- 综合排序
- 最热优先
- 最新优先
- 来自专栏二猫の家
【GEE】2、探索数据集
2背景 要将遥感集成到您的研究和分析中，学习如何解析 Google 地球引擎上可用的大量栅格数据集非常重要。了解这些数据的分类方式有助于开始此过程。 华盛顿和爱达荷州边界上的美国国家高程数据集。 3图像采集探索 现在我们已经了解了我们可以使用的数据集的深度和广度，我们可以花点时间详细探索一个集合。 在搜索栏中输入数据集名称的结果。 如果我们点击数据集的名称，我们会看到一个弹出窗口，其中包含一个“导入”按钮（以红色突出显示）。单击此按钮将自动将数据集加载到脚本工作区中。 要查找我们数据集的空间分辨率，请再次键入数据集名称并单击搜索栏中的结果（即“MYD10A1.006 Aqua Snow Cover Daily Global 500m”）。 Google Earth Engine 中可用的一些数据集可用于每日测量（即 MODIS），而其他数据集可能是每月（即 WorldClim）。
98741编辑于 2023-11-05 - 来自专栏气象学家
数据集 | MERRA-2全球再分析数据集
导 读 MERRA-2是一套长时间序列的在分析数据集，其中包括各种气象变量，像净辐射、温度、相对湿度、风速等。 同时，MERRA-2数据覆盖全球，空间分辨率为0.5 ° x 0.625 °，时间分辨率为1小时。这种气象数据在定量遥感中的应用可以说是十分的广泛。 我们今天就一块来看一下这种数据。 01 我们今天就把整理好的MERRA-2数据分享给大家，从1980年到2019年1月的数据，时间分辨率已经聚合成一天的。 首先我们看一下MERRA-2的净辐射数据。 ? 这一景为MERRA-2一天的平均净辐射数据（也有一天的最大值和最小值），这个数据由于是采用同化算法计算得来的，所以全球没有空缺，是一个空间连续的数据。 02 我们再看一下全球的风速数据 ? 04 我们再来看一下MERRA-2官方网站上的一些根据MERRA-2数据做好的图。 ? ? MERRA-2数据分辨率比较粗，显示的时候就会看出来网格。
11.8K42发布于 2020-06-17 - 来自专栏GIS与遥感开发平台
数据集 | MERRA-2全球再分析数据集
导读 MERRA-2是一套长时间序列的在分析数据集，其中包括各种气象变量，像净辐射、温度、相对湿度、风速等。 同时，MERRA-2数据覆盖全球，空间分辨率为0.5 ° x 0.625 °，时间分辨率为1小时。这种气象数据在定量遥感中的应用可以说是十分的广泛。 我们今天就一块来看一下这种数据。 01 我们今天就把整理好的MERRA-2数据分享给大家，从1980年到2019年1月的数据，时间分辨率已经聚合成一天的。 首先我们看一下MERRA-2的净辐射数据。 这一景为MERRA-2一天的平均净辐射数据（也有一天的最大值和最小值），这个数据由于是采用同化算法计算得来的，所以全球没有空缺，是一个空间连续的数据。 04 我们再来看一下MERRA-2官方网站上的一些根据MERRA-2数据做好的图。 MERRA-2数据分辨率比较粗，显示的时候就会看出来网格。
7.4K40编辑于 2022-04-29 - 来自专栏一英里广度一英寸深度的学习
深度学习入门数据集--2.fasion-mnist数据集
Fasion-MNIST是一位老师推荐给我的，要求我在做完MNIST-handwriting数据之后，再玩一下fmnist。这个数据集也是28*28的灰度图像，你可以从下面的图片看清图片内容。 这个数据集是由一家德国的时尚科技公司Zalando提供的，我觉一家公司把定位成时尚科技公司，而不是电商平台，是把科技创新能力作为主要生产力。 本文主要用Keras编写模型，训练数据，并以清晰的可视化方式展示。 查看数据 数据可以从git仓库上下载，https://github.com/zalandoresearch/fashion-mnist fasion-mnist 作为tensorflow分类教程数据， colab.research.google.com/github/margaretmz/deep-learning/blob/master/fashion_mnist_keras.ipynb 运行以上程序，10分钟会验证集准确率能达到
2K20发布于 2019-03-06 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
GEE数据集——Cloud Score+ S2_HARMONIZED数据集
