GEE教程：使用 Landsat 影像数据和 FIRMS 火灾监测数据，定义了多个区域和可视化参数，处理了图像数据，计算了 NDVI，并将结果导出

最新推荐文章于 2025-05-06 22:27:05 发布
最新推荐文章于 2025-05-06 22:27:05 发布
阅读量450 收藏 3
点赞数 7
分类专栏： NASA 文章标签： 数据库 gee javascript 火灾 数据 可视化 教程
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_31988139/article/details/147587538
版权

下面是对给定代码的具体解释：

1. 数据集与区域定义

var table = ee.FeatureCollection("users/krnwnaji1995/AOI_Target_PL"),
    firms = ee.ImageCollection("FIRMS"),
    KHDTK_Tumbang_Nusa = 
    ee.Feature(
        ee.Geometry.Polygon(
            [[[114.00281780691927, -2.3463919715536297],
              [114.09620159598177, -2.473309021663233],
              [114.17722576590364, -2.4527286869071663],
              [114.10444134207552, -2.3607993630998423],
              [114.02959698172396, -2.2942497013515983]]]),
        {
          "system:index": "0"
        }),
    Lokasi_Terbakar = 
    ee.Feature(
        ee.Geometry.MultiPoint(
            [[113.82847865292388, -2.368873162323681],
             [114.1924007720645, -2.289288089633419],
             [114.307757217377, -2.3935710553656477],
             [113.96615469223698, -2.7212829172956603],
             [114.10073721176823, -2.386533212343586],
             [113.80127986133955, -2.219127072756204]]),
        {
          "system:index": "0"
        }),
    roi_tn = 
    ee.Geometry.Polygon(
        [[[113.85690886701578, -2.175203392754999],
          [113.85690886701578, -2.638964920712441],
          [114.32382781232828, -2.638964920712441],
          [114.32382781232828, -2.175203392754999]]], null, false);
  • table：定义了一个特征集合，表示感兴趣的区域（AOI）。
  • firms：引入了 FIRMS（火灾监测）数据集。
  • KHDTK_Tumbang_Nusa 和 Lokasi_Terbakar：定义了两个特征，分别表示一个多边形区域和多个点，可能用于监测火灾或其他环境变化。
  • roi_tn：定义了一个矩形区域，用于后续分析。

2. 可视化参数设置

var ndviVisParams = {"opacity":1,"bands":["NDVI"],"min":0,"palette":["d00706","fdb000","fff700","7aff02","37dc02","2bad01"]};
var firesVis = {
  min: 325,
  max: 6000,
  palette: ['red', 'orange', 'yellow'],
};

var imageVisParam2 = {"opacity":1,"bands":["SR_B5","SR_B4","SR_B3"],"min":0.010668699999999991,"max":0.43132630000000005,"gamma":1};

var visualization = {
  bands: ['SR_B4', 'SR_B3', 'SR_B2'],
  min: 0.0,
  max: 0.3,
};
  • 定义了多个可视化参数，用于不同的图像显示，包括 NDVI（归一化植被指数）和火灾数据的可视化。

3. 图像处理函数

function maskL457sr(image) {
  // Bit masks for QA_PIXEL and saturation
  var qaMask = image.select('QA_PIXEL').bitwiseAnd(parseInt('11111', 2)).eq(0);
  var saturationMask = image.select('QA_RADSAT').eq(0);

  // Scale optical and thermal bands
  var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
  var thermalBand = image.select('ST_B6').multiply(0.00341802).add(149.0);

  return image.addBands(opticalBands, null, true)
      .addBands(thermalBand, null, true)
      .updateMask(qaMask)
      .updateMask(saturationMask);
}
  • maskL457sr：用于处理 Landsat 4、5、7 图像，应用质量掩膜（QA）和饱和度掩膜，缩放光学波段和热波段。
var addNDVI = function(image) {
  var ndvi = image.normalizedDifference(['SR_B5', 'SR_B4']).rename('NDVI');
  return image.addBands(ndvi);
};
  • addNDVI：计算 NDVI，并将其添加到图像中。
function maskL8sr(image) {
  // Similar to maskL457sr but for Landsat 8
  var qaMask = image.select('QA_PIXEL').bitwiseAnd(parseInt('11111', 2)).eq(0);
  var saturationMask = image.select('QA_RADSAT').eq(0);

  var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
  var thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0);

  return image.addBands(opticalBands, null, true)
      .addBands(thermalBands, null, true)
      .updateMask(qaMask)
      .updateMask(saturationMask);
}
  • maskL8sr：处理 Landsat 8 图像，类似于 maskL457sr，但针对 Landsat 8 的波段。

