怎么用Python批量生成2000–2020年的人口矢量文件路径,并用河北行政区划边界裁剪出各年份的省内数据?
创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
Python内容推荐
基于jupyter notebook的python编程—–python的数字图像处理技巧学习(Python图像处理库:Pillow教程)
基于jupyter notebook的python编程—–python的数字图像处理目录一、python中Image类的使用方法1、使用image打开一张图片并显示2、将图片另存为新的格式的图片二、图片转成jpg格式的另一种方法1、该方法的python代码如下2、运行结果如下:三、创建缩略图1、创建缩略图的代码如下:2、运行结果如下所示:四、通过OS、glob库确定图片属性1、通过OS流确定图片属性的代码如下2、运行结果五、裁剪、粘贴、与合并图片1、从图片中复制子图像2、处理子图,粘贴回原图3、分离和合并通道六、图像的几何变换1、图像简单几何变换2、图像的置换3、图像的模式转换七、图像的增强1
Windows下使用python-web3.py进行以太坊Dapp开发笔记–第2篇(以太坊公钥加密功能python实现)
以太坊公钥加密功能python实现 1.什么是公钥、私钥、地址 私钥:32字节(256位),私钥需要保管和隐蔽(非公开)(截取《以太坊技术详解与实战》) 公钥:(由私钥生成)64字节(512位),公钥是公开的,不需要保密(截取《以太坊技术详解与实战》) 地址:20字节(160位),要注意,我们使用最多的地址并不等同于公钥 地址的生成过程: 从私钥得到一个512位(64字节)的公钥之后,将公钥进行sha3加密,然后将加密后的前44字节去掉,保留剩下的160位二进制数(20字节) 将该20字节编译成长度为40的十六进制字符串,即地址。 具体如下: 2.python实现公钥加密 从上面地址的生成过
这是我的学习 Python 的空间 .zip
这是我的学习 Python 的空间。python学习历程本文创建爬虫,上传爬虫相关代码(2020-6-2 11:52:10)创建深度学习/模型优化,学习模型优化相关内容(2019年11月27日19:54:21)创建Blender,写Blender的脚本(2019年9月9日15:28)创建ComputerGraphics,开始尝试图形学(2019年8月28日13:50)创建GUI,开始设计图形界面(2017年10月1日16:05:52)创建数学建模,上传数学建模代码(2017年9月14日20:00:00)创建NAO,上传了NAO机器人代码(2017-9-2 22:23:12)创建Django,上线Django写的成绩查询系统(2017-8-22)创建游戏,编写pygame游戏(2017-6-25)创建新内容,开始注意事项和规范地编写代码(2017-6-1)开始接触机器学习,并写情感分析的代码(2017-04-04)创建Tipdm Cup,开始为泰迪杯竞赛编写代码(2017-03-27)刚学会用git,上传之前写过的代码,并开始写日志
GEE_Server_项目_基于_Google_Earth_Engine_与_Nodejs_Express_及_Python_WebSocket_实现_Web_遥感影像数据查询与.zip
GEE_Server_项目_基于_Google_Earth_Engine_与_Nodejs_Express_及_Python_WebSocket_实现_Web_遥感影像数据查询与.zip
基于PythonGDAL库编程实现遥感影像镶嵌技术_几何校正与配准_辐射校正与色彩平衡_重叠区域处理_覆盖镶嵌与镶嵌线拼接_羽化融合算法_直方图匹配_仿射变换_多项式变换_有理函.zip
基于PythonGDAL库编程实现遥感影像镶嵌技术_几何校正与配准_辐射校正与色彩平衡_重叠区域处理_覆盖镶嵌与镶嵌线拼接_羽化融合算法_直方图匹配_仿射变换_多项式变换_有理函.zip
2000-2020逐年371个地级市500米植被净初生产力NPP数据.txt
数据格式:GeoTiFF 数据精度:500米 数据坐标:AEA_WGS_1984 文件大小:1.88G 数据组织:数据按省市分为一个个省份与城市的压缩包,每个压缩包内均含该省市2000-2020年的NPP和NPP_QC(质量控制)数据。 原始数据:MOD17A3HGF Version 6.0产品 在这里,本来希望采用新出的6.1版本数据,处理了一半发现6.1版本缺失1年的数据,所以最后还是采用了6.0版本的数据,不缺失数据。 利用python和MRT工具对NPP、NPP_QC(质量控制)数据进行的镶嵌、投影与重采样,再分别进行裁剪打包。
