- 博客(676)
- 资源 (18)
- 收藏
- 关注
原创 2024/3/23
自己也是那个放学后不回家在球场打球的少年。可以看到篮球场上正在打球的学生。虽然现在的你或许比从前成熟了。但是这个过程你却丢了很多东西。可以自由自在的奔跑欢笑。生活是一个成长的过程。
2024-03-23 19:40:07 293
原创 利用 Python 处理遥感影像数据:计算年度平均影像
在地球科学、气象学以及环境监测等领域,遥感影像数据是一种重要的信息源,它们可以提供地表的地形、植被覆盖、气候变化等丰富信息。然而,随着观测技术的进步,我们通常会获得大量的遥感影像数据,如何高效地处理和分析这些数据成为了一项挑战。本文将介绍如何利用 Python 中的 GDAL 库处理遥感影像数据,并通过计算年度平均影像来提取更有意义的信息。
2024-03-15 12:02:23 483 2
原创 2024/2/24
人无法同时拥有青春和对于青春的感受。有些东西要靠失去才明证明它的珍贵。一开始我就拥有世界上最珍贵的爱。才发现那把钥匙早已握在手中。一生所求无非是爱与自由。
2024-02-24 21:23:21 348
原创 【机器学习】Kmeans如何选择k值
确定 K 值是聚类分析的一个重要步骤。不同的 K 值可能会产生不同的聚类结果,因此选择合适的 K 值非常重要。
2024-02-09 13:03:12 1487
原创 kmeans聚类选择最优K值python实现
并且,当k小于真实聚类数时,由于k的增大会大幅增加每个簇的聚合程度,故SSE的下降幅度会很大,而当k到达真实聚类数时,再增加k所得到的聚合程度回报会迅速变小,所以SSE的下降幅度会骤减,然后随着k值的继续增大而趋于平缓,也就是说SSE和k的关系图是一个手肘的形状,而这个肘部对应的k值就是数据的真实聚类数。其中,Ci是第i个簇,p是Ci中的样本点,mi是Ci的质心(Ci中所有样本的均值),SSE是所有样本的聚类误差,代表了聚类效果的好坏。可以看到,轮廓系数最大的k值是3,这表示我们的最佳聚类数为3。
2024-02-09 12:56:40 520
原创 软件工程导论例题详解(整本书)
一、什么是软件危机?它有哪些典型表现?为什么会出现软件危机? 答:软件危机是指在计算机软件开发、使用与维护过程中遇到的一系列严重问题和难题。它包括两方面:如何开发软件,已满足对软件日益增长的需求;如何维护数量不断增长的已有软件。 软件危机的典型表现: (1) 对软件开发成本和进度的估计常常很不准确。常常出现实际成本比估算成本高出一个数量级、实际进度比计划进度拖延几个月甚至几年的现象。而为了赶进度和节约成本所采取的一些权宜之计又往往损害了软件产品的质量。这些都降低了开发商的信誉,引起用户不满。 (2) 用户对
2024-01-26 22:24:25 1122
原创 最新详细eclipse下载、安装、汉化教程
清华大学镜像(北京):https://mirrors.tuna.tsinghua.edu.cn/eclipse/technology/babel/update-site/latest/南京大学镜像(南京):https://mirrors.nju.edu.cn/eclipse/technology/babel/update-site/latest/官方地址(在国外,不建议使用):https://download.eclipse.org/technology/babel/update-site/latest/
2024-01-26 22:19:23 1418
原创 【Python】遥感数据趋势分析Sen+mk
1.Theil-Sen Median方法又被称为 Sen 斜率估计,是一种稳健的非参数统计的趋势计算方法。该方法计算效率高,对于测量误差和离群数据不敏感,常被用于长时间序列数据的趋势分析中。对于后续代码计算结果中的slope.tif解读,当slope大于0表示随时间序列呈现上升趋势;slope小于0表示随时间序列呈现下降趋势。
