Esri 2020 10m全球土地覆盖数据下载(Land Cover Downloader)

Esri_Land_Cover_2020_10m的介绍与数据下载教程 1.数据介绍 Esri_Land_Cover_2020_10m数据来源是Esri公司,基于10m哨兵影像数据,使用深度学习方法制作做的全球土地覆盖数据。该数据集一共分类十类,分别如下所示: 类别 Name Code 水体 Water 1 林地 Trees 2 草地 Grass 3 淹没植被 Flooded vegetation 4 耕地 Crops 5 灌木 Scrub/shrub 6 建筑 Built Area 7 裸地 Bare ground 8 雪/冰 阅读详情
AI摘要

本文介绍了如何从ArcGIS网站下载全球60GB的地理数据,包括步骤、区域选择和数据预览。详细讲述了数据下载过程,使用ArcGIS查看和评估了数据效果,特别关注了水域精度。

1.数据源

下载地址(2022):https://www.arcgis.com/apps/instant/media/index.html?appid=fc92d38533d440078f17678ebc20e8e2

(2025年地址):Esri Land Cover

打开网页地址后,首页显示如下图​:

全球数据下载​:点击下图中的available here即可下载到全球的数据,共计60G.默认使用浏览器下载,为防止下载中断,建议使用迅雷浏览器下载​。亲测下载速度还行​。

2.分区域数据下载

关闭首页弹出窗口后可以看到底图,数据分割为若干图框,可以直接​选择图框进行数据下载。

 放大图像,并居中显示​:

鼠标左键点击右侧图框,会弹出下载窗体​:

点击Download Scene 50R链接地址即可下载数据,无需注册登录,数据大小为324M.右键点击链接使用迅雷下载,速度挺快的​,很快就下载完了。

3.查看数据效果

使用Arcgis打开数据:

点击确定创建金字塔文件​,打开属性查看数据:该数据分辨率是10m,显示非压缩数据有7.83G,数据还是非常大的,下载的数据经过压缩​较小。
 

查看投影信息,该数据在用WGS84地理坐标系和UTM投影​:

我们显示分类图​:

整体效果挺不错的,不过感觉水域明显偏大​,该数据精度86%。
数据评价可查看​:https://www.arcgis.com/home/item.html?id=d6642f8a4f6d4685a24ae2dc0c73d4ac

ESA_2020年_10米土地利用数据介绍与下载教程 1数据介绍 1.1数据简介 World Cover数据集是欧空局联合全球多家科研机构,共同制作的2020年全球10米土地覆盖产品。 该数据产品分辨率为10米,是基于Sentinel-1和Sentinel-2数据进行制作。 1.2地物类别 类别 Name Code 耕地 cropland 10 林地 forest 20 草地 grasslands 30 灌木 shrublands 40 湿地 wetlands 50 水体 waterbodies 60 高海拔植被 T 阅读详情

相关推荐

常见卫星图源下载教程

上面列出的8个常见的亚米级别数据源都可以通过xyz协议或者wmts/wms协议进行下载。这些协议是什么?地理信息数据为了方便网络传输,制定了一系列的地理数据传输标准(wms/wmts/xyz等)。协议特点优点缺点栅格数据支持矢量数据支持WMS通过HTTP请求获取GIS数据,服务器会将数据渲染成图像高度定制的地图;交互性强服务器渲染图像,响应时间较长支持有限支持WMTS提供预渲染的地图瓦片速度快,因为地图瓦片可以预先生成并在请求时快速提供瓦片的内容是预先确定的,无法进行定制支持。

锐多宝的地理空间 1万+

全球土地利用数据ESRI 10m Land Cover 2020 in GEE(Google Earth Engine)

此图层显示土地利用/土地覆盖 (LULC) 的全球地图。该地图来自 ESA Sentinel-2 图像,分辨率为 10m。它综合了全年 10 个类别的 LULC 预测,以生成 2020 年的代表性快照。该地图由深度学习模型生成,该模型使用超过 50 亿个手工标记的 Sentinel-2 像素进行训练,从 20,000 多个站点中采样分布于世界所有主要生物群落。 数据引用: Karra, Kontgis, et al. “Global land use/land cover with Senti.

