腾讯云开发者社区-腾讯云

开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

GEE数据专栏，GEE学习专栏，GEE错误集等专栏

专栏作者

943

文章

105187

阅读量

43

订阅数

OEEL高阶应用——反距离插值和克里金插值的应用分析

数据数据分析 sum 函数模型

反距离插值（Inverse Distance Weighting，简称IDW）和克里金插值（Kriging）是常用的地理信息系统（GIS）和空间数据分析中的插值方法。它们的目标是在已知的离散点数据集上，通过估计空间上的未知点的值来创建连续的表面。下面将分别对两种方法进行详细解释。

2024-04-25

1320

OEEL高阶图表——对比2000和2017年全球不同类型发电占比柱状图

数据库函数教程数据图表

本教程的主要目的是利用OEEL中barchart函数实现两期数据的对比，并绘制柱状图的过程。

2024-04-25

900

Google Earth Engine（GEE）——ccdc分类，采用的是随机森林分类器

null point 变量决策树 google

ee.Classifier.smileRandomForest(numberOfTrees, variablesPerSplit, minLeafPopulation, bagFraction, maxNodes, seed) 创建一个空的随机森林分类器。

2024-04-25

870

NASA数据集——有源空腔辐射计辐照度监测仪（ACRIM）II 本地格式的 UARS 机载太阳总辐照度（TSI）2022年1月版本

效率优化机器学习数据数据类型

Active Cavity Radiometer Irradiance Monitor (ACRIM) II Total Solar Irradiance (TSI) aboard UARS in Native format

2024-04-25

610

GEE教程——初学者如何实现sentinel-1数据（哨兵1号SAR）VV和VH波段指定样本点的提取（值提取至点）

教程软件数据 sentinel 工具

要实现Sentinel-1数据VV和VH波段指定样本点的提取，可以按照以下步骤进行：

2024-04-25

1350

OEEL高阶应用——matrixUnit()函数的使用

深度学习遍历函数计算机科学计算机图形学

matrixUnit函数是一种用于创建单位矩阵的函数。单位矩阵，又称为恒等矩阵，是一个对角线上元素全为1，其余元素全为0的方阵。单位矩阵的主要特点是在矩阵乘法中起到类似于数乘中的1的作用，即任何一个矩阵与单位矩阵相乘都等于原矩阵本身。

2024-04-25

950

OEEL高阶应用——sentinel-1影像去黑边的算法函数含代码

开发模型算法 sentinel 函数

Sentinel-1卫星是欧洲空间局（ESA）开发和运营的一款C波段合成孔径雷达（SAR）卫星。SAR技术通过发射微波信号并接收其反射回来的信号，可以获取地表的高分辨率遥感影像。然而，由于SAR技术的特性，融合Sentinel-1 SAR影像可能会产生黑边。

2024-04-25

800

GEE数据集——美国大陆网格气候数据集PRISM 日数据集和月数据集

开发数据网络机器学习 prism

PRISM 日数据集和月数据集是由俄勒冈州立大学 PRISM 气候小组制作的美国大陆网格气候数据集。

2024-04-25

880

GEE错误——ImageCollection (Error)Parameter ‘delta‘ is required.（advance函数使用和数据预处理过程应注意的问题）

error 官方文档函数集合数据预处理

在使用GEE（Google Earth Engine）进行图像集合（ImageCollection）操作时，如果出现错误信息“Parameter 'delta' is required”，这表示在指定的操作中缺少了必要的参数'delta'。接下来我将详细解释这个错误信息的含义并提供解决方法。

2024-04-25

910

NASA数据集—— ACRIMSAT 卫星上的 ACRIM 仪器以快门周期形式收集的 2 级太阳总辐照度

原理 https data 工作数据

ACRIM III Level 2 Shutter Cycle Data V001

2024-04-25

760

OEEL高级应用——动态时间规整Dynamic Time Warping，DTW算法的应用

dynamic time 递归动态规划算法

动态时间规整（Dynamic Time Warping，DTW）是一种用于比较两个时间序列相似性的算法。它被广泛应用于语音识别、手写识别、运动识别等领域。DTW算法能够有效地处理变速和变形等时间序列的不规则性，因此在许多实际问题中表现出较好的性能。

