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
828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（GEE）是一个功能强大的平台，提供了世界各地的高分辨率卫星图像和地理空间数据。其中，NICFI（Norwegian International Climate and Forest Initiative）项目为用户提供了免费开放的高分辨率卫星图像数据。本文将介绍如何在GEE中访问这些图像数据，并提供相关的源代码。
首先，我们需要导入Google Earth Engine库，以便在Python中使用它的功能。
import ee
在使用Google Earth Engine之前，我们需要进行初始化。
ee.Initialize()
使用GEE中的ee.ImageCollection类可以访问NICFI项目提供的免费高分辨率卫星图像数据。下面是一个示例代码
Google Earth Engine——NICFI 卫星图像开放的免费的高分辨率卫星图像
现在我们使用高用于环境监测的分辨率（4.7 米）数据。从 2015 年提供双年度复合材料，从 2020 年 9 月到至少 2022 年 9 月提供月度数据，太棒了！现在我们使用高分辨率（4.7 米）数据进行环境监测。双- 2015 年的年度复合数据和 2020 年 9 月至至少 2022 年 9 月的月度数据！太棒了！现在我们使用高分辨率（4.7 米）数据进行环境监测。2015 年的双年度复合数据和 2020 年 9 月的月度数据至少到 2022 年 9 月，这太棒了！现在我们使用高分辨率（4.7 米）数据
Google Earth Engine（GEE）——在GEE如何正式接入NICFI Basemaps（ASIA/AMERICANS/AFRICA） 数据集
问题： 今天有个同学问了一个问题，主要是我前期发布的NICFI影像数据的文章： Google Earth Engine——NICFI 卫星图像开放的免费的高分辨率卫星图像_此星光明的博客-优快云博客 无法进行展示，会出现以下的错误： 我回复也是很随意，因为自己也上去试了一下，结果我也会出现这样的错误，本来以为是数据还没有正式接入到gee中，晚上回来继续看这个问题，我才发现真正的问题是我没有进行申请接入注册： NICFI Basemaps in GEE如何注册 数据介绍： 该图像集提供..
Google Earth Engine——NICFI 的全球热带卫星图像现在可在 Earth Engine 中进行分析
恒河将拉贾吉国家公园的两个区与印度哈里瓦人口稠密的街区一分为二。2021 年 6 月。 PlanetScope。 自 10 多年前成立以来，Google Earth Engine 的使命就是为地球科学数据和分析创建一个全球规模的平台，以进一步解决我们面临的最紧迫的环境和社会问题。本周，我们与挪威的国际气候与森林倡议(NICFI)、Kongsberg Satellite Services(KSAT) 和Planet 合作，很自豪地推出了新的图像，使地球引擎社区能够应对这些挑战。 2020 年...
Google Earth Engine（python）——NICFI 数据在GEE上进行展示
使用 api 密钥，您可以获得 NICFI 行星数据并将其推送到地球引擎 请注意，当前脚本将数据复制到 Google Cloud Bucket，然后将其摄取到 Earth Engine。你可能会收取执行此操作。 import json import requests from pprint import pprint import os import ee ee.Initialize() # insert your api key here API = '' url = 'htt..
谷歌地图项目源码
是联合开发网下载的内容，应该对一些朋友有帮助
Google Earth开源版源码下载
开源介绍的翻译： 谷歌地球企业的开源发布，一个地理空间应用程序，它提供了建立和托管自定义3D地球仪和二维地图的能力。谷歌地球企业版不提供谷歌图像，谷歌地图或地球地球目前可用的私人版本。 应用套件由三个核心组件组成： 融合集成-可以导入遥感影像图像、山体地形数据源、影响因子在一个单一的三维地球或二维地图。 服务器– 支持Apache或tornado 的服务器托管的自己的“Google地球”。 客户端-谷歌地球企业客户端（EC）和谷歌地图JavaScript API V3分别用于查看3D地球仪和2D地图。
Planet 卫星图像中提取的飞机图像数据集
Planet 卫星图像中提取的飞机图像数据集 数据说明: 该数据集包含从加利福尼亚州多个机场收集的 Planet 卫星图像中提取的图像。它包括 32,000 张 20x20 RGB 图像，标记为“飞机”或“无飞机”分类。图像来自 PlanetScope 全帧视觉场景产品，对齐到3米像素大小。
工业互联网工控安全与工业质检AI大模型建设方案.pptx
工业互联网工控安全与工业质检AI大模型建设方案.pptx
2024 《计算机网络》实验教学指导书.doc
2024 《计算机网络》实验教学指导书.doc
无法找到来自源 nvlddmkm 的事件 ID 14 的描述
具体错误是： 无法找到来自源 nvlddmkm 的事件 ID 14 的描述。本地计算机上未安装引发此事件的组件，或者安装已损坏。可以安装或修复本地计算机上的组件。 出现这样错误的原因有很多了，有可能是硬件有可能是软件。由于我是刚配置的电脑，起初非常怀疑是自己组装的问题，折腾了好久，心态爆炸！！！先说我报这样错误的情况，以及解决办法，供后面人参考。 ...
