极端气候?自然灾害?【实战】机器学习预测森林火灾

基于机器学习的地震预测(Earthquake Prediction with Machine Learning) 机器学习技术在地震预测方面显示出了很好的结果。通过分析各种数据源,如地震记录、地理空间信息等,机器学习模型可以学习模式、趋势和关系,这些可以帮助识别潜在的地震发生。 阅读详情
AI摘要

本文展示了如何利用NASA卫星数据和机器学习方法,通过分析MODIS数据集预测森林火灾风险,探讨了GBDT和决策树回归在火灾预测中的应用,以及数据清洗、特征选择和模型评估的过程。

💡 作者:韩信子@ShowMeAI
📘 机器学习实战系列:https://www.showmeai.tech/tutorials/41
📘 本文地址:https://www.showmeai.tech/article-detail/326
📢 声明:版权所有,转载请联系平台与作者并注明出处
📢 收藏ShowMeAI查看更多精彩内容

2022依旧是极度不平凡的一年,全球事件频发,动荡不安。而且在全球气候上,极端天气愈发明显,全球变暖的加剧增加了热浪、干旱和野火等气候相关灾害的可能性。在全球来看,西班牙等国的高温连破纪录并引发森林火灾。而8月9日以来,我国也出现罕见的极端高温天气,连创新高,部分地区如重庆市北碚、巴南、大足、长寿、江津等地先后发生多起森林火灾。

野火是一种不可预测的、无计划的、不受控制的火灾,可能由营火(篝火)、燃烟和纵火、烟花、射击、爆炸目标或闪电等自然现象引起,而在原本极端高温的天气下,更易发难控。

在本篇内容中,ShowMeAI带大家看看机器学习如何预测森林火灾,本文采用的数据集为 NASA 的森林火灾信息数据集。

💡 数据收集

本篇内容的数据源来自 NASA 的资源管理系统火灾信息 (FIRMS) 卫星数据和 NASA 的 MODIS(中分辨率成像光谱仪)仪器对 🏆2021年印度森林野火案例的纪录。数据集可以在ShowMeAI的百度网盘地址直接获取。

🏆 实战数据集下载(百度网盘):公众号『ShowMeAI研究中心』回复『实战』,或者点击 这里 获取本文 [25]基于机器学习的AI森林火灾预测 『2021年印度森林火灾数据集』

⭐ ShowMeAI官方GitHub:https://github.com/ShowMeAI-Hub

# 📌 数据理解

下面内容会涉及数据分析处理的技能,欢迎大家查阅ShowMeAI对应的教程和工具速查表,快学快用。

我们先导入 NumPy 和 Pandas 并读取森林火灾的 MODIS 数据集

# 处理警告信息
import warnings
warnings.filterwarnings('ignore')

# 导入工具库
import numpy as np
import pandas as pd

df = pd.read_csv("modis_2021_India.csv")
# 查看数据
df.head()

数据集特征字段解释

  • latitude = 纬度
  • longitude = 经度
  • brightness = 以开尔文测量的像素的明亮度
  • scan = 扫描像素大小
  • track = 轨道像素大小
  • acq_date = 获取日期
  • acq_time = 采集时间
  • satellite = Acua 和 Terra 卫星作为 A 和 T
  • instrument = MODIS
  • confidence = 火灾概率,0-100之间(表示0-100%)
  • version = 版本标识收集和数据处理源
  • bright_t31 = 通道 31 的火焰亮度温度,以开尔文为单位测量
  • frp =以兆瓦为单位的火辐射功率
  • daynight = D 和 N 作为白天和黑夜
  • type = 0 作为假定植被,1 作为活火山,2 作为静态陆源 3 作为近海探测

我们把confidence视作目标变量。

# 查看数据维度
df.shape
##(111267, 15)

# 数据信息
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 111267 entries, 0 to 111266
Data columns (total 15 columns):
 #   Column      Non-Null Count   Dtype  
---  ------      --------------   -----  
 0   latitude    111267 non-null  float64
 1   longitude   111267 non-null  float64
 2   brightness  111267 non-null  float64
 3   scan        111267 non-null  float64
 4   track       111267 non-null  float64
 5   acq_date    111267 non-null  object 
 6   acq_time    111267 non-null  int64  
 7   satellite   111267 non-null  object 
 8   instrument  111267 non-null  object 
 9   confidence  111267 non-null  int64  
 10  version     111267 non-null  float64
 11  bright_t31  111267 non-null  float64
 12  frp         111267 non-null  float64
 13  daynight    111267 non-null  object 
 14  type        111267 non-null  int64  
dtypes: float64(8), int64(3), object(4)
memory usage: 12.7+ MB