2024-01-18 17:38:27 1216
原创 基于长时间序列栅格数据的MK检验
MK检验是曼-肯德尔法,又称Mann—Kenddall 检验法,是一种气候诊断与预测技术,应用Mann-Kendall检验法可以判断气候序列中是否存在气候突变,如果存在,可确定出突变发生的时间。目前常用于长时间序列的栅格数据的显著性检验,在植被覆盖度,NDVI,NPP等方面尤为常见。该检验功能强大,不需要样本遵从一定的分布,部分数据缺失不会对结果造成影响,不受少数异常值的干扰,适用性强。不但可以检验时间序列的变化趋势,还可以检验时间序列是否发生了突变。Matlab代码实现。
2024-01-18 17:19:05 550
原创 基于R语言的NDVI的Sen-MK趋势检验
本实验拟分析艾比湖地区2010年至2020年间的NDVI数据,数据从MODIS遥感影像中提取的NDVI值,在GEE遥感云平台上将影像数据下载下来。下载该10年间的数据后,打开RStdio并导入将趋势检验中将使用的R包。R语言计算完slope和Z值后,根据这两个结果就可以进行NDVI趋势制图了。使用栅格计算器将Slope和Z值计算结果相乘,最后得到趋势变化划分。−0.0005≥SNDVI≥0.0005 植被生长稳定。|Zs|≥0.196 通过95%置信度检验,显著。SNDVI≥0.0005 植被改善。
2024-01-18 17:04:59 835
转载 TIMESATv3.3 EVI物候提取
比如,我的研究区位于沿海,nodata值比较多,于是想到使用一个规则的矩形矢量掩膜裁剪经MRT融合后的数据,使得图幅包含研究区,并且Nodata值较少】运行成功后,在路径(Matlab当前工作路径)下找到生成的txt文件,改成合适的后缀就可以在TSM_imageview 里查看【这步我有一点小问题,还没能成功显示图像,但好像这一步不能显示的话,关系也不大,可以继续后续操作,以最终结果能否在ENVI里成功显示为准】因此直接使用原始数据的头文件是会报错的,需要手动修改。
2024-01-17 15:59:16 193
原创 GEE中Sentinel-2数据集区别:COPERNICUS/S2、COPERNICUS/S2_SR、COPERNICUS/S2_SR_HARMONIZED
未经过大气校正,为大气表观反射率: COPERNICUS/S2,RGB图像如下图:2023年10月。COPERNICUS/S2_SR_HARMONIZED,RGB图像如下图:2023年10月。:COPERNICUS/S2_SR,RGB图像如下图:2023年10月。sentinel-2主要三个。
2024-01-17 13:45:20 580
原创 使用scikit-image遥感图像geotiff格式转mat格式
scikit-image 是一个专门用于的 Python 库,它可以与 Scipy 库和其他可能有助于计算的 Python 库一起使用。Star有5.3k首先pip安装scikit-image包,或者直接使用pycharm安装scikit-image包含一下相关子模块,这里我们使用io模块实现格式转换,输入的geotiff具有很多个波段。子模块名称主要实现功能io读取、保存和显示图片或视频data提供一些测试图片和样本数据color颜色空间变换filters。
2024-01-17 13:36:31 534
原创 TIMESAT提取物候信息操作流程
MODIS A3或Q1的NVI(NDVI)均测试过这个流程,可行(大拇指)。TIMESAT输入n年数据,提取n-1年的物候参数。通常用三年的数据,取中间一年的物候影像。因为软件无论提取的是像元的前两年物候,还是后两年,均有中间的年份,像元的物候更完整;还能保证是完整的物候周期,结果更准确。如果是一年的数据,倒也是可以用一年的数据复制成三年,骗过软件。
2024-01-16 19:21:42 719
原创 常用植被物候提取方法
2] 刘建文, 周玉科. 站点尺度的青藏高原时序 NDVI 重构方法比较与应用[J]. 地理科学进展, 2018, 37(3): 427-437.(
