- 博客(18)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 GEE-Scholars 数据工具--Sentinel-2遥感植被指数库
沐风-GEE系列专栏涵盖生态环境，卫星遥感，气候变化，云计算。Google Earth Engine 系列学习笔记(一)Google Earth Engine 系列学习笔记(二)GEE-Scholars 可视化时间序列农业景观GEE-Scholars 机器学习之卫星图像监督分类GEE-Scholars 水体动态监测-河南水灾案例GEE-Scholars 江淮平原水稻面积识别GEE-Scholars 快速检测森林火灾位置及面积GEE-Scholars MODIS地表温度LST时间变化趋势
2022-05-13 17:11:03
1028
原创 GEE-Scholars MODIS地表温度LST时间变化趋势
沐风-GEE系列专栏涵盖生态环境，卫星遥感，气候变化，云计算。Google Earth Engine 系列学习笔记(一)Google Earth Engine 系列学习笔记(二)GEE-Scholars 可视化时间序列农业景观GEE-Scholars 机器学习之卫星图像监督分类GEE-Scholars 水体动态监测-河南水灾案例GEE-Scholars 江淮平原水稻面积识别GEE-Scholars 快速检测森林火灾位置及面积GEE-Scholars MODIS地表温度LST时间变化趋势
2022-05-09 18:13:50
1242
原创 GEE-Scholars 快速检测森林火灾位置及面积
沐风-GEE系列专栏涵盖生态环境，卫星遥感，气候变化，云计算。Google Earth Engine 系列学习笔记(一)Google Earth Engine 系列学习笔记(二)GEE-Scholars 可视化时间序列农业景观GEE-Scholars 机器学习之卫星图像监督分类GEE-Scholars 水体动态监测-河南水灾案例GEE-Scholars 快速检测森林火灾位置及面积本章目录沐风-GEE系列专栏前言一、Sentinel-2 光学数据处理1、定义监测区域2、定义FDI指数（F
2022-03-17 10:52:09
1775
1
原创 GEE-Scholars 水体动态监测-河南水灾案例
沐风-GEE系列专栏涵盖生态环境，卫星遥感，气候变化，云计算。Google Earth Engine 系列学习笔记(一)Google Earth Engine 系列学习笔记(二)GEE-Scholars 可视化时间序列农业景观GEE-Scholars 机器学习之卫星图像监督分类本章目录沐风-GEE系列专栏前言一、Sentinel-2 光学数据动态监测水体变化1、定义监测区域2、定义监测时间3、哨兵数据去云4、NDWI指数提取水体二、Sentinel-1 雷达数据动态监测统计水体变化1、定义
2021-12-10 13:37:09
3010
9
原创 GEE-Scholars 机器学习之卫星图像监督分类
我是目录前言GEE监督分类流程1.导入相关库2.添加数据3.制作训练集4.分类器训练5.图像分类6.导出结果总结大家好，我是沐风，致力于打造丝滑的知识搬运，集勤劳睿智帅气于一体的沐风前言监督分类是遥感图像分类的一种，即用被确认类别的样本像元去识别其他未知类别像元的过程。已被确认类别的样本像元是指那些位于训练区的像元。在这种分类中，分析者在图像上对每一种类别选取一定数量的训练区，计算机计算每种训练样区的统计或其他信息，每个像元和训练样本作比较，按照不同规则将其划分到和其最相似的样本类。Earth En
2021-12-01 21:33:26
1986
原创 GEE-Scholars 可视化时间序列农业景观
我是目录Google Earth EngineNAIP 农业景观时间序列Landsat 农业景观时间序列总结Google Earth EngineGoogle Earth Engine是一个基于云的行星级地理空间分析平台，它使Google的巨大计算能力能够应对各种高影响的社会问题，包括森林砍伐、干旱、灾难、疾病、粮食安全、水资源管理、气候监测和环境保护。作为一个集成平台，它在这一领域是独一无二的，它不仅为传统的遥感科学家提供了能力，也为更广泛的受众提供了能力，这些受众缺乏利用传统超级计算机或大规模商品云
2021-11-16 21:44:09
4690
原创 利用R语言制作GGEBiplot-双标图教程
我是目录前言1、GGEBiplot简介2、GGEBiplot使用步骤2.1 引入库2.2 图像界面操作3、GGE 双标图重要功能图型。3.1 “哪个赢在哪里”图3.2 “环境间关系”图3.3 “区分力和代表性”图3.4 “高产性和稳产性”图总结参考文献前言双标图分析可直观分析农作物品种多点试验数据和其他类型的两向数据。经过实践检验，这种方法越来越被植物育种家和农业研究人员的推崇。本章内容主要简要介绍GGEBiplot的在农作物品种多点试验的应用以及R语言下的GGEBiplotGUI软件包的使用教程。
2021-09-15 11:41:49
4458
4
原创 The Python Crop Simulation Environment 系列学习笔记（二）
我是目录使用自己的数据运行PCSE/WOFOST模型IntroductionImporting the relevant modulesReading model parametersCrop parameters 作物参数Soil parameters 土壤参数Site parameters 位点参数Packaging all parameters 包装参数AgromanagementDaily weather observationsImporting, initializing and running