4. 数据集获取与处理

// FIRMS dataset for 2019
var dataset19 = firms.filter(
    ee.Filter.date('2019-01-01', '2019-12-31'));
var fires19 = dataset19.select('T21').sum().clip(roi_tn);

// FIRMS dataset for 2015
var dataset15 = firms.filter(
    ee.Filter.date('2015-01-01', '2015-12-31'));
var fires15 = dataset15.select('T21').sum().clip(roi_tn);

// Image collections for Landsat 5 and 8
var l5 = ee.ImageCollection('LANDSAT/LT05/C02/T1_L2')
    .filterDate('1984-06-01', '2012-01-01')
    .filterBounds(table)
    .map(maskL457sr)
    .map(function(a){
      return a.set('year',ee.Image(a).date().get('year'))
    });
    
var l8 = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2")
    .filterDate('2012-01-01', '2022-09-01')
    .filterBounds(roi_tn)
    .map(maskL8sr)
    .map(function(a){
      return a.set('year',ee.Image(a).date().get('year'))
    });
  • 获取 FIRMS 数据集（2015 和 2019 年），并对其进行火灾监测。
  • 获取 Landsat 5 和 Landsat 8 图像集合，应用掩膜函数，并附加年份属性。

5. 图像集合的处理与可视化

var list = ee.List([])

for (var a = 2000;a <= 2022;a++){
  if(a < 2012){
    var filL5 = l5.filterMetadata('year','equals',a).median();
    var finalL5 = filL5.set('year',a)
                      .set('product','L05')
    list = list.add(finalL5)
  } else {
    var filL8 = l8.filterMetadata('year','equals',a).median();
    var finalL8 = filL8.set('year',a)
                      .set('product','L08')
    list = list.add(finalL8)
  }
}

var finalCol = ee.ImageCollection(list)
              .map(function(a){
                return a.set('bands',ee.Image(a).bandNames().length())
              })
              .filterMetadata('bands','greater_than',0);
  • 遍历 2000 到 2022 年，分别处理 Landsat 5 和 Landsat 8 图像，计算每年的中值，并添加到列表中。
  • 创建最终的图像集合 finalCol，并过滤掉没有波段的图像。

6. 添加图层到地图

for (var a = 2010;a <= 2022;a++){
  Map.addLayer(finalCol.filterMetadata('year','equals',a)
                      .median()
                      .clip(roi_tn)
                      ,visualization,'Tahun '+a,false)
}

for (var a = 2010;a <= 2022;a++){
  Map.addLayer(addNDVI(finalCol.filterMetadata('year','equals',a)
                      .median()
                      .clip(roi_tn))
                      ,ndviVisParams,'NDVITahun '+a,false)
}

Map.addLayer(fires19,firesVis,'hotspot tahun 2019')
Map.addLayer(fires15,firesVis,'hotspot tahun 2015')
Map.addLayer(KHDTK_Tumbang_Nusa,{},'batas kajian',false);
Map.centerObject(roi_tn)
  • 将每年的中值图像和 NDVI 图层添加到地图中。
  • 添加 2015 和 2019 年的火灾热点图层，以及研究区域的边界。

