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
200+累计阅读
222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）是一个强大的云平台，可以用于处理和分析遥感影像数据。在本文中，我们将介绍如何使用GEE来进行云和雪的分析，并将导出K-Means聚类分析后的影像结果。
首先，我们需要导入Google Earth Engine的Python API，并进行身份验证。
import ee
# 初始化 Earth Engine
ee.Initialize()
接下来，我们将加载Sentinel-2影像数据。Sentinel-2是欧洲空间局（ESA）的一组卫星，提供高分辨率的多光谱遥感影像数据。
# 加载Sentinel-2影像数据
sentinel_collection = ee.ImageCollection(Google Earth Engine（GEE）——Kmeans聚类快速进行土地分类(双for循环快速调参)
k均值聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，误差平方和局
Google Earth Engine中使用K-Means聚类算法实现具有相同大小的集群
在本文中，我们将使用Google Earth Engine（GEE）和QGIS来实现K-Means聚类算法，并确保生成的集群拥有相同的大小。K-Means是一种常用的聚类算法，它可以将数据点分为预定数量的簇。通过调整算法参数，我们可以确保生成的簇具有相同的大小。通过这些步骤，我们可以使用GEE和QGIS实现K-Means聚类算法，并确保生成的簇具有相同的大小。您可以根据自己的需求调整参数和进行进一步的分析。希望这篇文章对您有帮助！
GEE土地分类：土地分类精度评定和分类后影像进行（Kmeans，Gmeans，SNIC (Simple Non-Iterative Clustering）聚类分析和滤波（focal_mode）分析
使用聚类分析和滤波分析来进一步处理土地分类后的影像数据。聚类分析可以帮助您识别影像中的相似区域。您可以使用聚类算法，如K均值聚类或层次聚类，将像素分组到具有相似像素值的群集中。这可以帮助您更好地理解图像中的空间模式和结构，并可能揭示有用的信息。滤波分析可以帮助您平滑图像并去除噪声。常见的滤波器包括中值滤波器和高斯滤波器。这些滤波器可以帮助您消除图像中的随机变化，并使其更易于解释和分析。
Google Earth Engine（GEE）——QGIS中具有相同大小集群的K-Means聚类
K-Means 聚类是一种流行的算法，用于自动将点分组为自然聚类。QGIS 带有处理工具箱算法“K-means 聚类”，它可以采用矢量图层并将特征分组为 N 个簇。该算法的一个问题是您无法控制每个集群中的最终点数。许多应用程序要求您将数据层分割成大小相等的集群或具有最少点数的集群。您可能需要的一些示例 在规划 FTTH（光纤到户）网络时，人们可能希望将社区划分为至少 250 个房屋的集群，以放置节点。 在销售团队之间平均划分销售区域/客户，将同一地区的客户分配到同一团队。 K-means 算法有一个变体
GEE土地分类：Google Earth Engine 进行非监督土地覆盖分类（k-means,、CascadeKMeans、wekaLVQ和wekaXMeans聚类分析）和 时序的NDVI 分析
本文介绍了四种聚类算法（K-Means、CascadeKMeans、WekaLVQ 和 WekaXMeans）的原理、优缺点及适用场景，并通过 Google Earth Engine 平台展示了这些算法在土地覆盖分类和 NDVI 分析中的应用。K-Means 适合处理简单且均匀分布的数据，CascadeKMeans 通过分层聚类提高大规模数据处理的效率，WekaLVQ 适合非线性可分数据，WekaXMeans 则自动选择最佳簇数量，适合复杂数据集。文章还详细描述了如何使用 GEE 加载气候数据、训练模型、进
Google Earth Engine: 使用K-means聚类进行快速土地分类
本文将介绍如何使用Google Earth Engine的Python API在GEE中使用K-means聚类算法快速进行土地分类，并提供相应的源代码。通过使用Google Earth Engine的Python API和K-means聚类算法，我们可以快速进行土地分类。使用这些方法，我们可以在Google Earth Engine平台上进行高效的土地分类分析。注意：请确保在执行上述代码之前，已正确安装所需的Python库，并且已进行了Google Earth Engine的身份验证。