2024-04-25

1240

NASA数据集——ACRIMSAT 卫星上的 ACRIM III 仪器以日均值形式收集的 2 级太阳总辐照

系统开发设计数据算法

ACR3L2DM_1 是主动空腔辐射计辐照度监测仪（ACRIM）III 2 级日均值数据第 1 版产品，由 ACRIMSAT 卫星上的 ACRIM III 仪器以日均值形式收集的 2 级太阳总辐照度组成。日均值由每天的快门周期结果得出。ACR3L2DM_1是一个数据集，包含主动空腔辐射计辐照度监测仪的数据。这个数据集可以用于研究辐照度的变化和分析，也可以用于开发辐射计监测系统和算法。ACR3L2DM_1数据集可能包含不同时间段的辐射度监测数据，可以通过对数据集的分析和处理来得出辐照度的相关信息和趋势。

2024-04-25

720

OEEL图表——进行直方图绘制histogram函数的使用

数据图表异常 histogram 函数

直方图是一种用于可视化数据分布的图表。它可以帮助我们理解数据的集中程度、偏移程度和分散程度。以下是直方图的一些主要作用：

2024-04-25

320

NASA数据集——TANSO-FTS 运行前 11 年收集的测量数据中得出二氧化碳（CO2）干空气摩尔分数（XCO2）的估计值

产品数据算法网络系统

ACOS GOSAT/TANSO-FTS Level 2 bias-corrected XCO2 and other select fields from the full-physics retrieval aggregated as daily files V7.3 (ACOS_L2_Lite_FP) at GES DISC

2024-04-25

700

OEEL图表——饼状图绘制（各国太阳能发电占比）

图表 character double string 数据

2024-04-25

640

NASA数据集——日本宇宙航空研究开发机构的 GOSAT 小组制作 GOSAT TANSO-FTS 1B (L1B) 级数据产品

算法 data 产品开发数据

9r 版是数据集的当前版本。旧版本将不再提供，并被第 9r 版取代。该数据集目前由 OCO（轨道碳观测站）项目提供。在 OCO-2 发射之前，空间大气二氧化碳观测（ACOS）任务利用 GOSAT TANSO-FTS 光谱开发了该算法，作为筹备项目。在 OCO-2 发射之后，"ACOS "数据仍在利用应用于 OCO-2 光谱的方法进行制作和改进。ACOS "数据集包含所有探测到的二氧化碳（CO2）柱平均干空气摩尔分数，并尝试对其进行检索。这些是 OCO 项目提供的最高级别产品，使用 TANSO-FTS 光谱辐射和 7.3 版算法。日本宇宙航空研究开发机构的 GOSAT 小组制作 GOSAT TANSO-FTS 1B (L1B) 级数据产品，供内部使用并分发给欧空局和美国航天局等合作伙伴。这些经过校准的产品由 OCO 项目用额外的地理位置信息和进一步的修正进行扩充。这样生产出的 1B 级产品（含校准辐射量和地理定位）是 "ACOS "2 级生产过程的输入。尽管 GES DISC 没有公开发布 1B 级 ACOS 产品，但应该知道，该版本的变化对 1B 级和 2 级数据都有影响。1B 级的一项重要改进将解决质量合格的探空数据数量减少的问题。预计 2 级检索将消除许多系统偏差，并与 TCCON（碳柱总量观测网络）更好地保持一致。L2 算法的主要变化包括缩放 O2-A 波段光谱（将 XCO2 偏差减少 4 或 5 ppm）；使用仪器线形[ ILS ]插值（将 XCO2 偏差减少 1.5 ppm）；以及将零电平偏移拟合到 A 波段。用户还必须仔细阅读新文档中的免责声明。需要注意的一个重要因素是数据筛选方面的更新。虽然数据产品中提供了一个主质量标志，但对更大数据集的进一步分析使科学团队能够提供一套更新的筛选标准。这些标准已在数据用户指南中列出，并被推荐用来代替主质量标志。最后，用户应继续仔细观察和权衡三个重要标志的信息： "结果标志"（outcome_flag）--基于某些内部阈值的检索质量（未经全面评估）。