# 数据字段
df.columns

Index(['latitude', 'longitude', 'brightness', 'scan', 'track', 'acq_date',
       'acq_time', 'satellite', 'instrument', 'confidence', 'version',
       'bright_t31', 'frp', 'daynight', 'type'],
      dtype='object')

# 数据缺失值情况
df.isnull().sum()

latitude      0
longitude     0
brightness    0
scan          0
track         0
acq_date      0
acq_time      0
satellite     0
instrument    0
confidence    0
version       0
bright_t31    0
frp           0
daynight      0
type          0
dtype: int64

# 数据统计描述
df.describe()

💡 数据探索

# 📌 连续值字段分布分析

我们对数据进行分析,并进行可视化,这里主要使用到 Matplotlib 和 Seaborn 工具库。

import matplotlib.pyplot as plt
import seaborn as sns

我们先对数值型数据进行分布分析,这里最直接的方法是对整个数据集使用 pairplot,它会在对角线位置对每个数值维度进行分布分析,在其他位置对两两特征对进行联合绘图。

sns.pairplot(df) 
plt.show() 

# 📌 类别型字段分布分析

我们的数据集中还有一些类别型字段变量,我们为其中一些变量绘制箱线图查看数据分布特性。

plt.figure(figsize=(20, 12))
plt.subplot(2,2,1)
sns.boxplot(x = 'satellite', y = 'confidence', data = df)
plt.subplot(2,2,2)
sns.boxplot(x = 'daynight', y = 'confidence', data = df)

<AxesSubplot:xlabel='daynight', ylabel='confidence'>

我们可以借助pandas的相关性计算和热力图呈现,对数据进行相关性分析(尤其是对于我们了解目标变量和特征的相关关系有帮助),如下:

plt.figure(figsize=(10, 10))
sns.heatmap(df.corr(),annot=True,cmap='viridis',linewidths=.5)

<AxesSubplot:>
sns.barplot(x='acq_date',y='frp',data=df)

<AxesSubplot:xlabel='acq_date', ylabel='frp'>
# 排序
df_topaffected=df.sort_values(by='frp',ascending=False) 
df_topaffected.head(10) 

💡 数据清洗&处理

原始世界有各式各样的数据形态,包括文本、视频、图像等非结构化数据,也有包含各种缺失值、错误值等结构化数据。 在实际送给模型训练之前,我们会做一些数据清洗来提升数据的质量,具体的操作包括缺失值填充,清洗不相关的数据,对数据做幅度缩放与归一化等。

关于机器学习的数据预处理与清洗等,属于特征工程范畴,大家可以参考 ShowMeAI 整理的特征工程解读教程。

df = df.drop(['track'], axis = 1)
df = df.drop(['instrument', 'version'], axis = 1)

df['satellite'] = df['satellite'].map({'Terra':0,'Aqua':1})
df['daynight'] = df['daynight'].map({'D':0,'N':1})
df['month'] = df['acq_date'].apply(lambda x:int(x.split('-')[1]))
df = df.sample(frac=0.2)
df = df.reset_index().drop("index", axis=1)

df.head()
df.shape
#(22253, 13)

# 目标字段 & 特征字段
y = df['confidence']
firedf = df.drop(['confidence', 'acq_date'], axis = 1)

# 相关性
plt.figure(figsize=(10, 10))
sns.heatmap(firedf.corr(),annot=True,cmap='viridis',linewidths=.5)

<AxesSubplot:>
# 特征字段
firedf.head() 

💡 数据拆分

为了进行有效的建模和模型评估,我们将数据集分为训练集(70%的数据)和测试集(30%的数据)。

X = df[['latitude','longitude','month','brightness','scan','acq_time','bright_t31','daynight']]
y = df['frp']

