![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
数据分析
文章平均质量分 77
碧血洒长空
这个作者很懒,什么都没留下…
展开
-
【无标题】
在地理信息系统(GIS)和遥感领域,栅格数据和点数据是两种常见的数据类型。栅格数据通常用于表示连续的地理现象,如地形、气温、降雨量等,而点数据则用于表示离散的地理特征,如监测站、采样点等。将栅格数据的值提取到点数据中,是空间分析中的一个常见任务,这一过程可以应用于多种应用场景,如环境监测、资源管理和城市规划等。本文将从基础原理出发,讲解栅格数据和点数据的基本概念、栅格值提取的常用方法,以及在实际操作中可能遇到的问题和解决方案。关注公众号,回复20240604获取示例数据和代码。原创 2024-06-05 09:50:44 · 302 阅读 · 1 评论 -
长时序栅格数据缺失值插补
在时间序列分析中,「奇异谱分析」「SSA」)是一种非参数谱估计方法。它结合了经典时间序列分析、多元统计、多元几何、动力系统和信号处理的元素。“奇异谱分析”这个名称涉及协方差矩阵的奇异值分解中的特征值谱,而不是直接涉及频域分解。SSA 可以帮助分解时间序列分解为组件的总和,每个组件都有有意义的解释。如下图所示,奇异谱分析分解出来了趋势、变化和噪声三部分。SSA只考虑数据本身的特征,不考虑其他因素,特别适合于插补、平稳时间序列的预测。原创 2023-10-04 19:41:23 · 641 阅读 · 2 评论 -
基于Python的栅格数据地理加权回归
地理加权回归 (GWR) 是若干空间回归技术中的一种,越来越多地用于地理及其他学科。通过使回归方程适合数据集中的每个要素,GWR 可为您要尝试了解/预测的变量或过程提供局部模型。GWR 构建这些独立方程的方法是:将落在每个目标要素的带宽范围内的要素的因变量和解释变量进行合并。带宽的形状和大小取决于用户输入的核类型、带宽方法、距离以及相邻点的数目参数。MGWR 以地理加权回归 (GWR) 为基础构建。它是一种局部回归模型,允许解释变量的系数随空间变化。每个解释变量都可以在不同的空间尺度上运行。原创 2023-06-05 16:20:48 · 2982 阅读 · 4 评论 -
遥感影像深度学习样本对制作教程3——从GEE下载训练数据
上一篇文章介绍了遥感影像深度学习样本对制作的常用技巧,但实际使用中并不是所有数据都是那么的规整的,比如输入数据和标签可能存在空间范围不一致的情况。关注公众号,回复20230526获取示例数据和代码,这个系列的代码都放在一起,上手运行一下代码更容易弄懂。所以总的来说关键的步骤只有三点,提取重叠范围,根据重叠部分采用教程1的方法制作标签,以及重采样。下面分别介绍这三点,想具体了解可以自己下载代码和数据运行一下,这里只介绍关键步骤,具体的不多介绍。原创 2023-05-26 15:43:37 · 530 阅读 · 0 评论 -
遥感影像深度学习样本对制作教程3——从GEE下载训练数据
本文结合实例详细讲解了如何使用Python制作遥感影像深度学习样本对,关注公众号,回复20230427获取示例数据和代码。受到计算机内存限制,深度学习算法无法直接对大幅影像和标签图像进行训练,因此需要对影像和标签图像进行再处理,将制作好的城市绿地影像和对应标签图像裁剪成一系列相同尺寸的小图像放入模型训练。常用的裁剪方法有规则格网裁剪和滑动窗口裁剪。规则格网裁剪,也称棋盘裁剪,顾名思义就是将影像裁剪成棋盘形状固定尺寸的小图像,该方法得到的图像比较规则,但是缺点是获取的图像数量较少,如下图a所示;原创 2023-05-05 22:44:17 · 2584 阅读 · 3 评论 -
遥感影像深度学习样本对制作教程2——根据云含量筛选影像块
本文结合实例详细讲解了如何使用Python制作遥感影像深度学习样本对,关注公众号,回复20230427获取示例数据和代码。受到计算机内存限制,深度学习算法无法直接对大幅影像和标签图像进行训练,因此需要对影像和标签图像进行再处理,将制作好的城市绿地影像和对应标签图像裁剪成一系列相同尺寸的小图像放入模型训练。常用的裁剪方法有规则格网裁剪和滑动窗口裁剪。规则格网裁剪,也称棋盘裁剪,顾名思义就是将影像裁剪成棋盘形状固定尺寸的小图像,该方法得到的图像比较规则,但是缺点是获取的图像数量较少,如下图a所示;原创 2023-04-30 22:57:29 · 311 阅读 · 1 评论 -
遥感影像深度学习样本对制作教程1
