能力说明:
了解Python语言的基本特性、编程环境的搭建、语法基础、算法基础等,了解Python的基本数据结构,对Python的网络编程与Web开发技术具备初步的知识,了解常用开发框架的基本特性,以及Python爬虫的基础知识。
暂时未有相关云产品技术能力~
一名GIS、遥感、云计算和人工智能领域学习者
Cesium 作为一个功能强大的 WebGL 三维地球仪库,内置了丰富的三维地图展示能力。在 Cesium 中,我们可以通过 Entity(实体)在三维场景中添加和控制各种三维对象,如点、线、面、模型等。本文将介绍 Cesium 中实体的增删改查操作。
本文中,我将介绍 Cesium 中创建实体的方法,并对其进行分类,帮助读者快速理解 Cesium 中实体的类别,创建代码以及具体效果;
本文中,作者基于PIE Engine遥感云计算平台进行遥感影像监督分类,详细介绍了遥感影像分类的数据预处理、模型训练及结果可视化。
在本文中,你将学习到K-means算法的数学原理,作者会以尼日利亚音乐数据集为案例。带你了解了如何通过可视化的方式发现数据中潜在的特征。最后对训练好的K-means模型进行评估。
对于被动遥感而言,太阳辐射首先通过大气层到达地球表面,与地球表面的物体相互作用后,再次经过大气层被航空平台 (无人机)或航天平台 (卫星)传感器接收. 而大气对电磁辐射的吸收、散射、反射和投射作用,对遥感传感器接收信号影响很大;我们如果要解决大气对信号的影响,我们就需要对大气进一步了解,建立大气的数学模型;
本文内容主要介绍地物的发射和反射辐射特征,通过名词解释与案例,认识地物特征与遥感影像成像的联系,结合实践理解晦涩难懂的原理
本文内容较为枯燥,是遥感的物理原理,作者已经尽量去帮助读者理解了,无论是精细的阅读还是走马观花,长期下来都能提高读者对专业的了解;电磁辐射是遥感传感器与远距离目标联系的纽带。不同类型地物具有不同的电磁辐射,遥感技术正是利用地物的的不同辐射特征,转变成数据或影像,达到探测地面目标的目的。因此,要应用遥感技术,必须了解电磁辐射的基本性质及地物的波谱特征。 电磁波是遥感技术的重要物理理论基础。
本文用于Cesium初始化界面的详细配置,是对这篇文章的延伸;内容不定时更新。
本文中,我们主要介绍 Cesium 在 Vue 3运行环境的配置,以及 Cesium 实例中控件的显隐设置,本文是后续文章内容的基础,项目代码在此查看;通过本文,我们可以得到一个纯净的 cesium 项目,后续的操作我们就可以在此基础上进行;
本文介绍了cesium框架的token申请过程
本文中我们介绍了cesium开发环境的配置,以及vue中cesium页面的初始化
🏆在本文中,作者将带你了解机器学习分类的全流程,从问题分析>数据预处理>分类器选择>模型构建>精度评价>模型发布为Web应用。从0带读者入门机器学习分类。
👽👽👽在本文中,我将带你使用Python的Flask框架与Pickle模块构建了Web应用程序,在UFO目击数据集上构建了逻辑回归多分类模型,并将其集成在Web程序中。🏆🏆🏆
🎄🎄本文中,你将学到逻辑回归的数学原理,使用Seaborn库可视化数据寻找数据间的相关性,并基于Scikit-learn库构建逻辑回归模型预测南瓜颜色。
在本文中,我们以美国南瓜数据为例,讲解了三种线性回归的原理与使用方法,探寻数据之间的相关性,并构建了6种线性回归模型。将准确率从一开始的0.04提升到0.96.