Google Earth Engine（GEE）——单景影像的监督分类的案例分析（k means算法对数据进行聚类）
每个特征在输入图像中的每一带都有一个属性。请注意，默认行为是放弃与被遮挡的像素相交的特征，这将导致属性为空值（见dropNulls参数）。
GEE聚类分析：基于sentinel-2 影像进行 K-Means 聚类分析
这篇博客介绍了如何使用 Google Earth Engine (GEE) 进行 K-Means 聚类分析，以识别感兴趣区域（ROI）内的不同地表覆盖类型。文章详细说明了从定义用户参数、准备参考区域、加载和预处理 Sentinel-2 图像，到训练 K-Means 聚类器并对图像进行聚类的完整流程。代码示例展示了如何设置参数、采样像素数据、训练聚类器，并将结果可视化。最后，还提供了将聚类结果导出到 Google Drive 的选项。通过该教程，用户可以掌握在 GEE 平台上进行地理数据聚类分析的基本方法。
Google Earth Engine（GEE）——无监督分类分析
我们这样设置代码是因为我们将在下面的章节中使用来自不同传感器的几个图像，因此它们都是预装的，所以你所要做的就是改变参数 "whichImage"。回到你的脚本，在那里我们将添加一个新的函数。注意到代码的章节是有编号的，找到代码的第1.2节，在它下面添加下面的函数。现在我们将分几个编号的部分来构建一个脚本，让你有机会看到它是如何构建的，以及在你进行的过程中观察中间的和对比的结果。当以对特定项目目标有用的方式进行参数化时，图像中同质的部分将得到相同的颜色，而高异质性的区域将得到多种颜色。
Google Earth Engine 非监督分类案例分析 GEE
非监督分类是一种在遥感图像分析中常用的技术，它能够自动识别图像中的不同地物类型，而无需事先提供训练样本。Google Earth Engine（GEE）是一个强大的云平台，提供了丰富的遥感数据和分析工具，使得非监督分类在大规模图像数据上的应用变得更加容易和高效。首先，我们加载了一幅遥感图像，并选择了用于分类的特征。然后，我们对特征进行了预处理，使用非监督分类算法对特征进行聚类，并将分类结果可视化。然后，我们可以使用非监督分类算法对特征进行聚类。在本例中，我们将简单地对特征进行缩放，使其范围在0到1之间。
GEE：无监督聚类算法（wekaKMeans）
本文将介绍如何使用 Google Earth Engine（GEE）进行卫星图像 K-means 聚类分析的基本步骤，并提供相应的示例代码。结果如下图所示，
Google Earth Engine（GEE） ——多源遥感影像（S1/S2和地形数据）监督和非监督分类（以随机森林和Kmeans聚类）案例
本文主要是利用准备好的影像和一景准备好的样本点来进行分析，在以下脚本中，我们将探索将像素分类为专题类的技术。这里的多源遥感影像就是我们利用SAR和光谱影像以及地形参数以及其它植被指数作为一个多波段影像，多波段单景影像就是我们的多源遥感数据，而其它的就是谁当随机森林和其它监督分类方法，无论是评估土地分类还是其它，方法都一样，变量就是影像波段，所以我们只管添加参数就好了，剩下的就按照监督分类即可。每个输出特征将具有输入图像的每个波段的一个属性，以及从输入特征复制的任何指定属性。要从每个输入要素复制的属性列表。
Google Earth Engine（GEE）——用高分辨率图像进行无监督分类kmeans聚类的快速概述（Planet lab）
用高分辨率图像进行无监督分类的快速概述（行星实验室）。initcanopiesminDensityt1t2fastseed使用k means算法对数据进行聚类。可以使用欧氏距离（默认）或曼哈顿距离。如果使用曼哈顿距离，那么中心点将被计算为分量上的中位数而不是平均值。更多信息见。
深入解析线性反馈移位寄存器（LFSR）的工作原理与实现
本文深入解析了线性反馈移位寄存器（LFSR）的核心原理与实现方法。通过生动的比喻和详细的步骤拆解，阐述了LFSR如何通过反馈多项式和移位操作生成伪随机序列，并对比了斐波那契型与伽罗瓦型两种硬件结构。文章还涵盖了LFSR在数字电路测试、通信扰码及快速伪随机数生成等关键应用场景，同时指出了其在密码学中的局限性，并提供了Python和C语言的高效实现代码示例。
高通410刷OpenWRT后网络共享配置全攻略