7. 导出结果

for (var a = 2010;a <= 2022;a++){
  Export.image.toDrive({
    image : addNDVI(finalCol.filterMetadata('year','equals',a)
                    .median()
                    .clip(roi_tn)).toDouble().select('SR_B2','SR_B3','SR_B4','SR_B5','NDVI'),
    fileNamePrefix : 'NDVITumbangN3_'+a,
    description : 'NDVITumbangN3_'+a,
    folder : 'GEE/COBA',
    maxPixels: 1e8,
    scale : 30
  })
}

for (var a = 2010;a <= 2022;a++){
  Export.image.toDrive({
    image : finalCol.filterMetadata('year','equals',a)
                    .select('SR_B4', 'SR_B3', 'SR_B2','SR_B5')
                    .median()
                    .clip(roi_tn),
    fileNamePrefix : 'TumbangNus_'+a,
    description : 'TumbangNus_'+a,
    folder : 'GEE/COBA',
    maxPixels: 1e8,
    scale : 30
  })
}

//Hotspot
Export.image.toDrive({
 image : fires19,
 fileNamePrefix : 'Hotspot 2019',
    description : 'Hotspot 2019',
    folder : 'GEE/COBA',
    maxPixels: 1e9,
    scale : 30
})
Export.image.toDrive({
 image : fires15,
    fileNamePrefix : 'Hotspot 2015',
    description : 'Hotspot 2015',
    folder : 'GEE/COBA',
    maxPixels: 1e9,
    scale : 30
})
  • 导出每年的 NDVI 和中值图像到 Google Drive，指定文件名和文件夹。
  • 也导出 2015 和 2019 年的火灾热点图像。

hotpot城市惹到效应

全部代码

// 定义感兴趣区域（AOI）和数据集
var table = ee.FeatureCollection("users/krnwnaji1995/AOI_Target_PL"), // 感兴趣区域的特征集合
    firms = ee.ImageCollection("FIRMS"), // 引入 FIRMS（火灾监测）数据集
    KHDTK_Tumbang_Nusa = 
    /* color: #d63000 */
    /* shown: false */
    ee.Feature(
        ee.Geometry.Polygon(
            [[[114.00281780691927, -2.3463919715536297], // 定义一个多边形区域
              [114.09620159598177, -2.473309021663233],
              [114.17722576590364, -2.4527286869071663],
              [114.10444134207552, -2.3607993630998423],
              [114.02959698172396, -2.2942497013515983]]]),
        {
          "system:index": "0" // 系统索引
        }),
    Lokasi_Terbakar = 
    /* color: #ffec08 */
    /* shown: false */
    ee.Feature(
        ee.Geometry.MultiPoint(
            [[113.82847865292388, -2.368873162323681], // 定义多个点的位置
             [114.1924007720645, -2.289288089633419],
             [114.307757217377, -2.3935710553656477],
             [113.96615469223698, -2.7212829172956603],
             [114.10073721176823, -2.386533212343586],
             [113.80127986133955, -2.219127072756204]]),
        {
          "system:index": "0" // 系统索引
        }),
    roi_tn = 
    /* color: #d63000 */
    /* shown: false */
    /* displayProperties: [
      {
        "type": "rectangle"
      }
    ] */
    ee.Geometry.Polygon(
        [[[113.85690886701578, -2.175203392754999], // 定义一个矩形区域
          [113.85690886701578, -2.638964920712441],
          [114.32382781232828, -2.638964920712441],
          [114.32382781232828, -2.175203392754999]]], null, false);

// 可视化参数设置
var ndviVisParams = {"opacity":1,"bands":["NDVI"],"min":0,"palette":["d00706","fdb000","fff700","7aff02","37dc02","2bad01"]}; // NDVI 可视化参数
var firesVis = {
  min: 325,
  max: 6000,
  palette: ['red', 'orange', 'yellow'], // 火灾热点可视化颜色
};

var imageVisParam2 = {"opacity":1,"bands":["SR_B5","SR_B4","SR_B3"],"min":0.010668699999999991,"max":0.43132630000000005,"gamma":1}; // 图像可视化参数

var visualization = {
  bands: ['SR_B4', 'SR_B3', 'SR_B2'], // 可视化使用的波段
  min: 0.0,
  max: 0.3,
};

// 图像处理函数

// 处理 Landsat 4、5、7 图像的掩膜函数
function maskL457sr(image) {
  // QA_PIXEL 波段的位掩膜
  var qaMask = image.select('QA_PIXEL').bitwiseAnd(parseInt('11111', 2)).eq(0); // 过滤不良像素
  var saturationMask = image.select('QA_RADSAT').eq(0); // 过滤饱和像素