在本文中,我们以美国南瓜数据为例,观察并整理了需要的数据,挑选及提取了特征变量:如月份,平均价格。并对其进行了数据可视化,我们发现,9月和10月份是南瓜的平均价格最高。
机器学习系列4 使用Python和Scikit-Learn回归模型 在本文中,我们将学习机器学习本地环境的配置过程,利用Scikit-learn库走完机器学习模型的基本流程,最终创建一个线性回归模型。
构建、使用和维护机器学习模型及其所使用的数据的过程与其他开发工作流的过程截然不同。在本文中,我将揭开机器学习的面纱,讲述机器学习的流程及部分技术。
想象一下,当你用于构建这些机器模型的数据缺少某些人口统计数据(例如种族、性别、政治观点、宗教)或比例不均(以偏概全)地代表此类人口统计数据时,会发生什么呢?。当模型的输出被解释为有利于某些人口统计数据时,情况会怎样?应用程序的后果是什么?请驻足思考一下,这将帮助你理解机器学习训练数据的处理。
人工智能(AI)作为计算机领域与机器学习的历史交叉点,随着支撑机器学习的算法和算力的增长,AI的发展也得到进步。值得关注的是,虽然这些研究从1950年代已经开始出现,但重要的算法:统计,数学,计算等相关技术理论的发现远早于这个时代。事实上,人们已经思考这些问题数百年 。本文将讨论“思考机器”概念的历史知识基础。
机器学习”是当今最流行和最常用的术语之一。在大部分行业,如果你对技术足够熟悉,无论你在哪个领域工作,你至少听过这个术语。然而,机器学习的机制对大多数人来说都是一个谜。对于机器学习初学者来说,这个术语有时会让人感到不知所措。因此,重要的是要了解机器学习到底是什么,并通过实例逐步了解它。
🧸🏆🏆在本文中,你将学到如何在PIE Engine平台上传、调用和下载矢量栅格数据,我将对不同数据的上传和下载的方法进行详细介绍。
在本文中,你将学到如何基于PIE Engine平台二次开发构建数据下载器,并复制源码来实践体验数据下载功能,你也可以通过修改参数来调整数据的种类与精度
🏆本文介绍了遥感云计算平台PIE Engine的基本结构与功能,在未来的一段时间里,我将持续更新PIE Engine平台的操作文章,将遥感云计算的便捷传播给更多人,加快行业发展进度♥♥😀
🏆本文中我们介绍了如何在ArcGIS软件里基于DEM数据逐步提取河网数据并进行河流分级!
🎈🎈🎈在本文中,你将学到如何利用ArcGIS软件基于DEM数据制作一副伪3D的明暗等高线图。期待点赞+关注😉。
😀本文讲解了如何使用ArcGIS进行通视分析以及可视域分析
在本文中,你将学习到如何利用DEM数据在ArcGIS中提取出坡度、坡向等地形因子。
在本文中,你将学到如何根据DEM数据制作地势图
本文中,我们利用ArcScene软件用3种方法制作了飞行动画
在本文中,我们使用ArcScene软件三维化了图层要素,并分析了要素间的关系,这对决策有着很重要的作用🎈🎈🎈
本文中,我将带你了解如何在ArcGIS中使用DEM数据制作三维模型
在本文中,你将学习到ArcGIS三维可视化,如何利用三维可视化发现潜在的数据规律
地统计分析之指示克里格内插 掌握构建某一指标超出临界值的概率图的方法
掌握利用克里格内插构建预测精确趋势面的方法 掌握预测模型的对比分析方法
掌握分析数据分布特征及空间趋势的基本方法
利用地统计分析,可以根据一个点要素层中已测定的采样点,方便快捷的生成一个连续的表面;掌握克里金内插的基本流程。
掌握栅格数据的可达性分析方法
掌握成本距离制图函数和成本方向函数的使用。
本文讲述ArcGIS栅格数据欧氏距离分析、栅格数据重分类、栅格叠置分析等空间分析功能;
GIS空间分析 叠加分析与缓冲区分析2 房产开发适宜性制图 本文讲述了基于选址分析的适应性分析案例
GIS空间分析 缓冲区分析与叠加分析1 市区择房,讲述如何利用缓冲区分析和叠加分析的方法进行选址分析
在本文中,你将学习到GIS空间分析的网络分析6寻找受污染的河流的详细过程
在本文中,你将学习到GIS空间分析中网络分析5车辆多路径派发的详细操作过程
在本文中,你将学习到GIS空间分析中网络分析4服务区分析的详细过程
在本文中,你将学习到GIS空间分析中网络分析3寻找最近的消防站的详细流程
在本文中,你将学习到ArcGIS中 网络分析2规划最佳路径的详细过程
在本文中,你将学会ArcGIS中创建交通网络数据集
😁🏆,在本文中,作者通过SuperMap对UE插件尝试了GIS数据的本地与离线导入,并详细介绍了环境配置流程,这也是为将来数字孪生城市的尝试!!!
🏆在本文中,作者讲解了ArcGIS要素创建了全流程,从面要素到线要素,分别以不同的方法补全了道路的缺失部分