2024-01-16 19:19:54 997
原创 2024/1/10
我希望日子如风雨急而车马慢。你把漫天的银色都铺做了路。更看不到四十四次的落日。才会使得像我这样的差生。也能看到莺飞草长舟自横。
2024-01-10 01:12:19 443
原创 【机器学习】scikit-learn机器学习中随机数种子的应用与重现
在未来想要重新获取X_train, X_test, y_train, y_test的时候可以再次调用以下语句。随机数种子是为了能重现某一次实验生成的随机数而设立的,相同的随机数种子下,生成的随机数序列一样。X,y分别为原数据与标签,0.3指的是把X和y随机分为30%的测试数据和70%的训练数据。检验新生成的数据和同样的随机数种子下生成的数据是否一样,可以自行运行程序发现是一样的。可以看到out[6]之前加载了随机数种子1之后可以重现第一次随机数的生成结果。这里的随机数种子参数为random_state。
2024-01-08 18:49:14 571
原创 2024/1/5
但你能想象一帮朋友在门庭若市的商场逛街吃饭游戏的喜悦吗。但你能想象从起床就开始为一天的晚宴准备的兴奋吗。时间的维度始终不以人的意识而改变。希望人生的狂野可以漫无目的的奔跑。虽然不记得梦里的其他细节了。距离二零二四年一月一日元旦。漫无目的的聊天打牌观影做饭。并斟满酒盅欢饮而下的幸福吗。你能想象在一年的最后一天。喊出新年快乐的热泪盈眶吗。你能想象所有朋友共聚一堂。却不见与我一同追风的人。但我想我梦到的是时间。所有人在大屏幕前倒数。把一桌美味的饭菜围住。
2024-01-05 16:08:10 429
原创 2023/12/22
没有人会在自己将近二十四岁时就搞清楚人生。永远愿意为新一轮的太阳和落日欢呼。是可以坐着滑沙板滑下去的那种沙。我尝试去做一些不安于现状的事情。我穿越云巅来到离家千里的地方。虽然不能跟海绵宝宝一直抓水母。是那种像沙滩脚下踩到的那种沙。是我们一堆人肆无忌惮的爬着。当然也有很多人生中的第一次。但起码我追到了海边的晚风。不知疲惫的奔跑着的那种沙。仿佛世间的白色都尤不可及。我去了考研那天住的酒店。志愿者的经历真的很有趣。遇到了很多有趣的灵魂。清晰的记得圣诞节那天。我去了梦寐以求的海边。用英语跟外国学者交流。
2023-12-22 01:00:15 465
原创 基于代码一步一步教你深度学习中循环神经网络(RNN)的原理
我们从初始字符开始,迭代地将字符索引输入到模型中,获取模型的输出并选择最高分数对应的字符作为预测结果。然后,我们将预测字符添加到结果中,并将预测字符作为下一个时间步的输入,继续迭代生成下一个字符,直到生成与原始文本长度相同的文本序列。在前向传播过程中,我们将输入张量通过嵌入层转换为向量表示,然后通过RNN层处理序列并输出隐藏状态,最后通过线性层映射隐藏状态到输出空间。然后,我们定义了模型的参数,包括输入大小(字符的种类数)、隐藏层大小、输出大小(字符的种类数)。接下来,我们定义了一个RNN模型。
2023-12-18 18:27:30 930
原创 小白看得懂的 Transformer (图解)
另一个完成这个任务的方法是留住概率最靠高的两个单词(例如I和a),那么在下一步里,跑模型两次:其中一次假设第一个位置输出是单词“I”,而另一次假设第一个位置输出是单词“me”,并且无论哪个版本产生更少的误差,都保留概率最高的两个翻译结果。第六步是对加权值向量求和(译注:自注意力的另一种解释就是在编码某个单词时,就是将所有单词的表示(值向量)进行加权求和,而权重是通过该词的表示(键向量)与被编码词表示(查询向量)的点积并通过softmax得到。而自注意力机制会将所有相关单词的理解融入到我们正在处理的单词中。
2023-12-18 18:26:50 1114
原创 神经网络训练过程中不收敛或者训练失败的原因