  // 应用缩放因子到相应的波段
  var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2); // 光学波段缩放
  var thermalBand = image.select('ST_B6').multiply(0.00341802).add(149.0); // 热波段缩放

  // 替换原始波段并应用掩膜
  return image.addBands(opticalBands, null, true)
      .addBands(thermalBand, null, true)
      .updateMask(qaMask)
      .updateMask(saturationMask);
}

// 添加 NDVI 的函数
var addNDVI = function(image) {
  var ndvi = image.normalizedDifference(['SR_B5', 'SR_B4']).rename('NDVI'); // 计算 NDVI
  return image.addBands(ndvi); // 将 NDVI 添加到图像中
};

// 处理 Landsat 8 图像的掩膜函数
function maskL8sr(image) {
  // QA_PIXEL 波段的位掩膜
  var qaMask = image.select('QA_PIXEL').bitwiseAnd(parseInt('11111', 2)).eq(0); // 过滤不良像素
  var saturationMask = image.select('QA_RADSAT').eq(0); // 过滤饱和像素

  // 应用缩放因子到相应的波段
  var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2); // 光学波段缩放
  var thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0); // 热波段缩放

  // 替换原始波段并应用掩膜
  return image.addBands(opticalBands, null, true)
      .addBands(thermalBands, null, true)
      .updateMask(qaMask)
      .updateMask(saturationMask);
}

// 数据集获取与处理

// 获取 2019 年的 FIRMS 数据集
var dataset19 = firms.filter(
    ee.Filter.date('2019-01-01', '2019-12-31'));
var fires19 = dataset19.select('T21').sum().clip(roi_tn); // 计算火灾热点并裁剪到感兴趣区域

// 获取 2015 年的 FIRMS 数据集
var dataset15 = firms.filter(
    ee.Filter.date('2015-01-01', '2015-12-31'));
var fires15 = dataset15.select('T21').sum().clip(roi_tn); // 计算火灾热点并裁剪到感兴趣区域

// 获取 Landsat 5 图像集合
var l5 = ee.ImageCollection('LANDSAT/LT05/C02/T1_L2')
    .filterDate('1984-06-01', '2012-01-01') // 过滤日期
    .filterBounds(table) // 过滤感兴趣区域
    .map(maskL457sr) // 应用掩膜函数
    .map(function(a){
      return a.set('year',ee.Image(a).date().get('year')) // 设置年份属性
    });
    
// 获取 Landsat 8 图像集合
var l8 = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2")
    .filterDate('2012-01-01', '2022-09-01') // 过滤日期
    .filterBounds(roi_tn) // 过滤感兴趣区域
    .map(maskL8sr) // 应用掩膜函数
    .map(function(a){
      return a.set('year',ee.Image(a).date().get('year')) // 设置年份属性
    });
    

// 图像集合的处理与可视化

var list = ee.List([]) // 创建一个空列表

for (var a = 2000;a <= 2022;a++){ // 遍历 2000 到 2022 年
  if(a < 2012){ // 如果年份小于 2012
    var filL5 = l5.filterMetadata('year','equals',a).median(); // 获取该年的中值图像
    var finalL5 = filL5.set('year',a) // 设置年份属性
                      .set('product','L05'); // 设置产品属性
    list = list.add(finalL5); // 将图像添加到列表中
  } else { // 如果年份大于或等于 2012
    var filL8 = l8.filterMetadata('year','equals',a).median(); // 获取该年的中值图像
    var finalL8 = filL8.set('year',a) // 设置年份属性
                      .set('product','L08'); // 设置产品属性
    list = list.add(finalL8); // 将图像添加到列表中
  }
}

// 创建最终的图像集合
var finalCol = ee.ImageCollection(list)
              .map(function(a){
                return a.set('bands',ee.Image(a).bandNames().length()); // 设置波段数量属性
              })
              .filterMetadata('bands','greater_than',0); // 过滤掉没有波段的图像

