Hibernate入门(四)检索

SQL检索

SQLQuery query = session.createSQLQuery("select * from student");

    query.addEntity(Student.class);

    Iterator iterator = query.list().iterator();

 

query = session.createSQLQuery("select {s.*} from student s");

    query.addEntity("s", Student.class);

    iterator = query.list().iterator();

 

SQLQuery query = session.createSQLQuery("select s.id as {stu.id}, s.name as {stu.name} from student s");

       query.addEntity("stu", Student.class);

 

SQLQuery query = session.createSQLQuery("select {stu.*},{tea.*} from student stu, teacher tea");

       query.addEntity("stu", Student.class);

       query.addEntity("tea", Teacher.class);

 

 

QBC

Criteria criteria = session.createCriteria(Student.class);    

       Criterion criterion = Expression.eq("name", "2");      

       criteria.add(criterion);   

       criteria.list();

 

    Expression.le()年龄上限 ge()下限  and(criterion1,criterion2)

in,like,between,or,addOrder,

本研究利用Sen+MK方法分析了特定区域内的ET(蒸散发)趋势,重点评估了使用遥感数据的ET空间变化。该方法结合了Sen斜率估算器和Mann-Kendall(MK)检验,为评估长期趋势提供了稳健的框架,同时考虑了时间变化和统计显著性。 主要过程与结果: 1.ET趋势可视化:研究利用ET数据,通过ET-MK和ET趋势图展示了蒸散发在不同区域的空间和时间变化。这些图通过颜色渐变表示不同的ET水平及其趋势。 2.Mann-Kendall检验:应用MK检验来评估ET趋势的统计显著性。检验结果以二元分类图呈现,标明ET变化的显著性,帮助识别出有显著变化的区域。 3.重分类结果:通过重分类处理,将区域根据ET变化的显著性进行分类,从而聚焦于具有显著变化的区域。这一过程确保分析集中在具有实际意义的发现上。 4.最终输出:最终结果以栅格图和png图的形式呈现,支持各种应用,包括政策规划、水资源管理和土地利用变化分析,这些都是基于详细的时空分析。 ------------------------------------------------------------------- 文件夹构造: data文件夹:原始数据,支持分析的基础数据(MOD16A2H ET数据 宁夏部分)。 results文件夹:分析结果与可视化,展示研究成果。 Sen+MK_optimized.py:主分析脚本,适合批量数据处理和自动化分析。 Sen+MK.ipynb:Jupyter Notebook,复现可视化地图。
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