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

💡 评估指标

我们以confidence为目标标签,有不同的建模方法,最直接的方式是把它视作连续值进行拟合预测。整个问题是一个回归建模问题,我们有如下的一些评估指标可以使用。

# 📌 均方误差 (MSE)

MSE 可以从数据集的实际值和预测值的平均平方差进行数学计算

# 📌 平均绝对误差 (MAE)

平均绝对误差可以在数学上计算为从数据预测的值与实际值的平均差

# 📌 均方根误差 (RMSE)

数学上 RMSE 可以计算为预测值与数据实际值的平均平方差的平方根,或者我们可以说它是 MSE 的平方根值。

# 📌 R 平方分数

R 平方分数可以从下面给出的等式计算:

💡 建模与预估

本部分涉及到的模型知识与建模操作方法,参见ShowMeAI以下部分教程

# 📌 梯度提升回归树

我们使用梯度提升回归树 GBDT 来进行拟合, 在 Scikit-Learn 中可以直接调用GradientBoostingRegressor 类。关于 GBDT 的原理可以查看ShowMeAI文章 图解机器学习 | GBDT模型详解

from sklearn.ensemble import GradientBoostingRegressor
from sklearn.metrics import mean_absolute_error as mae
from sklearn.metrics import mean_squared_error as mse
from sklearn.metrics import r2_score

model1 = GradientBoostingRegressor(n_estimators = 100, learning_rate=0.1,
                                  max_depth = 10, random_state = 0, loss = 'ls')
model1.fit(X_train, y_train)
y_pred = model1.predict(X_test)

print ('MSE =',mse(y_pred, y_test))
print ('RSME =',np.sqrt(mse(y_pred, y_test)))
print ('MAE =',mae(y_pred, y_test))
print ('R2_score =',r2_score(y_pred, y_test))

print("Performance ofGBR Model R^2 metric {:.5f}".format(model1.score(X_train,y_train)))
print("GBR Accuracy, {:.5f}%".format(model1.score(X_test,y_test)*100))


MSE = 449.63478569897046
RSME = 21.20459350468597
MAE = 3.2932809652939343
R2_score = 0.9227647882671393
Performance ofGBR Model R^2 metric 0.99982
GBR Accuracy, 92.86853%

# 📌 决策树回归器

我们也可以使用决策树回归器进行建模,在 Scikit-Learn 中对应的功能在 DecisionTreeRegressor类中。 关于回归树模型的原理可以查看ShowMeAI文章 图解机器学习 | 回归树模型详解。

from sklearn.tree import DecisionTreeRegressor as dtr
reg = dtr(random_state = 42)
reg.fit(X_train,y_train)
Y_pred = reg.predict(X_test)
print("MSE = ",mse(Y_pred, y_test))
print ('RSME =',np.sqrt(mse(Y_pred, y_test)))
print("MAE =",mae(Y_pred,y_test))
print("R2 score =",r2_score(Y_pred,y_test))
print("Performance of Decision Tree Regressor Model R^2 metric {:.5f}".format(reg.score(X_train,y_train)))
print("Decision Tree Regressor Accuracy, {:.5f}%".format(reg.score(X_test,y_test)*100))

MSE =  362.66616536848414
RSME = 19.043795981066488
MAE = 4.693229478729778
R2 score = 0.9316181035003857
Performance of Decision Tree Regressor Model R^2 metric 1.00000
Decision Tree Regressor Accuracy, 94.24790%

我们借助雷达图来比较GBDT和回归树模型,对比它们在森林火灾预测场景下的效果。

categories = ['Training score', 'Testing score', 'RMSE', 'MAE','r2','_']

Decision_Tree_Regressor = [100,94.24, 19.4,4.69, 0.93,0]
Gradient_Boosting_Regressor = [99.97, 92.86, 21.20,3.29, 0.92,0]

label_loc = np.linspace(start=0, stop=2 * np.pi, num=len(Decision_Tree_Regressor))

plt.figure(figsize=(8, 8))
plt.subplot(polar=True)

plt.plot(label_loc, Decision_Tree_Regressor , label='Decision Tree Regression')

plt.plot(label_loc, Gradient_Boosting_Regressor, label='Gradient Boosting Regressor')

plt.title('Algorithms comparison for MODIS dataset', size=20)
lines, labels = plt.thetagrids(np.degrees(label_loc), labels=categories)

plt.legend()
plt.show()