// 添加图层到地图

for (var a = 2010;a <= 2022;a++){
  Map.addLayer(finalCol.filterMetadata('year','equals',a) // 添加每年的中值图像
                      .median()
                      .clip(roi_tn)
                      ,visualization,'Tahun '+a,false); // 设置图层名称
}

for (var a = 2010;a <= 2022;a++){
  Map.addLayer(addNDVI(finalCol.filterMetadata('year','equals',a) // 添加每年的 NDVI 图层
                      .median()
                      .clip(roi_tn))
                      ,ndviVisParams,'NDVITahun '+a,false); // 设置图层名称
}

Map.addLayer(fires19,firesVis,'hotspot tahun 2019'); // 添加 2019 年火灾热点图层
Map.addLayer(fires15,firesVis,'hotspot tahun 2015'); // 添加 2015 年火灾热点图层
Map.addLayer(KHDTK_Tumbang_Nusa,{},'batas kajian',false); // 添加研究区域边界
Map.centerObject(roi_tn); // 调整地图中心到感兴趣区域

// 导出结果

for (var a = 2010;a <= 2022;a++){
  Export.image.toDrive({ // 导出 NDVI 图像到 Google Drive
    image : addNDVI(finalCol.filterMetadata('year','equals',a) // 获取该年的 NDVI 图像
                    .median()
                    .clip(roi_tn)).toDouble().select('SR_B2','SR_B3','SR_B4','SR_B5','NDVI'),
    fileNamePrefix : 'NDVITumbangN3_'+a, // 文件名前缀
    description : 'NDVITumbangN3_'+a, // 导出描述
    folder : 'GEE/COBA', // 导出文件夹
    maxPixels: 1e8, // 最大像素数
    scale : 30 // 像素分辨率
  });
}

for (var a = 2010;a <= 2022;a++){
  Export.image.toDrive({ // 导出中值图像到 Google Drive
    image : finalCol.filterMetadata('year','equals',a) // 获取该年的中值图像
                    .select('SR_B4', 'SR_B3', 'SR_B2','SR_B5')
                    .median()
                    .clip(roi_tn),
    fileNamePrefix : 'TumbangNus_'+a, // 文件名前缀
    description : 'TumbangNus_'+a, // 导出描述
    folder : 'GEE/COBA', // 导出文件夹
    maxPixels: 1e8, // 最大像素数
    scale : 30 // 像素分辨率
  });
}

// 导出火灾热点图像
Export.image.toDrive({
 image : fires19, // 2019 年火灾热点
 fileNamePrefix : 'Hotspot 2019', // 文件名前缀
    description : 'Hotspot 2019', // 导出描述
    folder : 'GEE/COBA', // 导出文件夹
    maxPixels: 1e9, // 最大像素数
    scale : 30 // 像素分辨率
});
Export.image.toDrive({
 image : fires15, // 2015 年火灾热点
    fileNamePrefix : 'Hotspot 2015', // 文件名前缀
    description : 'Hotspot 2015', // 导出描述
    folder : 'GEE/COBA', // 导出文件夹
    maxPixels: 1e9, // 最大像素数
    scale : 30 // 像素分辨率
});

总结

该代码段通过使用 Landsat 影像数据和 FIRMS 火灾监测数据，定义了多个区域和可视化参数，处理了图像数据，计算了 NDVI，并将结果导出。整个流程包括数据获取、处理、可视化和导出，适用于环境监测和分析。

