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
5.4k累计阅读
5.5k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
AI摘要
本文档详细介绍了如何使用ArcGIS将JPG格式的海图数据进行数字化，并通过克里金插值方法生成xyz水深地形数据。作者分享了从生成随机点、提取水深值到整理合并数据的步骤，适用于MIKE水动力建模。
在进行MIKE水动力建模之初，需要准备好水深数据，之前有在【MIKE水动力笔记1_岸线及水深数据之依靠全球数据库资源提取的方法】和【MIKE水动力笔记3_岸线及水深数据之根据遥感影像绘制岸线的方法】中提到过一些这部分内容，但之前没有具体讲解如何数字化海图，于是打算出几篇博文具体讲一下自己的做法。
这一专题系列博文主要包括：
【笔记12_数字化海图1之采集确值水深点】
【笔记13_数字化海图2之克里金插值】
【笔记14_数字化海图3之提取任意等深线】
【笔记15_数字化海图4之制作xyz水深数据】（本篇博文内容）
这一专题系列博文主要讲解如何将扫描版JPG格式海图数据在ArcGIS中进行数字化并制作成xyz水深地形数据，这是我最近自己研究出来的做法，用的克里金插值方法，觉得还比较靠谱，因此自己记录一下，仅供参考。
生成大量随机点操作如下三图。
MIKE水动力笔记4_制作网格
建立水动力模型前的重要一步就是制作网格，本文所讲内容就是如何在MIKE中制作网格。
MIKE水动力笔记3_岸线及水深数据之根据遥感影像绘制岸线的方法
通过遥感影像自己绘制岸线来制作岸线数据，这种方法获取的岸线及水深数据精度很高，且可以根据自己的研究需要进行灵活处理。
MIKE水动力笔记1_岸线及水深数据之依靠全球数据库资源提取的方法
通过各种数据库资源来获取全球岸线及水深数据，这种方法获取的岸线及水深数据精度偏低，比较适合大尺度范围的水动力研究。
MIKE水动力笔记12_数字化海图1之采集确值水深点
在进行MIKE水动力建模之初，需要准备好水深数据，本专题系列博文主要讲解如何将扫描版JPG格式海图数据在ArcGIS中进行数字化并制作成xyz水深地形数据，用的克里金插值方法，仅供参考。
MIKE水动力笔记14_数字化海图3之提取任意等深线
在进行MIKE水动力建模之初，需要准备好水深数据，本专题系列博文主要讲解如何将扫描版JPG格式海图数据在ArcGIS中进行数字化并制作成xyz水深地形数据，用的克里金插值方法，仅供参考。
MIKE水动力笔记13_数字化海图2之克里金插值
在进行MIKE水动力建模之初，需要准备好水深数据，本专题系列博文主要讲解如何将扫描版JPG格式海图数据在ArcGIS中进行数字化并制作成xyz水深地形数据，用的克里金插值方法，仅供参考。
MIKE 21 教程 1.4 网格搭建界面介绍之高程数据输入与网格导出 （Mesh Generator 工具）
MIKE 21 教程 手把手教学 1.4 网格搭建界面介绍之高程数据输入 （Mesh Generator 工具） 上一篇文章讲解了网格生成的相关操作： MIKE 21 教程 1.3 网格搭建界面介绍之网格生成 （Mesh Generator 工具） 本节讲解高程数据的导入与处理 1 手动创建高程数据
ArcGIS笔记13_利用ArcGIS制作岸线与水深地形数据？建立水动力模型之前的数据收集与处理？
在利用MIKE建立水动力模型之前，需要收集、处理和制作诸多数据和资料，主要有岸线数据、水深地形数据、开边界潮位驱动数据、风场数据、潮位和海流观测资料和站点潮汐调和常数资料等。本篇主要介绍这些资料的获取与处理。
Mike21水动力算例脚本化前后处理与避坑指南
水动力数值模拟是把地形、非结构网格、边界条件、参数与结果输出组织成可复现计算链路的过程。其原理在于网格边界code与边界序列、时间轴严格对应，时间步需满足CFL条件，糙率以曼宁数M表达，干湿阈值需错开以避免状态振荡。借助mikeio等脚本接口读取dfsu/dfs0，可把潮位边界生成、点位提取、批量场图和多工况参数替换固化下来，提升后处理效率与结果可追溯性。这类方法适用于海湾潮汐、河道水流、排放口近区及模型交接排查等场景。围绕Mike21工具包，进一步把dfsu结果自检、水量平衡、边界对拍与参数敏感性校验串成
MIKE 21二维水动力模拟实战：从网格到验证的完整指南
二维水动力数值模拟是河口、海岸及防洪工程中不可或缺的分析手段，其核心是求解浅水方程组以再现水位和流速场。MIKE 21作为主流的商业软件，凭借模块化结构与灵活三角网格（FM），能够适应复杂岸线和滩涂地形，广泛应用于洪水淹没、港口航道与环评预测等场景。然而建模并非简单勾选模块，网格质量、时间步长的CFL约束、底摩擦系数以及干湿边界阈值，都是决定模型能否稳定收敛的关键。围绕工具链拆解、文件关系梳理、参数设置原则和高频陷阱排查，并给出基于实测数据的RMSE与Skill Score量化验证方法，呈现了一条从入门到可