Clarity 3D Layout
Clarity 3D Layout Clarity 3D layout是3D 全波电磁场模型提取工具，它可以导入已经设计好的PCB文件也可以直接在Clarity 3D layout创建版图进行3D 全波电磁场模型提取。
从转发时钟到嵌入式时钟：CDR、CTLE与DFE在高速串行链路中的协同演进
本文深入探讨了高速串行链路中CDR、CTLE与DFE技术的协同演进。从转发时钟到嵌入式时钟的转变，详细分析了CDR的工作原理与实现架构，以及CTLE和DFE在信道损耗补偿和ISI干扰消除中的关键作用。通过实战案例展示了这些技术在28Gbps至112Gbps SerDes设计中的优化策略与性能提升。
02.1 知识图谱工具 Protege的下载安装与使用
Protege的下载安装与使用 本文是王昊奋老师《知识图谱》系列笔记第2.1篇。 文章目录Protege的下载安装与使用0 相关介绍0.0 Protege相关介绍0.1 Protégé的特点0.2 Protégé的用途1 Protege的下载1.1 准备工作：安装配置JAVA环境1.2 官网下载2 Protege的安装2.1 直接解压缩2.2 双击运行3 Protege的使用实例-创建类...
R语言笔记十：独立性检验函数
1.独立性检验函数 独立性检验是根据频数信息判断两类因子彼此相关或相互独立的假设检验。所谓独立性就是指变量之间是独立的，没有关系。 独立性检验算法：卡方检验、Fisher检验、Cochran-Mantel-Haenszel检验 2.假设检验 假设检验（Hypothesis Testing）是数理统计学中根据一定假设条件由样本推断总体的一种方法。 原假设——没有发生 备择假设——发生了 具体做法：根据问题的需要对所研究的总体作
基于 Simulink 的**单相全桥 LLC 谐振双向 DC-DC 变换器（带软开关特性）**实战教程
原边（Primary）：全桥逆变电路（4个 MOSFET/IGBT），将直流斩波为高频方波。变压器：提供电气隔离和电压变比。副边（Secondary）：全波或全桥整流电路（同步整流或二极管）。
【OpenClaw从入门到精通】第60篇：多智能体协同实战——用“龙虾”搭建你的数字员工团队（2026企业版）
2026年AI Agent企业落地的核心趋势，正从“单Agent单兵作战”转向“多智能体协同组网”。本文以全球开发者先锋大会“百虾大战”真实案例为蓝本，深度拆解OpenClaw多智能体协同的技术内核——三层解耦架构（模型层-技能层-网关层），系统搭建包含项目经理、架构师、执行者、质量把关者的4大核心Agent团队。通过三种主流协作架构对比、全链路配置代码实操、故障自愈实战演练，结合电商新品上架虚拟场景全流程演示，解决企业多Agent部署中的权限隔离、任务协同、运维自治三大核心痛点。
YOLOv13结合Sobel边缘检测算子，实现EIEM（Edge Information Enhancement Module，边缘信息增强模块），强化空间特征提取
EIEM模块通过巧妙地结合Sobel边缘检测算子和现代卷积网络架构，实现了显式边缘信息增强的创新设计。这种方法不仅提高了网络对边缘特征的敏感性，还保持了良好的计算效率和模块化特性。 从技术实现角度看，EIEM展示了如何将经典计算机视觉算法无缝集成到深度学习框架中，为构建更强大、更可解释的视觉模型提供了新的思路。随着对边缘信息重要性认识的不断深入，以及对网络可解释性需求的增长，EIEM这样的显式特征增强模块将在未来的计算机视觉研究中发挥越来越重要的作用。
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
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")
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
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
1802
扫一扫
