遥感生态指数（RSEI）——水体掩膜及主成分分析

“SRP模型+”多技术融合在生态环境脆弱性评价模型构建、时空格局演变分析与RSEI 指数的生态质量评价及拓展应用

SRP模型、生态质量评价、CA-Markov模型、景观格局指数、核密度估计、植被反演、水土流失计算、空间插值、生态环境、VOS Viewer文献、论文写作、遥感、Citespace文献可视化、R语言、ArcGIS Pro软件、气象、土壤、植被、土地利用、水文、人口密度、自然灾害、降水

RSEI遥感生态指数详解：GEE计算流程与实战应用

在区域生态环境质量评价中，如何客观、高效地量化生态状况是遥感应用的核心问题之一。遥感生态指数（RSEI）作为一种完全基于遥感数据的无监督评价模型，通过耦合绿度、湿度、热度、干度四个关键指标，利用主成分分析自动确定权重，避免了传统评价方法中人为干预和数据滞后的问题。结合Google Earth Engine（GEE）云平台，研究者可快速实现大范围、多时相的生态质量监测与趋势分析。本文从RSEI的物理原理出发，详解各指标的计算逻辑、数据预处理要点及GEE完整实现流程，并针对PC1载荷方向异常、多期结果不可比等常

GEE学习记录（一）基于GEE利用LANDSAT 8数据计算遥感生态指数（RSEI）

最近老师让看一下关于GEE的东西，实现大面积的反演、计算地表温度等，也算熟悉一下。参考网上很多大佬的文章，按照自己的思路和想法算出了RSEI，参考的文章都有列出来。 目录所用数据集影像数据矢量数据地表气温数据RSEI计算流程图四个指数的计算Wet、NDVI、NDBSI的计算LST的计算对水体进行掩膜归一化主成分分析出图代码参考链接 所用数据集 影像数据 影像数据是：LANDSAT/LC08/C02/T1_L2（就是LANDSAT8下面的Collection 2 Level2 T1数据）。总的来说就是Coll

高分辨率遥感生态指数（RSEI）生产流程详解

在生态环境评估中，遥感生态指数（RSEI）是一种将绿度、湿度、热度、干度四类关键指标通过主成分分析融合为0-1数值的定量工具，它让“生态好不好”从主观判断变为可计算的客观指标。其高分辨率版本将传统30米精度细化至10米甚至更细，能够清晰识别农田、防护林与裸土间的生态差异，在生态监测、国土空间规划、矿山修复评估和城市热岛治理等场景中具有重要实用价值。本文基于实际项目经验，系统梳理从数据源选择、影像预处理、四指标计算到PCA合成与问题排查的完整高分辨率RSEI生产流程，为相关从业者提供一套可落地的技术路线。

GEE计算遥感生态指数(RSEI)--Landsat 8为例

遥感生态指数、 RSEI、 水体掩膜、 主成分分析、 PCA、 Landsat、 GEE、 gee、

【GEE中利用MODIS数据计算遥感生态指数RSEI】

结合 Google Earth Engine(GEE)遥感云计算平台和20期MODIS遥感影像提取绿度指标、湿度指标、干度指标和热度指标信息，通过主成分变换耦合各指标得到遥感生态指数（Remote Sensing Ecological Index，RSEI）

遥感生态指数RSEI构建实战：从NDVI、LST四指数计算到PCA融合

遥感技术通过获取地表反射和辐射信息，为环境监测提供了大范围、客观的数据基础。其核心原理在于利用不同地物在特定电磁波谱段的反射、吸收特性差异，反演出关键的生态环境参数。这一技术价值在于能够突破传统地面调查的局限，实现高效、动态的区域生态评估。在众多应用场景中，综合性的生态质量评价是一个典型需求。本文聚焦于遥感生态指数（RSEI），它通过集成归一化植被指数（NDVI）和地表温度（LST）等核心指标，并运用主成分分析（PCA）方法进行数据融合，最终形成一个能够综合反映区域生态环境状况的定量化评价工具，为生态保护与

ENVI_基于RSEI模型的自然生态环境监测

流程图： 生态因子的计算 绿度计算： NDVI 湿度计算： 0.1509b2+0.1973b3+0.3279b4+0.3406b8-0.7112b11-0.4572b12 干度计算： SI=((b11+b4)-(b8+b2))/((b11+b4)+(b8+b2)) IBI=((2b11/(b11+b8))-(b8/(b8+b4)+b3/(b3+b11)))/((2b11/(b11+b8))+(b...

