,再与实测水质数据建立统计回归关系,典型形式是线性、对数线性或幂函数。比如悬浮物浓度常跟近红外与红光波段的比值做回归,叶绿素a常跟蓝光与绿光的比值做回归。这类模型结构简单、计算效率高、物理意义直观,但缺点也很明显:区域性很强,在珠江口标定的系数搬到杭州湾就可能失效。

半分析模型基于生物光学理论,把水体吸收系数、散射系数与水质参数浓度建立关系,再通过辐射传输模型正演出遥感反射率。它比纯经验模型更具物理基础,适用性更广,但需要输入更多固有光学参数,实测工作量大,在业务化项目里通常用于叶绿素这类机理相对清晰、对精度要求较高的参数。

机器学习模型(随机森林、支持向量回归、神经网络等)近年应用很多,优势是能自动利用多波段、多指数的非线性组合,在样本量充足时精度往往高于经验模型。但我的体会是,在高分多光谱数据上做机器学习,波段数量本来就不多,如果实测样本只有几十个,模型很容易过拟合,训练集R²很高,换景影像反演结果就飘了。大湾区这种浑浊二类水体,反演精度主要受大气校正和水体光学复杂性限制,很多时候瓶颈不在模型复杂度,而在输入反射率的准确性。

三类模型不是互斥的。我常用的务实做法是:有足够实测数据时用本地化的经验模型,追求业务稳定性;数据条件好、需要精细反演时用半分析模型做交叉验证;机器学习作为精度提升手段,前提是样本量要撑得住。

3. 从一片影像到一张水质图:完整处理链路与实操要点

3.1 数据准备与预处理环节的三个关键动作

把高分原始影像变成可反演的水质产品,中间这几步是绕不开的。

辐射定标是第一步。高分系列卫星的L1级影像存的是DN值,必须先换算成表观辐亮度或表观反射率。定标系数要从中国资源卫星应用中心发布的绝对定标系数文件里获取,注意定标系数会随卫星在轨运行时间发生变化,最好使用影像成像日期附近更新的系数,而不是沿用历史老系数。

大气校正是第二步,也是最容易出问题的一步。水质遥感领域常用6S辐射传输模型、ACOLITE等针对水体环境优化的大气校正工具。6S精度高,但需要输入气溶胶光学厚度、水汽含量等参数,如果没有同步的太阳光度计数据,就只能用默认值或气候平均值,会带来误差。ACOLITE是专门为水色遥感开发的,基于暗像元假设和近红外波段算法,对近岸浑浊水体适应性比较好,操作上也比6S友好,我的常规项目基本都用它做珠江口影像的大气校正。

水陆掩膜排在第三步。水体反演只需要水面像元,陆地、植被、建筑物和云、云影都得剔除干净。最常用的方法是归一化差异水体指数,对大湾区这种植被茂密、城市建筑密集的区域,指数阈值法配合矢量边界裁切能压掉大部分噪声。需要注意的是珠三角河网区很多河道很窄,宽幅影像上一个河涌像元可能混合了岸边植被,掩膜处理时不要只盯着数值阈值,要结合影像真彩色目视检查,必要时用高分二号细数据辅助判断。

预处理做完,还有一个容易被忽略的动作:检查反射率的物理合理性。水体在近红外波段的遥感反射率应当是接近零的正值,如果大气校正后近红外出现大面积负值,说明校正参数不合适,这时候不要急着反演,先回头调整气溶胶模型或暗像元设置。

3.2 悬浮物浓度反演的模型搭建实例

以珠江口悬浮物浓度反演为例,我给一个可以直接上手的建模思路。

数据上用高分一号或六号经过预处理的多光谱影像,提取出绿光、红光、近红外三个波段的遥感反射率。众多研究都表明,悬浮物浓度跟近红外与红光波段的比值关系最稳定,因为近红外对泥沙散射敏感,而红光作为基准能抵消一部分大气和底质影响。

