- 博客(97)
- 收藏
- 关注
RSS订阅原创 EndNote导入.enw文件期刊字段识别失败？一招解决Journal字段导入问题
EndNote导入.enw文件时Journal字段识别失败的主要原因是过滤器标签映射不匹配。解决方法包括更新官方EndNote Import过滤器或手动修改过滤器将%J标签映射到Journal字段。规范导入操作步骤，选择正确的过滤器，并检查.enw文件完整性。对于已导入文献，可通过单独修正、自动匹配或批量替换补全期刊信息。预防措施包括使用标准格式导出、定期更新过滤器和避免随意修改映射规则。
2026-02-02 15:27:14
920
原创 【Python绘图】Matplotlib 条形图绘制全面指南
本文全面介绍了使用Matplotlib绘制各类条形图的方法。主要内容包括：1）条形图基础概念与类型（垂直/水平/分组/堆叠条形图）；2）基础条形图示例代码（含颜色、标签、误差线等定制）；3）分组条形图的实现与比较；4）堆叠条形图的绘制技巧。通过多个代码示例展示了不同场景下的条形图应用，包括数据对比、部分与整体关系展示等可视化需求。文章提供了完整可运行的Python代码片段和效果图示，适合数据可视化初学者和中级用户参考。
2026-01-31 16:46:42
718
原创 QGIS 新手教程 13：矢量数据裁剪、合并与基础整理
本文介绍了QGIS中矢量数据的基础整理操作，包括裁剪、合并和基础整理技巧。主要内容：1）使用裁剪工具将图层限定到指定范围；2）通过合并工具整合多个同类型图层；3）检查几何有效性、删除重复要素等基础整理方法；4）介绍批处理操作提高效率。这些数据预处理步骤是GIS分析的重要基础，能确保后续分析更加高效可靠。文章还预告了下篇将讲解图层选择与属性计算等进阶内容。
2026-01-30 10:36:53
981
原创 ⭐ 深度学习入门体系（第 20 篇）： 如何从 0 到 1 训练一个稳定、可复现的深度学习模型
本文系统介绍了构建可复现深度学习训练流程的关键要素。主要内容包括：训练目标设定（泛化能力优先）、数据准备规范（清晰结构+合理增强）、超参数配置策略（batch size/学习率/优化器选择）、训练循环模板（标准前向/反向传播流程）、训练监控方法（loss/acc/学习率曲线分析）常见问题解决方案（不收敛/过拟合等）模型部署流程（权重保存/推理优化）。文章强调深度学习训练应遵循系统化方法而非依赖运气，提供了从数据准备到模型部署的完整工程实践框架，适合希望建立规范化训练流程的开发者参考。
2026-01-13 19:09:47
531
原创 ⭐ 深度学习入门体系（第 19 篇）: 过拟合，它是什么？为什么会发生？又该如何解决？
本文深入浅出地讲解了深度学习中的过拟合问题。首先用生活化类比解释过拟合的本质：模型在训练集表现优异但在新数据上表现下降。文章分析了过拟合的四大成因：模型太大数据太少、数据分布不足、特征过于复杂、训练时间过长，并提供了工程师判断过拟合的实用标准。重点介绍了8种解决方案，按效果排序包括数据增强、增大数据量、减小模型、Dropout、权重衰减、早停等，并给出了工程实践中的解决模板。最后强调过拟合是模型学习过细的信号，需要增加多样性和约束。全文以通俗语言将复杂概念具象化，为读者提供了从理论到实践的完整指导。
2026-01-13 19:08:59
888
原创 ⭐ 深度学习入门体系（第 18 篇）: Batch Size：为什么它能影响训练速度与泛化能力？
Batch Size（批大小）是深度学习中影响训练速度和模型泛化能力的关键超参数。本文通过餐厅厨房的类比，解释了小批量和大批量的本质差异：小批量训练（如32）噪声大但泛化好，大批量（如4096）梯度稳定但需配合调整学习率。文章揭示了Batch Size与泛化能力的关联（小批量更易找到平坦最优解），并给出工程实践建议：显存有限时用梯度累积，多GPU时线性扩大学习率，大模型需配合Warmup和混合精度。最后提供PyTorch代码示例，总结核心原则是在显存允许下尽量使用大批量，并通过正则化手段补偿可能的精度损失。