在面对模型不收敛的时候,首先要保证训练的次数够多。在训练过程中,loss并不是一直在下降,准确率一直在提升的,会有一些震荡存在。train loss 不断上升,test loss不断上升,说明网络结构设计不当,训练超参数设置不当,数据集经过清洗等问题。train loss 趋于不变,test loss趋于不变,说明学习遇到瓶颈,需要减小学习率或批量数目;train loss 不断下降,test loss不断下降,说明网络仍在学习;train loss 不断下降,test loss趋于不变,说明网络过拟合;
2023-12-13 11:57:43 510
原创 利用SPSS进行神经网络分析过程及结果解读
等领域有着广泛而吸引人的前景,特别在智能控制中,人们对神经网络的自学习功能尤其感兴趣,并且把神经网络这一重要特点看作是解决自动控制中控制器适应能力这个难题的关键钥匙之一。需要生成一个分组变量,用于区分训练集以及验证集。通过计算变量,生成分组变量。本例通过几个自变量预测是否有高血压,2个分类变量,一个性别,一个吸烟;下图为程序运行后的神经网络图,线条的粗细代表了权重的大小。以及分类对具体的分类结果以及预测模型的分类结果进行了比较。点击导出,可以保存相应模型,用于新数据的预测。点击保存,勾选预测值和预测概率。
2023-12-13 11:56:25 1333
原创 pytorch实战经验:4个提高深度学习模型性能的技巧
深度学习是一个广阔的领域,但我们大多数人在构建模型时都面临一些共同的难题在这里,我们将讨论提高深度学习模型性能的4个难题和技巧这是一篇以代码实践为重点的文章,所以请准备好你的Python IDE并改进你的深度学习模型!过去两年的大部分时间,我几乎都在深度学习领域工作。这是一个相当好的经历,这中间我参与了图像和视频数据相关的多个项目。在那之前,我处于边缘地带,我回避了对象检测和人脸识别等深度学习概念。直到2017年底才开始深入研究。在这段时间里,我遇到了各种各样的难题。
2023-12-12 16:42:00 1301
原创 卷积神经网络(CNN)中感受野的计算问题
如下图所示的原始图像,经过kernel_size=3, stride=2的Conv1,kernel_size=2, stride=1的Conv2后,输出特征图大小为2×2,很明显,原始图像的每个单元的感受野为1,Conv1的每个单元的感受野为3,而由于Conv2的每个单元都是由范围的Conv1构成,因此回溯到原始图像,每个单元能够看到大小的区域范围。显然重叠的部分一定是与你的stride的有关的,如果你的stride很大,显然是不会有重合,所以,越小重合越多.(注意:这里计算的是在原图上的重合)
2023-12-12 16:35:48 1004
原创 2023/12/11
有意思的是可以自己买食材并且抄一道并不是很难的番茄鸡蛋。有意思的是在冰冷的街路上可以买到热气腾腾的烤地瓜。有意思的是可以漫无目的的游荡在漫天风雪之中。我说我要在初雪投进那冬天的第一颗球。有意思的是可以在晚上十二点半的时候。小的你分不清他是雪还是清晨的雾凇。有意思的是可以坐在一块打着麻将。因为我知道有些话并不是词不达意。但我希望我的生活可以充满惊喜。像五月底遍布山间的蒲公英。在维族餐厅收到共舞的邀请。果然二十四节气是有用的。天空中飘散了微小的雪花。这是在十一月之后的雪。至此我的流水账记完了。
2023-12-11 23:56:01 368
原创 t-SNE完整笔记 (附Python代码)
t-SNE(t-distributed stochastic neighbor embedding)是用于的一种机器学习算法,是由 Laurens van der Maaten 和 Geoffrey Hinton在08年提出来。此外,t-SNE 是一种非线性降维算法,非常适用于高维数据降维到2维或者3维,进行可视化。t-SNE是由SNE(Stochastic Neighbor Embedding, SNE;Hinton and Roweis, 2002)发展而来。
2023-12-11 16:26:19 681
