m0_51317300的博客

原创 CMD（Command Prompt）和 Anaconda 的不同

环境管理：可以创建和管理多个独立的 Python 环境，每个环境可以有不同的 Python 版本和包配置。定义：Anaconda 是一个开源的包管理器和环境管理器，主要用于数据科学、机器学习和科学计算领域。集成工具：提供了一个集成的图形化界面（Anaconda Navigator），方便用户管理环境和包。包管理：可以方便地安装、更新和管理 Python 包，特别是那些在数据科学和科学计算中常用的包。文件和目录操作：可以用于文件和目录的创建、删除、复制、移动等基本操作。

原创 在 Windows 中配置使用 WSL 来运行 Linux 环境，主要有以下步骤：

方法一：使用 wsl --install 命令 ：以管理员身份运行 PowerShell 或 Windows 命令提示符，输入 wsl --install 命令，该命令将自动启用运行 WSL 所需的功能，并安装默认的 Linux 发行版 Ubuntu。命令行安装 ：查看可安装的发行版列表，可运行 wsl --list --online，然后安装指定版本，如 Ubuntu 18.04，可运行 wsl --install -d Ubuntu-18.04。四、查看 WSL 版本及状态。

原创 在Windows创建虚拟环境如何在pycharm中配置使用

要在 PyCharm 中新建项目并使用您在 Windows 系统中创建的虚拟环境以及该环境中的 meteostat 包，您可以按照以下步骤进行设置：

原创 windows创造虚拟环境=之前误删

添加虚拟环境

原创 在Windows系统中实现python和GEE的交互

实现python中geemap对GEE的交互

原创 土壤背景去除方法

提高信号与噪声比：土壤背景可能会与目标信号（如植被、建筑物等）在光谱上有一定的重叠或相似性，尤其在复杂环境中。去除土壤背景可以减少这种干扰，提高目标信号的清晰度和可靠性，从而提高模型的反演精度。更清晰的目标提取：在遥感图像中，去除土壤背景可以使得目标区域更加突出，便于进行精确的目标检测和特征提取，提高模型对目标特征的识别能力。

原创 作物模型如何与无人机进行同化？

无人机图像技术和作物模型作为农业监测领域两个新兴 技术 ， 两者优势互补。作物生长模型被广泛用于模拟多尺度作物的动态生长。通过整合遥感数据、作物参数和作物模型进行数据同化，在描述作物生长和评估农业产量方面具有很大的潜力。

原创 什么是集成学习？

最终的预测结果是这些模型预测结果的平均值（回归）或投票结果（分类）。原理：训练多个基础模型，并将这些模型的预测结果作为新的特征输入到一个“元模型”（stacking model）中进行最终预测。示例：将逻辑回归、支持向量机、决策树等不同类型的模型的预测结果作为输入，训练一个元模型（如逻辑回归）进行最终预测。示例：简单投票机制，其中每个模型对结果进行投票，最终选择票数最多的结果，或对模型预测结果进行加权平均。示例：在图像处理任务中，可以使用不同的图像特征来训练多个模型，然后结合这些特征的预测结果。

原创 植被指数饱和性以及降低植被指数饱和性、提高预测精度的方法

研究人员将卫星影像丰富的冠层光谱信息与无人机衍生的冠层结构特征相结合，提高了大豆AGB、LAI和叶片氮的估计能力，在光谱特征中加入冠层结构信息在一定程度上减少了背景土效应和渐近饱和问题，提高了模型性能。数值方面，在过饱和情况下，近红外波段的反射率可能接近 0.8 - 1.0 ，红波段的反射率可能在 0.05 - 0.1 左右，但具体数值会受到植被类型、健康状况、测量仪器等多种因素的影响。有研究表明：将无人机计算的植被指数与机器学习相结合，可以开发准确的预测模型，克服茂密植被中的植被指数的饱和度。

原创 无人机农业监测小结

纹理指数：纹理是指图像色调作为等级函数在空间上的变化。其 中 ，灰度共生矩阵是一种基于像素灰度级信息的统计方法，可以 计算 纹理特征 的相关性、对比度、均匀度等。**手段：**作物模型，机器学习，辐射传输模型, 深度学习，时间序列，混合效应模型，迁移学习。**无人机可提取得特征：**植被指数，纹理指数，颜色指数，图像特征， 点云信息，荧光信息。颜色指数：包括RGB,HSV,HSI，CMYK，Lab颜色空间。作物模型：WOFOST，DSSAT。机器学习：随机森林，支持向量机。**关键名词：**集成学习。

原创 PROSAIL模型和Less模型区别

PROSAIL模型与less模型特点

原创 冠层反射率与BRDF的不同

冠层反射率与BRDF的不同

原创 Less模型三维模型

Less模型三维模型

原创 主要作物模型简介

作物模型

原创 FS-2000植物冠层图像分析仪使用方法

FS-2000植物冠层图像分析仪使用方法。

原创 Logistic模型公式参数以及氮浓度公式

原创 多重比较方法如何选择?

文献中多重比较方法的特点。

原创 农学常用的仪器原理和最佳使用时间总结

来源：LAI-2200使用手册。

原创 CART,Adaboost,GBDT,XGBoost,lightGBM等模型的简单比较

原创 机器学习特点以及应用举例

原创 机器学习方法的特点以及应用举例

原创 无人机多光谱农业领域常用的植被指数公式总结2

B,G,R,RE,NIR分别蓝波段，绿波段，红波段，红边波段，近红外波段。#农业领域常见无人机多光谱植被指数公式总结。

原创 RGB图像的植被指数总结

R,G,B分别对应RG图像的三个波段，r,g,b 分别为R/（R+G+B),G/(R+G+B),B/(R+G+B)文献中常见的RGB图像的植被指数公式总结。

原创 Pix4dmapper拼图出现Camera Optimization问题怎么办

CameraOptimization

原创 在Arcgis中使用shp文件与面积制表对无人机正射图像分类的栅格数据进行分类统计

在Arcgis中使用shp文件与面积制表对无人机正射图像分类的栅格数据进行分类统计我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：撤销：Ctrl/Command + Z重做：Ctrl/Command + Y加粗：Ctrl/Command + B斜体：Ctrl/Command + I标题：Ctrl/Command + Shift + H无序列表：Ctrl/Command + Shift + U有序列表：C

原创 利用QGIS和新建的矢量文件提取无人机图像的植被指数

利用QGIS提取无人机图像的植被指数1 点击新建矢量图层的“v”字形图标2 进行矢量文件编辑包括文件名即文件储存位置，几何图形根据需求一般选择为多边形。注意矢量图形的坐标系选择与无人机正射图像保持一致。为了更好地对应处理，可以再下方“新建字段”中加入变量，比如处理-重复。3 进行植被指数计算点击栅格-栅格分析-进入栅格计算器，在输出图层中选择图像位置，在栅格计算表达式中输入植被指数表达式4 对植被指数进行分区统计点击右侧工具箱-栅格分析-分区统计输入图层界面选择之前的矢量图形，栅格图