参考资料

  • 📘 图解数据分析:从入门到精通系列教程:https://www.showmeai.tech/tutorials/33
  • 📘 数据科学工具库速查表 | Pandas 速查表:https://www.showmeai.tech/article-detail/101
  • 📘 数据科学工具库速查表 | Seaborn 速查表:https://www.showmeai.tech/article-detail/105
  • 📘 图解机器学习算法:从入门到精通系列教程:https://www.showmeai.tech/tutorials/34
  • 📘 图解机器学习 | GBDT模型详解:https://www.showmeai.tech/article-detail/193
  • 📘 图解机器学习 | 回归树模型详解:https://www.showmeai.tech/article-detail/192
  • 📘 机器学习实战:手把手教你玩转机器学习系列:https://www.showmeai.tech/tutorials/41
  • 📘 机器学习实战 | 机器学习特征工程全面解读:https://www.showmeai.tech/article-detail/208)

使用Python+PyTorch预测野外火灾! 联合国在实现其可持续发展目标方面面临的主要障碍之一是与自然灾害作斗争,而造成巨大破坏的首要障碍是野外火灾。 作为一名数据科学家,我真的希望为社会带来积极的变化。在读到最近在美国科罗拉多州和澳大利亚各地发生的野外火灾之后,我开始想知道是否有一种方法可以利用我的技能提前预测这些灾难,以便采取一些保护措施。 我在Kaggle上找到了这个数据集,它包含了美国188万场野外火灾,我开始使用PyTorch Lightning建立一个模型。继续阅读,看看我是如何使用这个数据集建立一个可以预测野外火灾强度的模型的。 阅读详情

相关推荐

森林火灾预测:线性回归 vs 随机森林,2 种模型在 517 条数据上的性能对比

本文对比了线性回归与随机森林在森林火灾预测中的性能表现,基于葡萄牙蒙特西尼奥自然公园的517条火灾数据。通过详细的数据探索、模型构建和评估,发现随机森林在RMSE和R²等指标上显著优于线性回归,尤其在捕捉非线性关系和特征交互方面表现突出。文章还提供了模型部署和监控的实用建议,适合数据挖掘和机器学习实践者参考。

weixin_34008805的博客 448

7G的森林火情数据集,文末附数据集和源代码

在2020年12月,由北亚利桑那大学等学校开放了一个基于航拍图像的森林火情数据集:FLAME ,该数据集能够用于促进森林火灾的监控报警,帮助消防员和研究人员制定最佳火灾管理策略。 该数据集是由无人机在亚利桑那州松树林火灾堆积物燃烧过程中采集的火灾图像数据集。数据集包括由红外摄像机捕捉到的视频记录和热图。演示的视频和图像都经过了注释,并按帧标记,以帮助重新搜索人员轻松应用其火灾检测和建模算法。 论文提出了两个机器学习问题的解决方案: 基于有无火焰的二值化视频帧的人工神经网络(ANN)方法,准确率达到76%

CV前沿 1万+

提示词驱动的智能森林火灾预警系统

第一部分:背景与概述 1.1 问题背景 森林火灾是自然界中最具破坏性的自然灾害之一。随着全球气候变暖和森林管理不当,森林火灾的发生频率和破坏力不断增大。根据世界自然基金会(WWF)的统计,全球每年因森林火灾造成的经济损失高达数十亿美元。此外,森林火灾还导致大量野生动植物的死亡,破坏生态平衡,加剧全球

AI天才研究院 1019

FFCD:森林火灾分类数据集(猫脸码客 第184期)

森林火灾分类器数据集是一个专为训练、验证和测试森林火灾识别算法而设计的数据集合。它汇集了来自多个渠道的数据资源,包括Roboflow/Kaggle项目、Google Images等,通过严格的数据清洗、标注和整合流程,构建了一个高质量、多样化的数据集。该数据集不仅覆盖了火灾、烟雾、无火情等多种场景,还涵盖了白天与夜晚的不同时间段,为模型的泛化能力提供了有力保障。