GEE案例——一个完整的火灾监测案例dNBR差异化归一化烧毁指数
此星光明博客
10-25 2217
dNBR是"差异化归一化烧毁指数"的缩写。它是一种用于评估卫星图像中烧毁区域严重程度的遥感指数。dNBR值通过将火灾前的归一化烧毁指数（NBR）减去火灾后的NBR来计算得出。该指数常用于野火监测和评估。dNBR（差异化归一化烧毁指数）是一种用于评估火灾后地表烧毁程度的遥感指标。它通过比较火灾前后的归一化烧毁指数（NBR）来计算得出。NBR是利用遥感数据中红外波段和近红外波段的反射率之差来衡量植被健康状况的指标。
遥感数据下载——FIRM：VIIRS火点数据、MODIS火点数据简介及下载
热门推荐
knkn123的博客
04-30 2万+
一、FIRMS(Fire Information for Resoutce Management System) 网站链接：https://firms.modaps.eosdis.nasa.gov/map/ 这个网站上对VIIRS及MODIS的火灾数据进行了显示，可以进行按日期、产品类别等动态的展示火点数据或火烧迹地，同时也提供了数据下载控件。高级选择中还可以进行数据统计结果展示。 二、VIIR...
GEE 火灾分析——基于MODIS影像在 GEE中进行 Monterey 火灾的热像素检测和 MODIS 火灾警报分析（火灾范围统计分析）
此星光明博客
12-01 673
GEE 火灾分析——基于Landsat 8 TOA在 GEE)中进行 Monterey 火灾的热像素检测和 MODIS 火灾警报分析（火灾范围统计分析）
基于ssm的校园外卖配送系统（源码+文档）
luoluoal的博客
04-30 2204
校园外卖配送系统的主要使用者分为：1、用户的功能及权限用户登录注册后，进入系统对个人中心，订单信息管理，订单取消管理，配送接单管理，取消配送管理，送达通知管理等功能进行操作管理。2、配送员的功能及权限用户登录注册后，进入系统对个人中心，订单信息管理，配送接单管理，取消配送管理，送达通知管理等功能进行操作管理。3、管理员的功能及权限用户信息的添加和管理，校园外卖配送详细信息添加和管理和文档信息添加和管理以及网站信息管理，这些都是管理员的功能💕💕作者：落落。
零改造实现MySQL加密：安当TDE透明加密与KSP密钥管理系统的创新实践
www.andang.cn
04-30 1231
安当TDE透明加密系统与KSP密钥管理系统的组合，为企业提供了"免改造、高性能、全合规"的数据库加密解决方案。通过创新的三层加密引擎、智能性能优化和企业级密钥管理，成功破解了传统加密方案的技术桎梏。在数字化转型加速的今天，这种"安全-性能-成本"的完美平衡，将成为企业构建新一代数据库安全底座的核心选择。未来，随着AI和隐私计算技术的融合，数据库加密将进入智能加密新时代，而安当技术已在这条赛道上构建起坚实的技术壁垒。
ruoyi-plus Spring Boot + MyBatis 中 BaseEntity 的设计与动态查询实践
字节叔叔
05-01 470
通过在BaseEntity中引入和params，我们实现了灵活的动态查询能力，在开发中极大简化了接口参数结构与查询逻辑。同时，也提升了系统的可维护性与扩展性，是开发大型后台系统中常用的技巧之一。如果你正在构建一个基于 Spring Boot + MyBatis 的后台管理系统，不妨考虑将这两个字段纳入你的BaseEntity设计中。
C# dataGridView分页
JQLvopkk的博客
04-30 429
/ MySQL连接字符串。// 每页加载的记录数量。LoadData();// 初始化加载数据。
生产级RAG系统一些经验总结
yanqianglifei的专栏
05-01 1044
可能需要修剪或总结它们。一种常见方法是先检索，然后运行较小的语言模型或启发式算法，将每个检索到的文档总结为一段话，然后将这些摘要输入最终的语言模型。这有时被称为上下文压缩或自适应上下文。LlamaIndex等工具可以自动执行第二阶段，使用语言模型在最终答案之前将初始检索集压缩成更短的形式。仅在绝对需要时使用此方法，因为任何摘要都是额外的生成步骤，可能会引入自己的错误。随着2025年16k+标记模型的出现，如果适合，许多RAG系统尝试只提供原始文本，因为这保留了最大的细节。
​Spring + Shiro 整合的核心要点及详细实现说明
zwh1zwh的博客
05-06 460
Autowired// 授权逻辑：获取用户权限信息@Override// 添加角色和权限（从数据库查询）// 认证逻辑：验证用户身份@Overridethrow new UnknownAccountException("用户不存在");ByteSource.Util.bytes(user.getSalt()), // 使用盐值加密getName()​优势​：Shiro 轻量易用，与 Spring 整合后可通过注解快速实现细粒度权限控制，适合中小型项目。​适用场景。