Cloud Score+ S2_HARMONIZED数据集是由统一的哨兵-2 L1C数据集制作的，Cloud Score+的输出可用于识别相对清晰的像素，并有效去除L1C（大气顶部）或L2A（表面反射率 Cloud Score+ S2_HARMONIZED 数据集包括两个质量保证波段，即 cs 和 cs_cdf，这两个波段都根据表面能见度在 0 和 1 之间的连续刻度上对单个像素的可用性进行评分，其中 前言 – 人工智能教程 Cloud Score+ S2_HARMONIZED集合中的图像与制作这些图像的单个哨兵-2 L1C资产具有相同的id和system:index属性，因此可以根据共享的system 整个哨兵-2 档案的 Cloud Score+ 回填工作目前正在进行中，随着新结果被添加到 Cloud Score+ 集合中，数据集可用性日期将定期更新。 代码： // Harmonized Sentinel-2 Level 2A collection. var s2 = ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED
54110编辑于 2024-02-02 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
NASA数据集——对流层中的 AIRSAqua L2 CO2 数据集
AIRS/Aqua L2 CO2 in the free troposphere (AIRS+AMSU) V005 (AIRX2STC) 对流层中的 AIRS/Aqua L2 CO2 (AIRS+AMSU AIRS 二氧化碳（CO2）标准检索产品包括二氧化碳的检索估算值，以及与检索相关的误差估算值。与 AIRX2RET 不同，该标准产品的水平分辨率约为 110 公里（1x1 度）。 一个 AIRS 颗粒被设定为 6 分钟的数据，15 个跨轨道足迹，22 条沿轨道线。 由此产生的 AIRS 2 级产品包括这些云清除的红外辐射和大气温度 T(p)、水蒸气 H2O(p)和臭氧 O3(p)的检索剖面，名义空间分辨率为天底 45 公里。 Spatial Coverage:-180.0,-60.0,180.0,90.0 时间覆盖范围：2002-09-01 至 2012-03-02 文件大小：每个文件 0.4 MB 数据分辨率
32600编辑于 2024-05-24 - 来自专栏自然语言处理
MMsegmentation教程 2: 自定义数据集
通过重新组织数据来定制数据集 最简单的方法是将您的数据集进行转化，并组织成文件夹的形式。 如下的文件结构就是一个例子。 通过混合数据去定制数据集 MMSegmentation 同样支持混合数据集去训练。 当前它支持拼接 (concat) 和 重复 (repeat) 数据集。 重复数据集 我们使用 RepeatDataset 作为包装 (wrapper) 去重复数据集。 pipeline=train_pipeline ) ) 拼接数据集 有2种方式去拼接数据集。 pipeline=train_pipeline ) ) data = dict( imgs_per_gpu=2, workers_per_gpu=2, train = [
1.2K42编辑于 2022-03-04 - 来自专栏数据科学（冷冻工厂）
空间转录组: DLPFC数据集分析 (2)
引言 本系列讲解 空间转录组学 (Spatial Transcriptomics) 相关基础知识与数据分析教程[1]，持续更新，欢迎关注，转发，文末有交流群！ 我们还在前 50 个 PCs 上运行 UMAP，并保留前 2 个 UMAP 成分用于可视化。 "UMAP" dim(reducedDim(spe, "PCA")) ## [1] 3614 50 dim(reducedDim(spe, "UMAP")) ## [1] 3614 2 # update column names for plotting colnames(reducedDim(spe, "UMAP")) <- paste0("UMAP", 1:2) 聚类 接下来， store cluster labels in column 'label' in colData colLabels(spe) <- factor(clus) 通过在X-Y空间中绘制群集标签，并与该数据集可用的手动注释参考标签
15810编辑于 2025-11-19 - 来自专栏AIUAI
Caffe2 - (十)训练数据集创建
