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
853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
Google Earth Engine是一个强大的云平台，用于存储、分析和可视化地理空间数据。通过结合Google的大规模计算能力和地理空间数据集，用户可以进行广泛的地理数据分析和可视化，从而洞察地球上的各种现象和变化。geemap是一个基于Google Earth Engine的Python库，它提供了简单易用的工具，帮助用户在Jupyter Notebook中进行地理数据分析和可视化。
使用geemap进行地理数据分析和可视化非常简单。下面将介绍geemap的基本功能，并提供一些示例代码来说明其用法。
首先，你需要安装geemap库。可以通过以下命令使用pip安装：
!pip install geemap
安装完成后，你就可以在Jupyter Notebook中导入geemap库了。
在使用geemap之前，你需要初始化一个地图对象。可以通过以下代码创建一个地图对象：
import geemap
Map = geemap.Map(从0开始学GEE python——Google Earth Engine (GEE) 和 geemap 库来获取 Sentinel-2 卫星影像，并将其可视化
这段代码的目的是从 Sentinel-2 卫星影像中获取特定地点的影像，并将其可视化在地图上。通过设置合适的波段和可视化参数，用户可以清晰地查看该地区的卫星影像。
【Python-geemap教程】开篇：基于Miniconda搭建geemap与GEE开发环境
本教程详细介绍了如何基于Miniconda搭建geemap开发环境，为地理空间分析奠定基础。主要内容包括：安装轻量级的Miniconda包管理工具；创建Python 3.8的独立Conda环境；安装Jupyter Lab交互开发环境；配置geemap和GEE API；完成GEE身份认证；并通过土地覆盖数据可视化案例验证环境可用性。该环境具有隔离性好、可复现性强的特点，能有效避免依赖冲突，为后续geemap应用开发提供稳定支持。
从0开始学GEE——基于geemap的ERA5可视化加载
从 Google Earth Engine 加载 2022 年 1 月-2023年2月的气候数据，并将其可视化在一个交互式地图上geemap是一个Python库，用于在Jupyter Notebook或Google Colab中进行地理空间数据可视化和分析。它是基于Google Earth Engine API开发的，提供了一系列功能强大的工具和函数，可以帮助用户轻松地处理和可视化地理空间数据。
从0开始学GEE python——Google Earth Engine (GEE) 和 geemap 库来创建特征集合、显示地理数据以及生成随机点可视化
这段代码展示了如何创建特征集合、从已有数据集中加载特征、生成随机点，并使用 geemap 库将这些数据可视化。通过这些步骤，用户可以方便地进行地理空间分析和可视化。
Google Earth Engine 简明教程：探索地球数据与编程
Google Earth Engine（GEE）是一个强大的云计算平台，为用户提供了访问和分析来自全球范围内的卫星影像和地理空间数据的能力。通过结合遥感数据、地理信息系统（GIS）和编程技能，GEE为研究人员、学生和开发者们提供了一个强大的工具，用于监测地表变化、研究环境问题以及构建地理空间应用程序。通过加载和可视化数据、执行数据分析和计算，以及结果的可视化和导出，您可以利用GEE进行地球数据的探索和研究。然后，您可以在网站上访问GEE JavaScript代码编辑器，开始编写和执行您的代码。
GEE必须会教程—Map工具的使用
本系列文章是对GEE数据类型的全面解读，对零基础入门和老熟人都很友好，希望能够对大家快速掌握遥感大数据工具有帮助。
Google Earth Engine（GEE）——geemap介绍(PYTHON API)
介绍 geemap是一个 Python 包，用于与Google Earth Engine(GEE)进行交互式地图绘制，GEE 是一个云计算平台，具有数 PB的卫星图像和地理空间数据集目录。在过去的几年中，GEE 在地理空间社区中变得非常流行，它在本地、区域和全球范围内为众多环境应用提供了支持。GEE 提供 JavaScript 和 Python API 来向地球引擎服务器发出计算请求。与全面的文档和交互式 IDE（即GEE JavaScript 代码编辑器）相比) 的 GEE JavaScript AP.
