基于 2,500 平方公里实景数据,北师大团队提出 StarFusion 模型,实现高空间分辨率图像预测

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

在科技浪潮是推动下,传统农业正经历一场智能化变革。作为现代农业的「千里眼」,农业遥感通过收集卫星和无人机等平台的遥感数据,被广泛应用于监测作物生长状况、土地利用与覆盖变化、病虫害情况、水资源管理和农业环境的演变等多个方面。 农业遥感能够为决策者提供实时、深入的洞察力,确保了信息的精确性和决策的前瞻性。

然而,遥感数据在农业中应用通常需要高空间分辨率 (HSR) 和频繁的观测。受限于光学卫星影像的重访周期和云层污染等因素,卫星监测作物生长的能力经常会受到严重的影响。

为了获得高时空分辨率的合成图像,人们开发了许多时空融合方法,但现有方法在模型开发和验证方面主要集中在融合中低空间分辨率卫星数据,当涉及到融合中等和高空间分辨率图像时,其适用性仍然面临各种挑战。

为了解决这些问题,北京师范大学地表过程与资源生态国家重点实验室陈晋团队,提出了一种双流时空解耦融合架构模型 StarFusion, 该模型将传统的 STF 方法与深度学习相结合,能够克服大多数现有深度学习算法需要 HSR 时间序列图像进行训练的问题,充分实现高空间分辨率图像的预测。

研究亮点:

  • StarFusion 融合 Gaofen-1 和 Sentinel-2 卫星数据,以生成高时空分辨率的图像

  • StarFusion 通过结合基于深度学习的超分辨率方法和偏最小二乘回归模型,并通过边缘和颜色加权损失函数,保持了高融合精度和良好的空间细节

  • StarFusion 模型在 3 个不同区域的实验地点,相比于传统的时空融合方法和基于深度学习的方法,表现出更优的整体性能和时间传递性

在这里插入图片描述

论文地址:

https://doi.org/10.34133/remotesensing.0159

数据集下载地址:
https://go.hyper.ai/LGmkW

开源项目「awesome-ai4s」汇集了百余篇 AI4S 论文解读,并提供海量数据集与工具:

https://github.com/hyperai/awesome-ai4s

数据集:立足山东两县,集成使用 Gaofen-1 和 Sentinel-2 卫星数据

该研究设计了全面的评估实验,使用了来自 Gaofen-1 和 Sentinel-2 卫星的数据集,每个数据集都覆盖了相同的地理区域。

研究地点

该研究选择在山东省的费县和郓城县进行,研究区域面积约为 2,567 平方公里,具有多种土地覆盖类型。为确保景观多样性,该研究确定了 3 个子区域作为实验地点,这些区域都是农田、水体、道路和建筑物的混合体,并且区域内景观的异质性也表现出明显的区别。

在这里插入图片描述

费县和郓城县的 Gaofen-1 卫星场景

数据预处理

如下表所示,该研究主要采用 Gaofen-1 卫星产生分辨率为 2 米的画质相对清晰的图像,采用 Sentinel-2 卫星产生分辨率为 10 米的画质相对粗糙的图像。然后,该研究将 Sentinel-2 图像与 Gaofen-1 数据相匹配的 2 米空间分辨率进行了对齐与地理校正。

在这里插入图片描述

Gaofen-1 和 Sentinel-2 在 3 个站点的图像信息

为了协调 Gaofen-1 和 Sentinel-2 的光谱特性,该研究使用了线性回归模型,将 Sentinel 数据的每个波段作为因变量,相应的 Gaofen-1 数据波段作为自变量,构建了单变量回归模型,然后将构建模型的斜率和截距应用于每个波段 Gaofen-1 图像的每个像素。这个拟合过程确保了转换后的 Gaofen-1 图像能够密切反映 Sentinel-2 的光谱响应,从而有效地减少了它们之间的光谱不匹配。

StarFusion:模型整合 SRGAN 和 PLSR ,增补 ECW 加权函数

如下图所示,StarFusion 融合了在基准日期 (T1) 获得的 Gaofen-1 数据,以及在基准日期 (T1) 和预测日期 (T2) 获得的 Sentinel-2 数据。基于采集到的数据,StarFusion 将 SRGAN (Grad-SRGAN-STF) 和 PLSR 的两大融合模型整合到一个双流时空解耦融合架构中,从而可发挥出两个模型的优势。

