【2016Esri全球用户大会主题亮点】GIS Apps的交响乐

截至目前,Esri已推出了超过30个服务于不同领域的Apps,很多人已经开始使用,通过各种各样的apps将我们聚集在组织周围,就像由各种乐师组成了交响乐队一样,当一种乐器独奏时很动听,但当它们合奏起来就成了美妙的交响乐。


大家看到上面的图会不会觉得这些图形摆放得像手风琴的按键,大会的演讲人将apps定义成不同类型的乐器,每一种都能演奏出动人的旋律,同样的,我们的Apps在不同的领域都可以出色的解决相应的问题。

这些apps根据应用领域的不同划分为三类:外业、办公和社区应用,下面就来看看这些apps如何组合应用的。

 

1、   外业应用

外业领域apps包括WorkForce、Navigator、Collector、Survey123和Drone2Map,野外工作时可以将这几个apps结合应用,例如我们利用WorkForce分配工作并了解工作人员的状态,外业人员可以通过它获得任务;


在执行外业工作时,人员需要Navigator进行路径规划,可以使用自己的带有具体地点和路线的细粒度数据;


对于数据的获取,我们有三个利器,Collector可以在地图中添加数据,Survey123支持智能手机端的数据录入,Drone2Map是一个全新的app,它可将无人机获取的影像处理为2D或3D产品载入到我们的平台中。


2、   办公应用

办公相关的app非常丰富,这些apps让我们更好的浏览和理解地理信息,首先,专业的GIS应用程序ArcMap和ArcGIS Pro可以制作丰富的高质量的地理信息产品。


第二类是可视化应用,包括ArcGISEarth、Explore和Operations Dashboard,可用于可视化2D、3D以及各种监测状态数据。


第三类是关于分析的应用,包括Insights、Maps for Office、Business Analyst等。


第四类是设计相关的应用,包括Maps for Adobe CC、CityEngine、GeoPlanner,Maps for Adobe CC可将众多精美的地图带到设计工作流中,而CityEngine和GeoPlanner让设计师更好的规划和设计城市。

 3、 社区应用

在社区应用中共享信息非常重要,个人可以使用StoryMap和Configurable Apps来进行分享,如果你是政府工作人员,还可以使用OpenData发布权威的地图。

我们还有众多的apps实现组织中众包,如Photo Survey,这些应用可以提高大众参与程度,使组织决策更高效。


4、应用构建器

利用ConfigurableApps、StoryMap、Web AppBuilder和AppStudio,你无需写一行代码就可以搭建自己的应用。


Esri提供了大量的通用的、专业的以及具有行业特点的apps服务于用户,这些apps是完全开放的资源,客户或者合作伙伴可以从中提取资源订制自己的应用。

当你将apps联合起来应用你就联合了众多组织中不同部门的人群,帮助他们更加高效协作起来,共同演奏一场辉煌的音乐会。

 欢迎关注我们的极客说了解更多



深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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