墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
800+累计阅读
806平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
在地球引擎（Google Earth Engine）中进行分类分析是一个强大的功能，但是处理大量分类结果数据时可能会面临存储和管理的挑战。为了解决这个问题，我们可以将复杂多样的分类结果导出到Google云端硬盘（Google Cloud Storage）上，以便更有效地管理和共享数据。本教程将指导您如何使用GEE平台和Python代码将分类结果导出到Google云端硬盘。
# 导入必要的库
import ee
from geetools import batch
# 初始化Earth Engine
eeGEE小白入门——导出image影像数据：export操作
在 Google Earth Engine 平台上导出数据，可以利用 GEE 自带的导出功能，将分析结果导出为 Tiff、SHP、CSV、JSON 等格式的文件，并保存至 Google Drive 或者本地计算机中。（1）描述：创建一个批处理任务，以将图像作为栅格导出到 Google Cloud Storage。可以从“任务”选项卡启动任务。（2）代码：Export.image.toCloudStorage(image,（1）描述：创建批处理任务以将图像作为栅格导出到 Earth Engine 资产。
GEE数据导出保姆级教程：手把手教你将SHP/CSV文件下载到本地（附常见报错解决）
本文提供GEE数据导出的保姆级教程，详细讲解如何将SHP/CSV文件从Google Earth Engine下载到本地。涵盖从基础导出代码到高级技巧，包括常见报错解决方案和性能优化建议，帮助用户高效完成数据导出工作流。
GEE新手必看：5分钟搞定卫星影像矢量标注与SHP导出（附完整代码）
本文详细介绍了如何在Google Earth Engine（GEE）中快速完成卫星影像矢量标注并导出为SHP文件的全流程。从基础环境准备、影像加载到矢量图形绘制和SHP文件导出，提供完整代码和实用技巧，特别适合GIS新手快速上手。
GEE实战：5分钟搞定NASA 30米DEM数据下载与可视化（附完整代码）
本文提供了一份基于Google Earth Engine（GEE）平台的NASADEM 30米分辨率数字高程模型（DEM）快速获取与处理实战指南。通过详细步骤与完整代码，手把手教你5分钟内完成数据加载、区域裁剪、坡度计算、专业可视化及数据导出，极大简化了高精度地形数据的获取流程。
告别手动拼接！用GEE和Python高效处理MCD19A2 AOD数据的保姆级教程
本文提供了一份详细的教程，介绍如何使用Google Earth Engine（GEE）和Python高效处理MCD19A2 AOD数据，告别繁琐的手动拼接。通过MAIAC算法生成的高分辨率气溶胶光学厚度数据，文章对比了GEE云端处理和Python本地处理的优劣，并提供了可直接套用的代码框架，大幅提升数据处理效率。
GEE实战：基于CHIRPS降水数据的区域旱涝监测与分析
本文详细介绍了如何利用Google Earth Engine (GEE)平台和CHIRPS降水数据集进行区域旱涝监测与分析。通过实战演示，从数据获取、时间序列聚合到计算标准化降水指数(SPI)，提供了一套完整的技术流程，帮助研究人员高效完成数据分析，大幅提升农业、生态及水资源相关研究的效率。
GEE批量下载与预处理MODIS地表温度数据实战
本文详细介绍了如何使用Google Earth Engine（GEE）批量下载与预处理MODIS地表温度数据（MOD11A1），包括GEE环境准备、数据筛选、可视化检查、导出配置及本地处理技巧。通过实战案例，帮助研究者高效获取和处理地表温度数据，适用于区域气候研究和环境监测。
别再到处找数据了！手把手教你把自己处理好的遥感数据上传到GEE Assets，并随时调用
本文详细介绍了如何将处理好的遥感数据上传到GEE Assets并实现智能调用，解决数据分散和协作难题。通过数据标准化预处理、Python与JS双模式上传、资产管理系统设计及高阶应用方案，帮助用户高效管理云端数据，提升团队协作效率。
告别本地卡顿！用GEE云平台5分钟搞定城市生态遥感监测（附完整RSEI代码）
本文详细介绍了如何利用Google Earth Engine（GEE）云平台快速实现遥感生态指数（RSEI）的全流程分析。通过云端分布式计算，5分钟即可完成传统本地需数周处理的多源数据融合与主成分分析，大幅提升城市生态监测效率。文章提供完整的JavaScript代码方案，涵盖去云处理、数据融合、指标计算等关键环节，助力研究者突破硬件限制。
GEE实战：如何用Google Earth Engine批量下载30米分辨率DEM数据（含避坑指南）