江苏省500米植被净初生产力NPP数据(2000-2020逐年)
数据格式:GeoTiFF 数据精度:500米 数据坐标:AEA_WGS_1984 数据组织:数据按省市分为一个个省份与城市的压缩包,每个压缩包内均含该省市2000-2020年的NPP和NPP_QC(质量控制)数据。 原始数据:MOD17A3HGF Version 6.0产品 在这里,本来希望采用新出的6.1版本数据,处理了一半发现6.1版本缺失1年的数据,所以最后还是采用了6.0版本的数据,不缺失数据。 利用python和MRT工具对NPP、NPP_QC(质量控制)数据进行的镶嵌、投影与重采样,再分别进行裁剪打包。
陕西省500米植被净初生产力NPP数据(2000-2020逐年)
数据格式:GeoTiFF 数据精度:500米 数据坐标:AEA_WGS_1984 数据组织:数据按省市分为一个个省份与城市的压缩包,每个压缩包内均含该省市2000-2020年的NPP和NPP_QC(质量控制)数据。 原始数据:MOD17A3HGF Version 6.0产品 在这里,本来希望采用新出的6.1版本数据,处理了一半发现6.1版本缺失1年的数据,所以最后还是采用了6.0版本的数据,不缺失数据。 利用python和MRT工具对NPP、NPP_QC(质量控制)数据进行的镶嵌、投影与重采样,再分别进行裁剪打包。
青海省500米植被净初生产力NPP数据(2000-2020逐年)
数据格式:GeoTiFF 数据精度:500米 数据坐标:AEA_WGS_1984 数据组织:数据按省市分为一个个省份与城市的压缩包,每个压缩包内均含该省市2000-2020年的NPP和NPP_QC(质量控制)数据。 原始数据:MOD17A3HGF Version 6.0产品 在这里,本来希望采用新出的6.1版本数据,处理了一半发现6.1版本缺失1年的数据,所以最后还是采用了6.0版本的数据,不缺失数据。 利用python和MRT工具对NPP、NPP_QC(质量控制)数据进行的镶嵌、投影与重采样,再分别进行裁剪打包。
GDAL全部版本.zip
gdal python全部版本集合 各个版本都有
动手学深度学习(PyTorch实现)(八)–AlexNet模型
AlexNet模型1. AlexNet模型介绍1.1 AlexNet的特点1.2 AlexNet的结构1.3 AlexNet参数数量2. AlexNet的PyTorch实现2.1 导入相应的包2.2 构建AlexNet网络2.3 加载数据集2.4 训练网络 1. AlexNet模型介绍 由于受到计算机性能的影响,虽然LeNet在图像分类中取得了较好的成绩,但是并没有引起很多的关注。 直到2012年,Alex等人提出的AlexNet网络在ImageNet大赛上以远超第二名的成绩夺冠,卷积神经网络乃至深度学习重新引起了广泛的关注。AlexNet首次证明了学习到的特征可以超越⼿⼯设计的特征,从而⼀举
【遥感与气象数据分析】基于Google Earth Engine的GPM和CHIRPS降水数据年际变化监测:巴西区域多源遥感融合方法
内容概要:本文介绍了如何利用Google Earth Engine(GEE)平台与Python库(如ee、geemap、xee、xarray等)结合,对巴西地区的降水数据进行时空分析。主要处理了两种全球降水数据集——GPM和CHIRPS,时间范围为2020年至2026年,通过筛选、裁剪、单位转换和年度累计计算,生成逐年累计降水量影像集合,并利用xarray将Earth Engine的数据导出为多维数组格式,最后通过可视化展示GPM和CHIRPS数据集在空间分布上的变化,特别展示了2024年CHIRPS降水数据的空间图示。; 适合人群:具备Python编程基础,熟悉地理信息系统(GIS)或遥感数据分析的科研人员及学生;有一定Earth Engine使用经验的用户;从事气候、水文、环境等领域研究的专业人士; 使用场景及目标:①用于长时间序列降水数据的获取与处理;②对比不同降水产品(GPM与CHIRPS)在区域尺度上的空间分布特征;③支持区域水资源管理、干旱监测、气候变迁研究等应用分析; 阅读建议:执行代码前需确保已配置好GEE开发环境并拥有有效账户权限;建议逐步运行代码以理解各步骤逻辑,尤其是时间序列影像集合构建与xarray集成部分,可据此扩展至其他变量或多源数据融合分析。