2024-04-25

980

NASA数据集——2017 年 12 月圣巴巴拉山托马斯大火的烟雾和灰烬数据集

管理数据 https data 地图

圣巴巴拉海峡的 ACIDD（穿越海峡调查昼夜动态）项目最初旨在描述浮游植物种群的日变化，但随着 2017 年 12 月圣巴巴拉山托马斯大火的发生，该项目演变为一项研究，以描述烟雾和灰烬对圣巴巴拉海峡混合层的影响。

2024-04-20

910

NASA数据集——通过将强度和偏振的被动多角度、多光谱测量与高光谱分辨率激光雷达进行的主动测量相结合，可以获得最广泛的气溶胶属性数据

https data 开发数据算法

ACEPOL_MetNav_AircraftInSitu_Data是ACEPOL期间在ER-2上收集的现场气象和导航测量数据。为了更好地了解气溶胶对气候和空气质量的影响，测量气溶胶的化学成分、粒度分布、高度剖面和光学特性至关重要。就遥感仪器而言，通过将强度和偏振的被动多角度、多光谱测量与高光谱分辨率激光雷达进行的主动测量相结合，可以获得最广泛的气溶胶属性集合。2017年秋季，由美国国家航空航天局（NASA）和荷兰空间研究所（SRON）联合发起的 "偏振计和激光雷达气溶胶特征描述（ACEPOL）"活动从NASA高空ER-2飞机上对美国上空的气溶胶和云层进行了测量。飞机上部署了六台仪器。其中四台是多角度偏振仪：机载超角彩虹偏振仪（AirHARP）、机载多角度光谱偏振成像仪（AirMSPI）、机载行星探测光谱仪（SPEX Airborne）和研究扫描偏振仪（RSP）。另外两台仪器是激光雷达：高光谱分辨率激光雷达 2（HSRL-2）和云物理激光雷达（CPL）。ACEPOL 的运行基地设在美国宇航局位于加利福尼亚州帕姆代尔的阿姆斯特朗飞行研究中心，从而能够观测各种场景类型，包括城市、沙漠、森林、沿海海洋和农业区，以及晴朗、多云、污染和原始大气条件。ACEPOL 的主要目标是评估不同偏振计检索气溶胶和云层微物理和光学参数的能力，以及它们推算气溶胶层高度的能力（近紫外偏振测量法，O2 A 波段）。ACEPOL 还侧重于开发和评估气溶胶检索算法，将主动（激光雷达）和被动（偏振计）仪器的数据结合起来。ACEPOL 数据适用于算法开发和测试、仪器相互比较以及主动和被动仪器数据融合研究，这使其成为遥感界准备下一代星载 MAP 和激光雷达任务的宝贵资源。

