css选择器

css选择器

一、基本选择器
  1. *
    选择所有元素。
  2. E
    选择对应标签的元素。
  3. .class
    选择对应类名的元素。
  4. #id
    选择对应id的元素。
  5. E F
    选择E元素内部所有F元素。
  6. E > F
    选择E元素的所有直接子元素中的F元素。
  7. E + F
    选择紧跟着E元素之后的相邻兄弟节点F元素。
  8. E ~ F
    选择跟着E元素之后的所有兄弟节点中的F元素。
二、属性选择器
  1. E[attr]
    选择所有带有attr属性元素。
  2. E[attr = "value"]
    选择所有使用attr="value"的元素。
  3. E[attr ^="value"]
    选择所有使用attr属性以"value"开头的元素。
  4. E[attr $="value"]
    选择所有使用attr属性以"value"结尾的元素。
  5. E[attr *="value"]
    选择所有使用attr属性包含"value"的元素。
  6. E[attr ~="value"]
    选择所有使用attr属性包含"value"或"(空格)value"的元素。
  7. E[attr |="value"]
    选择所有使用attr属性包含"value"或"-value"的元素。
三、伪类选择器
  1. :link,:visited,:hover,:active,:focus
    通常是与a标签结合。
    :link ,选择所有未访问链接。
    :visited ,选择所有访问过的链接。
    :hover ,选择所有访问过的链接。
    :active ,选择被点击的链接。
    :focus ,选择鼠标在链接上时的链接。
  2. :first-line,:first-letter
    通常是与文字标签结合。
    :first-line ,选择元素的第一行。
    :first-letter ,选择元素的第一个字母。
  3. :enabled,:disabled,:checked
    通常是与表单标签结合。
    :enabled ,选择每一个已启用的输入元素。
    :disabled ,选择每一个禁用的输入元素。
    :checked ,选择每个选中的输入元素。
  4. :first-chilid,:last-child
    :first-chilid ,选择只有当此元素是其父级的第一个子级的元素。
    :last-child ,选择只有当此元素是其父级的最后一个子级的元素。
  5. :nth-child(n),:nth-last-child(n)
    :nth-child(n) ,选择此元素是其父级的第n个子元素的元素。
    :nth-last-child(n) ,选择此元素是其父级的倒数第n个子元素的元素。
  6. :first-of-type,:last-of-type
    :first-of-type ,选择此元素是其父级的第一个这个标签的元素。
    :last-of-type ,选择此元素是其父级的最后一个这个标签的元素。
  7. :nth-of-type(n),:nth-last-of-type(n)
    :nth--of-type(n) ,选择此元素是其父级的第n个这个标签的元素。
    :nth-last-of-type(n) ,选择此元素是其父级的倒数第n个这个标签的元素。
  8. :only-child,:only-of-type
    :only-child ,选择此元素是其父级的唯一子元素。
    :only-of-type ,选择此p元素是其父级的唯一这个标签的元素。
  9. :root
    选择文档的根元素。
  10. :empty
    选择每个没有任何子级的p元素(包括文本节点,空格)。
  11. :not()
    选择每个并非此元素的元素。
  12. :before,:after
    :before ,在元素之前插入内容。
    :after ,在元素之后插入内容。
基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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