本文详细解析了在高通410设备刷入OpenWRT后，因基带文件丢失导致无法上网的常见问题。核心解决方案是通过SMB网络共享，将备份的原厂基带文件传输至OpenWRT系统并正确还原，从而恢复移动网络连接。文章提供了从备份基带、刷机到配置共享和文件替换的完整操作指南。
realsense D455深度相机+YOLO V5结合实现目标检测（一）
realsense D455深度相机+YOLO V5结合实现目标检测代码来源环境配置代码分析：1.如何用realsense在python下面调用的问题：2.对main_debug.py文件的分析：结束语 可以实现将D435,D455深度相机和yolo v5结合到一起，在识别物体的同时，还能测到物体相对与相机的距离。 说明一下为什么需要做这个事情？1.首先为什么需要用到realsense D455深度相机? 因为他是普通的相机还加了一个红外测距的东西，所以其他二维图像一样，能够得到三维世界在二维像素平面的投影
Delta-Sigma调制（DSM）技术
前言 数字信号处理和通信系统的性能很大程度上受到了模拟信号到数字信号转换接口——ADC的精度和分辨率的限制。而传统的线性脉冲编码调制（PCM）ADC受到了制造工艺的限制，无法达到很高的分辨率。但基于Delta-Sigma调制技术的ADC可以在现有工艺下实现高分辨率（大于16位），同时由于结构简单，所以易于实现。低成本高性能使得Delta-Sigma调制技术得到了广泛的应用。 Delta-Sigma型ADC的结构原理图如下图所示： 它最大的优势在于仅用1位ADC进行数据转换，同时其模拟电路部分结构简单不需要
【经验&技巧】IBIS AMI模型眼图仿真问题探讨
在ADS的仿真环境中，不论发送和接收的AMI模型是否为true或者false，都可以将通道仿真设置为统计模式，但是，如果有一方的Init函数为false，在统计模式下，处于false状态的模型将不能执行其自带的后处理功能，如下图所示，左边的统计模式和右边的逐比特模式眼图存在明显的差异，原因在于，接收端的init函数为false导致在统计模式中不能对眼图进行DFE处理，换言之，此时统计模式下的眼图就是未经任何处理的“生图”。
机器学习初探——用线性回归预测股价趋势
在进入代码之前，先建立一个大框架。类型一句话解释金融中的应用监督学习给机器“标准答案”让它学预测股价（历史数据→未来价格）无监督学习不给答案，让机器自己找规律把相似股票自动归类、发现异常交易强化学习让机器通过“试错”学习最优策略AI自动交易、量化策略优化我们现阶段只学“监督学习”——这是最常用、最容易上手的。准备一堆“特征”和对应的“标签”（比如：历史的第N天 → 那天的价格）喂给机器一个“算法”（比如线性回归）机器“拟合”出一个规律（比如找到一条最合适的直线）
ConvNeXt 系列改进：引入大核注意力（LKA）替换 7×7 深度卷积，涨点 2.1%
LSKA替换7×7深度卷积，在ImageNet分类任务上实现2.1%的显著提升，参数量仅增加1M。LSKA的四层1D分解将计算复杂度从O(k²)降至O(k)，21×21大核的计算量仅相当于原版7×7的1.7倍，实现了感受野与计算成本的完美平衡。部署友好度极高：LSKA模块在TensorRT FP16量化后延迟仅1.2ms，精度损失<0.1%，远优于Transformer类模型。下游任务全面领先。
杰理SDK入门教程（二）：USB升级程序
开发板升级操作指南 摘要：本文介绍了开发板程序升级的两种方式（常规升级和串口升级），重点说明了常规升级的操作步骤： 拨码设置：提供4种拨码方式（不拨/1档/2档/3档），对应不同指示灯状态和按键要求 硬件连接：强制升级工具需正确连接电脑和开发板（注意USB接口方向） 升级流程：根据拨码状态操作按键，观察指示灯变化（红灯常亮绿灯灭表示进入升级模式） 执行升级：运行SDK中的download.bat完成升级 文中还包含拨码开关说明、指示灯状态对照表以及升级原理说明，帮助用户理解升级过程。升级成功后在设备管理器可
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")
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
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
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
2112
扫一扫
