自然环境资源数据集分享——资源环境数据云平台

最新推荐文章于 2025-07-01 17:31:17 发布
最新推荐文章于 2025-07-01 17:31:17 发布
阅读量1.6w 收藏 34
点赞数 6
CC 4.0 BY-SA版权
分类专栏： 项目学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/u010636181/article/details/80637030

  由于工作需要，最近我在搜集自然环境下的公开文字图片数据集。在网页搜索时，偶然发现一个关于资源环境方向的数据平台，也就是今天要说的资源环境数据云平台。平台是由中国科学院地理科学与资源研究所和中国科学院资源环境科学数据中心一起运营支撑的，主要的数据方向是中国的资源环境数据，当然，也有全球的部分有关数据。下面简单介绍这个平台数据集目录和下载说明。

一、数据集目录

1、中国行政区划数据

行政村边界数据

中国乡镇行政边界数据

中国县级行政边界数据

中国地市行政边界数据

中国省级行政边界数据

2、自然地理分区数据

中国气候区划1

中国九大流域片

黄土高原空间范围

青藏高原空间范围数据

中国林业工程空间分布数据

中国生态功能保护区

中国生态地理分区

3、中国气象数据

中国气象站点分布数据

中国气象要素站点观测逐日数据集

中国1980年以来逐年年降水量空间插值数据集

中国1980年以来逐年年平均气温空间插值数据集

4、中国土地利用数据

中国1980年代100万土地利用数据

1970年代末期（1980年）中国土地利用现状遥感监测数据

2015年中国土地利用现状遥感监测数据

1980年代末期（1990年）中国土地利用现状遥感监测数据

1995年中国土地利用现状遥感监测数据

2000年中国土地利用现状遥感监测数据

2005年中国土地利用现状遥感监测数据

2010年中国土地利用现状遥感监测数据

5、中国陆地生态系统宏观结构数据

1970年代末期（1980年）中国陆地生态系统类型空间分布数据<

最低0.47元/天 解锁文章

200万优质内容无限畅学
数据仓库建设实践——如何通过数据仓库建设提升效率并确保数据质量
AI天才研究院
07-31 3475
随着互联网经济的快速发展，全球消费者对汽车的需求越来越旺盛。在全球范围内，公共汽车运营商(PSA)正在竞争激烈，包括美国的Tesla、上海的东风、中国的福特等。全球公共汽车市场规模每年呈现爆炸性增长态势。其中，美国曾经的领先地位已经被中国的车企掌控，新赛道的崛起也给PSA带来巨大的机遇。然而，美国的 Tesla 在上市过程中也面临过很多困难，很难说它是否真正站到了自己的立场上。
数仓建模—Data Warebase AI 时代数据平台应当的样子
07-29 3万+
引言：在这个 AI 技术飞速发展的时代，我们有能力更深入地发掘数据潜在的价值，而数据处理不应当成为阻碍。云原生分布式 Data Warebase 将开启处理数据的新范式，它让数据的使用返璞归真，不论是存储还是查询，一个系统满足业务全方位数据需求。打破复杂数据架构的束缚，大大降低数据的使用门槛，释放数据潜能，让数据涌现智能。2002 年我加入 Microsoft SQL Server 引擎团队。那时的数据库市场相对简单，主要有三个厂商：Oracle、IBM（DB2）和 Microsoft（SQL Server
自然景物，风景数据集（7000张）
12-15
资源包含7000多张自然景物及风景图片，包括河流，大海，山川，沙漠，田野，雪地，绿洲等，可用于用于机器学习训练数据集等。
数据集平台分享
lu_rong_qq的博客
11-14 388
Kaggle 包含非常丰富的数据集和代码，是个免费的优质平台。
鸿蒙开发实践——基于AVPlayer的视频播放
android__bye的博客
06-26 1315
关注小编，不定期分享技术知识同时请期待后续文章ing🚀。
数据集网站
qq_51216777的博客
01-08 667
Kaggle: Your Machine Learning and Data Science CommunityDataset Search (google.com)Our Data | FiveThirtyEightData.gov Home - Data.govGitHubNASA Open Data Portal
猫头虎分享：推荐 22 个高质量数据集服务平台（含国内外热门 AI 数据集、机器学习必备资源）
猫头虎技术团队：授渔优于赠鱼，兴趣引领智慧，探索之乐尤显珍贵。商务合作+：Libin9iOak ，万粉变现+：优快云WF，猫头虎承诺每年免费为100名C站创作者做账号流量诊断服务！全网搜：猫头虎技术团队，点击文章底部名片或直接私信我一切皆可谈，快找虎哥！
12-27 4130
