ArcGIS Pro 近期更新了三个非常好的教程，每个都展示了 ArcGIS Pro 强大的地理信息系统（GIS）功能。下面是这些教程的介绍，它们不仅各具特色，还非常实用。
中国GDP空间分布公里网格数据集是在全国分县GDP统计数据的基础上，考虑人类活动密切相关的土地利用类型、夜间灯光亮度、居民点密度数据与GDP的空间互动规律，通过空间插值生成的空间格网数据。数据包括1995、2000、2005、2010、2015和2019年6期。该数据集反映了GDP数据在全国范围内的详细空间分布状况，数据为1Km栅格数据，每个栅格代表该网格范围（1平方公里）内的GDP总产值，单位为万元/平方千米。前言 – 人工智能教程
栅格数据使用一定尺寸的网格来划分空间，认为每个网格内的空间具有相同的属性，具有确定的数值（网格的属性）。使用栅格数据，可以对某一个或一组空间数值在空间上的分布进行简单有效的描述。对栅格数据，传统的空间分析方法，如叠置、切割、求交等都可以进行操作和计算。
2016年毕业，参加工作，除了平时出差，大部分时间都在使用ArcGIS处理数据、制图，在此，先将一些制图的小心得撰写出来，希望能与各位共同交流。
本文介绍基于Python中的ArcPy模块，依据渔网的矢量数据文件或通过手动划分小方格的方法，批量将大量栅格图像分割为多个矩形小栅格的方法。
本文介绍了如何在大数据GIS应用中利用SuperMap iObjects Java for Spark实现分布式空间大数据处理和分析，包括空间数据索引、空间数据复制、空间数据连接、空间数据聚合等。通过这些功能，用户可以方便地对空间大数据进行预处理、分析、可视化，从而为城市规划、公共安全、环境保护等领域提供有价值的决策支持。
本文介绍的是CVPR2020入选论文《HVNet: Hybrid Voxel Network for LiDAR Based 3D Object Detection》，作者来自元戎启行。
近日，L4级自动驾驶解决方案提供商元戎启行的一篇关于3D物体检测的论文被CVPR2020收录，论文题为“HVNet: Hybrid Voxel Network for LiDAR Based 3D Object Detection”。
2、.container-fluid类用于100% 宽度，占据全部视口（viewport）的容器。(通栏)
上两篇我们分别介绍了《Berkeley Earth》和《AQICN》两个网站，今天来看一下Earth NullSchool。 这个网站的特色是风向图，之前有一篇可视化之风向图，曾经提到过这个网站，也详
本文介绍哨兵2号（Sentinel-2）遥感影像数据的空间分幅规则，并提供军事格网参考系（Military Grid Reference System，MGRS）的.kml格式文件、.shp格式矢量文件的下载方法。
在做数字图像处理时，经常会碰到小数象素坐标的取值问题，这时就需要依据邻近象素的值来对该坐标进行插值。比如：做地图投影转换，对目标图像的一个象素进行坐标变换到源图像上对应的点时，变换出来的对应的坐标是一个小数，再比如做图像的几何校正，也会碰到同样的问题。以下是对常用的三种数字图像插值方法进行介绍。 1、最邻近元法 这是最简单的一种插值方法，不需要计算，在待求象素的四邻象素中，将距离待求象素最近的邻象素灰度赋给待求象素。设i+u, j+v(i, j为正整数， u, v为大于零小于1的小数，下同)为待求象素坐
鉴于很多数据如CRU、GLDAS、TerraClimate、GLASS数据等都是全球NC数据，如何利用Python对这些数据进行裁剪，得到属于自己研究区范围的数据一直困扰着许多人。