此星光明博客 1万+

GEE | 2017-2021年全球10m分辨率土地覆盖数据(ESRI)

该数据是利用10m分辨率的ESA Sentinel-2影像生成的2017-2021逐年的土地利用/覆被产品。

weixin_46753186的博客 1924

不需要注册即可下载的土地利用(Esri)Land Use/Land Cover下载教程

不需要注册即可下载的土地利用(Esri)Land Use/Land Cover下载教程

qq_43850821的博客 2928

如何浏览与下载全球免费的地图高分辨率(亚米级)的遥感影像?

前言 如果你想使用商业卫星的高分辨遥感影像,一般价格昂贵。我们可以使用地图平台上免费的高分辨率数据。目前数据源很多,比如说google earth、天地图、四维地球、必应地图等等。这些影像统一有一个共同点就是:RGB三波段;Web地图瓦片服务。这意味着我们可以通过瓦片服务下载影像,但下载的影像只有三个波段,分别是 一.引言 二、可使用高分辨率的地图数据源 1.Google Earth影像 2.Esri World Image 3.天地图 4.必...

锐多宝的地理空间 2万+

土地利用覆盖数据免费下载

1-清华大学团队(2010年/2015年/2017年,30米分辨率) http://data.ess.tsinghua.edu.cn/ 2-全球生态环境遥感监测2018年度报告(2017年,30米分辨率) http://www.chinageoss.org/geoarc/2018/ ...

提供技术服务、资源分享 429690771 8917

GEE 10m 全球 LULC 数据集 ESRI Land Cover

ArcGIS Living Atlas of the World 提供了详细、准确且及时的全球 LULC 地图。该数据是 Esri 和 Impact Observatory 合作的结果。有关数据的更多信息,请参阅 Sentinel-2 10 米土地利用/土地覆盖时间序列。土地利用/土地覆盖(LULC)地图是分析师和决策者在政府、民间社会、工业和金融领域中监测全球环境变化和衡量可持续生计与发展的风险时所需的基础地理空间数据产品。

ThsPool的博客 3218

全球ESRI土地覆盖数据[源码]

本文介绍了全球ESRI 10米年度土地覆盖数据(2017-2024),该数据集由Impact Observatory生成,基于ESA Sentinel-2 10米分辨率影像,综合全年9个类别的土地利用和土地覆盖(LULC)预测,生成每年的代表性快照。数据集利用数十亿人工标记的像素训练深度学习模型,评估平均准确度超过75%。文章详细列出了9个土地覆盖类别,包括水体、林地、被水淹没的植被、耕地、建筑用地、裸地、雪/冰、云覆盖缺失数据和草地(放牧地)。此外,还提供了数据集的官方下载网址和GEE部分下载代码,展示了如何通过代码加载和可视化数据,并提供了2017年至2024年全球及特定区域(如北京市和黄河流域)的土地覆被分布图示例。

Esri 2020全球土地覆盖数据下载全攻略:分幅规则、工具原理与避坑指南

遥感与GIS应用中,高分辨率土地覆盖数据是生态评估、农业监测与国土规划的重要基础。Esri推出的10米全球土地覆盖产品,基于Sentinel-2影像生成,将地表分为十大类别,空间粒度远超传统30米或500米数据。然而,这类栅格数据并非单张影像,而是按网格分幅的GeoTIFF集合,下载时需要理解分幅编号、坐标参考和文件清单匹配逻辑。借助Land Cover Downloader或Python批量脚本,并结合并发下载与断点续传,可大幅提升数据获取效率。本文从数据组织原理出发,梳理了从范围筛选、URL拼接、批量拉