猫脸码客的博客 2395

提示词工程在智能森林火灾预防中的应用

第1章 引言 1.1 问题背景与核心概念 森林火灾是世界上最严重的自然灾害之一,每年都会造成大量的森林损失和人员伤亡。随着全球气候变化和人类活动的影响,森林火灾的频发性和破坏性呈现上升趋势。传统的森林火灾预防方法主要包括人工巡护、火情监测和防火宣传等,但这些方法在应对现代复杂森林火灾形势时存在一定

AI天才研究院 1570

20、森林火灾预测的灾害管理系统

本文研究了森林火灾预测的灾害管理系统,探讨了多种早期检测与预测技术,包括基于卫星、航空图像、深度学习和无线传感器网络(WSNs)的方法。重点分析了物联网(IoT)在集成传感器系统中的应用,并提出了一种分层处理流程以实现高效的数据采集、噪声处理、特征提取与存储。通过对比不同方法的性能,发现集成模型和高级学习模型在准确率方面表现优异。文章还介绍了系统的实施步骤与演示方案,并展望了未来发展方向,包括多传感器融合、智能决策支持、实时预警及环境适应性提升,旨在构建更精准、节能且可靠的森林火灾预测体系。

d6e7f8g9h的博客 64

利用机器学习预测自然灾害

1.背景介绍 自然灾害是人类社会发展的重大挑战之一,它们的不确定性、规模和频率不断增加,对人类生命财产和环境造成了严重影响。预测自然灾害对于减轻灾后后果、提高应对准备和减少损失至关重要。随着数据量的增加和计算能力的提高,机器学习技术在预测自然灾害方面发挥了越来越重要的作用。 本文将从以下几个方面进行阐述: 背景介绍 核心概念与联系 核心算法原理和具体操作步骤以及数学模型公式详细讲解 具体代...

AI天才研究院 1622

复杂背景下的森林火灾识别数据集

实验中所使用的样本来自点火实验中所拍摄的现场图片以及网络上森林火灾的相关图片。训练集中有 968 张森林背景图片,946 张复杂的森林火灾图片;测试集中有80 张森林背景图片,102 张复杂的森林火灾图片。训练集与测试集每一张图片均不重复。      针对森林火灾的特点,提出并设计一种基于卷积神经网络的森林火灾图像识别方法。通过实验,给出用于复杂背景下森林火灾识别的卷积神经网络结构,并对该结构进行训练和测试。结果表明,该方法具备较高的正确率,正确率达到 95% 。同时网络可自动提取特征,无需对输入图像进行复杂预处理,克服了传统算法许多固有的缺点,将其应用在森林火灾识别领域取得了很好的效果。最后,我们结合flaks框架构建了一个森林大火识别的API,在该系统下,我们通过后端调用模型,在页面中选择上传的图片,便可获得预测结果。

【深度学习】使用Python+PyTorch预测野外火灾

作者 | Aishwarya Srinivasan编译 | VK来源 | Towards Data Science联合国在实现其可持续发展目标方面面临的主要障碍之一是与自然灾害作斗争...

fengdu78的博客 2880

森林火灾检测数据集VOC+YOLO格式362张1类别.7z

数据集格式:Pascal VOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数):362 标注数量(xml文件个数):362 标注数量(txt文件个数):362 标注类别数:1 标注类别名称:["fire"] 每个类别标注的框数: fire 框数 = 1929 总框数:1929 使用标注工具:labelImg 标注规则:对类别进行画矩形框 重要说明:暂无 特别声明:本数据集不对训练的模型或者权重文件精度作任何保证,数据集只提供准确且合理标注 更多信息:https://blog.youkuaiyun.com/FL1623863129/article/details/139071481

森林火灾图像分类数据集【已标注,约13,000张数据】

森林火灾图像分类数据集【已标注,约13,000张数据】 分类个数【2】:有火、无火【具体查看json文件】 划分了训练集、测试集。存放各自的同一类数据图片。如果想可视化数据集,可以运行资源中的show脚本。 图像分类网络改进:https://blog.youkuaiyun.com/qq_44886601/category_12858320.html 计算机视觉完整项目:https://blog.youkuaiyun.com/qq_44886601/category_12816068.html

自然灾害预测的未来:人工智能在灾害避免策略中的应用

1.背景介绍 自然灾害是人类社会发展过程中不可避免的一种现象,它们对人类生活、经济和社会造成的损失非常巨大。自然灾害包括地震、洪水、台风、火山大爆发、雪崩等。随着全球气候变化的加剧,自然灾害的发生频率和强度正在逐年提高。因此,预测自然灾害的发生和发展具有重要的意义,有助于减轻灾害带来的损失,提高灾害应对的能力。 自然灾害预测的主要目标是预测自然灾害的发生、发展趋势和影响,以便制定有效的灾害避免...