假设手头有同步实测数据,我会先布设若干采样点,把卫星影像上对应像元的波段比值和实测悬浮物浓度取对数后做散点图,看线性趋势。珠江口这类高浊度水体,ln(SPM)与Rrs近红外/Rrs红光往往呈较好的线性关系。拟合出的回归方程可以直接用于整个影像的悬浮物浓度计算。

这里要特别提醒:网络上能查到很多成熟算法,比如Miller和McKee等人提出的河口悬浮物算法,但那些系数通常是在特定海区标定的,直接拿到珠江口用往往偏差很大。珠江口的悬浮物来源、粒径组成、有机质含量都有自己的特点,本地化标定是必须做的。第一次做项目如果实在没有实测数据,可以先用已有算法出趋势图,借助少量现场水样校准系数,至少保证量级不偏得太远。

反演出的浓度栅格,我会用自然断点法分成五到六级,再叠加岸线、河网矢量出专题图。出图时要注意色带设计:浑浊度高的区域用暖色,低浓度用冷色,图例务必标注单位,方便和地面监测数据比对。

3.3 富营养化与黑臭水体的识别思路

叶绿素a浓度反演是判断水体富营养化程度的通用指标。高分多光谱影像波段有限,没办法用海洋水色卫星那种复杂算法,我就用蓝绿波段比值法做初步反演。具体做法是取蓝波段与绿波段遥感反射率比值,浓度越高,比值通常越低。但在珠江口这种高悬浮物背景下,叶绿素信号会被泥沙散射严重干扰,反演结果只能作为相对富营养化水平参考,不能绝对套用浓度限值。

识别黑臭水体的思路跟常规水质参数反演不太一样,更多是"分类"而不是"定量"。黑臭水体的光谱特征是绿光、红光、近红外反射率都异常低,而且曲线形态平整。实际操作中,我经常用几个波段的灰度关系构建判读规则,再叠加真彩色目视解译。国内外研究里提出的黑臭水体指数,基本就是针对这种低平光谱特征设计的,当月平均反射率低于某一阈值时,标记为疑似黑臭区域,最后由地面人员到现场复核确认。

大湾区黑臭水体识别的难点在于:水体很窄、很浅,周围建筑物阴影多,容易产生误判;部分正常水体因为含沙量低、藻类少,光谱也比较"黑"。所以这里的定位是"初筛工具",圈出优先级最高的疑似区域,而不是直接定性。这也是水质遥感应用里一个很重要的认知:遥感产品是给地面调查指向的,不是替代监测结论的。

4. 高分卫星在大湾区真实场景中怎么用:织图、溯源、看趋势

4.1 河口冲淡水与悬浮泥沙的动态追踪

珠江口的水体污染,很大一部分是陆源输入引起的。上游来的淡水带着泥沙和污染物,入海后与海水混合,形成一片向外扩散的低盐度浑浊水体,遥感上叫冲淡水羽流。这片羽流的范围、方向、面积,直接反映了陆源物质在河口湾的输运路径。

高分卫星在这里的价值是常规手段拿不到的。比如一次洪水过程之后,我可以连续获取几天的影像,对比羽流的扩散方向,看它是顺着径流流向西南,还是在潮汐作用下往东北向贴岸推进。不同方向对应着污染物不同的归宿:往海外扩散,影响的是伶仃洋和开阔海域;往岸边回荡,影响的就是沿岸水产养殖区和取水口。

具体操作上,悬浮物浓度反演结果配合RGB真彩色影像判读,能清楚看出浑浊羽流和清洁海水的边界线。把多期影像的羽流轮廓叠加起来,还能统计一个汛期里冲淡水笼罩面积的变化幅度。这些信息对分析污染物入海通量、评估污染影响范围非常直观。

河口的潮汐响应也很有意思。珠江口属于不规则半日潮,一天内潮位高低和流速变化明显。卫星过境时刻不同,拍到的悬浮物分布形态差异极大。做时间序列对比的时候,我强烈建议把影像的成像时刻对应到潮汐表上,把涨潮、落潮阶段区分开,否则容易把潮汐带来的自然变化误判成污染事件。