在这里插入图片描述

StarFusion 方法流程图

在偏最小二乘回归模型 (PLSR) 部分,该研究基于尺度不变假设 (Scale invariant),建立了具有更高自由度的多变量回归关系模型,进而更准确地预测时间变化。考虑到 Sentinel-2 相对于 Gaofen-1 图像的空间分辨率较低,该研究还设计了一种梯度图 SRGAN 模型 (Grad-SRGAN) 来处理粗糙图像到精细图像的降尺度任务。

进一步地,该研究中还提出了一个带有梯度图的 SRGAN-STF 模型(Grad-SRGAN-STF),如下图所示,Grad-SRGAN-STF 基于时间迁移性能 (Temporal transfer),主要由 3 部分组成:

在这里插入图片描述

Grad-SRGAN-STF 流程图

  1. 生成器 (Generator):由 2 个并行的表面粗糙度 SR (surface roughness) 参数组成,一个用于采集粗糙的反射图像 (Ref-SR),另一个用于采集粗糙的梯度图 (Grad-SR)。

  2. 判别器 (Discriminator):设计了 2 个独立的判别器 DRef 和 DGrad,可分别判断生成的反射图像和梯度图是真实的还是伪造的。

  3. 损失函数 (Loss function):由内容损失和对抗损失两部分组成,生成器的 Ref-SR 和 Grad-SR 的损失函数是内容损失和对抗损失的加权和。其中,内容损失可用于评估预测图像与参考图像之间的差异,对抗损失则能够测量生成图像被判别器识别为真实图像的概率。

更重要的是,该研究还设计了一个新的权重函数,称为边缘和颜色权重 (ECW)。 ECW 结合了 SRGAN 方法强大的空间细节恢复能力和 PLSR 方法的准确时间变化估计,能够提供更为精准的预测。

研究结果:StarFusion 表现最佳,Grad-SRGAN 贡献度最大

实验 I:StarFusion 相较其他算法的空间细节保真度最佳

为了评估 StarFusion 的有效性,该研究基于 3 个子区域在 2 个不同日期拍摄的 Gaofen-1 和 Sentinel-2 图像,围绕预测图像生成的准确性和空间细节等因素,将 StarFusion 与其他代表性算法 (STARFM、FSDAF、Fit-FC、FIRST 和 SRGAN) 进行了比较。

结果如下图所示,StarFusion 方法预测的图像(下图 G)与参考图像(下图 A)显示出显著的相似性,表现出了优越的空间细节保真度。 相比之下,STARFM、FSDAF、Fit-FC、FIRST 和 SRGAN 生成的图像都显示出了一些模糊区域的斑块,而且田间边界也不够清晰。

在这里插入图片描述

3 块区域的参考图像和融合结果图像

此外,如下的 APA 图还显示,StarFusion 方法具有强大的空间转移能力,没有显著的准确性或空间细节损失。 值得注意的是,StarFusion 在视觉上处于「良好」范围的边缘,但没有落入该范围,这表明其性能在未来仍有改进的空间。

在这里插入图片描述

所有方法的 APA (全面绩效评估)图像

实验 II:StarFusion 在长时间跨度下的预测图像质量最佳

由于子区域-3 具备复杂的景观特征,该研究计划利用该区域不同基准日期 (T1、T2、T3) 的图像及其梯度图预测 T4 的高分辨率图像。同时,该研究还训练了 GradSRGAN (Grad-SRGAN-Multi) 和 StarFusion (StarFusion-Multi) 模型,并比较了两者的性能。

研究发现,当预测日期与基准日期较近时,所有融合方法效果良好,但时间跨度增大时,STARFM、FSDAF、Fit-FC、FIRST 和 SRGAN 的图像质量下降,出现模糊和色彩失真。StarFusion 则在不同基准日期的图像对输入下,均保持了较好的空间细节和色彩保真度,表现优于其他 5 种方法。

此外,StarFusion-Multi 和 Grad-SRGAN-Multi 在采用多对图像训练时,比单对图像训练有更佳表现,且 StarFusion-Multi 在 RMSE 和 Roberts 边缘方面持续超越 Grad-SRGAN-Multi。

在这里插入图片描述

区域 3 研究的参考图像和融合结果图像

实验 III:Grad-SRGAN 对于 StarFusion 的贡献度最大

最后,该研究还在子区域-1 中进行了消融研究,以展示所提出的 StarFusion 方法中每个部分的贡献度,包括 Grad-SRGAN、PLSR 和 ECW。结果表明,引入 Grad-SRGAN、PLSR 和 ECW 功能都有助于提高融合精度,就它们的贡献程度而言,引入 Grad-SRGAN 的贡献最大,其次是 ECW 加权函数和 PLSR。