全球海洋水深及地形数据集（.nc文件）
NOAA提供的全球海洋水深及地形数据，适合相关专业进行数据处理和相关建模比赛使用。
配置oem 13c以监控管理数据库
使用oem13c监控数据库
STM32+LoRa模块实战：从环境搭建到数据传输完整指南（附避坑清单）
本文提供STM32与LoRa模块从环境搭建到数据传输的完整实战指南，涵盖硬件连接、开发环境配置、AT指令设置、频段优化及低功耗设计等关键步骤，特别针对常见问题提供解决方案和避坑清单，助力物联网开发者高效实现远距离低功耗通信。
神州数码OSPF实战配置详解（手把手教学）
本文提供神州数码设备上OSPF基础配置的详细实战教程。通过搭建典型的两台三层交换机互联实验环境，手把手演示了VLAN创建、接口IP配置、OSPF进程启动、Router-ID设置及网络宣告等核心步骤，并分享了邻居状态验证、路由检查及常见排错方法，帮助网络工程师快速掌握神州数码OSPF的配置要点与操作技巧。
在unity urp项目中 通过图片创建材质（透明光晕）
unity中通过图片创造材质（urp管道）
FD.io/VPP — VPP 的实现原理解析
目录 文章目录目录VPPVPP 的关键创新技术数据报文的矢量处理标量报文处理方式I-cache miss 问题矢量数据报文处理方式标量 v.s. 矢量报文处理流程Packet Processing Graph（数据报文处理图）Packet Processing Graph 的处理流程Graph Node Plugin 机制 VPP WIKI：https://wiki.fd.io/view/VPP Docs：https://fd.io/docs/vpp/master/index.html Github：ht
出现Command ‘vim‘ is available in the following places,vim: command not found等解决方法
内置命令无法识别，说明系统变量有误，导致无法识别，既然系统变量有误，将其注释或者更改为正确的即可，但是现在打不开，又怎么注释掉。替换vim来打开编辑，打开之前错误的全局变量文件，发现变量有误，要么注释要么改为。系统变量有全局变量（通过命令行printenv或者echo）和局部变量。对应通过vim修改错误的变量文件，不然source也无法让配置文件生效。本身vim是系统内置的命令，连vim都出现问题。修改为正确的即可，之后还需要重启服务器，使用。之后即可成功，通过即可查看命令是否有写入。...
uniapp(安卓苹果app端) - 微信小程序分享提示报错“由于不支持的分享类型无法分享到微信“，“由于应用和小程序未绑定在同意微信开放平台账号，无法分享到微信“解决办法，uniapp小程序分享失败
uni-app，安卓app，苹果app，手机app端，苹果ios，安卓Android，移动端app，分享，微信分享，微信朋友圈，微信好友，转发，vue2，vue3，App端调用手机的系统分享，微信小程序，分享功能，原生app分享小程序到微信，可分享到微信、朋友圈等，报错，uniapp分享报错由于不支持的分享类型无法分享到微信，未审核应用，uniApp安卓苹果app报错由于应用和小程序未绑定在同意微信开放平台账号，无法分享到微信，微信appid，已经配置了，还是报错，无法解决，一直提示，APP_ID错误，打包
如何给数据添加高斯白噪声?
首先测试集应该是加噪声的，至于训练集需不需要加噪声就见仁见智了。我个人测试的结果是，训练集如果不加噪声的话效果特别差，如果加噪声的话效果就比较好接受，大家可以自己试试看。在轴承故障研究中免不了要涉及到给数据主动加入噪声的情况，一般我们加的是高斯白噪声。由于热噪声是由大量自由电子的运动产生的，其统计特性服从高斯分布，故常将热噪声称为高斯白噪声。的频谱是均匀分布的，好像白光的频谱在可见光的频谱范围内均匀分布那样，所以热噪声又常称为。定义一：如果一个噪声，它的瞬时值服从。又是均匀分布的，则称它为高斯白噪声。
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
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
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")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
2万+
扫一扫