2024-04-20

500

NASA数据集——ACEPOL气溶胶对气候和空气质量的影响，测量气溶胶的化学成分、粒度分布、高度剖面和光学特性

算法机器学习集合开发数据

ACEPOL 研究扫描偏振计（RSP）遥感数据（ACEPOL_AircraftRemoteSensing_RSP_Data）是在 ACEPOL 期间由 ER-2 上的研究扫描偏振计（RSP）收集的遥感测量数据。为了更好地了解气溶胶对气候和空气质量的影响，测量气溶胶的化学成分、粒度分布、高度剖面和光学特性至关重要。在遥感仪器方面，通过将强度和偏振的被动多角度、多光谱测量与高光谱分辨率激光雷达进行的主动测量相结合，可以获得最广泛的气溶胶属性集合。2017 年秋季，由美国国家航空航天局（NASA）和荷兰空间研究所（SRON）联合发起的 "偏振计和激光雷达气溶胶特征描述（ACEPOL）"活动从 NASA 的高空 ER-2 飞机上对美国上空的气溶胶和云层进行了测量。飞机上部署了六台仪器。其中四台是多角度偏振计：机载超角彩虹偏振计（AirHARP）、机载多角度光谱偏振成像仪（AirMSPI）、机载行星探测光谱仪（SPEX Airborne）和研究扫描偏振计（RSP）。另外两台仪器是激光雷达：高光谱分辨率激光雷达 2（HSRL-2）和云物理激光雷达（CPL）。ACEPOL 的运行基地设在美国宇航局位于加利福尼亚州帕姆代尔的阿姆斯特朗飞行研究中心，从而能够观测各种场景类型，包括城市、沙漠、森林、沿海海洋和农业区，以及晴朗、多云、污染和原始大气条件。ACEPOL 的主要目标是评估不同偏振计检索气溶胶和云层微物理和光学参数的能力，以及它们推算气溶胶层高度的能力（近紫外偏振测量法，O2 A 波段）。ACEPOL 还侧重于开发和评估结合主动（激光雷达）和被动（偏振计）仪器数据的气溶胶检索算法。ACEPOL 数据适用于算法开发和测试、仪器相互比较以及主动和被动仪器数据融合研究，是遥感界准备下一代星载 MAP 和激光雷达任务的宝贵资源。

2024-04-20

770

GEE案例——利用谷歌地球引擎的深度学习方法绘制哨兵 1 号地表水地图

性能深度学习地图模型数据

卫星遥感在测绘地表水的位置和范围方面发挥着重要作用。绘制地表水地图有多种方法，但深度学习方法并不常见，因为它们 "数据饥渴"，需要大量计算资源。不过，随着各种卫星传感器的出现和云计算的快速发展，遥感科学界正在采用现代深度学习方法。基于云计算的谷歌人工智能平台和谷歌地球引擎的新整合使用户能够大规模部署计算。在本文中，我们研究了两种自动数据标注方法：1. 联合研究中心（JRC）地表水地图；2. Edge-Otsu 动态阈值方法。我们部署了一个 U-Net 卷积神经网络来绘制哨兵-1 合成孔径雷达 (SAR) 数据中的地表水图，并使用不同的超参数调整组合测试了模型性能，以确定最佳学习率和损失函数。然后使用独立的验证数据集对性能进行评估。我们共测试了 12 个模型，发现使用 JRC 数据标签的模型性能更好，训练测试和验证工作的 F1 分数从 0.972 到 0.986 不等。此外，我们还使用了一个独立采样的高分辨率数据集来进一步评估模型性能。通过这一独立验证工作，我们发现利用 JRC 数据标签的模型产生了 0.9130.922 的 F1 分数。通过不同的输入数据、学习率和损失函数成分对模型进行配对比较，发现 JRC 调整二元交叉熵骰模型与其他 66 个模型组合在统计上有所不同，并显示出最高的相对评估指标，包括准确率、精确度得分、科恩卡帕系数和 F1 分数。这些结果与许多传统方法处于同一范围。我们注意到，谷歌人工智能平台与谷歌地球引擎的集成可以成为大规模部署深度学习算法的有力工具，自动数据标注可以成为开发深度学习模型的有效策略，但是独立数据验证仍然是模型评估的重要步骤。

2024-04-17

1150

点击加载更多

社区活动

腾讯技术创作狂欢月

“码”上创作 21 天，分 10000 元奖品池！

Python精品学习库

代码在线跑，知识轻松学

博客搬家 | 分享价值百万资源包

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

技术创作特训营·精选知识专栏

往期视频·千货材料·成员作品最新动态