weixin_32238157的博客 303

移远EC800M CAT1模块HTTP POST实战:从AT指令到数据上报的完整避坑指南

本文详细介绍了移远EC800M CAT1模块通过AT指令实现HTTP POST数据上报的完整开发流程,包括模块初始化、PDP上下文配置、HTTP POST实现及优化策略。针对实际开发中的常见问题如网络异常、低功耗需求等提供了经过验证的解决方案,帮助开发者快速实现稳定可靠的物联网数据传输功能。

weixin_42556197的博客 482

codevs 1620 轮船问题 DP 解题报告

某国家被一条河划分为南北两部分,在南岸和北岸总共有N对城市,每一城市在对岸都有唯一的友好城市,任何两个城市都没有相同的友好城市。

Hawo11的博客 819

全球地表覆盖数据(GlobeLand30)数据下载

全球地表覆盖数据(GlobeLand30)数据下载方法介绍

qq_43850821的博客 1万+

切比雪夫插值

切比雪夫插值是一种基于切比雪夫节点的多项式插值方法,其优势是减少插值误差(特别是龙格现象:表现为高维插值时在边缘处插值误差骤增)。本文对其基本操作进行说明。

平和少年的博客 1648

google、ESRI等高清卫星地图下载教程

google、ESRI等高清卫星地图下载教程

qq_43850821的博客 4116

【ArcGIS】ArcMap中北京1954坐标系转WGS84的实战技巧与参数选择

本文详细解析了在ArcMap中将北京1954坐标系数据转换为WGS84坐标系的完整流程与核心技巧。针对常见的坐标偏移问题,文章首先强调了数据“归位”的重要性,并提供了处理假东、假北值的具体操作步骤。随后,重点阐述了地理变换参数(如Beijing_1954_To_WGS_1984_2)的选择逻辑及其对转换精度的决定性影响,并结合案例说明了参数选择、中央经线确认及结果验证等关键环节,旨在帮助用户高效、准确地完成坐标转换。

f6g7h8i9j的博客 333

S7-1200PLC期末复习题(第七章)

A.0 B.1 C.4 D.-4 A、CV = 0 B、CV = 1 C、CV < 4 D、CV >= 4A、0,0 B、3,0 C、1,1 D、3,1 A、0 B、1 C、先是1,再变为0 D、先是0,再变为1置位输出:常开触点M0.0闭合,Q0.0变为1状态并保存该状态,即使M0.0断开,Q0.0也保持1状态。 复位输出:常开触点M0.1闭合时,Q0.0变为0状态并保持该状态,即使M0.1断开,Q0.0也保持为0状态。 A、1 B、0 C、5 D、10RESET_BF指令需要两个参数,第一个是复位的位数

qq_52251819的博客 4424

实例 | 使用QGIS分析Esri2020土地覆盖数据

​01前言 2021年6月24日,Esri发布了空间分辨率为10米的2020年全球陆地覆盖数据(Esri 2020 Land Cover),由728个GeoTIFF文件组成,总数据量接近69GB。关于数据的基本情况,可以参考: www.esri.com/about/newsroom/announcements/esri-releases-new-2020-global-land-cover-map 由于具有覆盖全球、时效性好(2020年)、分辨率高(10米)、开源(基于知识共享协议)的..

QGISClass的博客 7664

Firefox卸载卡住不动的解决方案

本文主要介绍了Firefox卸载卡住不动的解决方案,希望能对使用Windows的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案

weixin_43178406的博客 15万+

全球最新土地覆盖类型数据下载方法!

2020版Globe30土地覆盖数据下载!!! 上一期篇博客咱们介绍了这最新的土地覆盖类型数据的介绍(见全球最新的土地覆盖数据在这里!),这一期咱们说说是如何下载的。 1. 打开首页 网页暂时分成了三大部分: 数据:就是咱们这次的重点土地覆盖数据 工具:目前里面就是一些其他数据,各国的耕地面积等等 关于:就是产品介绍了 2. 点击“数据“进入数据展示页面。 3. 点击右上角的注册,注册账号 4. 这时候你的邮箱里会有激活邮件,点开后进行激活然后会跳转到一个登陆页面,如下图,这里无

lionhenryzxxy的博客 5304

架构师成长之路(1)--什么是架构师

前言: 哲学家常思考的问题:" 我是谁?"" 我从哪里来?"" 要到哪里去?不只是哲学家,我想每个人都有自己对这三个问题的认知。 如果我们要成为架构师,我们自己要面临的三大问题: 找准自己定位:我是谁?在哪里? 怎样做好架构师:我要做什么? 如何搭建架构师知识体系:我该怎么做? 这里面就是做事方法论:目标(我要做什么),方法(计划)(我该怎么做), 执行/行动找准自己定位:我是谁?在哪里...