2026-01-13 19:08:26
676
原创 ⭐ 深度学习入门体系（第 17 篇）: 学习率：为什么它能决定训练成败？
学习率是深度学习中最重要的超参数之一，它直接影响模型训练的成败。本文系统讲解了学习率的核心概念和作用机制：学习率控制参数更新的步长，如同驾驶中的油门力度，过大导致震荡发散，过小则训练缓慢。文章分析了学习率不合适的典型症状，并介绍了主流学习率调度策略（如Warmup+Cosine），提供了PyTorch实现代码。最后总结了8条工程实践共识，强调学习率是模型训练的"命门"，掌握其调节技巧能显著提升训练效率。
2026-01-13 19:07:45
867
原创 ⭐ 深度学习入门体系（第 16 篇）: ViT：为什么 Transformer 能征服图像世界？
Vision Transformer (ViT) 颠覆了CNN在图像处理领域的统治地位。传统CNN存在局部视野局限、长距离关系建模困难等问题，而ViT通过将图像分割为小块(patch)并采用Transformer架构，实现了全局信息处理能力。ViT的核心优势在于注意力机制能动态关注重要区域，无需像CNN那样堆叠多层来扩大感受野。实验证明，ViT在大规模数据下表现优异，模型扩展性更强，且与预训练范式天然契合。虽然ViT需要更多训练数据且对小目标处理不够稳定，但其全局建模能力使其成为图像处理的新标杆。
2026-01-13 13:41:48
675
原创 ⭐ 深度学习入门体系（第 15 篇）: 从 RNN 到 LSTM：为什么深度网络需要“记忆能力”？
本文介绍了深度学习中的时序建模方法，从RNN到LSTM的演进过程。文章首先解释了为什么深度网络需要记忆能力来处理时序依赖任务，如文本、语音和时间序列数据。RNN作为基础记忆网络，通过隐藏状态传递信息，但存在长程依赖和梯度消失问题。LSTM通过引入输入门、遗忘门、输出门和记忆单元，实现了选择性记忆和遗忘，解决了RNN的局限性。文章对比了RNN、LSTM和GRU的特点，并指出虽然Transformer最终取代了它们，但理解这些早期时序模型对掌握深度学习基础至关重要。
2026-01-12 20:49:08
816
原创 ⭐ 深度学习入门体系（第 14 篇）: BN / LN / GN：为什么深度网络离不开“归一化”？
本文深入浅出地解释了深度学习中归一化技术的重要性。文章通过生活化类比（如健身房哑铃训练）说明归一化能解决网络训练中的"内部协变量偏移"问题。重点对比分析了三种主流归一化方法：BatchNorm（BN）适用于大batch图像任务，LayerNorm（LN）是NLP/Transformer的首选，GroupNorm（GN）则在小batch视觉任务中表现优异。文章指出归一化是深度学习的"稳定剂"，能加快收敛、防止梯度问题、提升泛化能力，是现代深度网络不可或缺的核心组件。
2026-01-12 20:45:41
664
原创 ⭐ 深度学习入门体系（第 13 篇）：ResNet：深度网络训练困难的终极解法
ResNet通过引入"残差连接"（skip connection）解决了深度神经网络训练中的退化问题。传统深度网络随着层数增加，会出现梯度消失/爆炸、loss不下降等问题。ResNet的核心思想是让每层只学习输入与输出的"残差"（差值），而非完整映射。这种结构使梯度可通过捷径传播，避免了信息丢失，即使深层网络也能稳定训练。残差块分为BasicBlock（浅层）和Bottleneck（深层），显著提升了模型性能与训练效率。ResNet的成功使其成为现代CNN的标准设计，广泛应用于图像分类、检测等领域。
2026-01-11 11:00:37
807
原创 ⭐ 深度学习入门体系（第 12 篇）：卷积神经网络的池化层为什么重要？