智能手机摄像头的普及使人们像摄影师一样捕捉日常生活场景。然而，快门速度、焦距光圈比和/或ISO值设置不准确可能导致捕捉到的照片曝光不正确，视觉质量下降。为了以视觉上可取的方式正确调整照片曝光，对于边缘设备开发高效的曝光校正方法至关重要。
Morton码是对栅格格网进行编码的一种算法，在Google中搜索Morton，搜索结果第一位是Wikipedia的Z-order Curve，这是因为Morton码编码结果展现为一种Z形的填充曲线。下面简要说一下如何计算四进制和十进制的Morton码。
版权申明：本文为博主窗户(Colin Cai)原创，欢迎转帖。如要转贴，必须注明原文网址 http://www.cnblogs.com/Colin-Cai/p/8490423.html 作者：窗户 QQ：6679072 E-mail：6679072@qq.com 0 引 言 智能家居是指利用先进的计算机技术、网络通信技术、综合布线技术，将与家居生活有关的各种子系统有机地结合在一起，通过统筹管理，让家居生活更加舒适、安全、有效。随着社会全面的信息化、智能化和网络化，智能家居的日益
2.在ArcCatalog 目录树中，右键单击载入数据库的要素类或表，选择加载——加载数据，打开简单数据加载程序向导。
今天开始分享一下 YOLO 系列的目标检测算法，前面介绍了 SSD 算法和 Faster-RCNN，现在公司用 Faster-RCNN 的似乎不是很多，主要集中在 YOLO，SSD 以及 CenterNet 等。我们的检测和宇宙和分割宇宙刚刚开始，之后会更新一些这些算法的代码实战等，敬请期待吧。
今天开始分享一下YOLO系列的目标检测算法，前面介绍了SSD算法和Faster-RCNN，现在公司用Faster-RCNN的似乎不是很多，主要集中在YOLO，SSD以及CenterNet等。我们的检测和宇宙和分割宇宙刚刚开始，之后会更新一些这些算法的代码实战等，敬请期待吧。
这部分包含的时 wrf-python 模块中的API，如果wrf-python提供的函数不能满足你的需求，你也可以根据已有的API重新编写一个处理函数或是其它的诊断函数。当然，大多数时候我们仅需要wrf-python已经提供的诊断函数和其它可调用函数，可能都不会使用到这些API。
文章：PLVS: A SLAM System with Points, Lines, Volumetric Mapping, and 3D Incremental Segmentation
vardata = ncread(source,varname,start,count,stride)
使用display:grid或display:inline-grid即可创建一个栅格容器，这个容器下的所有直接子节点都会成为栅格项（Grid Item）。
本文介绍在ArcMap软件中，通过“Create Fishnet”工具创建渔网，从而获得指定大小的矢量格网数据的方法。
继续今日的GIS数据获取整理，本次为GDP等经济、社会综合数据。可以感觉到，这一领域的相关数据种类是非常繁多的；尽管文章中具体列出的网址并不是很多，但是其中最后两个网站是各种社会、经济数据的综合门户，里面都有着上百种对应的具体数据集，还是可以基本满足我们的日常需要的~
北极-北方脆弱性实验（ABoVE）开发了两种标准化空间数据产品，以加快研究活动的协调，促进数据的互操作性。ABoVE 研究域包括美国阿拉斯加的北极和北方地区，以及北美加拿大的西部省份。在该域内指定了核心和扩展研究区域，并以矢量表示法（Shapefile）、栅格表示法（空间分辨率为 1,000 米的 GeoTIFF）和 NetCDF 文件的形式提供。已开发出一个标准参考网格系统，覆盖整个研究区域，并延伸至北美东部。该参考网格以嵌套多边形网格的形式提供，空间分辨率分别为 240 米、30 米和 5 米。5 米网格是第 2 版中新增的网格。