原创 ArcGIS无法绘制一个或多个图层
一个数据只能参加一个拓扑,一个拓扑可以有多个数据,一旦建立拓扑检查,数据不可修改删除,数据很多操作有限制,删除拓扑之后就可以。shp不可以直接进行拓扑检查,需要导入数据集 或者新建数据集,坐标系要一致,做拓扑检查之前数据需要备份。数据必须放数据集里,不放在数据集中就无法创建拓扑,报错如下。打开工具箱---数据管理工具---要素---检查几何。打开工具箱---数据管理工具---要素---修复几何。做拓扑检查之前先做修复几何,拓扑检查错误会减少很多。拓扑会修改数据,数据会发生改变。新建拓扑,不能重叠,结果。
2023-12-11 11:25:02 924
原创 基于深度学习的超分辨率图像技术一览
SR取得了显著进步。一般可以将现有的SR技术研究大致分为三大类:监督SR,无监督SR和特定领域SR(人脸)。如今已经有各种深度学习的超分辨率模型。这些模型依赖于有监督的超分辨率,即用LR图像和相应的基础事实(GT)HR图像训练。虽然这些模型之间的差异非常大,但它们本质上是一组组件的组合,例如模型框架,上采样方法,网络设计和学习策略等。从这个角度来看,研究人员将这些组件组合起来构建一个用于拟合特定任务的集成SR模型。由于图像超分辨率是一个病态问题,如何进行上采样(即从低分辨率产生高分辨率)是关键问题。基于采用
2023-12-10 21:14:09 1168 1
原创 机器学习算法性能评估常用指标总结
ROC(Receiver Operating Characteristic)翻译为"接受者操作特性曲线"。曲线由两个变量1-specificity 和 Sensitivity绘制. 1-specificity=FPR,即负正类率。Sensitivity即是真正类率,TPR(True positive rate),反映了正类覆盖程度。这个组合以1-specificity对sensitivity,即是以代价(costs)对收益(benefits)。
2023-12-10 21:13:17 815
原创 ArcMap中构建金字塔详解
金字塔可用于改善性能。它们是原始栅格数据集的缩减采样版本,可包含多个缩减采样图层。金字塔的各个连续图层均以 2:1 的比例进行缩减采样。如下图所示。从金字塔的底层开始每四个相邻的像素经过重采样生成一个新的像素,依此重复进行,直到金字塔的顶层。重采样的方法一般有以下三种: 双线性插值(BILINEAR)、最临近像元法(NEAREST)、三次卷积法(CUBIC)。其中最临近像元法速度最快,如果对图像的边缘要求不是很高,最适合使用该方法。
2023-12-08 12:38:41 1279
原创 K-means算法通俗原理及Python与R语言的分别实现
其实,这个过程相对比较简单,给我一组聚类中心,总能根据到聚类中心距离最小原则生成一组聚类方案,然后计算各个类别到聚类中心距离总和是否下降,如果距离总和下降,就继续计算每类数据点平均值(新的聚类中心),对应的聚类方案要好(还是那句话:给我一组聚类中心,总能根据到聚类中心距离最小原则生成一组聚类方案),然后不断计算,直到距离总和下降幅度很小(几乎收敛),或者达到指定计算次数。第一类:2,4,9,10,11,12,13,14。#-------随机产生-----#聚成3类,分别有8,3,5个数据。
2023-12-08 00:34:30 1212
原创 利用R语言heatmap.2函数进行聚类并画热图
数据聚类然后展示聚类热图是生物信息中组学数据分析的常用方法,在R语言中有很多函数可以实现,譬如heatmap,kmeans等,除此外还有一个用得比较多的就是heatmap.2。而且通过对cluster树的比较,我们可以从中挑选出最好、最稳定到cluster方法,为后续分析打好基础!下面还是在调控聚类树,但是我没看懂跟上面的参数有啥子区别!X就是一个矩阵,里面是我们需要画热图的数据。Cc也是一个调色板,有11个颜色,也是渐进的。Rc是一个调色板,有32个颜色,渐进的。hv是一个热图对象!