AI天才研究院 1579

从指令到坐标:深度解析307系列基站定位的AT指令实战与排错

本文深度解析了ML307系列模组基站定位的AT指令实战应用与排错方法。重点剖析了AT+MLBSCFG和AT+MLBSLOC两条核心指令的配置、执行流程及异步响应机制,并针对高德与OneOs两种主流定位服务提供了完整的配置指南。文章结合常见错误码(如126、127)和硬件注意事项,分享了确保定位成功的实战经验与稳健的程序框架。

weixin_29057695的博客 490

大数据技术在森林火灾预警系统的应用

1.背景介绍 森林火灾是一种自然灾害,对于生态环境、经济发展和人类生活都具有极大的破坏力。随着全球气候变化和人类活动的加剧,森林火灾的发生频率和范围不断扩大,对于建立有效的森林火灾预警系统具有重要意义。 大数据技术是指利用分布式计算、存储和通信技术,对海量、多源、实时、多样的数据进行存储、处理和分析的技术。在森林火灾预警系统中,大数据技术可以帮助我们更有效地收集、处理和分析火灾相关的数据,从而...

AI天才研究院 1502

基于Xilinx Artix7 的FPGA高级应用 (二):千兆以太网通信(实战篇)第一期

本项目是基于Xlinx Artix7 XC7A35T芯片 以太网芯片选用的是RTL8211EG PHY芯片 MAC 和PHY接口标准是GMII 开发工具是vivado 2018.3 我们先来复习一下以太网的基本通信原理: 当我们的计算机需要与局域网中另外的设备进行通信的时候,需要将数据传输到网卡进行编码,然后传输到线上,经过另一个设备的网卡解码成该设备能读取的数据。 关于以太网协议的知识在原理篇中已经讲过,不再重复,下面直接看接收代码: 首先注意我们的MAC和PHY通信选择的是GMII接口标准,发送数据一

工大技术底层人员的博客 4034

02-基于ART-PI开发板创建USB CDC 虚拟串口设备

本例在ART-PI开发板上,基于RT-Thread 5.0,5虚拟了一个USB32 CDC串口设备。

arm_fan的专栏 1886

机器学习助力气候变化研究新突破

他们的实验将有助于缩小在理解气候相互作用和因果关系方面的差距,并提高从物理学、机器学习到统计学等各个社区的认识,以刺激新的创新,改进我们对全球气候的理解。但随着大规模气候数据的不断增长,以及云平台强大的计算能力,科学现在有了新的强大方法来使用机器学习和因果推理改进天气预报,并预测极端事件。参赛者获得了包含气候数据(如降水、湿度和温度)的时间序列数据集和某中心云服务积分,旨在寻找研究气候的新方法,并推动采用气候数据的新途径。该团队使用了34个不同的数据集,目标是理解这些数据集之间的因果关系。

codeshare1135的博客 651

片上眼图(Eye-opening monitor)

当它们值不同的时候error counter +1,通过统计RX到的码元个数、error counter,可以获得offset sampler上下左右不停的调整位置时的一个误码率(BER),通过这个误码率去描绘出眼图。如上图所示,eye-scan RX端 offset sampler独立且并行的和使用CDR sample的采样电路一起跑,offset-sampler可以任意调整水平(time)和垂直(voltage)方向的偏移(如下图所示),在一个UI内产生一个全新的sample点。