本文详细解析了在Google Earth Engine中批量下载30米分辨率SRTM DEM数据的完整流程与核心策略。针对GEE的导出配额限制，提供了基于网格的智能分块算法和自动化脚本，并分享了避免投影错误、处理NoData值及本地拼接等关键避坑技巧，旨在帮助用户实现高效、稳定的数据获取。
GEE实战：基于Modis NPP数据的全球植被生产力动态监测与分析
本文详细介绍了如何利用Google Earth Engine（GEE）平台和Modis NPP数据，进行全球植被生产力的动态监测与分析。通过实战代码演示，涵盖数据加载、区域统计、年际趋势计算及空间制图等核心步骤，为生态评估与气候变化研究提供了一套高效的数据分析解决方案。
地球引擎中级教程——如何将复杂繁多的分类结果导出到 Google 云端硬盘
在大区域上使用复杂分类器时，您可能会在代码编辑器中遇到超出用户内存限制或计算超时错误。这样做的原因是有固定的时间限制和较小的内存分配给以按需计算模式运行的代码。对于较大的计算，您可以将批处理模式与Export函数一起使用。导出在后台运行，并且可以运行超过 5 分钟的时间分配给从代码编辑器运行的计算代码。这使您可以处理非常大且复杂的数据集。以下示例展示了如何将分类结果导出到 Google 云端硬盘。 我们只能导出图像或 FeatureCollections。如果您想导出一个长时间计算的结果怎么办？一个有用
信号削峰CFR基础知识介绍(一)
接下来，将得到的峰值分成若干段，在每一段中，仅保留该段内所有峰值中幅度最大的峰值。为了减少不必要的带外泄露，削峰后的信号将通过一个低通滤波器，以减少对应于削峰后信号中尖锐拐角的高频信号。首先，它识别出高于由目标PAPR确定的阈值的峰值。在峰值加窗算法中，削峰是通过在峰值区域将原始信号与一个加窗函数相乘来实现的，如下图所示。其中，w(n) 是一种常见的加窗函数，如凯撒窗、高斯窗和汉明窗等，而 p(n) 是一个加权系数。如上图所示，削峰会导致削峰后的信号出现尖锐的拐角，从而引发不必要的带外辐射（ACP增加）。
第8.1节 满足构网要求的功率器件与散热设计
摘要： 构网型变流器的功率器件选型与散热设计面临严苛要求，需综合考虑过载能力、暂态应力与可靠性。IGBT模块选型需重点评估电压/电流等级、损耗特性及结温波动，而SiC MOSFET虽具有高频低损耗优势，但面临栅极可靠性等挑战。散热设计需采用液冷等先进技术控制结温波动，并通过电热应力仿真和寿命预测实现可靠性优化。系统化选型流程需结合规范要求、工况谱分析和实测验证，为构网型变流器提供坚实的物理基础。
【OpenAirInterface知识-3】OAI端到端部署之5G基站部署
在上一篇文章中已经完成了5G核心网的部署，本篇文章将介绍OAI 5G基站的部署过程。
Cursor锁机了怎么办？实测这个开源插件帮你无限“续杯”，附详细安装与防踩坑指南
本文提供了Cursor锁机问题的详细解决方案，包括使用开源插件`cursor-fake-machine`修改机器标识、锁定配置文件权限以及优化使用规范。同时介绍了如何利用Cursor开发油猴脚本将微信公众号文章高效转换为Markdown格式，提升内容创作效率。
麒麟V10系统下CoreDump文件自动归档与快速定位指南（附coredumpctl实战）
本文详细介绍了在麒麟V10操作系统下，如何利用systemd-coredump机制和coredumpctl工具实现CoreDump文件的自动化管理与高效调试。内容涵盖从系统架构解析、自动化配置策略，到使用coredumpctl进行快速查询、过滤与深度分析的实战指南，旨在帮助运维人员和开发者快速定位系统崩溃的根本原因，提升问题排查效率。
RK3568 HDMI输出调试：分辨率切换与EDID解析
厂商信息（Vendor ID）显示器型号（Product ID）支持的分辨率列表色彩特性音频支持情况检查项方法HPD 信号EDID 读取当前模式TMDS 时钟PHY 状态。
交货单冲销发货过账的正确姿势：用 VL09 与 ABAP 批量反冲 Goods Issue
摘要 本文详细解析了SAP系统中VL09事务码的技术实现与业务应用。VL09用于反冲发货的货物移动，通过标准冲销路径（移动类型602冲销601）确保单据链路一致、状态机正确回退和业务规则生效。文章对比了经典VL09与Fiori应用在不同SAP产品形态中的位置，并针对STO场景提供了ME23N验证方法。核心内容包括WS_REVERSE_GOODS_ISSUE函数模块的调用要点、必须COMMIT的原因（SAP LUW机制），以及处理Handling Unit等限制条件的注意事项。最后给出了将VL09工程化的项目
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
1万+
扫一扫
