手把手教你免费下载全景影像|软件分享|天地图|高德地图|谷歌地图

目录

I 软件分享

I 使用方法

 第一步 ‘登录’

 第二步 ‘下载影像’

 第三步 ‘拼接影像’

 第四步 ‘添加影像’

I 写在最后的小Tips

I 联系方式


I 软件分享

链接:https://pan.baidu.com/s/1WJEhwqkTmdgMSwFPLsUa2Q 
提取码:olf9 

直接解压,打开“谷谷GIS地图下载器.exe”

“站在巨人的肩膀上”


I 使用方法

第一步 ‘登录’

打开GGGIS软件,单击左上角登录按钮。

此时,弹出登录对话框, 不用理会账号密码的选项,直接点击确定。

 第二步 ‘下载影像’

首先,我们需要利用谷谷GIS内部提供的框选工具来选择我们需要下载影像的范围。这里以‘矩形下载’为例,如果你的边界是不规则的形状,建议依旧选择矩形下载,后续处理时,用Arcgis的裁剪工具,将边界优化。

紧接着,我们选择需要下载影像的区域,完成框选后下载对话框会自动弹出。

 在这里需要详细介绍一下这个窗口,方便大家能够准确无误的下载到自己想要的影像。

地图OR叠加层

这直接关系到你下载影像的图源来自于哪里。目前,谷谷GIS提供的免费图源包括谷歌地图、天地图以及高德地图,基本上可以满足一些工作和科研的需要。

当然,想要在下载前提前预览这些图层,方法也很简单。在主界面左上角找到如图所示的按钮。直接选择相应图层即可。

地图的影像级别

当我们不断滚动滑轮将主界面中的影像放大,我们便可以得到越发清晰的地物轮廓。这是由于随着比例尺的改变,我们用高分辨率高级别的影像图片替换了原先的低分辨率低级别的影像。主界面中影像的级别显示在软件的左下角位置。

在下载对话框右侧,选择我们需要下载的影像级别后,就可以点击开始,进行下载了。

其他没有提及的选项,直接保持默认状态。

 第三步 ‘拼接影像’

在这个步骤里我们需要对下载完成的影像进行预处理,需要注意的是输出格式一栏,如果只是做插图的话可以选择PNG/JPG格式,如果需要后续在ArcGIS中地理配置则最好选择GeoTIFF格式。

 底图

在这里可以选择下载哪种图源,图源包括了主流的三种,不再过多赘述。

 叠加层

如果你是需要道路信息的话,可以考虑添加一些对应的标注,如果不需要,推荐选择无。

投影

投影主要包括墨卡托投影和WGS84投影。简单来讲,就是投影坐标系和地理坐标系的区别。如果你需要统计区域面积,路网长度,辐射范围等对统计量有需求的话就选择墨卡托投影坐标系,如果对经纬度有需要,比如计算标准差椭圆的圆心经纬度坐标,就选择WGS84地理坐标系。

 拼接级别

上一步中,你下载的影像是哪一级别,在对话框最右侧中就选择对应级别即可。

 第四步 ‘添加影像’

这里以天地图的TIF影像为例,找到下载另存为的文件夹,直接拖入放进ArcGIS即可。


I 写在最后的小Tips

点关注不迷路,后续将会持续输出更优质的内容~


I 联系方式

xian鱼:GIS黄帽子

  • 4
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
好的,我会回答你的问题。关于 apriori 算法的原理,它是一种基于频繁项集的挖掘算法,用于发现数据中的频繁项集。频繁项集是指在数据集中经常出现在一起的物品的集合,例如在购物数据中,经常一起购买的商品就是一个频繁项集。 apriori 算法的核心思想是利用频繁项集的性质,从而减少搜索空间。具体来说,apriori 算法采用了一种称为“逐层搜索”的方法,即首先找到所有的单个物品作为频繁项集,然后基于单个物品,逐步扩展物品数量,直到无法扩展为止。在扩展物品的过程中,apriori 算法利用了一个重要的性质:如果一个项集不是频繁的,那么它的所有超集也不是频繁的。这个性质可以帮助我们剪枝,减少搜索空间。 关于 apriori 算法的代码实现,以下是一个简单的 Python 实现,供你参考: ```python def load_dataset(): return [[1,3,4], [2,3,5], [1,2,3,5], [2,5]] def create_c1(dataset): c1 = [] for transaction in dataset: for item in transaction: if not [item] in c1: c1.append([item]) c1.sort() return list(map(frozenset, c1)) def scan_dataset(dataset, candidates, min_support): support_counts = {} for transaction in dataset: for candidate in candidates: if candidate.issubset(transaction): support_counts[candidate] = support_counts.get(candidate, 0) + 1 num_items = float(len(dataset)) frequent_items = [] support_data = {} for candidate in support_counts: support = support_counts[candidate] / num_items if support >= min_support: frequent_items.append(candidate) support_data[candidate] = support return frequent_items, support_data def apriori_gen(frequent_items, k): next_candidates = [] num_items = len(frequent_items) for i in range(num_items): for j in range(i+1, num_items): itemset1 = list(frequent_items[i])[:k-2] itemset2 = list(frequent_items[j])[:k-2] itemset1.sort() itemset2.sort() if itemset1 == itemset2: next_candidates.append(frequent_items[i] | frequent_items[j]) return next_candidates def apriori(dataset, min_support=0.5): C1 = create_c1(dataset) frequent_items, support_data = scan_dataset(dataset, C1, min_support) all_frequent_items = [frequent_items] k = 2 while len(all_frequent_items[k-2]) > 0: next_candidates = apriori_gen(all_frequent_items[k-2], k) next_frequent_items, next_support_data = scan_dataset(dataset, next_candidates, min_support) support_data.update(next_support_data) all_frequent_items.append(next_frequent_items) k += 1 return all_frequent_items, support_data ``` 这段代码实现了 apriori 算法的主要逻辑,包括数据集加载、候选项集生成、频繁项集挖掘等步骤。你可以通过调用 apriori 函数来运行算法,并设置最小支持度等参数。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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