请注意，所有 ABoVE 产品的指定标准投影是加拿大阿尔伯斯等面积投影。 该数据集包含五个数据文件：(1) 一个形状文件（压缩为 .zip），包含核心研究区和扩展研究区的矢量图；(2) 一个形状文件（压缩为 .zip），包含 240 米、30 米和 5 米空间分辨率的嵌套标准参考网格；(3) 以 .kmz 格式提供的网格数据；(4) 一个形状文件（压缩为 .zip），包含核心研究区和扩展研究区的矢量图。kmz 格式的网格数据；(4) 一个以 1,000 米像素分辨率表示核心研究区和扩展研究区的栅格的 GeoTIFF 文件；(5) 一个核心研究区和扩展研究区的 NetCDF 文件，供国际陆地模型基准 (ILAMB) 建模环境使用。
Python的Matplotlib库是使用最广泛的数据可视化库之一。使用Matplotlib，可以使用各种图表类型（包括折线图、条形图、饼图和散点图）绘制数据。
面包屑包含当前页面的父页面的链接列表，该列表是层级顺序的。它可以帮助用户在网站或网络应用程序中找到自己的位置。面包屑通常水平放置在页面的主要内容之前。
本文介绍基于Python中GDAL模块，实现基于一景栅格影像，对另一景栅格影像的像元数值加以叠加提取的方法。
栅格化布局帮助你更容易构建复杂的网页设计。它会将HTML元素转换为网格的容器（有行有列）。你可以在网格里面添加你想要的子元素。
视觉设计师作为展示产品最终形态的执行层，产品上线前走查视觉与交互还原是必经环节，而留给设计师走查修改的时间其实非常少，有时候为了配合产品上线时间，通常只能牺牲一些细节，在下一次迭代进行优化，为了每一次上线的产品都能够得到更好的还原，这就需要设计师去了解开发到底是根据哪些规则还原我们的设计稿，以及在每一次制作和交付设计稿的时候，我们应如何设定好每一个细节的规则。 开发：这里已经完全对齐了， 视觉：看起来还没完全对齐，我的图也没有切错吧？ 开发：字体大小和间距都是按照视觉稿来的， 视觉：这里间距偏差这么大，为什
来源：机器之心 本文约7800字，建议阅读10+分钟 本文为你全面总结了事件预测的问题定义，方法，应用，测评，数据，以及未来发展方向。 [ 导读 ]事件是基于特定地点、时间和语义发生的对我们的社会或自然环境产生重大影响的事情，例如地震、内乱、系统故障、流行病和犯罪。能够提前预测此类事件的发生以减少潜在的损害是非常重要的。虽然事件预测传统上极具挑战性，但它现在正成为大数据时代的一种可行选择并正在经历快速增长。当然，这也归功于高性能计算机和人工智能技术的进步。 最近来自艾默里大学的教授赵亮博士首次对该领域进行了
这两周我在使用python进行大量的栅格数据的运算，在运算过程中遇到了数据量超级大但算力不足的问题。通过这两周的探索，也慢慢找到了一些加快栅格数据计算的方法，和读者分享。
在普通的matplotlib的三维投影中，我们似乎并不能获得我们想要的结果，尤其是视觉上的，虽然倾斜了图形，但是文字等标注仍然是二维的，例如下面这张图片：
大数据时代到来，随着智能设备与物联网技术的普及，人在社会生产活动中会产生大量的数据。在我们的日常活动中，手机会记录下我们到访过的地点；在使用城市公交IC卡、共享单车等服务时，服务供应商会知道这些出行需求产生的时间与地点；公交车与出租车的定位信息，也可以告诉我们城市交通状态的具体情况。这些具备时间、空间与个体属性的数据能够为城市交通的智慧管控提供强有力的支持。
本数据由OSM矢量转TIFF组成，便于相关工作后续开展，统计结果为区域道路长度总和，数据获取方式附在最后。本数据白嫖。
本文主要是关于 pointNet，pointNet++，frustum point 的一些整理和总结，内容包括如何将点云进行深度学习，如何设计新型的网络架构，如何将架构应用的3D场景理解。文章由于篇幅过长，将分成上下两部分。