第一章：GEE 和 GEEMAP
在本章中，我们将介绍地理空间数据科学、谷歌地球引擎和地理地图的基础知识。然后，我们将逐步完成设置 conda 环境和安装 geemap 的步骤。我们还将学习如何在不在您的计算机上安装任何东西的情况下将 geemap 与 Google Colab 一起使用。...
短信验证码接收平台完整搭建教程（超详细版，附完整源码）
在网站注册、用户登录、找回密码等功能中，验证码（特别是短信验证码）已成为验证用户身份的常见方式。本教程将详细介绍如何从零搭建一个短信验证码接收平台，用于保存、展示并管理来自短信网关或中间转发程序提交的验证码数据。✅ 教程适合有基本 Python/HTML 基础的开发者🚫 禁止用于任何违法用途，仅供学习参考✅ 支持通过 POST 接口接收短信验证码✅ 支持通过网页实时查看验证码历史记录✅ 验证码信息保存在 SQLite 数据库✅ 支持时间戳排序、查询最新验证码。
Python 格点数据插值到站点 最邻近插值 双线性插值
python 气象数据格点数据插值到站点，最邻近插值法，双线性插值法
Ansys Lumerical 启动时出现 Error: Could not connect to Ansys license server specified at 1055@ 的另一种解决办法
昨天在关闭了中之后 就能正常打开 FDTD 了，结果今天想开启出现了同样的报错：我猜测昨天能启动的原因在于关闭之后要重启电脑，并且在重启之后我第一时间打开 lumerical 测试因此端口没有被占用，今天是在电脑启动之后一段时间才打开所以又遇到了端口占用的问题。
Token算力工厂建设方案：从GPU集群到计量计费的全链路设计
在AI应用从“租核”走向“买Token”的范式转换中，算力交付的核心指标已不再是vCPU或GPU实例，而是单位时间内的Token产出量与单Token成本。这一变化推动基础设施从资源租赁向计件生产演进，要求GPU集群、推理引擎、调度系统、计量计费等模块像工厂产线一样协同运转。本文从硬件异构混部、存储网络设计、推理引擎调优、Token网关与配额管理、稳定性治理等维度，系统拆解如何构建一座可量化、可计费、可扩展的Token算力工厂，并给出分三期落地的推进节奏，帮助架构师与技术管理者在AI基础设施建设中实现成本可控
ENS160传感器原理图设计，已量产（空气质量传感器）
ENS160 是一款集成式数字空气质量传感器，核心优势源于 “MEMS 传感元件 + 内置微处理器” 的架构。
【YOLO26实战全攻略】10——YOLO26+SAM3实战：从检测到像素级分割的全流程指南（含PCB缺陷检测案例）
本文聚焦YOLO26与SAM3的融合应用，系统讲解“检测+分割”的三种核心模式：YOLO26原生分割（轻量高效）、YOLO26检测+SAM3精细分割（精度极致）、SAM3自动标注+YOLO26蒸馏（低成本冷启动）。从环境搭建、数据集准备、模型训练、性能优化到边缘部署，提供 step-by-step 实操教程，配套完整可运行代码与执行结果。结合虚拟PCB缺陷检测案例，展示像素级缺陷识别与几何参数测量的工业级应用流程。本文兼顾新手入门与进阶提升，注重实用价值，读者可直接参考搭建自己的分割系统。
【win10】win 10 电脑喇叭音频显示红叉的处理方法
目录 一、报错情况 二、“音频服务未运行”解决方法 三、“未插入扬声器或耳机”解决方法 一、报错情况 （1）当电脑的扬声器喇叭图标上带有红X符号，提示“音频服务未运行”时： （2）小喇叭上面有红叉，显示“未插入扬声器或耳机”时： 二、“音频服务未运行”解决方法 （1）开始菜单搜索“服务”： （2）没有启动的点击“启动”，已启动的点击“重新启动”： （3）继续，右...
华为OD机考双机位C卷 - 文件存储系统的排序（Java & Python & JS & GO & C++ & C）
华为OD机考双机位C卷 - 文件存储系统的排序， 提供Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解，以及在线OJ模拟做题。
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
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")
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
1167
扫一扫