Caffe2 - 训练数据集创建 caffe2 使用二值 DB 存储模型训练的数据，以 key-value 格式保存， key1 value1 key2 value2 key3 value3 buffer： 记录 Tensors，也叫多维数组(multi-dimensional arrays, together)，tensor 数据类型及数据 shape 信息. 以 UCI Iris 数据集为例，Iris 花朵分类数据集，其包括 4 种实值特征来表示花，对三种类型的花进行分类. 数据集格式： 5.1,3.5,1.4,0.2,Iris-setosa 4.9,3.0,1.4,0.2,Iris-setosa 4.7,3.2,1.3,0.2,Iris-setosa 4.6,3.1,1.5,0.2 将数据放入 Caffe2 DB，key - train_xxx，value - 使用 TensorProtos 来存储每个数据样本的两个 tensor，feature 和 label. # 测试 # 从
78420发布于 2019-02-18 - 来自专栏Tom
基于CelebA数据集的GAN模型-2
前两篇我们介绍了celeB数据集 CelebA Datasets——Readme 基于CelebA数据集的GAN模型 直接上代码咯 导入依赖： # example of a gan for generating model.add(Conv2D(128, (5,5), strides=(2,2), padding='same')) model.add(LeakyReLU(alpha=0.2)) # downsample to 10x10 model.add(Conv2D(128, (5,5), strides=(2,2), padding='same')) model.add(LeakyReLU model.add(Conv2DTranspose(128, (4,4), strides=(2,2), padding='same')) model.add(LeakyReLU(alpha=0.2 1=0.5) model.compile(loss='binary_crossentropy', optimizer=opt) return model 加载我们上一篇文章写到的numpy压缩数据包点
81520编辑于 2023-02-14 - 来自专栏GEE数据
Landsat 8 C2 RAW 数据集
数据名称： Landsat8_C2_RAW 数据来源： USGS 时空范围： 2020年1月-2023年3月 空间范围： 全国 数据简介： Landsat8_C2_RAW数据集是经过缩放和校准的辐射亮度产品 该数据集提供了高质量的地球观测数据，可用于研究地表和大气的各种变化。 Landsat 8 C2 RAW 数据集是基于Landsat 8 卫星获取的原始遥感数据。 持续更新：Landsat 8 C2 RAW 数据集是一个持续更新的数据集。每当Landsat 8 卫星获取新的遥感数据时，这些数据将被添加到数据集中，以保持数据集的最新性。 此外，USGS 还提供了一些教程和培训材料，帮助用户理解和使用Landsat 8 C2 RAW 数据集。 总之，Landsat 8 C2 RAW 数据集是一组提供高质量地球观测数据的卫星遥感数据集。 key为LANDSAT_8/02/T1/RAW的Landsat8_C2_RAW类数据集 * @Name : Landsat8_C2_RAW_T1数据集 */ /** */ //指定检索数据集
49610编辑于 2024-02-18 - 来自专栏paddle深度学习
paddle深度学习2 数据集的构建
在深度学习中，无论是做哪项任务，图像、文本或是声音，都涉及到数据的处理，而数据通常包含在数据集中paddle当中有两个重要的类是和数据集相关的：Dataset和DataLoader【Dataset】它位于 paddle.io.Dataset，用于定义数据集这里只介绍它的__getitem__和__len__两个方法1. 当我们使用索引操作符 [] 时，实际上是调用了 __getitem__ 函数__getitem__ 函数接收一个索引作为参数，并返回对应索引位置的数据样本2. 它定义了获取数据集长度的行为下面的代码使用Dataset定义了一个基础的数据集：import paddleclass MyDataset(paddle.io.Dataset): def __init shuffle=True)for batch in dataloader: print(batch)可以看到，因为设置batchsize=2，每次会取出2组数据而shuffle=True使得数据的顺序被打乱了这里显示我们的数据类型是
49710编辑于 2024-05-17 烟火数据集烟雾明火2类别数据集VOC-6460张