2023-12-08 00:33:02 1352
原创 【深度学习】一维数组的 K-Means 聚类算法理解
分组内遍历原数组的每个元素与聚类中心的每个元素的距离(差值的绝对值),将最小距离的聚类中心数组下标缓存的临时变量临时变量数组A中(长度=原数组),对分组后的数组计算中间值存入缓存聚类中心数组,比较缓存剧烈数组和聚类数组,是否位置一样,值一样,如果一样跳出死循环,分类结束,然后初始化一个K长度的数组,值随机(尽量分布在原数组的更大的区间以便计算),用于和源数组进行比对计算。遍历临时变量数组A,使用A的小标拿到原数组对应的值,赋值给分组数组。一个缓存临时聚类中心的数组,我们称之为【缓存聚类中心数组】
2023-12-08 00:31:47 1149
原创 【深度学习】一维数组的聚类
在学习聚类算法的过程中,学习到的聚类算法大部分都是针对n维的,针对一维数据的聚类方式较少,今天就来学习下如何给一维的数据进行聚类。
2023-12-08 00:29:44 1446
原创 【深度学习】迁移学习中的领域转移及迁移学习的分类
根据分布移位发生的具体部分,域移位可分为三种类型,包括协变量移位、先验移位和概念移位协变量移位:在协变量移位的情况下,源域和目标域的边际分布是不同的,即ps(x)∕= pt(x),而给定x的y的后验分布在域之间保持相似,即ps(y|x)≈pt(y|x)(图1)。当不同的传感器、遥远的地理区域或不同的时间窗采集相同光谱波段的数据时,就会发生协变量移位。例如,Landsat-8和Sentinel-2都提供可见光和近红外波段的观测。然而,其传感器之间的中心波长、带宽和空间分辨率的变化可能导致Landsat-
2023-12-07 12:29:48 1591
原创 【GEE】时间序列多源遥感数据随机森林回归预测|反演|验证|散点图|完整代码
分类和回归之间的主要区别在于,在分类中,我们的预测目标是离散的类别,而在回归中,预测目标是连续的预测值。本实验的研究区域位于佛蒙特州的埃塞克斯郡,使用训练数据来模拟土壤氧化还原深度,然后生成准确度评估图表和统计数据。(数据仅供实验使用,不代表真实值)
2023-12-07 12:14:11 1767 1
原创 2023/12/6
正是他在另一面燃烧着爬上山巅布散烈烈朝晖之时。有一天,我也将沉浸着走下山去,扶着我的拐杖。“但是太阳它每时每刻都是夕阳,也是旭日。当他熄灭着走下山去收尽苍凉残照之际。势必会跑上来一个欢蹦的孩子。那一天,在某一处山洼里。
2023-12-06 22:46:53 361
MODIS数据产品预处理产品-MCTK重投影
2023-10-24
HDF5 读取-HDF5 Browser
2022-11-19
php基于Thinkphp3.2的毕设选题系统源码.zip
2022-01-17
java学生作业管理系统.zip
2021-01-06
学生作业管理StudentSystem-master.zip
2021-01-06
学生作业管理StudentManageSystems-master.zip
2021-01-06
带有管理员的名片管理系统
2020-07-17
web开发名片管理系统.zip
2020-07-05
BookMS图书管理系统.zip
2020-06-30
JavaWeb实验报告.pdf
2020-06-25
Java实验报告.pdf
2020-06-25
第2版_第7章_Java_Web常用开发模式.ppt
2020-06-19
第2版_第6章_Servlet技术.ppt
2020-06-19
第2版_第5章_JavaBean技术.ppt
2020-06-19
第2版_第4章_JDBC数据库访问技术.ppt
2020-06-19
第2版_第3章_JSP技术.ppt
2020-06-19
第2版_第2章_静态网页开发技术.ppt
2020-06-19
第2版_第1章_Java_Web应用开发技术.ppt
2020-06-19
第1章_作业——Java Web应用程序的开发与部署.pptx
2020-06-18
通讯录源文件.cpp
2020-06-18
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人