4.2 河网区与近岸水质空间分布织图

粤港澳大湾区的河网区是水质监测最头疼的区域。河涌密集、走向复杂、宽度差异大,又叠加大量人类活动排放。地面监测点位在这样背景下只能"以点带面",但卫星可以完成一张覆盖全河网的水质空间分布图。

我做过一个典型的处理流程:用高分一号8米影像做河网区水体的悬浮物和叶绿素a反演,生成浓度栅格,然后叠加河涌矢量边界,统计每条河涌的平均浓度、最高浓度和空间变异系数。这样就能快速排出哪几条河涌的浑浊度异常高、哪一段是污染热点。对于异常河段,再调度高分二号做精细观测,把污染位置精确到具体河段。

这种"先普查、后细查"的模式,最大的优势是效率。上千条河涌同步覆盖、同步统计,比地面逐条排查快一个数量级。出给现场组的靶向清单里,我会标注影像获取时间、异常区域坐标、建议复核点位,现场人员拿着这张图跑外业,命中率明显提升。

近岸水域的织图思路也类似,但更关注与海水养殖、滨海旅游相关的水质指标。像近岸的富营养化高发区,在叶绿素a空间分布图里会呈现斑块状的高值区,这些斑块往往与排污口、养殖区有空间关联,是调查的重点区域。

4.3 多源卫星协同与时间序列分析的扩展思路

单一卫星受重访周期限制,很难抓到污染事件全过程。大湾区多云多雨,一个月里能拿到一景没有云遮挡的高质量影像就算不错。把高分一号、高分六号、高分二号统筹起来用,才能撑起业务化监测频率。

多年积累下来,时间序列数据的价值就会显现。比如把连续几年的汛期影像放在一起,对比同一潮汐条件下的悬浮物分布,可以看出入海泥沙量的年际变化趋势;再比如追踪某个重点河段叶绿素a的季度曲线,能发现富营养化是持续恶化还是季节性波动。

真正做突发污染应急时,时间序列和协同观测的价值更直接。高分四号的快速重访能力可以捕捉污染羽流的早期扩散过程,高分二号随后提供高分辨率细节,高分一号、六号保持日常态势监控。不同时空分辨率的数据结合,既能看到"发生了什么",又能看清"具体在哪里"。这套协同模式我在项目中反复验证过,比依赖单一卫星数据靠谱得多。

还有一个实用技巧:时间序列分析前,尽量不要混用不同卫星的未校正数据。高分一号和高分六号的传感器响应特性有细微差异,即便都做了大气校正,反射率仍可能存在系统性偏差。做趋势分析时,要么统一用同一颗卫星的数据,要么用交叉定标方法把不同卫星数据归一化到同一基准,否则季节变化里混杂着传感器差异,结论容易跑偏。

5. 落地经验与避坑笔记:关于精度、同步与本地化的几个重灾区

5.1 大气校正翻车现场与自查方法

我见过太多反演结果在图上五颜六色,实际是大气校正出了问题。最典型的症状是近红外波段遥感反射率大面积负值。水体对近红外吸收极强,理论值应当接近零但为正,如果出现负值,说明大气校正把大气贡献去掉过头了,或者气溶胶模型选错了。

珠江口这种近岸大气环境,气溶胶成分复杂,既有海洋性气溶胶又有城市污染气溶胶,单一模型很难完美描述。我的自查流程很固定:大气校正完成后,先检查清洁深水区的近红外反射率是否落在零附近的小范围正区间;再看红波段和绿波段的比值是否与周边历史影像表现一致;最后抽几个与实测同步的像元比对反射率量级。三道检查都过了,才进入反演环节。

另外提醒一下,部分通用大气校正工具是为陆地设计的,对水面处理容易过校正。做水质遥感,工具选型尽量向水色遥感方向靠,ACOLITE这类专门工具比通用工具省心很多。

5.2 分辨率限制:河涌这么细,卫星够用吗

很多客户拿到8米影像反演出来的河网水质图,第一反应就是"看着有点糊"。这不是反演出问题了,而是空间分辨率的天花板。一条宽度20米的河涌,在8米影像里横向只有约2到3个像元,岸边植被、建筑物阴影很容易混入水体像元,水体信号被严重污染。