本文解析卷积神经网络（CNN）中池化层的重要作用。池化层通过最大池化或平均池化压缩特征图，保留关键信息的同时降低计算量和噪声敏感性。其核心功能包括：降维减少计算量、提取显著特征、增强平移不变性、防止过拟合。文章通过生活化类比（如街景照片识别）和工程实践案例，说明池化层如何精炼信息，使模型更高效稳定。同时指出池化方式选择、尺寸控制的注意事项，并介绍现代替代方案如卷积步幅。池化层作为CNN的"信息精炼器"，是提升模型性能的关键组件。
2026-01-11 10:59:48
580
原创 QGIS 新手教程 12：规则网格（Fishnet）的创建与管理（基础篇）
本QGIS新手教程详细介绍了规则网格(Fishnet)的创建与管理方法。教程首先阐述了规则网格的概念、特点及其在GIS分析中的重要性，然后分步骤讲解了两种创建方法：使用Processing工具箱直接生成和基于已有范围图层生成。重点说明了网格参数设置、坐标系选择等关键操作，并针对新手常见问题提供了解决方案。教程还包含网格图层的基础管理技巧，如添加属性字段和样式设置。作为基础篇，本文仅涉及网格创建与管理，为后续空间分析应用奠定数据结构基础。
2026-01-10 16:30:08
793
原创 ⭐ 深度学习入门体系（第 11 篇）： 卷积神经网络的卷积核是如何学习到特征的？
本文深入浅出地讲解了卷积神经网络(CNN)中卷积核的工作原理。卷积核本质是可训练的小型特征探测器，通过滑动提取局部特征。浅层卷积核学习边缘、纹理等基础特征，深层卷积核则组合这些特征形成高级语义。卷积核通过反向传播和优化器自动调整参数，无需人工干预。文章用生活化类比解释了卷积核从低级到高级特征的学习过程，并提供了可视化方法和工程实践建议。理解卷积核如何自动学习特征是CNN在图像任务中表现优异的关键。
2026-01-10 13:13:53
837
原创 ⭐ 深度学习入门体系（第 10 篇）： 卷积神经网络 CNN 为什么比 MLP 更适合图像？
本文从实战角度对比了CNN和MLP在图像处理任务中的表现差异。核心观点指出：CNN通过局部感知、权重共享和层级特征三大优势，比MLP更适合图像处理。具体表现为：1）CNN保留空间信息，通过卷积核捕捉局部特征；2）参数共享大幅减少参数量；3）多层堆叠实现从边缘到语义的层级理解。相比之下，MLP将图像展平处理导致空间信息丢失、参数量爆炸且泛化能力弱。文章用摄影专家的类比形象说明CNN"由局部到整体"的工作方式，并总结CNN在训练效率、内存占用和特征提取方面的工程优势，是图像任务的首选架构。
2026-01-06 19:46:05
879
原创 ⭐ 深度学习入门体系（第 9 篇）： 什么是反向传播？
本文用生活化类比解释深度学习中的反向传播机制。反向传播通过链式法则将损失值从输出层逐层传递到各参数，计算每个参数对损失的影响（梯度），从而指导参数调整方向。整个过程如同老师批改作业后，学生根据反馈调整书写方式。反向传播与优化器配合，形成"前向计算-反向传播-参数更新"的循环，使网络自动学习。文章还澄清了常见误区，指出反向传播虽复杂但可被现代框架自动处理，是深度学习训练的核心机制。
2026-01-05 18:49:27
498
原创 ⭐ 深度学习入门体系（第 8 篇）： 什么是优化器？
本文深入浅出地讲解了深度学习中的优化器原理与应用。文章通过生活化类比（如教练指导运动员）解释优化器的作用，重点分析了SGD、Momentum、Adam和AdamW等主流优化器的特点：SGD稳定但慢，Adam自适应学习率适合新手，AdamW则解决了权重衰减问题成为大模型标准选择。文中还提供了实用选择建议：初学者用Adam，大规模训练选SGD+Momentum，NLP和大模型推荐AdamW。最后强调学习率是最关键的调参因素。全文以直观比喻和清晰图表，帮助读者快速掌握优化器的核心要义。
2026-01-04 19:27:55
1028
原创 QGIS 新手教程 11：在 QGIS 中绘制矩形矢量数据（规则面要素构建）
