arc科学计算机在线应用使用,[计算机软件及应用]实验2 使用ArcCatalog.doc

[计算机软件及应用]实验2 使用ArcCatalog

实验2 ArcCatalog使用入门

本次实验要点:

练习一:建立地理数据的Catalog(目录)

练习二:浏览数据和把数据添加到地图

练习三:管理Shapefiles

ArcCatalog用来浏览和管理数据。在连接到你的数据后,使用 目录来浏览它的内容。当你找到你所需要使用的数据后,你可以把数据添加到地图上。通常在你获得项目数据后还不能直接使用它。你也许需要改变它的投影或者格式,修改它的属性,或者将地理要素和存储在其它表格中的属性进行连接。当数据最终准备好后,你需要记录你所做的内容修改。这些数据管理任务都可以在Catalog下使用工具完成。

最简单的理解ArcCatalog能用来做些什么的方法是完成本入门中的练习:

练习一显示怎样建立自己的地理数据的目录:添加数据到目录以及移除目录中的数据。

练习二演示怎样浏览和查找数据以及怎样添加到地图上;

练习三演示怎样定义数据源的坐标系统,修改其内容,将另外表格的属性合并到数据,以及根据合并来的属性符号化要素。

本入门练习是用来让你按照自己的进度进行。你需要二到四个小时集中完成整个入门。当然,你可以按照你的实际一次执行一个练习。

练习一:建立地理数据的目录

建立目录时,你需要选择你将使用的数据。你可以使用几个数据文件夹来完成一个项目,而另一些人可能使用存储在一个地理数据库中的数据。本练习中,你将使用黄石国家森林公园的数据,该公园位于美国西北部。

本练习中,你将把包含练习使用的数据的文件夹添加到目录中。因为后面的练习中你需要修改数据,所以现在你应该建立一个工作拷贝,然后在目录中删除那些不需要的条目。

启动ArcCatalog

在进行本练习的任务之前,你必须首先启动进入ArcCatalog:

开始(程序(ArcGIS(ArcCatalog

目录中有些什么?

在ArcCatalog窗口的左边部分,你看到的是目录树;它为你提供你的数据组织方式的鸟瞰视图。在右边部分的页面中,你可以浏览在目录树中选择到的条目的内容。

第一次启动ArcCatalog后,它包含用来访问硬盘的文件夹连接。目录中也包含让你建立和存储到数据库和因特网的连接的文件夹以及管理地理解码服务和搜索结果的文件夹。

选择一个连接后,你就可以访问它所连接的数据。文件夹连接让你访问在本地磁盘或者共享文件夹中的文件夹,或称路径。数据库连接让你访问数据库的内容。从目录中删除文件夹连接或数据库连接时,你并没有删除数据,只是删除了连接。

所有的连接共同建立了一个地理数据源的目录(Catalog)。各个文件夹和数据源都是目录的条目(Items)。如果你使用的是ARCINFO工作站,那么你已经熟悉ITEM的意思是指属性表的字段。但是本书中,item指的是目录树中的条目。

查看文件夹连接

在目录树中选择一个文件夹连接,Contents页中会列出它包含的条目。与Windows资源管理器不同的是,Catalog不会列出磁盘上的所有文件。一个包含有文件的文件夹也可能显示是空的。包含有地理数据源的文件夹的图标是特殊的,从而使你容易找出。

查看你的目录中的一个文件夹连接:

在目录树中点击一个文件夹连接。它所包含的条目将列出在Contents页中。

2.在内容列表中双击某个文件夹。这个文件夹将在目录树中被选择到,内容页中现在列出的是这个文件夹下包含的文件夹和地理数据。

使用这样的方法你可以在磁盘中浏览查找地理数据。

找到练习使用的数据

在开始查看本练习的数据之前,你必须选择包含练习数据的文件夹。在Catalog中,你可以快速的选择任何在你计算机或网络上的文件夹,只要你知道该文件夹的路径。

点Location文本框。

输入到练习数据文件夹的路径,例如C:\ArcGIS\ArcTutor。

如果数据是在网络上的一个共享文件夹中,那么路径中应该包含计算机和共享文件夹的名字,例如:\\S501\diskd\weihong\exp3

3. 回车。这样你指定的文件夹就在目录树中被选择到。

如果目录中已经有到C:\ArcGIS\ArcTutor的文件夹连接,那么将选择到它并展开这个连接。如果没有,那么将建在目录树中立一个新的访问C:\ArcGIS\ArcTutor的连接。

回车后你输入的地址会被添加到Location列表中中。如果将来还需要访问这个文件夹,你可以点Location的下拉箭头,然后从下拉列表中选择就可以了。

建立练习数据的工作拷贝

在后面的练习中你将要建立新的条目,对实验提供的一些数据进行修改。在处理数据时,最好是在拷贝上进行以保持原始数据不变。因此,下面使用ArcCatalog来拷贝连续数据文件夹(ArcTutor\Catalog)到一个你有写权利的位置。为了存储练习数据你需要至少15M的磁盘空间。

如果Catalog中还没有包含你打算存储数据的位置的连接,在

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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