【1】 这是小白我在矢泽久雄的著作《计算机是怎样跑起来的》中读到的。 作者在书中列出了两个例子，一个是假设有100个箱子，箱子里面装有任意数字，箱子标有1-100的序号，然后从100个箱子之中查找是否有箱子装有写着要查找数字的纸条。 这个
转载
2024-09-28 22:36:43
96阅读
今天来简单分享下如何在GEE中利用哨兵2号数据进行水质监测总悬浮固体（TSS）总悬浮固体（TSS）是指尺寸超过2微米的水性颗
话虽如此，我们的模型以非常高的精度生成，因此我们可以相当舒服地使用我们的模型对整个景观进行预测。基是很好的。
原创
2023-12-06 09:35:19
949阅读
刚果盆地森林道路该数据集利用哨兵-1 号和哨兵-2 号卫星图像，结合深度学习模型，提供了刚果盆地热带森林道路发展的高精细
GEE从入门到实战的10个系列单元：GEE系列：第1单元 Google地球引擎简介GEE系列：第2单元 探索数据集GEE系列：第3单元 栅格遥感影像波段特征及渲染可视化GEE系列：第4单元 Google 地球引擎中的数据导入和导出GEE系列：第5单元 遥感影像预处理【GEE栅格预处理】GEE系列：第6单元 在 Google 地球引擎中构建各种遥感指数GEE系列：第7单元 利用GEE进行
转载
2024-08-26 18:50:00
756阅读
今天来简单分享下如何在GEE中利用哨兵1号数据进行水体动态监测1.SAR数据介绍：SAR 的工作原理是发射电磁脉冲并监
对于GBDT的概念和相关知识博主在上一篇中已做论述《机器学习算法之_GBDT》什么是随机森林随机森林顾名思义，是用随机的方式建立一个森林，森林里面有很多的决策树组成，随机森林的每一棵决策树之间是没有关联的。在得到森林之后，当有一个新的输入样本进入的时候，就让森林中的每一棵决策树分别进行一下判断，看看这个样本应该属于哪一类（对于分类算法），然后看看哪一类被选择最多，就预测这个样本为那一类。 在建立每
转载
2024-03-28 15:49:09
74阅读
# GEE哨兵2号数据可视化
随着遥感技术的迅猛发展，地理信息系统（GIS）和卫星遥感已成为环境监测、城市规划和农业管理等领域的重要工具。Google Earth Engine（GEE）作为一个强大的云计算平台，提供了丰富的卫星影像数据，尤其是欧空局的哨兵2号（Sentinel-2）数据。本文将介绍如何在GEE中可视化哨兵2号数据，并通过代码示例加深理解。
## 什么是哨兵2号
哨兵2号是欧
原创
2024-10-23 05:46:14
612阅读
目录1、基本知识点介绍2、各个算法原理2.1 随机森林 -- RandomForest2.2 XGBoost算法2.3 GBDT算法（Gradient Boosting Decision Tree）2.4 LightGBM提升学习模型1、基本知识点介绍RandomForest、XGBoost、GBDT和LightGBM都属于集成学习。集成学习通过构建并结合多个分类器来完成学习任务，也称为多分类系统
转载
2024-09-08 10:30:23
157阅读
1. 过拟合的表现随着训练过程的进行，模型在训练集上的误差越来越小，但是在测试集上的误差却越来越大。这是由于训练得到的模型过度拟合了训练集，对训练集外的数据不work，即泛化能力差。引用吴恩达Andrew Ng课程里面的一张图来进行直观理解。2. 降低过拟合的方法2.1 数据增强（augmentation）1）随机旋转 ：一般情况下是对输入图像随机旋转[0,360) 2）随机裁剪 ：对输
【代码】【GEE】利用哨兵2号计算NDBI并使用前后时段影像补全空值。
原创
2024-05-10 11:35:39
338阅读
随机森林是常用的机器学习算法，既可以用于分类问题，也可用于回归问题。本文对scikit-learn、Spark MLlib、DolphinDB、XGBoost四个平台的随机森林算法实现进行对比测试。评价指标包括内存占用、运行速度和分类准确性。本次测试使用模拟生成的数据作为输入进行二分类训练，并用生成的模型对模拟数据进行预测。1.测试软件本次测试使用的各平台版本如下：scikit-learn：Pyt
转载
2024-04-04 11:25:18
160阅读
随机森林顾名思义，是用随机的方式建立一个森林，森林里面有很多的决策树组成，随机森林的每一棵决策树之间是没有关联的。在得到森林之后，当有一个新的输入样本进入的时候，就让森林中的每一棵决策树分别进行一下判断，看看这个样本应该属于哪一类（对于分类算法），然后看看哪一类被选择最多，就预测这个样本为那一类。 三个臭
转载
2024-05-02 10:56:03
151阅读
对图像进行土地利用分类，因此下面是监督分类的流程以及代码案例。首先分类最开始应该建立样本数据集，在这里我分了四类，然后就开始自己的采样，设立好分类后，对目标进行分类。然后对每个样本进行颜色选择和属性定义//选择需要裁剪的矢量数据 var aoi = ee.FeatureCollection("users/yangyao19960805/NewFolder");//加载矢量边框，以便于在边界内选取
原创
精选
2023-02-02 16:29:59
1292阅读
点赞
Bagging:各分类器之间没有依赖关系，可各自并行， Bagging + 决策树 = 随机森林Boosting:各分类器之间有依赖关系，必须串行， 比如Adaboost、GBDT(Gradient Boosting Decision Tree)、Xgboost AdaBoost + 决策树 = 提升树 Gradient Boosting + 决策树 = GBDTAdaBoost（Adaptive
S2 云概率由 sentinel2-cloud-detector 库创建（使用 LightGBM）。在应用梯度提升基础算法之前，先使用双线性插
原创
2024-01-18 10:51:24
1697阅读
数据集var roi = ee.Geometry.Po...
原创
2022-09-03 07:14:25
3248阅读
集成学习： 集成学习是指将若干弱分类器组合之后产生一个强分类器。弱分类器（weak learner）指那些分类准确率只稍好于随机猜测的分类器（error rate < 50%）。Bagging方法： bagging也叫自举汇聚法（bootstrap aggregating），是一种在原始数据集上通过有放回抽样重新选出S个新数据集来训练分类器的集成技术。使用训练出来的分类器集合来对新样本进行分
下面我们再来看看各种舱级别情况下各性别的获救情况1 fig = plt.figure()
2 fig.set(alpha=0.5)
3 plt.title(u"根据舱等级和性别的获救情况",fontproperties=getChineseFont())
4
5 ax1 = fig.add_subplot(141)
6 data_train.Survived[data_train.Se
转载
2024-02-18 13:19:21
23阅读
机器学习-随机森林原理及应用随机森林是一种集成学习的方法，它的最终结果取决于多课决策树的投票结果。随机森林中森林的含义对于分类问题，直观来讲就是对一个数据集合构造很多棵决策树，然后对于新样本每一棵决策树都会输出一个结果，最后选择多棵决策树中输出类别最多的结果作为最终的输出结果。这也就是随机森林中森林的含义。随机森林中随机的含义这也是随机森林最重要的一点，随机森林的随机主要体现在两方面：假设有个样本
转载
2024-02-23 11:46:37
51阅读