解决思路有几个。一是对窄河涌改用高分二号的3.2米多光谱数据反演,宽度20米的河涌能分到6个左右像元,水体纯净度大幅提升。二是如果主数据只能是8米,就通过形态学处理排除边界像元,只用河涌中心线附近的纯净水体像元统计,宁缺毋滥。三是窄河道反演结果只看趋势和相对高低,不追求绝对浓度精度,报告里明确标注数据源的限制。

珠江口开阔水面也有底质干扰问题。浅水区水体清澈时,卫星信号可能穿透水底,看到沙质底质的光谱,导致反演值偏高。这类场景我会叠加水深数据做掩膜,水深小于一定阈值的区域不参与水质反演。

5.3 现场采样同步性:最容易被忽视的误差来源

反演模型的验证高度依赖现场实测数据,而实测数据与卫星影像的"同步性"是最容易让精度崩掉的环节。潮汐条件下,水体悬浮物浓度的日变化可能超过一个数量级。卫星在上午10点过境,现场采样如果拖到下午2点,珠江口可能已经经历了一个潮相位变化,两边的水已经不是同一批水了。

我的经验是:同步验证采样尽量控制在卫星过境前后1小时以内,最好是半小时窗口。采样时同时记录潮位、流向、风速这些水动力参数。如果条件限制做不到严格同步,至少要在模型验证中剔除潮汐剧烈变化时段的数据点,避免把潮汐变化误差算进模型误差。

还有一类误差来自空间匹配。GPS记录的水样点位和卫星像元位置存在偏差,尤其在大湾区的河涌里,船载GPS定位误差加上卫星几何校正误差,很容易让实测点落到相邻像元上。我会在采样时用导航软件取多次定位平均值,处理数据时用点位周边3×3像元的均值参与回归,而不是单点值,这样能显著提高模型的稳定性。

最后说句掏心窝的话:水质遥感这个行业,真正决定产品能不能用的,往往不是算法多高级,而是有没有把"数据质量检查"和"现场同步验证"这两件笨功夫做扎实。我在珠江口跑过的每一次外业、踩过的每一个大气校正的坑,最后都变成了一套固定的检查清单。希望这篇文章里写的这些链路和经验,能让你少走几段弯路。