本教程介绍QGIS中绘制矩形矢量数据的三种方法：1）使用内置矩形工具（角点、中心点、范围三种模式）；2）精确绘制（通过状态栏控制尺寸与坐标）；3）借助插件或处理工具生成。重点强调投影坐标系对几何精度的影响，并详细说明绘制后的属性处理流程。适用于研究区边界、城市分区等规则面要素构建场景，帮助用户从基础绘图迈向规范建模。
2026-01-03 12:53:49
1173
原创 ⭐ 深度学习入门体系（第 7 篇）： 什么是损失函数？
本文深入浅出地讲解了深度学习中损失函数的核心概念。损失函数是衡量模型预测准确度的标尺，为训练过程提供方向指引。文章通过生活化类比（如投篮、买饮料）解释了不同任务需要不同损失函数的原因：回归任务用MSE/MAE，分类任务首选交叉熵。重点剖析了交叉熵为何成为分类任务的黄金标准——它不仅评估预测正确性，还考量预测信心程度，能提供更强的训练信号。同时对比了MSE在分类任务中的不足，并简要介绍了其他常见损失函数的适用场景。最后强调损失函数与优化器的协同关系，为模型训练提供完整的调整机制。
2025-12-31 20:19:45
761
原创 ⭐ 深度学习入门体系（第 6 篇）： MLP 和 CNN 有什么本质区别？
本文深入浅出地解释了MLP（多层感知器）和CNN（卷积神经网络）的本质区别。MLP通过展平图像处理所有像素，但会丢失空间结构信息；而CNN通过局部卷积核逐步理解图像，保留了空间关系。关键区别在于：CNN天然理解图像空间结构，而MLP更适合处理结构化数据。对于图像任务，CNN是首选，因其参数共享、局部感知特性；而MLP更适合表格数据等非空间结构任务。虽然存在视觉MLP等改进模型，但传统MLP在图像处理上仍远不及CNN高效准确。
2025-12-29 21:18:59
907
原创 ⭐ 深度学习入门体系（第 5 篇）： CNN 为什么能“看懂图片”？
这篇文章通过生活化类比解释了卷积神经网络(CNN)的工作原理。CNN通过卷积核(类比摄影评委的滤镜)扫描图像局部区域，逐层提取从边缘到物体部件再到整体语义的特征。浅层捕捉简单几何结构，深层识别复杂物体概念。池化操作缩小图像聚焦重要特征，stride控制扫描步长，padding防止边缘信息丢失。CNN的优势在于局部感受野、权重共享和平移不变性，使其能有效抗噪声和位置变化。核心思想是"局部提取→全局组合→多层语义构建"，让计算机像人类一样逐步理解图像内容。
2025-12-26 20:11:12
469
原创 ResNet50 图像分类完整实战（Notebook Demo + 训练代码）
本文介绍了使用ResNet50进行图像分类的完整实战流程。文章首先解释了选择ResNet50的原因，将其比喻为"家用轿车"般稳定可靠。然后展示了项目的简洁结构，强调Notebook设计为可复用的模板，包含环境检查、数据加载、模型构建等清晰步骤。重点讲解了ResNet50的简单改造方法，只需替换最后一层即可适配新任务。训练部分采用基础循环，并强调训练曲线的可视化价值。最后指出该项目的核心目标是建立标准流程认知，而非追求SOTA性能，为后续升级打下基础。全文提供了一套可直接应用于实际项目的完整解决方案。
2025-12-24 20:24:22
1067
原创 用 Python 画一张不那么“难看”的横向累计柱状图
本文介绍了如何用Python绘制美观实用的横向累计柱状图，并提供了8种配色方案。文章首先解释了这种图表适用于展示多年累计数据的特点，然后给出基础代码模板。重点推荐了8种风格各异的配色方案：彩虹卡通风、冰淇淋清新风、清爽夏日风、马卡龙梦幻风、夜空星辰风、森系自然风、科技未来风和节日快乐风，每种都配有适用场景说明和可直接使用的颜色代码。最后总结了不同场景下的配色选择建议，强调图表既要美观又要易于理解。通过灵活运用这些配色方案，可以让数据可视化作品既专业又富有表现力。
2025-12-20 17:26:55
990
原创 ImportError: cannot import name ‘OrderedDict‘ from ‘typing‘ 问题解决