数据库的原子事务
AndrewYZWang的博客
05-05 605
简单的做法是一次迭代并逐个删除键，但这会将整个表读入内存并在删除前反复更新节点，做了一些无用的工作。在我们的案例中，所有内容使用单一的B+树，我们可以实现一个范围删除操作，无需查看即可释放具有特定范围的所有叶节点。：在任何排序的数据中，邻近的键可能共享一个公共前缀。：写时复制在一次更新中从叶节点到根节点复制节点，这对于多键更新来说不是最优的，因为中间树的节点在一个事务内分配、更新一次然后被删除。另一种方法是通过日志实现原子性，在写时复制树中，更新由根指针捕获，而在原地更新中，则需要日志来捕获更新。
MySQL中有哪几种锁？
最新发布
java1234的博客
05-06 536
MySQL中有哪几种锁？
如果 Nacos 宕机，依赖它的微服务还能不能成功启动？
qq_41893505的博客
05-01 293
功能角色Nacos宕机影响服务能否启动注册中心注册失败，调用受限✅（默认可启动）配置中心依赖配置加载情况✅ 或 ❌（取决于 fail-fast 与本地缓存）
基于Springboot高校网上缴费综合务系统【附源码】
2402_84112588的博客
05-03 1135
随着高校信息化建设进程的加速，传统手工缴费模式因效率低、错误率高、管理成本高等问题已无法满足现代高校需求。学生需线下排队填写表格，财务人员需人工核对票据，导致流程冗长且易出错。同时，传统方式缺乏实时数据监控能力，难以满足高校对缴费进度、资金流向的动态追踪需求。在此背景下，基于SpringBoot的高校网上缴费综合服务系统应运而生，通过信息化手段实现缴费流程自动化、数据可视化，成为提升高校财务管理效能的关键技术手段。
MySQL进阶(二)
qq_41206014的博客
05-03 787
MySQL进阶(二)
高频数据冲击数据库的技术解析与应对方案
编程实战派-李工，专注编程领域
05-03 957
本文针对高频数据冲击导致的数据库性能瓶颈问题，系统阐述了缓存策略失效的技术根源与解决方案。通过Java代码实现动态过期时间算法、布隆过滤器、二级缓存等核心组件，构建了分层缓存架构与多级容错机制。
函数调用及Chain——SQL+GLM
qq_52241167的博客
04-30 878
Langchain+chain+数据库操作_langchain 操作数据库-CSDN博客本文和基于上述链接 进一步。
MySQL事务
weixin_62037667的博客
05-06 248
在同一事务内操作的数据，在进行查询的时候，发现跟原来操作的数据不一致。我们那人的幻觉来说明，比如一个人出现幻觉了，是在什么情况会出现幻觉：我们看到的东西跟现实的场景不符合肯定是出现幻觉了，比如说现实生活中我看到了一把椅子，椅子上放了一条毛巾，但是真实情况是椅子上什么都没有，这个时候我们有可能就出现了幻觉，拿这个事情类比一下幻读。步骤三：事务的结束状态：提交的状态：commit 终止的状态：ROLLBACK。：事务一旦被提交，它对数据库中的数据的改变是永久性的。：读取到另一个事务未提交的数据。
Docker命令一站式指南
SoulruiA的博客
05-02 1081
镜像就是包含了应用程序、程序运行的系统函数库、运行配置等文件的打包准备一个Linux服务器安装JRE并配置环境变量拷贝jar包运行jar包Dockerfile 常用指令指令作用Java 项目示例最佳实践FROM指定基础镜像使用官方 OpenJDK 镜像（如），明确版本号；生产环境避免使用latest。WORKDIR设置工作目录所有后续命令基于此目录执行，避免硬编码路径。COPY复制文件到镜像优先用COPY而非ADD（除非需自动解压）；分阶段复制以减少层数。RUN执行命令（构建阶段）
【Hive入门】Hive安全管理与权限控制：基于SQL标准的授权GRANT REVOKE深度解析
IT成长日记的博客
05-05 649
Hive基于SQL标准的授权模型提供了强大而灵活的权限管理能力，通过GRANT/REVOKE语句可以实现从数据库到列级别的精细控制。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

此星光明

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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