数据集格式：Pascal VOC格式(不包含分割的txt文件，仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数)：6460 标注数量(xml文件个数)：6460 标注类别数：2 标注类别名称 ,"fire"] 每个类别标注的框数： smoke count = 7901 fire count = 11066 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：本数据集对图片中烟雾和明火进行 2个类别标注，其中烟雾类型有交通事故，森林火灾，建筑失火，柴木生火等，明火有蜡烛，柴火，火灾类型，奥运火炬等 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 图片示例
18810编辑于 2025-07-21- 来自专栏数据科学和人工智能
数据集 | 图书数据集
下载数据集请登录爱数科(www.idatascience.cn) 由电商平台爬取的图书信息，包括书名、出版信息、当前价格等。 1. 字段描述 2. 数据预览 3. 字段诊断信息 4. 数据来源 当当网搜索页面爬取。
2.9K40编辑于 2022-03-30 - 来自专栏数据科学和人工智能
数据集 | 行星数据集
下载数据集请登录爱数科(www.idatascience.cn) 其记录了2014年之前天文学家在恒星（除了太阳）周围发现的行星的信息。 1. 字段描述 2. 数据预览 3. 数据来源 来源于UCI机器学习库。
2.1K20编辑于 2022-03-30 - 来自专栏数据科学和人工智能
数据集 | 订购数据集
下载数据集请登录爱数科(www.idatascience.cn) 该数据集记录了一家全球超市4年的订购数据，包含订单的订单号、下单时间、发货时间、运输模式、顾客名称和地区等信息。 1. 字段描述 2. 数据预览 3. 字段诊断信息 4. 数据来源 来源于Kaggle。
2.2K30编辑于 2022-03-30 - 来自专栏数据科学和人工智能
数据集 | 鲍鱼数据集
下载数据集请登录爱数科(www.idatascience.cn) 通过物理测量预测鲍鱼的年龄。 从原始数据中删除了缺失值的样本，并且对连续值的范围进行了缩放。数据集共4177个样本，8个字段 1. 字段描述 2. 数据预览 3. 字段诊断信息 4. 数据来源 Warwick J Nash, Tracy L Sellers, Simon R Talbot, Andrew J Cawthorn and Wes B Ford (1994) "The Population 数据引用 Nash W J, Sellers T L, Talbot S R, et al.
2.9K40编辑于 2022-03-30 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Landsat7_C2_SR数据集（大气校正地表发射率数据集）
Landsat7_C2_SR数据集是经大气校正后的地表反射率数据，属于Collection2的二级数据产品，空间分辨率为30米，基于Landsat生态系统扰动自适应处理系统（LEDAPS）（版本3.4.0 2003年6月以来，因扫描线校正器(SLC)故障导致传输数据存在间隙问题 Landsat7_C2_SR数据集是Landsat7卫星的一种数据产品，提供每个卫星场景的反射率值。 这个数据集可以从美国地质调查局的Earth Explorer网站免费下载。 key为LANDSAT_7/02/T1/SR的Landsat7_C2_SR类数据集 * @Name : Landsat7_C2_SR_T1数据集 */ //指定检索数据集，可设置检索的空间和时间范围 , 'B1'] }; Map.centerObject(img); Map.addLayer(img,visParams); Landsat 数据集属于国际公开数据，可以在没有版权限制的情况下使用、传输或复制
33310编辑于 2024-02-02 - 来自专栏数据科学和人工智能
数据集 | 小费数据集
下载数据集请登录爱数科(www.idatascience.cn) 小费数据集 1. 字段描述 2. 数据预览 3. 字段诊断信息 4. 数据来源
1.9K20编辑于 2022-03-30 - 来自专栏数据科学和人工智能
数据集 | 广告数据集
下载数据集请登录爱数科(www.idatascience.cn) 数据集由 Jose Portilla 和 Pierian Data 为他的 Udemy 课程（Python 数据科学和机器学习训练营） 创建,适合用于数据分析与逻辑回归预测。 字段描述 2. 数据预览 3. 字段诊断信息 4. 数据来源 来源于Kaggle。
2.5K30编辑于 2022-03-30
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号