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
300+累计阅读
309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
测地线缓冲区是在地理空间分析中常用的一种技术，它可以用于计算沿着地球曲面的路径的缓冲区。在本文中，我们将介绍如何使用 PyQGIS 库和 Google Earth Engine (GEE) 平台来实现测地线缓冲区分析。
首先，我们需要安装 PyQGIS 并设置与 GEE 的连接。PyQGIS 是一个强大的 Python 库，它允许我们在 Python 环境中使用 QGIS 的功能。安装 PyQGIS 的最简单方法是使用 Anaconda。可以通过以下命令来安装 PyQGIS：
conda install -c conda-forge pyqgis
安装完成后，我们可以开始编写代码。
首先，我们需要导入所需的库：
import ee
from qgis.core import (
QgsApplication,
QgsCoordinateReferenceSystem,
QgsCoordinateTransformpython：GDAL库教程
在本文将介绍如何使用Python中的GDAL库读取和保存遥感数据。对于读取遥感数据，我们通过gdal.Open()函数打开遥感数据集，然后使用GetRasterBand()函数获取数据集中的波段信息，并使用ReadAsArray()函数将数据读取为numpy数组。对于保存遥感数据，我们使用GDAL库中的gdal_array.SaveArray()函数，将numpy数组保存为遥感数据。
基于gdal的空间缓冲区分析（python）
矢量数据可视化 输入 输出 代码 from pathlib import Path import ogr def buffer(inShp, fname, bdistance=0.01): """ :param inShp: 输入的矢量路径 :param fname: 输出的矢量路径 :param bdistance: 缓冲区距离 :return: """ ogr.UseExceptions() in_ds = ogr.Open(inSh
十七. geotrellis使用 使用缓冲区分析的方式解决单瓦片计算边缘值问题
Geotrellis系列文章链接地址http://www.cnblogs.com/shoufengwei/p/5619419.html 目录 前言 需求分析 实现方案 总结 一、前言 最近真的是日理千机，但是再忙也要抽出时间进行总结。上一篇文章讲了使用缓冲区分析的方式解决投影变换中边缘数据值计算的问题（见geotrellis使用（十六）使用缓冲区分析的方式解决投影变换中边缘数据值计算的问题）。实际中往往还有一种...
ArcGIS实验教程：缓冲区分析
在上面的代码中，我们首先设置了工作空间，这是一个包含输入和输出数据的文件夹路径。然后，我们指定了输入要素图层的路径和名称，以及缓冲区输出的路径和名称。接下来，我们定义了缓冲区的距离，这里以度为单位，表示要素周围的缓冲区范围。例如，你可以创建缓冲区内的多边形、设置缓冲区的单位为米或千米，并在缓冲区中包含输入要素的属性数据。总结起来，ArcGIS的缓冲区分析功能提供了强大的空间分析能力，可以帮助我们更好地理解和分析地理数据。运行上述代码后，将生成一个新的缓冲区图层，其中包含以城市点为中心的缓冲区要素。
Python库 | pygeodesic-0.1.5.tar.gz
资源分类：Python库 所属语言：Python 资源全名：pygeodesic-0.1.5.tar.gz 资源来源：官方 安装方法：https://lanzao.blog.youkuaiyun.com/article/details/101784059
深入实践Python-GDAL地理数据处理源码总结
项目概述： 本项目致力于深入实践Python-GDAL库在地理数据处理方面的应用，并对此进行了全面的源码总结。项目主要采用Python语言编写，包含总计126个文件，具体文件类型分布如下： - Python脚本文件（.py）：32个 - 图像文件（.png）：31个 - 栅格图像文件（.tif）：24个 - 图片文件（.jpg）：3个 - 空间数据文件（.asc）：3个 - 数据库文件（.dbf）：3个 - 空间索引文件（.sbn）：3个 - 空间索引文件（.sbx）：3个 - 矢量数据文件（.shp）：3个 - 矢量索引文件（.shx）：3个 本项目的实践总结基于Python-GDAL库，不仅包含了丰富的代码实现，还涉及多种常见地理数据格式的处理，是对地理信息系统开发与应用的一次深度探索和总结。
微信小程序音视频通话（for硬件）授权与设备注册实战指南
本文详细介绍了微信小程序音视频通话（for硬件）组件的开发实践，涵盖授权流程、设备注册与VoIP插件集成。重点解析了如何通过服务端获取snTicket实现用户授权，确保硬件设备与微信端的音视频通话安全可靠，适用于智能门禁、话机等物联网场景。
别再乱调栅极电阻了！手把手教你用示波器调试FOC驱动MOS管，避开EMC和震荡坑
本文详细介绍了FOC驱动中MOS管栅极参数的精准调试方法，涵盖示波器配置、波形特征分析及栅极电阻选型策略。通过实战案例和工程经验，帮助工程师有效解决EMC和震荡问题，提升驱动电路稳定性和效率。
基于大模型的重度膝关节骨关节炎全流程预测与治疗方案研究
本研究基于大模型构建了重度膝关节骨关节炎（KOA）预测体系，涵盖术前风险预测、手术方案优化、术中监测和术后康复指导全流程。通过分析临床和影像数据，模型在手术风险预测准确率（85%）、并发症预警（血栓预测准确率88%）等方面显著优于传统方法。研究实现了临床数据与AI技术的深度融合，术前预测指导麻醉选择（如高危患者推荐椎管内麻醉），术中实时监测生命体征，术后个性化康复方案使患者HSS评分平均提升45分。
2023电赛B题实战解析：基于立创天空星开发板的同轴线缆长度与负载测量系统
本文详细解析了2023年全国大学生电子设计竞赛B题的实战方案，重点介绍了基于立创EDA天空星开发板（STM32F103）的同轴线缆长度与负载测量系统。文章深入剖析了两种核心测量方案，并推荐了更稳定易实现的NE555测电容法，提供了从硬件选型、电路设计到软件编程、参数标定的完整“施工图”，实测精度可达厘米级和皮法级，为电赛复现与高精度测量学习提供了清晰指导。
实证研究之｜stata清洗charls数据
stata
S.BUS协议及编解码，C语言源码
1、简介 SBUS本质是一种串口通信协议，采用100K的波特率，8位数据位，两位停止位，偶效验，即8E2的串口通信。 值得注意的有三点： 1.SBUS采用负逻辑，所以无论接收还是发送都要进行硬件取反（注意，一定要硬件取反），电路如下 这是我在网上看资料时看到的电路，实际上我用的是下面这个电路 2.SBUS有两种模式， a.高速模式：每4ms发送一次 b...
打脸来的太快了，又发现一个Trae的宝藏功能--内置浏览器可以指定机型来显示前端界面
今天给大家分享一个Trae的实用功能，就是SOLO模式下内置浏览器可以指定不同的手机、平板机型来查看前端页面显示效果，我感觉这个功能很棒，忍不住就跟大家分享一下。
〔重庆理工大学〕大学物理实验--变温霍耳效应及其参数测定
每个老师要求不同，实验报告内容和数据仅供参考。
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
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
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")
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
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
5375
扫一扫
