部署dokuwik到 openshift

部署DokuWiki到OpenShift
本文介绍如何在OpenShift平台上部署DokuWiki。主要内容包括注册账户、创建应用、使用Git同步并上传DokuWiki程序代码,以及在线完成安装配置。

部署dokuwik到 openshift

Openshift 是readhat推出的一款云服务类类似于GAE,但比GAE强大,支持的语言种类也多(java,perl,php,python,perl,ruby …)并且支持SSH登陆,还有cron的定时任务等。

了解详细信息请Google 或参见下面的链接

https://openshift.redhat.com/community/get-started

准备工作

1. 首先需要到openshift的网站上注册一个账户

2. 为你的帐户申请一个名字空间,这个名字空间是唯一的可作为你在 openshift下的域名使用 ,将来则使用下面的方式访问你的应用 “http://myapp-mynamesapce.rhcloud.com/

3. 使用sshkey-gen 生成秘钥对 ,并且把公钥上传至 openshift (以便可以使用 git和ssh操作文件)

4. 在你的名字空间下创建应用,可以使用网站上的向导进行创建也可以使用 rhc 命令进行创建

部属dokuwiki

创建完应用后,你可以在网站的应用详情下找到使用git或ssh登陆到应用的地址 ,如下所示:

git 地址:

ssh://8526292a74b14e78958dd0c51f6a0516@wiki-chengkai.rhcloud.com/~/git/wiki.git/

ssh 地址:

ssh 8526292a74b14e78958dd0c51f6a0516@wiki-chengkai.rhcloud.com

step1: 使用git命令同步应用

在此之前请确认你生成的公钥(.ssh/id_rsa.pub)已经上传已经上传.

mkdir ~/openshift
git clone ssh://8526292a74b14e78958dd0c51f6a0516@wiki-chengkai.rhcloud.com/~/git/wiki.git/

如果你创建的是php应用 ,他的的目录结构通常如下:

-rw-r--r--   1 mac  staff  2272 10 14 11:54 README
-rwxr-xr-x   1 mac  staff  1096 10 14 11:54 README.md
-rw-r--r--   1 mac  staff     0 10 14 11:38 deplist.txt
drwxr-xr-x   3 mac  staff   102 10 14 11:38 libs
drwxr-xr-x   3 mac  staff   102 10 14 11:38 misc
drwxr-xr-x  15 mac  staff   510 10 14 16:58 php

php目录作为php应用的根。

step2: 下载最新的dokuwiki

接下来下载最新的dokuwiki将主程序释放至应用的php目录下。

step3: 使用git 命令上传程序代码

执行以下命令:

git commit -a -m "add dokuwiki"
git push

step4: 在线安装部署dokuwiki

使用git 命令把dokuwiki程序上传之后你需要在线运行install.php安装设置一下。

http://[myapp]-[mynamesapce].rhcloud.com/install.php

把[app]及[mynamespace] 换成你自己实际的应用和名字空间名称即可。

<note>

  • 最后别忘了删除install.php代码
  • 每次使用git往服务器上传更新代码,服务端会重新部署你的应用,已有的数据会被覆盖。请提前做好备份。如果是少量修改建议使用ssh登陆在线修改。

</note>



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
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