沈土豪的书屋 4420

救生预警系统以及气候灾害的缓解

该段文字主要讨论了如何通过科技手段应对气候变化的负面影响。文中提到了巴西和巴拿马的两个具体项目,它们分别利用云计算和传感器技术进行实时的监测和数据驱动决策。这两个国家都在自然灾害管理方面取得了显著的成果,如巴西的火灾预测系统和巴拿马的洪水警报系统。此外,文章还强调了多灾害早期预警系统的重要性,以及科学家、学术界和工业界之间的合作。总之,这段文字展示了科技在应对气候变化带来的自然灾害方面的潜力。

weixin_46812959的博客 944

基于STM32平衡小车设计

随着智能硬件的发展,基于STM32的两轮智能平衡车作为一种新型的智能移动工具,具备较高的应用价值。本文旨在设计并实现一款基于STM32微控制器的智能平衡车系统,提升其稳定性和操控性,探索如何通过传感器数据和控制算法实现精确平衡控制。 本设计基于STM32微控制器,选择了STM32F103系列作为核心控制器,具有足够的处理能力和丰富的外设接口。系统通过MPU6050传感器获取三轴加速度和三轴陀螺仪数据,实现实时姿态检测。电机驱动部分采用合适的驱动模块,能够控制两个直流电机,并支持PWM调速。设计中还包括OL

m0_74026776的博客 2731

PTC-6-2004汽轮机性能计算源代码,pycharm-包括试验计算、一类修正、二类修正-以CC350-16.7/0.98/0.5/538/538型汽轮机为例,5万7千字,过程不易欢迎打赏

汽轮机性能计算完整源代码-简化试验-包括试验计算一类修正计算和二类修正计算目录图 1 工程结构。

weixin_43441028的博客 1001

2022亚太杯数学建模C题最全完整思路模型代码首发——Global Warming OR Not?

大家好!我们是数模science,致力于为大家第一时间提供最完整的思路模型,持续为大家更新!!对于第一问的第一小问判断较为简单,根据升幅公式作出简单的判断与数据筛选即可,接着以月份为单位的气温分析,是一类典型的特征工程问题,这一问题可以建立统计学模型,采用假设检验的方法进行求解,也可以建立机器学习判别模型自动求解。所给的历史数据时间悠久,让我们预测未来的全球温度水平,首先我们可以采用的是灰色预测,但是该方法预测的年限较短。据此我们可以采用GM(1,1)模型来进行预测。该模型操作简单,对于数据较少的情况下具有

qq_44718470的博客 2770

在 Linux 64 位上遭遇 Signal 7 与 ST22 SYSTEM_CORE_DUMPED:从 es/implementation=std 到 /dev/shm 的一套落地排查法

摘要: Linux 64位SAP系统出现SYSTEM_CORE_DUMPED和Signal 7(对应SIGBUS)错误时,核心问题是进程因共享内存资源异常被操作系统强制终止。主要诱因包括:1)/dev/shm的tmpfs默认容量不足(通常仅占物理内存50%);2)SAP内存管理参数es/implementation=map在64位场景下的敏感性。解决方案应双管齐下:在实例profile设置es/implementation=std以降低对tmpfs的依赖,同时按(RAM+Swap)*75%重新配置/dev/

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 169

bp 神经网络 优点 不足_基于粒子群算法和BP神经网络的多因素林火等级预测模型...

森林对于生态环境以及人类生活、生产意义重大。目前世界森林面积达40亿hm2,受自然或人为因素的影响,每年全球发生森林火灾次数高达几十万次,受灾面积达几百万公顷。20世纪80年代以来,随着全球气候持续变暖、极端天气事件增多,每年森林火灾的发生次数呈上升趋势。一直以来,森林火灾都是一种突发性强、破坏性大、处置救助较为困难的自然灾害,是社会广泛关注的自然灾害之一。森林火灾烧毁森林植被,破坏森林...

weixin_39567046的博客 3287

你的小龙虾 OpenClaw 还很笨?快给它装上这几个核心技能(OpenClaw 必装skills整理)

🦞 刚装小龙虾OpenClaw? 本文分享一些OpenClaw必装技能,从视觉理解到智能学习,让它从“会聊天”变“会干活” 🚀

XiaoqiangClub的博客 872

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

上一篇: 深圳再当特区,引爆AI万亿市场;阿里·TTS语音合成模型;美团·AI数据库异常监测系统;面向后端开发者的CS课程;前沿论文 | ShowMeAI资讯日报
下一篇: 【中秋特辑】赛博朋克『静夜思』,金属摇滚『月饼』,落霞秋水『思乡』,AI画笔下的中秋长这样!赠你 8400 个月亮 | ShowMeAI资讯日报
ShowMeAI
博客等级 码龄5年 6514粉丝 672原创
评论 1
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

打赏作者

ShowMeAI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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