8、数字地图创建指南

数字地图创建指南

在创建数字地图的过程中,有诸多关键环节需要我们去掌握,包括图像颜色调整、矢量数据样式设置、专题制图以及投影知识等。下面将为大家详细介绍这些方面的内容。

图像颜色调整

当我们对图像进行修改后,虽然能够看到颜色,但图像可能仍偏向于钳位值的上限范围。为了弥补这一问题,我们可以在样式选项卡的颜色渲染菜单中更改一些值。可能需要多次尝试才能为你的场景设置出最佳值。例如,将亮度设置为 -90,饱和度设置为 20,对比度设置为 10 时,能得到不错的图像效果。

不过,处理后的图像可能在某个波段存在偏差。比如,结果图像可能会有不自然的红色光晕,这时可以通过增加红色波段的最大值来进行补偿。

同时,不要忘记尝试其他波段组合,这些被称为假彩色图像,它们可以显示出我们肉眼无法看到的土地覆盖属性。例如,5 - 4 - 3 组合强调植被,而 5 - 6 - 4 组合强调水域。

矢量数据样式设置

与可以通过单个栅格值设置样式的栅格数据不同,矢量数据可以静态设置样式,也可以根据其属性设置样式。基本样式包括为图层设置简单样式:
- 对于多边形,是带有轮廓的简单填充。
- 对于线,是简单的线条。
- 对于点,是带有轮廓且与比例无关的圆形。

如果打开矢量图层的属性窗口并导航到样式选项卡,我们可以看到应用于该图层的单符号方法。这些是级联样式,从一个父类开始,该父类是为几何类型预定义且不可更改的。这些样式真正实现了级联,因此,如果我们更改任何成员上的全局属性(如颜色),整个结构都会随之改变。父类(粗体字体)可以包含多个子类。通过点击第一个(默认情况下也是唯一的)子类,我们可以自定义样式的属性。

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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