基于Python+Open CV的手势识别算法设计
伴随着人工智能时代的到来,人机交互的领域也逐渐成为研究的一大方向;其中,手势识别是人机交互领域的一项关键技术,自此手势识别也迎来了一波高潮,近几年无论是在消费领域、电子领域、数码领域、家电领域甚至汽车领域上,都能或多或少的见到手势识别的身影。 手势识别在设计智能高效的人机界面方面具有至关重要的作用, 目前手势识别已应用到手语识别、智能监控、到虚拟现实等各个领域,手势识别的原理都是利用各种传感器(例如红外、摄像头等)对手部的形态进行捕捉并进行建模,形成一个模型信息的序列帧,而后将这些信息序列转换为机器能够识别的相对应指令(例如打开、切换菜单、移动等)来完成控制。 采用Python的集成开发环境Pycharm进行本次课程设计,在Pycharm中进行需要库(模块)的下载,调取电脑摄像头,按帧读取摄像头采集到的头像,形态学处理,图像旋转(由于摄像头采集到的图像是镜像,需要用cv2.flip将摄像头采集到的图像进行处理),选取图片中固定位置作为手势输入,用红线画出手势识别框,基于hsv的肤色检测,进行高斯滤波,找出轮廓,求出图像中手势的凹凸点,手指间角度求取。
努力学习前端的小陈
ArcGIS Pro入门制图教程
地理信息系统 (GIS) 是一种使用地图显示和分析数据的方式。在本教程中,您将学习桌面 GIS 应用程序 ArcGIS Pro 的基础知识。新加坡的一家旅行社希望制作一款宣传册,用于向游客介绍距离市中心热门目的地最近的火车站。该宣传册将与带有文本信息的地图相结合,并在城市的自助设备中出售。您将帮助该旅行社绘制旅游景点的地图,分析其与火车站的距离以及更改地图的外观以使其在视觉上更具吸引力。在 ArcGIS Pro 中,地图和数据通常被组织在一个工程中。开始制作地图之前,您将创建一个工程。
科研online
ArcGIS Pro 布局创建与地图加载全流程解析
本文详细解析了ArcGIS Pro中布局创建与地图加载的全流程。针对从ArcMap转来的用户,重点阐述了布局与地图解耦的核心设计理念,并提供了从新建布局、设置参考比例尺、加载地图框到深度控制与精细化排版的实用技巧,帮助用户高效制作专业地图。
您的账号已被封禁
ArcGIS PRO布局视图避坑指南:地图框添加与专题图制作的5个关键步骤
本文针对ArcGIS PRO用户在布局视图中制作专题图时遇到的常见问题,提供了地图框添加与专题图制作的5个关键步骤避坑指南。从理解布局视图思维、数据框预处理、地图元素协同配置,到深化视觉层次与最终输出检查,系统讲解了如何高效产出严谨美观的专业地图,帮助用户跨越从数据分析到地图输出的最后一公里。
冰炭不同炉
ROS-CV-ImageConverter:将ROS图像转换为OpenCV(cv :: Mat)类型的图像
ROS-CV图像转换器 依存关系 cv_bridge(ROS软件包)
Willis Wang
计算机视觉图像处理-CV2与图像插值算法
用最近邻插值与双线性插值原理完成图像缩放 最近邻插值,是指将目标图像中的点,对应到源图像中后,找到最相邻的整数点,作为插值后的输。缺点:使用最近邻插值算法处理图像放大时,在图象中可能出现明显的块状效应 双线性插值,在两个方向上做三次线性插值。使用双线性插值算法处理图像放大时,在图象中可能出现马赛克 代码 import cv2 img = cv2.imread(’./xiabang.jpg’, cv2.IMREAD_UNCHANGED) #缩放比例 scale_percent = 0.3 width = int(img.shape[1] * scale_percent) height = int
weixin_38697274
基于水平集CV模型的图像分割(Matlab代码)
基于水平集CV模型的图像分割(Matlab代码),全套代码
小宇QAQ
导向滤波(guide_filter)的python实现
导向滤波(guide_filter)的python实现,可以结合暗通道;理论实现比较好的图像去噪效果。
zachzhan_g
ArcGIS Pro 如何新建布局
你是否已经习惯了在ArcGIS中数据视图和布局视图之间来回切换,到了ArcGIS Pro中却找不到二者之间切换的按钮,即使新建布局后却发现地图怎么却是一片空白。从上面的图中可以看到,虽然新建了布局,但是地图还是空白的,如果想要显示地图还需要加载一下,将地图加载进来。在新建的布局上绘制一个框,作为地图显示的范围,绘制后可以看到地图已经完成加载,如下图所示。在菜单栏上选择插入,点击新建布局下拉箭头,选择一个合适的尺寸,如下图所示。点击后完成布局的新建,新建的布局如下图所示。
