[LeetCode]Surrounded Regions

class Solution {
public:
	vector<pair<int,int>> BFS(int curX, int curY, vector<vector<char>> &board, vector<vector<bool>>& visited, bool& bFilp)
	{
		int n = board.size();
		int m = board[0].size();
		int dir[4][2] = {{0,1}, {0,-1}, {1,0}, {-1,0}};
		queue<pair<int, int>> q;
		visited[curX][curY] = true;
		q.push(make_pair(curX, curY));
		vector<pair<int,int>> path;
		while (!q.empty())
		{
			int x = q.front().first; 
			int y = q.front().second;
			path.push_back(q.front());
			q.pop();
			for (int i = 0; i < 4; ++i)
			{
				int nextX = x+dir[i][0];
				int nextY = y+dir[i][1];
				if(nextX >= 0 && nextX < n && nextY >= 0 && nextY < m)
				{
					if(!visited[nextX][nextY] && board[nextX][nextY] == 'O')
					{
						q.push(make_pair(nextX, nextY));
						visited[nextX][nextY] = true;
					}
					
				}
				else bFilp = false;
				
			}
		}
		return path;
	}
	void solve(vector<vector<char>> &board) {
		// Start typing your C/C++ solution below
		// DO NOT write int main() function
		int n = board.size();
		if(n == 0) return;
		int m = board[0].size();
		vector<vector<bool>> visited;
		visited.resize(n);
		for(int i = 0; i < n; ++i)
			visited[i].assign(m, false);
		for (int i = 0; i < n; ++i)
		{
			for (int j = 0; j < m; ++j)
			{
				if(!visited[i][j] && board[i][j] == 'O')
				{
					bool bFlip = true;
					vector<pair<int,int>> path = BFS(i, j, board, visited, bFlip);
					if(bFlip)
					{
						for (int pIdx = 0; pIdx < path.size(); ++pIdx)
							board[path[pIdx].first][path[pIdx].second] = 'X';
					}
				}
			}
		}
	}
};

second time

class Solution {
public:
    int dir[4][2] = {{0,1},{0,-1},{1,0},{-1,0}};
    void solveUtil(vector<vector<char> >& board, vector<vector<bool> >& visited, int ix, int iy, vector<pair<int,int> >& curPath, bool& isSurrounded)
    {
        int n = board.size();
        int m = board[0].size();
        queue<pair<int,int> > posQ;
        posQ.push(pair<int,int>(ix, iy));
        while(!posQ.empty())
        {
            int curX = posQ.front().first;
            int curY = posQ.front().second;
            posQ.pop();
            
            if(board[curX][curY] == 'O' && !visited[curX][curY])
            {
                curPath.push_back(pair<int,int>(curX, curY));
                visited[curX][curY] = true;
                for(int k = 0; k < 4; ++k)
                {
                    int newX = curX+dir[k][0];
                    int newY = curY+dir[k][1];
                    if(newX < 0 || newX >= n || newY < 0 || newY >= m) isSurrounded = false;
                    else if (!visited[newX][newY]) posQ.push(pair<int,int>(newX, newY));
                }
                    
            }
        }
        
    }
    void solve(vector<vector<char>> &board) {
        // Start typing your C/C++ solution below
        // DO NOT write int main() function
        int n = board.size();
        if(n == 0) return;
        int m = board[0].size();
        
        vector<vector<bool> > visited(n, vector<bool>(m, false));
        for(int i = 0; i < n; ++i)
        {
            for(int j = 0; j < m; ++j)
            {
                vector<pair<int, int> > curPath;
                bool isSurrounded = true;
                if(!visited[i][j]) solveUtil(board, visited, i, j, curPath, isSurrounded);
                if(isSurrounded)    
                {
                    for(int i = 0; i < curPath.size(); ++i) 
                        board[curPath[i].first][curPath[i].second] = 'X';
                }
            }
        }
        
    }
};


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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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

打赏作者

AI记忆

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
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