js小技巧之随手记(一)

JavaScript 常见操作技巧总结
  1. 对数组使用.sort()排序.
    错误写法:[1,6,5,11].sort() 排序结果:[1, 11, 5, 6]
    正确写法: [1,6,5,11].sort((a,b)=> a-b)
  2. 替换函数
    let s = ‘yxy’ const replaced = s.replace(‘y’, ‘o’)
    replaced === ‘oxy’ // 只会替换第一个y 且 s的值不会变
    若想把所有y都替换, ‘yxy’.replace(/y/g, ‘o’) === ‘oxo’

3.数组不是基础类型
typeof {} === ‘object’ // true
typeof ‘a’ === ‘string’ // true
but typeof [] === ‘object’ // true
若是需要判断一个变量是否是数组,则 Array.isArray(var)
4.Math.min() 比 Math.max() 大; 前者返回 Infinity,后者返回 -Infinity
5. 3<2<1 为 true, 在比较时为 (3<2)<1 => false < 1 true 或者 false 为默认转化为 0 || 1…=> 0 < 1 ==> true
6. 强制要求参数
ES6提供了默认参数值机制,允许你为参数设置默认值,防止在函数被调用时没有传入这些参数。
在下面的例子中,我们写了一个required()函数作为参数a和b的默认值。这意味着如果a或b其中有一个参数没有在调用时传值,会默认required()函数,然后抛出错误。
const required = () => {throw new Error(‘Missing parameter’)};
const add = (a = required(), b = required()) => a + b;

add(1, 2) //3
add(1) // Error: Missing parameter.
  1. 使用reduce同时实现map和filter
    假设现在有一个数列,你希望更新它的每一项(map的功能)然后筛选出一部分(filter的功能)。如果是先使用map然后filter的话,你需要遍历这个数组两次。
    在下面的代码中,我们将数列中的值翻倍,然后挑选出那些大于50的数。有注意到我们是如何非常高效地使用reduce来同时完成map和filter方法的吗?

     const numbers = [10, 20, 30, 40];
     const doubledOver50 = numbers.reduce((finalList, num) => {
       num = num * 2; 
       if (num > 50) {
     	finalList.push(num);
       } 
       return finalList;
     }, []);
     doubledOver50; // [60, 80]
    

8.删除不需要的属性
let {_internal, tooBig, …cleanObject} = {el1: ‘1’, _internal:“secret”, tooBig:{}, el2: ‘2’, el3: ‘3’};
console.log(cleanObject); // {el1: ‘1’, el2: ‘2’, el3: ‘3’}
9.Sets 数组去重
在ES6中,因为Set只存储唯一值,所以你可以使用Set删除重复项。
let arr = [1, 1, 2, 2, 3, 3];
let deduped = […new Set(arr)] // [1, 2, 3]

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