本文结合实例详细讲解了如何使用Python制作遥感影像深度学习样本对,关注公众号,回复20230427获取示例数据和代码。受到计算机内存限制,深度学习算法无法直接对大幅影像和标签图像进行训练,因此需要对影像和标签图像进行再处理,将制作好的城市绿地影像和对应标签图像裁剪成一系列相同尺寸的小图像放入模型训练。常用的裁剪方法有规则格网裁剪和滑动窗口裁剪。规则格网裁剪,也称棋盘裁剪,顾名思义就是将影像裁剪成棋盘形状固定尺寸的小图像,该方法得到的图像比较规则,但是缺点是获取的图像数量较少,如下图a所示;原创 2023-04-27 23:26:39 · 326 阅读 · 1 评论 -
用Python实现ENVI中的“优化的线性拉伸”
为了使遥感影像具有更好的可视化效果,一般要对影像进行拉伸显示。线性拉伸在遥感图像处理中非常常见,对于整体偏暗的原始图像来讲,拉伸之后的图像视觉效果得到了显著增强。但对于图像中反射率比较高的地物,线性拉伸会使这些地物显得很亮,模糊其本身的颜色、纹理等信息。ENVI中的“优化的线性拉伸”能在一定程度上解决这个问题。如下图所示,左侧是2%线性拉伸后的结果,右侧是优化的线性拉伸的结果。线性拉伸的代码网上一大堆,但优化的线性拉伸中文互联网一个介绍的都没有。最后还是在ENVI的文档里看到了关于它的介绍,网址是。原创 2023-04-07 21:51:12 · 1025 阅读 · 0 评论 -
用Python实现地理探测器
地理探测器很多人都熟悉,快被用烂的一个空间数据分析方法了。现在有两个版本,一个是Excel版本,一个R版本的。之前在数据分析时,需要频繁的使用地理探测器计算q值,每次都得重新把数据输入到Excel里,很麻烦。而我又不会R语言,于是就用Python写了地理探测器软件。现在分享给大家,有同样需求的可以试一下。代码很简单,不到40行,已经开源到了GitHub,地址是。这个代码只实现了四个探测器中的三个,另外一个当时用不着,就没写,感兴趣的可以提交代码完善一下。下面介绍一下怎么用。原创 2023-04-04 18:53:31 · 1490 阅读 · 2 评论 -
基于Python的栅格数据分区统计
分区统计操作是一种用于计算由另一个数据集定义的区域内的栅格(值栅格)的像元值的统计操作。首先根据矢量数据将栅格化分区多个区域,提取每个区域的像元值并分别进行统计计算,而后输出结果(一般直接输出的输入矢量的某个字段里)。ArcGIS 有栅格的分区统计工具,但不够灵活,只能进行诸如最大值、最小值之类的统计计算。实现的栅格数据分区统计工具,能够更加灵活的实现分区统计功能,满足多样化的需求。,回复20230401获取示例数据和代码,包含这个工具的代码的写作思路。执行分区统计只需要调用类实例的。原创 2023-04-01 22:34:43 · 1376 阅读 · 0 评论 -
Anaconda常用命令汇总
Conda是Anaconda中一个强大的包和环境管理工具,可以在Windows系统中的的Anaconda Prompt命令行使用,也可以在macOS或者Linux系统的终端窗口的命令行使用。本文简单介绍conda的一些常用命令命令,仅供参考。原创 2023-01-25 20:41:58 · 1107 阅读 · 0 评论 -
Linux常用命令汇总
Linux 命令是对 Linux 系统进行管理的命令。对于 Linux 系统来说,无论是中央处理器、内存、磁盘驱动器、键盘、鼠标,还是用户等都是文件, Linux 系统管理的命令是它正常运行的核心。目前超级计算机大都使用 Linux 系统,因此学习 Linux 系统的基本操作对大数据处理、数据分析等都非常重要。原创 2023-01-24 18:59:55 · 784 阅读 · 0 评论 -
C语言常见数据结构与算法笔记
本文是对一些常见的简单的算法的介绍及实现,均由C语言实现,仅供参考。学习更多Python & GIS的相关知识,请移步公众号`GeodataAnalysis`。原创 2023-01-22 21:18:05 · 382 阅读 · 0 评论 -
Numpy 数组简介
Numpy是Python中科学计算的核心库,NumPy这个词来源于Numerical和Python两个单词。它提供了一个高性能的多维数组对象,以及大量的库函数和操作,可以帮助程序员轻松地进行数值计算,广泛应用于机器学习模型、图像处理和计算机图形学、数学任务等领域。原创 2023-01-21 14:44:37 · 822 阅读 · 0 评论 -
使用 openpyxl 处理 Excel 电子表格
`openpyxl`模块让 Python 程序能读取和修改 Excel 电子表格文件。例如,可能有一个无聊的任务,需要从一个电子表格拷贝一些数据,粘贴到另一个电子表格中。或者可能需要从几千行中挑选几行,根据某种条件稍作修改。或者需要查看几百份部门预算电子表格,寻找其中的赤字。正是这种无聊无脑的电子表格任务,可以通过 Python 来完成。原创 2023-01-20 20:50:43 · 883 阅读 · 0 评论