黄规速博客:学如逆水行舟,不进则退 6万+

EXCEL VBA从入门到精通 前言

本书通过丰富的实例和案例,帮助读者更好地理解和应用Excel VBA编程,同时也介绍了常用的工具、资源、社区和协作平台等,方便读者进行进一步的学习和开发。我强烈推荐这本书给所有希望学习和掌握Excel VBA编程的读者。多样化的资源和工具介绍:本书介绍了丰富的工具和资源,包括官方文档、在线教程、代码库、论坛、博客等,方便读者进行进一步的学习和开发。详细的讲解和丰富的示例:本书从语法和对象开始讲解,通过丰富的实例和案例,帮助读者更好地理解和应用Excel VBA编程。第一节:什么是VBA 5。

1745

免注册登录的中国逐年土地覆盖数据(CLCD)下载教程

免注册登录的中国逐年土地覆盖数据(CLCD)下载教程

qq_43850821的博客 4465

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

esri土地覆盖全国拼接

1 数据介绍 Esri_Land_Cover_2020_10m数据来源是Esri公司,基于10m哨兵影像数据,使用深度学习方法制作做的全球土地覆盖数据。该数据集一共分类十类,分别如下所示: 更多介绍参考【10米ESRI土地覆盖数据介绍与下载教程】。 2 数据处理 首先下载全球的esri土地覆盖文件,在此基础上操作。 2.1 找出中国范围的分块 2.1.1 生成影像边界框 根据影像范围生成影像的边界框shp,便于筛选。python代码如下。 这里使用pyshp创建矢量,pyshp需要是1.2.3版本。

自度度人 自觉觉他 1616

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

GEE11:2个土地覆盖数据(LUCC)分享和下载

地表覆盖分布是气候变化研究、生态环境评估及地理国情监测等不可或缺的 重要基础信息。近年来,随着遥感科学技术以及计算机存储和计算能力的不断提 升,地表覆盖应用需求也逐步从公里尺度(如 1 公里,500 米)向更高分辨率的 米级尺度(30 米和 10 米)过渡。目前,已公开的三套 30 米全球地表覆盖产品 (GLC_FCS30,FROM_GLC 和 GlobeLand30)能够很好地服务了全球/区域尺度 的应用需求。

amyniez的博客,欢迎交流讨论 1万+

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

2021-10-24全球10米土地覆盖数据任意下载

前段时间,Esri对外公布了全球10米土地覆盖数据,该数据利用欧洲航天局(ESA)的Sentinel-2卫星影像绘制而成。用户可以通过ArcGIS Living Atlas 中的 Web 服务直接访问下载。 今天我们来看看Esri的全球10米土地覆盖数据,文末有该数据下载链接。 数据时间:2020年 坐标投影:UTM(WGS84) 数据范围:全球 数据大小:全球共计60G+(可按区域选择下载) 数据资源:Sentinel-2 数据包含:水域、树木、草地、水淹植被、农作物、灌木、建筑面积、裸地、冰川及永久.

qq_43173805的博客 4000
上一篇: GDAL中AttributeError: ‘NoneType‘ object has no attribute ‘GetLayer‘错误记录
下一篇: python调用IE浏览器进行数据批量下载小技巧
空中旋转篮球
空中旋转篮球 新星创作者: python技术领域 新星创作者: python技术领域
博客等级 码龄14年 6105粉丝 270原创
评论 6
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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

打赏作者

空中旋转篮球

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
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