在使用 PyTorch 编写的代码时，运行 `model.py` 出现了一个环境错误：`ImportError: cannot import name 'OrderedDict' from typing`。表面看是代码问题，实际上是 **Python 3.7 与较新版本 torchvision 不兼容** 导致的。由于新版 torchvision 会默认加载 MaxViT 等新模型，而这些实现依赖 Python 3.8 之后的 typing 特性，从而在旧环境中直接直接报错。
2025-12-19 20:33:41
967
原创 ⭐ 深度学习入门体系（第 4 篇）： 损失函数与优化器到底怎么选？
本文为深度学习新手提供了一份清晰的损失函数与优化器选择指南。损失函数相当于模型的"痛觉系统"，根据任务类型推荐：多分类用CrossEntropyLoss、二分类/多标签用BCEWithLogitsLoss、回归用MSELoss、分割用CE+Dice组合。优化器方面，推荐使用AdamW作为默认选择，Adam作为简化版，不推荐单独使用SGD。文章特别强调PyTorch已内置Softmax/Sigmoid计算，输出层无需额外添加激活函数。通过生活化类比和实用表格，帮助新手快速掌握深度学习训练的核心配置要点。
2025-12-18 20:11:23
823
原创 PyTorch 图像分类完整项目模板实战
本文介绍了一个PyTorch图像分类项目模板，旨在帮助初学者建立体系化的工程思维。该模板包含完整的项目结构，支持Jupyter Notebook可视化演示，并提供示例数据生成脚本。作者强调模板的价值在于提供可复用、可扩展的基础框架，而非单一功能的实现。通过这个轻量级但结构完整的"迷你工程"，用户可以快速开展各类图像分类任务，只需替换数据集和调整参数即可。项目资源包含完整源码、Notebook和运行说明，适合作为深度学习项目的入门模板。
2025-12-14 15:07:35
902
原创 ⭐ 深度学习入门体系（第 3 篇）：反向传播到底怎么工作的？
本文通过"找丢失的钱包"的生动类比，通俗易懂地解释了深度学习中反向传播的核心原理。文章将梯度下降比作"逆着脚印找钱包"，损失函数比作"丢钱包的痛苦程度"，梯度则是"最快找到钱包的方向"。通过链式法则的概念，说明反向传播如何像"逐层倒查责任"一样，从输出层反向计算每一层对错误的贡献。文中还简要介绍了不同优化器的特点，并强调反向传播是深度学习能够"自我纠错"和"分层学习"的技术基石。最终将反向传播的本质概括为"根据错误往回推，逐层算责任，再逐层修正"的数学过程。
2025-12-13 09:55:21
891
原创 ⭐ 深度学习入门体系（第 2 篇）： 为什么神经网络一定需要激活函数？
激活函数是神经网络的核心组件，没有它，无论网络多深都只能进行线性变换，无法解决复杂问题。本文用生活类比解释：没有激活函数就像只能直行的车，无法适应复杂道路；加入激活函数后，网络获得非线性能力，可以拟合任意复杂模式。从数学角度看，激活函数使多层网络能够表达非线性关系，实现图像识别、语音处理等任务。工程上推荐使用ReLU（默认选择）、Sigmoid（输出层）或GELU（NLP任务）。每层都必须包含激活函数，否则网络将退化为单层线性模型。激活函数的本质意义在于引入非线性，这是深度学习能处理现实世界复杂问题的关键。
2025-12-11 19:42:58
793
原创 ⭐ 深度学习入门体系（第 1 篇）：什么是神经网络？——从生活到公式，一次讲清！
本文用生活化类比系统讲解了神经网络的核心概念：神经网络是一个通过经验不断自我更新的数学系统，其工作原理类似小孩学习认猫的过程。文章通过美食评论家打分、电灯开关等生动例子，解释了神经元（加权求和+激活函数）、权重（特征重要性）、偏置（默认倾向）、激活函数（决策开关）等关键概念。神经网络通过前向传播（预测）、计算损失（评估误差）、反向传播（调整权重）和参数更新（优化）的循环过程进行学习，最终形成有经验的分类器。本文为深度学习初学者提供了直观易懂的入门指南。