数据集去哪找？国内外平台全解析！机器学习和AI开发必读 在数据科学、机器学习、人工智能（AI）领域，高质量数据集是推动研究与应用的基础资源。从开源数据集到行业竞赛数据平台，本篇文章为你推荐 22 个国内外高质量数据集服务平台，涵盖 Kaggle、百度飞桨、阿里天池 等知名资源，助力开发者和研究人员找到精准数据源，高效完成项目。 关键词：数据集服务平台、数据科学平台推荐、机器学习数据集、AI数据集资源、国内外数据集大全、开源数据集推荐、百度飞桨数据集、阿里天池数据集
CSMAR数据库-各地区自然资源数据(1996-2018年)
li514006030的博客
04-15 1227
数据集名称：CSMAR数据库-各地区自然资源数据 时间范围：1996-2018年 数据来源：CSMAR数据库 文件列表： 主要城市平均气温.txt 主要城市平均相对湿度.txt 主要城市日照时数.txt 主要城市降水量.txt 主要矿产基础储量.txt 各地区土地利用情况.txt 各地区空气质量指数表.txt 各地区能源消费量.txt 国土资源状况.txt 水资源基本情况.txt 海区海域及渔场面积.txt 部分数据截图： 下载链接:CSMAR数据库-各...
TableAgent 数据分析智能体——引领数据分析新革命
热门推荐
不写代码没饭吃的博客
12-15 33万+
PowerBIExcel等，但是这些都需要你去熟悉他们的产品并且还需要人为去处理整个分析流程，非常繁琐，直到我发现了TableAgent,这个东西的神奇之处在于可以直接把AI变成专业的数据分析师,我第一次看到也很惊讶，但是随着我的深入，我发现我之前使用的对话AI模型体现的缺点在TableAgent上不复存在，发现它真的特别强大，不同于传统的数据分析平台，TableAgent。
呼伦贝尔矢量栅格数据集，适合学习研究使用
03-19
本主题聚焦于一个特定的数据集——“呼伦贝尔矢量栅格数据集”，这是一个适用于学习和研究的资源。接下来，我们将深入探讨相关知识点。 首先，我们要了解“矢量数据”和“栅格数据”这两种基本的地理数据类型。矢量...
数据集成平台（ETLCloud）
weixin_43156294的博客
09-18 1548
ETLCloud：一款国产的集成了ETL/ELT/CDC的全域数据集成平台，提供了广泛的应用及数据库链接器，能够满足对离线和实时数据集成的需求。
小型雾霾天气真实环境数据集.rar
09-09
该资源针对图像去雾过程需求真实环境下的雾霾图像，图片包含多数文章中常用的实验数据图，共计44张，整理不易，若需要，请投币谢谢。
上市公司环境数据集：环境绩效明细表、排放明细表、资源消耗明细表等多项指标数据
m0_55707520的博客
04-28 3757
上市公司环境数据集 1、数据来源：国泰安 2、时间跨度：见指标说明 3、区域范围：全部A股上市公司 4、指标说明： 包含如下指标： 环境绩效： （1）上市公司环境绩效明细表（2009-2020年） 数据包括： EndDate [统计截止日期]； InstitutionID [上市公司ID] Symbol [证券代码]； ShortName [证券简称]； PerfProjectName [绩效项目名称] PerfValue [数值] Unit [单位] （2）上市公司环境排放明细表（2008-2020年）
免费数据集网站
u011559552的博客
11-07 8万+
免费数据集下载网站|找免费数据集下载网站|公开数据集网站|开源数据集网站|常用数据集网站|高质量数据集网站
记录一些地理自然资源的数据集获取网址
qq_45738555的博客
11-28 535
笔者现在正在被亚太杯逼疯中，记录一下找过的有数据的网址 国家自然科学基金委员会 https://www.nsfc.gov.cn/ 国家地球系统科学数据中心 http://www.geodata.cn/data/index.html?word=%E4%B9%8C%E5%85%B9%E5%88%AB%E5%85%8B%E6%96%AF%E5%9D%A6%20%E6%B0%94%E5%80%99 天气+ https://www.tianqi.com/qiwen/wuzibiekesitan/ 联合国统计司 htt
优质数据集平台全收录
最新发布
qq_43755954的博客
07-01 926
🔗 https://datasetsearch.research.google.com ✦ 优势：覆盖全球 2500 万 + 开放数据集，支持按学科、许可证、数据类型精准筛选，直接关联论文与数据源。🔗 https://opendatalab.com ✦ 特色：聚焦 AI 领域高质量数据集，提供自动驾驶、医学影像等稀缺标注数据，支持中文检索与本地化服务。🔗 https://www.kaggle.com/datasets ✦ 亮点：50 万 + 公开数据集覆盖金融、NLP、CV 等领域，配套社区代码与竞赛
【纯纯干货】数据搜集平台分享，为你的数据搜集保驾护航
