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

辐射校正:像元DN值—>辐照度—>表观反射率—>地表反射率

狭义的辐射校正是指将原始图像的DN值转化为有物理量纲的观测目标大气上界的辐射亮度值或者表观反射率;广义的除了狭义的步骤外还包括去除大气影响,也就是说还包括大气校正的过程,最终需要计算出地表目标真实的反射亮度或者是反射率。狭义的辐射校正:输入:像元DN值、辐射校正参数输出:像元星上辐照度、表观反射率一、由像元DN值到辐照度利用影像头文件中的记录的辐射校正参数可方便地计算出地物在大气顶部的星...

随机森林算法应用案例(1):PM2.5浓度预测

基于随机森林算法的PM2.5预测转载于:https://zhuanlan.zhihu.com/p/83220850,作者:郑援镜烨空气质量指数(AQI)是衡量空气质量好坏的重要指数,它是依据空气中污染物浓度的高低来判断的。但是因为空气污染本身是一个较为复杂的现象,来自固定和流动污染源的人为污染物排放大小是影响空气质量的最主要因素之一。其中包括车辆、船舶、飞机的尾气、工业企业生产排放、居民生活和取暖

#python#机器学习#数据分析
使用MODIS Level 1B 1KM 数据反演AOD实验流程

文章目录1、实验思路2、实验数据2.1 数据介绍2.2 数据获取3、实验操作3.1 打开数据3.1.1 打开发射率、反射率数据集3.1.2 打开角度数据集3.2 发射率、反射率数据的处理3.2.1 发射率数据集的几何校正3.2.2 反射率数据集的几何校正3.2.3 发射率与反射率的合成与裁剪3.3 角度数据的处理3.3.1 角度数据的合成3.3.2 角度数据重采样3.3.3 角度数据的几何校正3.

Python--画图时希腊字母的显示

原文链接:https://www.cnblogs.com/gegemu/p/11459167.html主要介绍采用Matplotlib模块画图时,横纵坐标或者标题如果要书写希腊字母,该如何处理这一问题。1. Matplotlib中支持LaTex语法,输入格式为:r'$\Delta$' #其中的Delta对应于希腊字母的Δr'$\Delta$rv' #对应于Δrv2. LaTex语法中希腊字母表:希

#python
MODIS各波段介绍、电磁波谱表、可见光红外光微波细分波谱表

电磁波谱范围、可见光/红外光与微波细分波谱近红外到底是怎么分的?近红外光(NIR)是介于可见区和中红外区间的电磁波,不同文献中对其波长范围的划分不尽相同,美国试验和材料协会(ASTM)规定为700 nm至2500 nm。NIR常被化分为短波近红外(SW-NIR,700—1100 nm),和长波近红外(LW-NIR,1100—2500 nm)。所以下表中的短波红外(SWIR)和长波近红外(LW-NI

LaTeX积分符号汇总

LaTeX积分符号汇总

安装并使用Panoply (netCDF, HDF and GRIB Data Viewer)

Panoply is a data viewer that displays geo-referenced arrays in NetCDF, HDF, and GRIB formats. Panoply是一种数据查看器,可以快速生成NetCDF,HDF和GRIB格式地理数据的视图。

pearson相关系数的数值为多少证明有相关性?

转载于:原文链接皮尔逊相关系数变化从-1到 +1,当r>0表明两个变量是正相关,即一个变量的值越大,另一个变量的值也会越大;r<0表明两个变量是负相关,即一个变量的值越大另一个变量的值反而会越小。r 的绝对值越大,则两变量相关性越强。若r=0,表明两个变量间不是线性相关,但可能存在其他方式的相关(比如曲线方式)。扩展资料:(1)一般认为:|r|≥0.8时,可认为两变量间高度相关;0.5≤|r|&l

#概率论#线性代数
神经网络基本类型

原文链接:https://www.cnblogs.com/chamie/p/5579884.html神经网络基本类型神经网络的基本类型与学习算法:目前已有的数十种神经网络模型,按网络结构划分可归纳为三大类:前馈网络、反馈网络和自组织网络。前馈神经网络则是指神经元分层排列,分别组成输入层、中间层和输出层。每一层的神经元只接受来自前一层神经元的输入,后面的层对前面层没有信号反馈。输入模式经过各层的顺序

#神经网络#深度学习
暂无文章信息