在这里插入图片描述

消融研究的结果比较

AI 助力,农业遥感进入智能驱动时代

随着 AI 技术的不断发展,数字化农业正逐渐成为农业发展的新趋势,农业卫星遥感行业逐步从传统的数据依赖模式转向以 AI 为核心的智能驱动模式的关键时期,越来越多的企业正在这一领域展开布局与角逐。

例如,以商汤科技为代表的人工智能企业曾基于其自主研发的基座大模型, 推出面向遥感领域的「商汤地界」AI 遥感大模型,实现了耕地地块、作物识别、非粮要素识别的自动化、智能化、常态化。此外,以华为为代表的科技大厂利用旗下昇腾 AI,助力武汉大学打造遥感影像智能解译专用框架 LuoJiaNet 和遥感样本库 LuoJiaSET, 加速遥感影像自动解译,让智能遥感技术在农业、自然资源等行业得以广泛应用。

而在学术领域,依托中国科学院遥感应用研究所、北京师范大学联合共建的遥感科学国家重点实验室,我国已经涌现了包括本文作者陈晋教授在内的大批业内精英,正逐步为农业遥感技术的发展与进步贡献重要力量。

早在 1988 年,该实验室就建立了全球农情遥感速报系统 (Cropwatch),基于遥感和地面观测数据,该系统可以独立评估国家及全球尺度的作物长势、产量等相关信息。借助 AI 技术,该实验室在过去一段时间推出了 AGAR 算法的超高分辨率光学森林三维遥感新方法、内具遥感 AI 算法的野火卫星监测预警系统等多项成果。

AI 在农业遥感中的应用不仅提高了农业生产的效率和精度,还为农业的可持续发展提供了强有力的技术支持。可以预见的是,AI 在农业遥感中的应用将更加广泛,为植物病虫害监测、评估作物生长状况和产量、农业生产的高效管理和优化等提供越来越多的解决方案。

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统 船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。 阅读详情

相关推荐

AI 应用开发:四维架构落地实战——以 HR Agent 为例拆解感知·推理·记忆·执行【意图路由、规划编排、长期记忆、工具执行、面试题】

本文基于四维架构(感知·推理·记忆·执行),以HR Agent为例,系统拆解大模型应用从“聊天”到“生产可用”的落地路径。通过Spring AI实现意图路由、规划编排、RAG检索与工具调用,结合真实踩坑复盘,揭示架构化设计对安全、成本与可维护性的关键价值,为AI Agent工程化提供可复用的实战框架。

王大师企业官方博客 1299

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 328

VMD-CNN-BiLSTM-Attention预测模型 —— 数学模型介绍&完整实例代码

想解决电力负荷预测中的非线性、非平稳难题?这篇博客介绍了一种创新混合模型,结合变分模态分解(VMD)和CNN-BiLSTM-Attention深度学习架构,实现超高精度预测! ✨ 核心亮点: ✅ VMD分解:有效分离复杂负荷信号,提取关键频率特征 ✅ 混合深度学习:CNN捕捉局部模式 + BiLSTM学习长时序依赖 + 注意力机制聚焦关键时段 ✅ 端到端优化:从数据预处理(滑动窗口、归一化)到模型训练(MSE损失+Adam优化),完整流程公开! ✅ 工业级评估:提供MSE、MAE、MAPE、R²多指标验证

qq_42924330的博客 1657

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 261

Win11上从零跑通Carla自动驾驶仿真:保姆级环境配置与避坑指南(Python 3.7+)

本文详细介绍了在Win11系统上从零配置Carla自动驾驶仿真环境的完整流程,包括Python 3.7+环境搭建、依赖安装、常见问题排查及性能优化技巧。通过保姆级教程帮助开发者快速避坑,实现稳定的自动驾驶仿真测试环境部署。

weixin_33488239的博客 421

非标准包 game.rgss3a 的打开方法 | 2023 年实测

生活笔记

陌雨’的博客 1万+

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 609

Ubuntu20.04下Docker无缝升级实战指南

本文提供了一份在Ubuntu20.04系统上安全、无缝升级Docker的实战指南。文章详细阐述了升级前的版本检查、数据备份等准备工作,逐步演示了通过APT包管理器进行升级或指定版本安装的操作步骤,并强调了升级后的验证与常见问题回滚方案,确保业务容器平稳过渡。

postgres8guard的博客 483

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 198

从桨叶设计到电机匹配:手把手教你调出无人机最佳动力组合

本文系统介绍了无人机动力系统的核心匹配原则,重点解析了如何通过测试与数据分析,优化螺旋桨与电机的组合,从而显著提升系统力效与续航。文章提供了从参数解读、实战测试到深度调优的完整指南,帮助开发者解决电机过热、推力不足等常见问题,实现无人机性能最大化。

weixin_29305313的博客 243

Python 爬虫实战:华尔街见闻精选文章爬取(反反爬 + 投资情绪分析)

Python 爬虫实战:华尔街见闻精选文章爬取(反反爬 + 投资情绪分析)

yansideyucsdn的博客 970

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 333

TGRS 2026 即插即用 | 注意力篇 | SCFM:双向交叉显著性引导注意力,高层语义与低层细节的双向互补!