kstt20230206的博客
08-15 1015
数据收集是数模比赛中一个非常重要的环节，但是很多同学在进行数据来源收集还停留在最基础的几个搜索平台，现在再多安利几个数据搜集平台，方便大家在比赛的时候进行对应的数据整合。
数据集网站集合
云隐雾匿的博客
02-10 8294
常见数据集网站 UCI（http://archive.ics.uci.edu/ml/index.php）： UCI数据库是加州大学欧文分校提出的用于机器学习的数据库，如果正在寻找与机器学习库相关的数据集，通常是第一个去的地方。 Kaggle（https://www.kaggle.com）： 另一个找到免费数据集的好地方。 天池（https://tianchi.aliyun.com）： 中国著名的数据科学竞赛平台，也提供数据。 GitHub（https://github.com）： 一个非常全面的数据
这么好用的开源数据集平台，没人知道的话我们真的会伤心……
OpenDataLab的博客
08-22 1376
来自全球高校、实验室、研究机构的开源数据集，涵盖CV、NLP、语音识别等50余种任务类型，包括各类经典、前沿的模型训练数据、标准测试数据集，在OpenDataLab公开数据集平台轻松一键获取
如何用恒源云平台进行LM-O数据集训练
04-28
### 如何在恒源云平台上使用LM-O数据集进行训练 #### 使用环境准备 为了能够在恒源云平台上利用LM-O数据集进行训练，首先需要确保计算资源已经配置完毕并满足需求。通常情况下，这涉及设置GPU实例或者TPU支持的虚拟机，并安装必要的依赖库，比如PyTorch或TensorFlow等深度学习框架[^1]。 #### 数据加载与处理 LM-O数据集可能包含了大量文本信息，这些信息需经过预处理才能被模型有效吸收。具体来说，可以采用分词器(tokenizer)将原始文本转化为适合输入神经网络的形式——即一系列整数索引组成的序列。如果按照某些特定任务的要求，则还需要进一步构建对应的标签体系。例如，在情感分析场景下，可以通过定义模板方式引导大语言模型(LLM)生成带有明显情绪倾向的回答作为分类依据[^2]。 对于更复杂的多类别预测问题而言，一种常见做法是把各个类别映射成独立向量空间中的点位坐标(e_c)，并通过优化算法调整它们之间的相对位置关系以便更好地反映实际语义差异性。值得注意的是，这里提到的任务特异性嵌入e_T同样扮演着重要角色因为它可以帮助区分不同应用场景下的特征表达模式[^3]。 #### 实验评估标准设定 当完成初步建模之后，就需要借助标准化评测指标来衡量所得到的结果质量好坏程度如何。以GLUE基准测试为例，它涵盖了多种自然语言理解方面的子任务如CoLA、MRPC等等；每项都有各自独特的评分准则组合而成最终综合得分情况供比较参考之用[^4]。 以下是简单的Python脚本示例展示如何读取本地存储路径内的CSV文件内容并将其中字段转换为张量形式： ```python import pandas as pd from transformers import AutoTokenizer, DataCollatorWithPadding import torch tokenizer = AutoTokenizer.from_pretrained('bert-base-uncased') def preprocess_function(examples): return tokenizer(examples['text'], truncation=True) data_collator = DataCollatorWithPadding(tokenizer=tokenizer) df = pd.read_csv("/path/to/lm-o-dataset.csv") texts = df["sentence"].tolist() labels = df["label"].tolist() encoded_texts = list(map(preprocess_function, texts)) input_ids = [item['input_ids'] for item in encoded_texts] attention_masks = [[1]*len(ids) for ids in input_ids] tensor_input_ids = torch.tensor(input_ids) tensor_attention_masks = torch.tensor(attention_masks) tensor_labels = torch.tensor(labels) ```
评论 1
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
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