水经注GIS
ArcGIS Pro数据修复与图层管理实战指南
本文是ArcGIS Pro数据修复与图层管理的实战指南。针对数据源丢失导致的“红色叹号”问题,详细讲解了一键批量修复和进阶手动修复策略,并分享了使用相对路径、打包工程等防患于未然的黄金法则。同时,深入介绍了如何利用图层组进行高效的地图内容组织、比例尺控制与批量操作,帮助用户构建清晰、智能的专业地图,大幅提升GIS项目管理效率。
Tomato
ArcGIS Pro布局设计实战:从空白页面到专业地图输出的完整工作流
本文详细解析了ArcGIS Pro中从“新建布局”开始,到输出专业地图的完整工作流。内容涵盖布局哲学、地图框深度运用、制图元素集成及视觉排版等核心环节,旨在帮助中级用户掌握项目驱动的现代化制图方法,实现从数据到出版级地图的精准转化。
AnjneyMidha
ArcGIS PRO布局视图避坑指南:地图框添加与坐标系设置的5个常见错误
本文针对ArcGIS PRO用户在布局视图中常遇的难题,重点解析了地图框添加与坐标系设置的5个常见错误。从地图框的创建逻辑、坐标系冲突的根源剖析,到地图范围控制、元素联动更新以及打印导出设置,提供了一套完整的避坑指南与实战解决方案,帮助用户高效、精准地完成地图制图与输出工作。
重离子猫猫
ArcGIS Pro布局设计避坑指南:为什么你的地图总是显示空白?
本文深入解析ArcGIS Pro布局设计中地图显示空白的常见问题,提供从基础操作到高级排错的完整解决方案。重点讲解地图框的正确使用方法、布局元素配置技巧,以及多地图框协同工作等进阶功能,帮助用户快速掌握专业地图制作的核心技术。
习翔宇
CV算法(MATLAB)
chan 和 vese 提出的经典CV模型
beastLOVE
GrabCut:使用opencv-python cv2.grabCut交互式剪切图像
GrabCut 使用opencv-python cv2.grabCut交互式剪切图像
Aaron Gary
Opencv-Python图像透视变换cv2.warpPerspective的示例
今天小编就为大家分享一篇关于Opencv-Python图像透视变换cv2.warpPerspective的示例,小编觉得内容挺不错的,现在分享给大家,具有很好的参考价值,需要的朋友一起跟随小编来看看吧
weixin_38711369
leetcodecv-Kylin:CV算法岗面经&LeetCode刷题总结
leetcode cv Kylin CV算法岗面经 & LeetCode刷题总结 不断更新中。。。。 面试&笔试经验 LeetCode
weixin_38499553
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS.pdf
基恩士CV-X系列相机控制器用户手册CV-X Series Users Manual_CHS真的很不错,
weixin_43905342
ArcGIS布局视图方向调整与优化技巧
地图布局方向是GIS制图的基础设置,直接影响空间数据的可视化效果。横向(Landscape)和竖向(Portrait)布局通过调整页面长宽比例,可优化不同地理要素的展示方式。在ArcGIS等专业制图软件中,方向设置会联动影响比例尺、图例等核心元素的自动适配逻辑。本文以A4纸张为例,详解通过页面设置、Python脚本批处理等技术手段实现布局方向的高效调整,并针对比例尺失准、图例溢出等典型问题提供工程解决方案。特别适用于带状区域地图制作等需要最大化利用版面空间的场景,可提升40%以上的图面利用率。
塞音菩光
ArcGIS Pro 3.4必学新功能:符号系统与布局视图的可见性联动(含省时技巧)
ArcGIS Pro 3.4引入了符号系统与布局视图的可见性联动功能,通过唯一值符号化和复选框控制,实现原子级要素显示/隐藏。这一创新极大提升了制图效率,支持在符号系统窗格、内容窗格和布局视图中同步操作,特别适合城市规划、环境监测等需要动态展示的场景。
t8u9v0
ArcGIS Pro 布局创建与地图加载全攻略
本文详细解析了ArcGIS Pro中布局与地图分离的设计哲学,并提供了从新建布局到加载地图的完整操作指南。重点介绍了如何通过“插入”选项卡新建布局、选择合适的页面尺寸,以及使用地图框工具将项目中的地图动态链接至布局。文章还涵盖了地图范围控制、比例尺锁定、图例添加等深度定制技巧,帮助用户高效创建专业地图并导出为高质量成果。