本文介绍了MPCNet中的语义引导交叉注意力融合模块(SCFM),该模块通过双向交叉显著性引导机制实现跨尺度特征融合。SCFM创新性地结合了高层语义和低层细节的互补信息,通过轻量局部空间注意力预增强和坐标注意力全局融合引导,显著提升了红外小目标检测的精度。实验表明,SCFM在多个数据集上达到SOTA性能,同时保持轻量高效的计算特性,支持端侧设备部署。 SCFM的核心贡献包括: 双向交叉显著性引导机制,实现语义与细节的互补融合 轻量局部空间注意力预增强模块,计算量仅为传统方法的1/10 坐标注意力全局融合引导

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 152

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 337

数据科学助力大数据领域的航空安全分析

随着航空业的快速发展,航班数量不断增加,航空安全问题日益受到关注。大数据时代的到来,使得航空领域积累了大量的数据,包括飞行数据、维护数据、气象数据等。本文章的目的在于探讨如何运用数据科学的方法和技术,对这些大数据进行分析,以提高航空安全水平。范围涵盖了从数据收集、预处理到数据分析、模型构建和应用的整个流程。本文将按照以下结构进行组织:首先介绍数据科学和航空安全分析的核心概念以及它们之间的联系;接着阐述核心算法原理和具体操作步骤,并使用Python源代码进行详细说明;

软件工程实践的博客 1293

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 80

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 154

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。

企业微信iPad协议详解:接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路,涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化,帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安! 505

Product Hunt 热榜 2026-11-13:Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选:Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 605

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

387

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 398

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程,跟着博主一起来还原整个过程。

夜郎King的博客 5125

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 553

企业宣传片发前如何批量排查并遮挡视频里的敏感信息

做企业视频的人都会碰到一个具体问题:实拍画面里混进了不该出现的信息。办公室背景里有贴着客户信息的白板,采访对象的授权书边缘露出一串身份证号码,街采素材里路人面孔和车牌号直接入镜。人眼在时间线上扫视,会漏掉快速闪过的帧、画面边缘的小字、以及暗光区域里的证件号码。用抹影AI完成车牌、人脸和证件区域批量检测后,又手动补充了两个时间段的屏幕遮罩,最终导出时画面已无合规隐患。重点关注快速运动、遮挡、低光照条件下的目标,这些是漏检的高发区域。导入视频后选择要检测的目标类型(人脸、车牌、证件号、二维码等)。

Mysssone的博客 179

面向工业对讲的双通道声学 DSP 模组 A-59(NR2050-A)方案解析与工程落地案例

A-59模组以NR2050-A DSP为核心,37.5×16mm邮票孔封装,支持-40℃~85℃工业温域,兼容A-06/A-09/A-29系列,可低成本替换存量设备。通过固件切换实现三种模式:模式一(低改版成本,适配矿井、电梯);模式二(最优AEC,用于医院呼叫);模式三(双波束独立输出,支持双人会议语音分离)。集成AEC、ENC、BF与AGC算法,有效抑制回声、噪声与串扰,解决对讲系统核心声学难题。选型需注意参考信号路径、麦间距与温度匹配,建议先做声学测试再量产。

R190_6589的博客 365

SAP商业AI正式通过网信备案:企业落地AI五问

中数通“CDC商业AI”通过广东网信部门备案,标志着SAP商业AI在华本地化迈出关键一步。然而,合规仅是起点,企业真正需关注的是:AI能否融入核心流程、数据治理是否健全、责任归属是否清晰、价值衡量机制是否建立。从“可用”到“用好”,关键在于工作流重构、跨团队协同与业务结果导向的评估体系。国产模型成本优势与本地部署能力为ERP深度集成提供可能,但真正的竞争力仍在于对数据、流程与业务上下文的理解力。

Acloudear的博客 211
上一篇: Apple Intelligence深夜炸场!苹果发布4颗自研芯片,iPhone/iWatch/AirPods大升级
下一篇: HyperAI超神经 x Apache Pulsar | 9 月 22 日,北京 Pulsar Meetup 不见不散!
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值