2021-08-18 23:44:07
1540
原创 Google Earth Engine 系列学习笔记(二)
我是目录欢迎来到沐风-Google Earth Engine-系列学习笔记 (二)1、Import 高程数据2、GEE高程数据计算3、ee.Terrain（JavaScript/Python）函数解读4、下载30米 分辨率高程数据5、总结欢迎来到沐风-Google Earth Engine-系列学习笔记 (二)数字高程模型（Digital Elevation Model)，简称DEM，是通过有限的地形高程数据实现即地形表面形态的数字化表达，它是用一组有序数值阵列形式表示地面高程的一种实体地面模型，是数字
2021-08-18 22:22:49
617
原创 The Python Crop Simulation Environment 系列学习笔记（一）
我是目录PCSE：Python 作物模拟环境PCSE的背景为什么选择 PythonPCSE 的历史PCSE 的局限性安装 PCSE要求和依赖设置你的Python环境安装和测试 PCSE实例入门初始化 PCSE/WOFOST 模型获取有关状态和速率变量的信息总结PCSE：Python 作物模拟环境PCSE（Python Crop Simulation Environment）是一个用于构建作物模拟模型的 Python 包，特别是在瓦赫宁根（荷兰）开发的作物模型。PCSE 提供了实施作物模拟模型的环境、读
2021-08-11 23:51:32
2626
4
原创 Google Earth Engine 系列学习笔记(一)
我是目录欢迎来到沐风-Google Earth Engine-系列学习笔记(一)1、Google Earth Engine介绍2、Google Earth Engine访问3、Google Earth Engine界面预览4、Google Earth Engine入门欢迎来到沐风-Google Earth Engine-系列学习笔记(一)目前处理遥感影像的工具用很多，比如QGIS、GDAL等。这些软件或者库都有一个共同的特点就是在本地运行、计算，处理能力和本地设备好坏成正相关。由于研究需要，最近开始全
2021-08-10 16:49:07
985
1
原创 科研神器-SCI论文批量爬取
我是目录项目简介依赖网站环境配置1、关键词导出论文信息2、依据关键词批量下载SCI论文总结References项目简介 **本期教程以关键词摘要SCI论文为例，稳定自动批量爬取Sci-Hub的论文。**依赖网站Web of Science http://apps.webofknowledge.comSci-Hub https://sci-hub.mksa.top/环境配置虚拟环境（对于新生比较复杂，不会你就跳过，问题不大）Anaconda PyCharmpip instal
2021-06-04 14:41:19
2782
9
原创 Kaggle全球小麦检测竞赛结果，YOLOv5为什么被禁用？
Kaggle全球小麦检测竞赛结果，YOLOv5为什么被禁用？前言一、GPL（GNU General Public License）二、LGPL（GNU Lesser General Public License）三、BSD（Berkerley Software Distribution）四、Apache License四、MPL（Mozilla Public License）前言为什么YOLOv5 会被Kaggle禁用？主要原因就是YOLOv5的license 是GPL 协议（GPL 3.0），而K
2020-12-31 15:14:09
4895
1
原创 深度学习目标检测系列之自动标注
目标检测自助标注-主动学习前言部分代码结果验证修改前言标注数据集对深度学习而言是很重要的一步，但是标注数据是件很繁琐的工作，而自动标注可以减轻工作量。通过训练好的模型检测目标，输出包含目标类别和位置的txt文件，然后再将其转换为xml文件，最后再使用标注工具进行完善。 使用的模型的精度越高越好，如果检测结果不准确，就会增加工作量，导致无法使用。加载框架加载模型并且自动标注验证修改部分代码def detector(frame, model, device, half=True): i
2020-12-30 17:41:44
2383
3
转载 目标检测-Tensorflow Faster_RCNN
Tenorflow Faster_rcnn记录第1步 下载模型第4步：anaconda配置第5步：设置运行的目录第6步：配置protobuf第7步：执行setup files第8步:准备数据集第9步：生成CSV文件第10步：设置要训练识别的类型第11步：模型训练的配置第12步：开始训练第13步：创建训练结果第14步：运行结果采用 tensorflow 1.15.0第1步 下载模型链接：https://pan.baidu.com/s/1r9L76SOoZOJxoKya5byf6Q提取码：jnjv这里
2020-12-19 13:54:50
275
2
Python：气象数据日照时数批量转化日总辐射
2021-10-28
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人