2025-12-10 19:38:45
1047
原创 【环境配置】Windows 下使用 Anaconda 创建 Python 3.8 环境 + 安装 PyTorch + CUDA（完整教程）
本文详细介绍了在Windows系统下使用Anaconda配置Python 3.8深度学习环境的完整流程。主要内容包括：检查显卡驱动和CUDA版本、创建conda虚拟环境、安装PyTorch（选择合适的CUDA版本）、验证GPU是否正常工作等关键步骤。文章特别澄清了CUDA Toolkit安装的必要性问题，指出普通用户通常不需要安装。最后提供了完整的5步操作流程和常见问题解答，帮助初学者快速搭建可用的PyTorch GPU开发环境。
2025-12-05 20:33:25
1131
1
原创 QGIS空间分析实战：基于缓冲区与叠置分析的市区超市选址指南
本文介绍了利用QGIS进行超市选址的空间分析方法。通过缓冲区分析确定居民区、道路、学校和竞争对手的影响范围，再运用叠置分析筛选出最佳候选区域。实验以济南市章丘区为例，详细演示了数据准备、缓冲区建立、区域叠加和结果可视化的完整流程。文章还探讨了进阶分析方法，如加权叠加和成本考量。该方法将商业选址决策转化为可量化的空间分析模型，为零售业选址提供了科学依据。使用免费开源的QGIS工具，使这一专业分析过程具有成本低、可重复的优势，适合商业地理分析的入门实践。
2025-11-26 20:42:04
1172
原创 实用指南：两种渠道下载可直接使用的OpenStreetMap（OSM）数据
本文介绍了从OpenStreetMap高效获取数据的专业网站和方法。重点推荐Geofabrik和BBBike两大网站，它们能直接将OSM数据转换为GIS软件友好格式，简化工作流程。同时提供Overpass-turbo和QGIS QuickOSM插件作为高级技术补充。
2025-11-14 15:42:06
1402
原创 Microsoft Excel 效率专题：创建下拉列表，规范数据输入
本文详细介绍了在Microsoft Excel中创建下拉列表的方法，通过使用“数据验证”功能规范数据输入。文章涵盖两种选项准备方式（直接输入或引用单元格），分步骤指导设置过程，并提供了效果验证和小技巧。该功能可有效避免输入错误，提升数据录入效率和准确性，适用于需要标准化输入的各类表格场景。
2025-11-13 19:55:24
577
原创 快速应用专业配色！手把手教你导入QGIS官方库中的国土空间规划样式
本文详细介绍如何在QGIS中导入官方资源库中的《国土空间规划样式库》和《国土空间规划分区配色表》，以提升制图效率。通过“样式管理器”连接在线库，搜索贡献者“Keke”分享的资源并下载，再将文件导入本地样式库。导入后，可在图层属性中直接应用这些专业符号和配色方案，快速实现符合规范的国土空间规划制图。该教程充分利用QGIS社区共享资源，助力用户高效完成专业地图制作。
2025-11-04 14:01:17
1101
原创 QGIS 中 Landsat 数据的实际处理示例（波段合成 + 裁剪 + 指数计算）
本文介绍了在QGIS中处理Landsat卫星影像的完整流程，包括波段合成、裁剪和指数计算三个关键步骤。首先通过合并工具将单波段数据合成为真彩色或假彩色影像，然后使用掩膜或范围裁剪提取研究区域，最后利用栅格计算器生成NDVI（归一化植被指数）和NDWI（归一化水体指数）等常用遥感指数。文章详细说明了每个步骤的操作方法、波段组合选择和计算公式，为后续的遥感分析（如分类、变化检测等）提供了基础处理方法。所有操作均在开源软件QGIS中完成，适用于Landsat 8/9 L2SP地表反射率产品。
2025-10-26 15:53:40
1299
原创 QGIS字段计算器常用公式汇总（含实操示例）
