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
600+累计阅读
640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，用于处理和分析地理空间数据。它提供了JavaScript和Python两种编程语言的接口，使用户可以利用丰富的地理空间数据集和分析工具进行数据处理和可视化。geemap是一个基于Google Earth Engine的Python包，提供了简化地理空间数据分析的功能。
在本文中，我们将重点讨论如何将Google Earth Engine JavaScript代码转换为Python代码，并分析两者之间的差异。
一、JavaScript向Python代码的转换
Google Earth Engine提供了JavaScript和Python两种语言的接口，因此可以将JavaScript代码转换为Python代码。转换的过程主要涉及语法和函数的转换。
JavaScript和Python的语法有一些差异。下面是一些常见的语法转换示例：
JavaScript:
var a = 5;
Python:
a 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.
Google Earth Engine：使用geemap进行地理数据分析和可视化
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。当然，geemap还提供了更多高级功能和工具，方便用户进行更复杂的地理数据分析和可视化。geemap提供了强大的地理数据分析功能，可以进行各种地理空间操作和计算。使用geemap进行地理数据分析和可视化非常简单。
GEE案例（python）——利用谷歌地球引擎中的交互式桑基图可视化分类时间序列数据的变化（2000-2020年不同土地转化可视化）
使用地球引擎（Earth Engine）可视化土地植被、植物健康、焚烧严重程度或任何其他时间序列分类图像的变化，并配有交互式桑基图。使用内置数据集库方便快捷，也可灵活定义自己的自定义数据集。谷歌地球引擎（Google Earth Engine）是一个强大的云平台，用于存储、处理和分析地理空间数据。它提供了一系列工具和功能，能够帮助用户可视化分类时间序列数据的变化。其中之一是交互式桑基图（Interactive Sankey Diagram），它可以帮助我们更好地理解数据的流动和变化。
Google Earth Engine python——geemap中JavaScript向python代码的转换和差异分析
除了用上面的方式转化代码外，这里还提供了一种代码的转化方式，我们只需要命名一个变量，然后通过三个引号，将需要转化的内容放到引号内即可，而且这里会自动给你新增一行cell，然后将你转化后的代码放入，你直接加载运行即可，相比于地图中转化，心在了import ee 以确保每个代码都是独立的存在，代码如下，但是你会发现错误，这里就是代码转化过程中出现的一些错误，需要我们自己去解决。#这里的我们可以进行时间形式转换，因为这里没有说明，所以我们头一次看到代码的时候不知道为什么我们只能用’YYYY-MM-dd’
如何处理动态语言（Python / JS）的“隐形”调用链？
本文揭示动态语言（Python/JS）中静态AST解析导致调用链“断链”的核心问题，提出通过运行时追踪补全图谱的解决方案。基于Code-Graph-RAG的cgr trace机制，分别利用pytest插件与V8 Profiler捕获真实调用路径，将动态边合并至静态图谱，并在权重体系中提升动态边优先级。实践表明，该方法可显著提升图谱覆盖率，实现“结构+行为”双视角理解代码，为MCP与Rerank系统提供可靠支持。
从ISCXTor2016到CICIDS2017：手把手教你下载和使用UNB的网络安全数据集
本文详细介绍了UNB大学发布的ISCXTor2016和CICIDS2017等网络安全数据集的下载与使用方法，特别适合加密流量识别和网络行为分析研究。文章提供了多种高效获取路径、文件结构解析及实战分析示例，帮助研究者快速上手这些真实场景捕获的精细标注数据集。
电脑蓝牙与ESP32蓝牙连接，让电脑发现ESP32
让PC发现ESP32蓝牙
模电实验室：手把手教你调试共射放大电路静态工作点（避免波形失真）
本文详细介绍了共射放大电路静态工作点的调试方法，帮助避免波形失真问题。从实验准备、电路搭建到静态工作点测量，提供了实用的电阻选值策略和常见波形失真解决方案，适合电子相关专业学生和硬件工程师参考学习。
Ubuntu升级遇到grub-efi-amd64-signed报错？3步搞定这个烦人的EFI目录问题
本文详细解析了Ubuntu系统升级时遇到的“grub-efi-amd64-signed”报错及“cannot find EFI directory”问题。通过剖析UEFI启动机制与EFI系统分区原理，提供了从诊断到修复的三步解决方案，帮助用户快速解决因EFI目录未挂载导致的升级中断，确保系统引导正常。
TortoiseGit之配置密钥
基于github的开发必须要用到rsa密钥，因此需要用到TortoiseGit的putty key generator工具，来生成既适用于github的rsa密钥也适用于TortoiseGit的ppk密钥。
PyTorch模型生产部署：ONNX/Triton导出与高可用架构实战
机器学习模型部署本质是训练环境与生产环境之间的运行时契约建立过程，涉及序列化协议、推理引擎兼容性、动态批处理及资源隔离等核心问题。ONNX凭借标准化算子集和跨框架支持，成为平衡兼容性、性能与可维护性的首选导出格式；Triton Inference Server则通过原生多框架支持、动态batching和热加载能力，显著提升GPU利用率与服务SLA保障水平。在金融风控、电商推荐等高要求场景中，基于ONNX+Triton+K8s的分层架构可稳定支撑千级QPS与毫秒级P95延迟，同时满足模型热更新、可观测性与版本
SwiftUI 5 教程之 SwiftData使用入门（教程含源码）
对我来说，记住日期很难。是的，您可以设置该日期的提醒，但该提醒无法产生紧迫感。让我们创建一个应用程序，我们可以在其中添加将来发生的事件。如果我们可以在主应用程序上看到所有即将发生的活动，那就太好了。也许将它们添加到小部件上以营造紧迫感。对于任何事件，我们需要跟踪哪些事情？我们将在下一篇文章中添加更多属性，其中我们将讨论迁移。现在，这就是我们所需要的。开始吧。
课程1：认识Asp.net Core Web API
本文是《.Net Core从零学习搭建权限管理系统》教程专栏的导航站（点击链接，跳转到专栏主页，欢迎订阅，持续更新…）专栏介绍：以实战为线索，基于.Net 7 + REST + Vue、前后端分离，不依赖任何第三方框架，从零一步一步讲解权限管理系统搭建。专栏适用于人群：Web后端开发人员Web API是一个很广泛的概念，Asp.net Core Web API是.NET框架用于创建RESTful风格的项目、用于轻松构建可供多个客户端访问的HTTP服务。1、支持RestFul风格编程；
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。
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")
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
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
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
1910
扫一扫