很多机器学习的模型都是在图片上操作，但是忽略了图像其实是3D物体的投影，这个过程叫做渲染。能够使模型理解图片信息可能是生成的关键，但是由于光栅化涉及离散任务操作，渲染过程不是可微的，因此不适用与基于梯度的学习方法。这篇文章提出了DIR-B这个框架，允许图片中的所有像素点的梯度进行分析计算。方法的关键在于把前景光栅化当做局部属性的加权插值，背景光栅化作为基于距离的全局几何的聚合。通过不同的光照模型，这个方法能够对顶点位置、颜色、光照方向等达到很好的优化。此项目有两个主要特点：单图像3D物体预测和3D纹理图像生成，这些都是基于2D监督进行训练的。
关于设计方法论的问题，我一直倡导先感性再理性，感性层面是你先把设计稿设计的有创意和优雅，理性层面是当第一个层面的优雅达到后，我们再从理性层面处理其中的某些细节。所以，在UI教学刚开始，特别是新手阶段，就过分强调公式化，教条化的理论，很容易让设计者陷入误区。
栅格数据通常用于表示空间连续现象，如海拔。栅格将世界划分为大小相同的矩形网格，在遥感数据中称为像素，所有这些网格都有一个或多个值(或缺失值)的变量。栅格单元值通常应该代表它所覆盖区域的平均(或大多数)值或者是中心点的值
本文介绍基于R语言中的raster包，读取单张或批量读取多张栅格图像，并对栅格图像数据加以基本处理的方法。
这一部分概述了自动驾驶汽车自动化系统的典型体系结构，并对感知系统、决策系统及其子系统的职责进行了评述。
前一节我们学习了CodeWave的路线图，对CodeWave 已经有一个整体的认识了，本节我们开始学习页面设计，页面布局和页面跳转等具体功能。
AI 科技评论按：ARCore 是谷歌于去年 2 月份正式推出的 增强现实（AR）软件开发工具包，给开发者提供了一个开发 AR APP 的平台。不到一个月前，谷歌正式推出 ARCore 1.7 版本，为其添加了前置摄像头 AR 自拍能力以及动画效果支持；而日前，谷歌又为其引入了机器学习技术，使其实时自拍 AR 的逼真效果更进一步，该技术相关的文章发布在谷歌 AI 的官方博客上，AI 科技评论编译如下。
前面文章《自动驾驶运动规划(Motion Planning)》中提到可以使用占位图(Occupancy Grid Map)表示自动驾驶行驶区域的哪些区域被障碍物(如静止的车辆、路中间的石墩子、树木、路肩等)占用，Motion Planning模块会通过查询占位地图避开这些道路障碍物，避免与它们碰撞，从而达到安全驾驶的目的。
因为课题处理30年的降雨和蒸发的遥感资料（.NC格式），而想要在Arcgis中处理要求的是raster格式的，所以需要批量转化为tif文件，所以在此分享自己改编之后的代码，可以简洁明了的实现这个过程：
机器之心专栏 作者：赵亮 事件是基于特定地点、时间和语义发生的对我们的社会或自然环境产生重大影响的事情，例如地震、内乱、系统故障、流行病和犯罪。能够提前预测此类事件的发生以减少潜在的损害是非常重要的。虽然事件预测传统上极具挑战性，但它现在正成为大数据时代的一种可行选择并正在经历快速增长。当然，这也归功于高性能计算机和人工智能技术的进步。最近来自艾默里大学的教授赵亮博士首次对该领域进行了全面的综述和数据代码资源整理。该工作全面总结了事件预测的问题定义，方法，应用，测评，数据，以及未来发展方向。该工作刚刚发表
本文介绍了 Square 团队为支持源自 AWS lambda 的服务调用而构建的内容。
在目标检测中，IoU 为预测框 (Prediction) 和真实框 (Ground truth) 的交并比。如下图所示，在关于小猫的目标检测中，紫线边框为预测框 (Prediction)，红线边框为真实框 (Ground truth)。
领取专属 10元无门槛券
手把手带您无忧上云