本文系统整理了QGIS字段计算器的常用表达式，涵盖数值计算、字符串处理、日期时间、几何属性、条件判断与空间分析等模块。通过建筑物面要素示例数据，演示了面积计算、高度转换、字符串拼接、使用年限计算等实用公式，并提供了建筑风险评估等综合应用案例。文章还给出了投影坐标系使用、新建字段保存结果等实用建议，帮助用户快速掌握QGIS数据计算与自动化处理的核心技巧。
2025-10-18 16:37:19
1404
原创 QGIS制图专题4：缓冲区分析与服务半径专题图制作
本文以济南市为例，演示了QGIS缓冲区分析技术在公共服务设施评估中的应用。通过获取公园绿地与居民区数据，建立1000米步行服务半径缓冲区，计算覆盖率并制作专题图。完整流程包括数据获取、坐标转换、空间叠加分析和可视化表达，为城市规划中的"15分钟生活圈"评估提供技术支撑。该方法可推广至学校、医院等各类公共设施的布局优化与可达性研究。
2025-10-18 14:59:24
930
原创 学术研究双雄：Research Rabbit 与 Consensus，你该如何选择？
两款AI学术工具Research Rabbit和Consensus分别解决不同研究需求：前者通过可视化网络帮助用户系统梳理领域文献（适合文献综述），后者直接回答具体研究问题（适合快速求证）。两者可形成互补工作流：先用Research Rabbit构建知识框架，再用Consensus验证具体观点，最后用文献管理软件整理引用。工具免费开放，建议研究者根据需求灵活选用。
2025-10-11 17:05:10
1291
原创 手把手教程：QGIS + ORS Tools 生成城市步行等时圈实操教程
摘要：本文详细介绍了使用QGIS和ORS Tools插件生成城市步行等时圈的完整流程。从获取OpenRouteService API密钥开始，到准备住宅点数据、安装配置插件，最终批量生成5、10、15分钟步行等时圈。该方法基于真实道路网络计算，克服了传统缓冲区方法的局限，为城市可达性研究和15分钟生活圈规划提供了高效精准的解决方案。教程包含数据准备、插件配置、参数设置等关键步骤，并展示了结果在人口覆盖评估、设施公平性分析和规划支持等方面的应用价值。
2025-09-24 20:49:42
1167
原创 手把手教程：使用QGIS和GeoHey插件处理高德地图POI数据与坐标转换
本教程详细介绍了如何利用QGIS和GeoHey插件处理高德地图POI数据，并完成坐标转换。主要内容包括：申请高德API Key、使用Python脚本获取POI数据并保存为CSV、将数据导入QGIS创建点图层，以及安装GeoHey插件进行GCJ-02到WGS84坐标转换。教程特别强调了高德数据采用GCJ-02火星坐标与国际通用WGS-84的偏移问题，并提供了完整的代码示例和操作截图，帮助用户快速上手处理中国地区的地理数据。
2025-09-23 15:52:32
1620
Python Matplotlib条形图/柱状图绘制从入门到精通：9种高级可视化效果完整代码集合
2026-01-31
城市降水数据可视化｜Python Matplotlib｜横向累计柱状图与8种配色方案｜科研与教学示例资源
2025-12-20
ResNet50 图像分类训练全流程代码（Notebook + 完整注释）-基于 PyTorch 的工程化实战示例
2025-12-19
PyTorch 图像分类完整项目模板(01-pytorch-image-classification-template.zip)
2025-12-14
QGIS-超市选址-缓冲区叠置分析-济南章丘-示例数据集
2025-11-28
QGIS新手教程6：QuickOSM下载街道数据+图层样式分类实战 中下载的历下区的highway矢量数据
2025-06-19
geoBoundaries-CHN-ADM3-all
2025-06-08
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人