logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

激光雷达(LiDAR)数据处理,特征提取与分析;及在地质灾害调查、电力巡检、森林资源监测等案例中的分析应用

掌握激光雷达数据处理的核心技能,能够独立完成复杂数据处理任务,提升技术水平与竞争力;通过精准的数据处理和分析,提高决策的科学性和可靠性,为项目规划、资源管理等提供有效支持。

文章图片
ChatGPT等大语言模型与水文水资源、水环境领域的深度融合

大语言模型与水文领域的结合,为水资源的可持续发展注入了新的活力,让我们在面对水资源挑战时更加从容不迫,为人类的生存和发展提供了坚实的保障。

文章图片
合成孔径雷达干涉测量InSAR数据处理、地形三维重建、形变信息提取、监测;DInSAR形变信息提取;SAR影像数据获取;DEM数据获取

合成孔径雷达干涉测量(Interferometric Synthetic Aperture Radar, InSAR)技术作为一种新兴的主动式微波遥感技术,凭借其可以穿过大气层,全天时、全天候获取监测目标的形变信息等特性,已在地表形变监测、DEM生成、滑坡、火山活动、冰川运动、人工建筑物形变信息提取等多种领域展开了成功应用。

文章图片
如何批量下载CMIP6数据;数据处理方法;制备CMIP6的WRF驱动数据;预估生长季开始和结束时间等

CMIP6数据被广泛应用于全球和地区的气候变化研究、极端天气和气候事件研究、气候变化影响和风险评估、气候变化的不确定性研究、气候反馈和敏感性研究以及气候政策和决策支持等多个领域。这些数据为我们理解和预测气候变化,评估气候变化的影响和风险,以及制定有效的气候政策和决策提供了关键的信息和工具。

文章图片
Python高光谱数据处理技巧,混合像元分解、矿物识别、农作物分类、病虫害分类、木材含水量评估、土壤有机质评估等多案例应用

深入探讨了高光谱遥感数据处理技术,涵盖了基本概念、成像原理、数据处理和分析方法,以及运用机器学习和深度学习模型提取和应用高光谱信息的技术。此外,通过Python实践练习,帮助学员巩固所学知识,使其得以深入理解与实践。

文章图片
#机器学习
基于Python/MATLAB长时间序列遥感数据处理及在全球变化、植被物候提取、植被变绿与生态系统固碳分析、生物量估算与趋势分析应用

定量评估植被时空动态变化是制定生态系统可持续发展目标和衡量生态系统固碳潜力的重要前提,卫星遥感数据衍生的生态参量产品为研究长时间序列全球及区域植被时空变化提供了重要数据源。

文章图片
ChatGPT赋能大气科学:GPT与Python结合应用遥感降水数据处理、ERA5大气再分析数据的统计分析、干旱监测及风能和太阳能资源评估等

内容覆盖使用GPT处理数据、生成论文摘要、文献综述、技术方法分析等实战案例,使学员能够将AI技术广泛应用于科研工作。特别关注将GPT与Python结合应用于遥感降水数据处理、ERA5大气再分析数据的统计分析、干旱监测及风能和太阳能资源评估等大气科学关键场景。提升参与者在数据分析、趋势预测和资源评估等方面的能力,激发创新思维,并通过实践操作深化对AI在气象数据分析中应用的理解。

文章图片
#人工智能
长时间序列遥感数据处理及在全球变化、物候提取、植被变绿与固碳分析、生物量估算与趋势分析等领域中的应用

分析长时间序列卫星遥感产品数据应用时需要掌握的经验及编程技巧,以期辅助解决陆地生态系统研究中相关的科学难题,为今后陆地生态系统“碳汇”能力的评估提供科学决策依据。

文章图片
基于Python/MATLAB长时间序列遥感数据处理及在全球变化、物候提取、植被变绿与固碳分析、生物量估算与趋势分析

植被是陆地生态系统中最重要的组分之一,也是对气候变化最敏感的组分,其在全球变化过程中起着重要作用,能够指示自然环境中的大气、水、土壤等成分的变化,其年际和季节性变化可以作为地球气候变化的重要指标。

文章图片
Python深度学习进阶与应用丨注意力(Attention)机制、Transformer模型、生成式模型、目标检测算法、图神经网络、强化学习详解等

近年来,伴随着以卷积神经网络(CNN)为代表的深度学习的快速发展,人工智能迈入了第三次发展浪潮,AI技术在各个领域中的应用越来越广泛。帮助广大学员更加深入地学习人工智能领域最近3-5年的新理论与新技术,让你系统掌握AI新理论、新方法及其Python代码实现。

文章图片
#python#深度学习
    共 142 条
  • 1
  • 2
  • 3
  • 15
  • 请选择