milk8
ArcGIS多图布局实战:从数据框管理到批量导出的完整指南
在地理信息系统(GIS)制图领域,将多张地图高效整合到单一版面是提升分析报告专业性与表现力的关键技术。其核心原理在于理解并运用数据框与布局视图的分离机制,通过独立的数据框承载不同区域或专题的地理数据,并在统一的布局视图中进行精确排版与视觉整合。这项技术的核心价值在于实现了制图流程的标准化与自动化,避免了传统拼图方式带来的效率低下与更新困难问题,尤其适用于区域对比、时间序列分析、综合评估报告等需要多视角、多维度展示地理信息的应用场景。本文聚焦于ArcGIS Pro平台,深入剖析了多图布局中数据框范围联动、地图
aaa1231722
monolithic-cv:CV算法的集合
单片-cv 计算机视觉算法转储
晨曦姜
改进的cv图像分割
改进的cv图像分割,对学习cv模型有帮助
a904235765
C++实现基于暗通道与导向滤波的图像去雾算法
资源下载链接为: https://pan.quark.cn/s/1bfadf00ae14 在图像处理领域,图像去雾技术用于消除大气散射导致的模糊,提升图像清晰度和视觉质量。本文将介绍一种基于暗通道和导向滤波的图像去雾算法,并探讨如何使用C++和OpenCV库实现。 暗通道理论由Jia等人于2006年提出。他们发现自然场景中存在一些低亮度像素,通常位于无直射光区域。这些像素被称为暗通道像素,可用于估计大气散射模型中的透射率。具体方法是将图像分块,在每块中找到最暗像素值作为暗通道像素。 大气散射模型是图像去雾的基础,描述了光线在大气中传播时的散射影响。模型公式为: I(x)=T(x)×J(x)+A×(1−T(x)) 其中,T(x)是透射率,J(x)是无雾图像亮度,A是全局大气光。透射率与散射程度成反比,无雾图像亮度反映物体本身色彩。 利用暗通道先验,可以近似估计透射率。假设D(x)为暗通道像素,透射率T(x)可通过迭代公式计算: T k+1 (x)= max(D)+ϵ D(x) +(1− max(D)+ϵ D(x) )×T k (x) 其中,k是迭代次数,ϵ是小常数,用于避免除零。 估计透射率后,使用导向滤波器平滑透射率图,减少噪声和边缘失真。导向滤波是一种自适应局部滤波方法,可保持图像边缘细节,同时进行平滑处理。在图像去雾中,它根据图像梯度信息指导滤波过程,更好地恢复图像清晰度。 通过大气散射模型,可得到去雾后的图像: J out (x)= T(x) I(x)−A×(1−T(x)) +A 在C++中,可借助OpenCV库处理图像数据。首先读取输入图像,然后提取暗通道,估计透射率,应用导向滤波,最终恢复无雾图像。OpenCV提供了丰富的图像处理函数,如cv::split用于分离通道,cv::min用于找最小值,cv::filter2D用于导向滤波,cv::imwrite用于保存
KaiyuanCode
cv模型图像分割matlab源程序
cv模型 matlab 图像分割源码,逻辑清晰,注释详尽。
phoenix01
CV图像分割
从pud找到的CV图像分割代码,代码的通过较少的迭代次数就可以实现图像的分割,对学习CV分割有帮助。
a904235765
ArcGIS Pro 3.0 布局视图实战:5分钟搞定专业地图的图例、比例尺与指北针
本文详细介绍了ArcGIS Pro 3.0布局视图的实战技巧,帮助用户在5分钟内高效添加图例、比例尺与指北针,打造专业地图。通过智能图例、动态比例尺和现代化指北针设计,提升制图效率与美观度,特别适合GIS初学者和从ArcMap迁移的用户。
weixin_30652491
ArcGIS Pro界面突然消失?3种恢复方法+自定义布局技巧
本文针对ArcGIS Pro用户常见的操作界面元素突然消失问题,提供了三种核心恢复方法:通过“视图”功能区一键唤回、利用“重置窗格”命令恢复默认布局,以及通过应用程序设置进行深度恢复。文章还深入讲解了如何通过停靠、分组窗格以及自定义功能区等技巧,打造高效个性化的操作界面,帮助用户从被动解决问题转向主动优化工作环境。
nnn11
Cadence Virtuoso实战:3分钟搞定反相器参数化设计(附CDF配置避坑指南)
本文详细介绍了如何在Cadence Virtuoso中利用CDF参数传递功能实现反相器的参数化设计,包括PMOS和NMOS的基础搭建、CDF配置技巧及常见报错解决方案。通过实战案例和避坑指南,帮助工程师快速掌握高效设计方法,提升集成电路设计效率。
kBlnW