从Landsat 8卫星影像数据集中下载并处理特定区域代码
内容概要:本文是一段用于Google Earth Engine(GEE)平台的Python脚本,旨在从Landsat 8卫星影像数据集中下载并处理特定区域、特定时间段的地表反射率图像。脚本设定了研究区域的中心坐标、UTM投影参数、边界范围和像素大小,并通过过滤云量低于4%的影像,获取2014年、2015年和2020年3月至6月期间的影像数据。程序实现了影像去云处理、波段重命名、投影保持一致,并生成多时相影像合成图,最后利用geemap库可视化结果。; 适合人群:熟悉遥感数据分析、具备Python编程基础及Google Earth Engine平台使用经验的科研人员或地理信息系统(GIS)开发者;; 使用场景及目标:①开展长时间序列地表变化监测,如城市扩张、土地利用演变分析;②进行多时相遥感影像预处理流程自动化,提升数据处理效率;③支持环境变化评估与决策提供可靠的数据基础; 阅读建议:此脚本强调实际操作与GEE云端计算能力结合,建议使用者理解每一步数据处理逻辑,尤其是影像集合筛选、去云算法和投影一致性设置,以便根据具体研究区和需求调整参数。
实用CAD插件CAD转JPEG
实用CAD插件CAD转JPEG
【遥感数据分析】基于Google Earth Engine的PERSIANN降水数据处理:多时间尺度气象可视化系统实现
内容概要:本文介绍了如何利用Google Earth Engine(GEE)平台与Python工具库(如xee、geemap、xarray)进行气象数据的获取、处理与可视化分析。重点操作包括对NOAA/PERSIANN-CDR降水数据集在2015至2024年期间的时间序列分析,通过定义感兴趣区域(ROI),提取空间数据并转换为xarray格式进行多时间尺度(日、周、月、年)的重采样与统计计算,进而实现降水数据的空间分布图绘制和时间序列趋势分析。文中还展示了如何按月进行气候态平均,并生成不同时间分辨率下的可视化图表,帮助用户理解区域降水变化规律。 适合人群:具备Python编程基础,熟悉地理空间数据分析,从事遥感、气象、水文或环境科学研究的研究人员或技术人员。 使用场景及目标:①掌握Earth Engine与Python生态(如xarray、geemap)集成进行大规模遥感数据处理的方法;②实现长时间序列降水数据的时空分析与动态变化可视化;③支持区域水资源管理、气候变化研究或灾害风险评估等科研任务的数据分析需求; 阅读建议:建议读者在实际操作环境中运行代码,配合Jupyter Notebook调试每一步输出,重点关注数据接入、空间子集提取、时间重采样方法及绘图参数设置,以便深入理解地理空间数据处理流程。
UserGuideV5.pdf
免费开源GIS软件SAGA用户指南5.0版
YOLOv11果园苹果目标检测数据集-40张-标注类别为苹果.zip
YOLOv11果园苹果目标检测数据集-40张-标注类别为苹果.zip
OpenCV提取横竖线及文字[源码]
本文详细介绍了使用OpenCV提取图像中横线、竖线及文字的原理与方法。首先解释了图像形态学操作中的膨胀与腐蚀原理,以及如何通过自定义结构元素实现对特定对象的敏感操作。接着介绍了二值图像和灰度图像的概念,并提供了将灰度图像转换为二值图像的具体函数adaptiveThreshold的使用方法。文章还详细说明了提取横线、竖线及文字的步骤,包括图像读取、灰度转换、二值化处理、定义结构元素以及开操作等。最后,通过一个完整的代码示例展示了如何在实际操作中实现这些功能,包括图像加载、灰度转换、二值化、结构元素定义以及形态学操作等关键步骤。
ChatTTS WebUI部署指南[项目代码]
本文详细介绍了如何快速部署和使用ChatTTS WebUI,这是一个开源的中文语音合成模型,以其高度逼真的语音效果著称。文章从系统要求、一键安装步骤开始,逐步指导用户完成本地和局域网部署,包括环境准备、服务启动及网络访问设置。此外,还提供了界面使用指南,涵盖文本输入、语速控制、音色模式选择等核心功能,以及批量生成、音色收藏管理等实用技巧。最后,文章总结了ChatTTS WebUI的优势,如极简部署、音色多样性和高度拟真效果,适用于视频配音、有声书制作等多种场景。
en-PP-OCRv4(V5新格式).rar
en_PP-OCRv4(V5新格式)
最新推荐