GEE：基于变异系数法的遥感生态指数（RSEI）计算

本文记录了基于变异系数法计算 Risk-Screening Environmental Indicators (RSEI) 的方法和代码。使用 变异系数法计算权重来代替PCA方法计算权重，根据权重计算综合指标。本文也记录了使用landsat-8数据计算LST、NDVI、NDBSI、WET四个指标的代码。结果如下，

Pascal Context数据集实战：从安装到格式转换的完整指南

本文提供了Pascal Context数据集的完整实战指南，从安装配置到格式转换的详细步骤。Pascal Context是计算机视觉领域重要的语义分割数据集，包含540个精细标注类别。文章涵盖数据集下载、环境配置、预处理技巧和常见问题解决方案，帮助开发者高效利用这一数据集进行场景理解任务。

【具身算法】VLA算法-Diffusion Policy

《扩散策略：多模态机器人控制的新方法》摘要 本文提出了一种基于扩散模型的机器人控制策略（DiffusionPolicy），用于解决视觉运动控制中的多模态行为、高维动作空间和训练稳定性问题。该方法利用去噪扩散概率模型（DDPM）生成动作序列，通过迭代优化处理复杂动作分布，显著提升了性能。实验表明，在15项机器人操作任务中，扩散策略平均性能提升46.9%，有效解决了传统显式/隐式策略的局限性。其核心优势在于：1）优雅建模多模态动作分布；2）适应高维动作空间；3）训练过程稳定。未来工作将探索与强化学习的结合及计算

浅谈声发射振动复合传感器

浅谈声发射振动复合传感器 随着全球经济和自动化工业的迅速发展，人们对设备故障特别是轴承类的故障诊断也日益重视起来了。 为满足客户对旋转仪器轴承异常的精准诊断，单一的依靠振动信号或声信号分析，是很难兼顾轴承的多种异常情况的。 为此，市面上开始着手研发出了可同时分析机械设备的振动信号和声信号的复合型传感器。 初期的复合型传感器主要有 2 种类型，下面以 A、B 来举例说明。 A 型是在被测物表面不同的 2 个位置分别放置声发射(AE)传感器和加速度(ACC)传感器，它虽能一定程度...

halcon 检测直线

图中后三个对象既是检测出的图像；

华为昇腾310P3+deepseek蒸馏版性能调优：FP16精度优化全记录

本文详细介绍了在华为昇腾310P3硬件环境下优化DeepSeek蒸馏版模型FP16精度的关键技术路径。通过分层量化策略、内存分配优化和并行计算配置，显著提升模型推理性能，实现83%的并发处理能力提升，同时保持98.7%的原始模型准确率。

DSP在线升级方案:TMS320C6678使用网络或者串口输出升级数据进行固件升级

下面这段先引用创龙的说明 IBL 运行后， 将从 NOR FLASH 或 NAND FLASH 的 0x00080000 地址引导 ELF/BBLOB 格式 用户程序。 当引导 ELF 格式用户程序时， IBL 会解析用户程序头部信息，并根据头部信息 拷贝不同的代码段至指定 CPU 内存地址，然后将 PC 指针跳转至_c_int00， 再运行用户程 序。当引导 BBLOB 格式用户程序时，由于无头部信息， IBL 会将用户程序拷贝至 0x9E000000 （该内存地址为 IBL 代码指定），并将 PC..

HWSD中国土壤数据库

T_PH_H2O: Real (酸碱度) T_CEC_CLAY: Real (粘性层土壤的阳离子交换能力)；T_CEC_SOIL: Real (土壤的阳离子交换能力) T_BS: Real (基本饱和度)；T_CACO3: Real (碳酸盐或石灰含量) T_CASO4: Real (硫酸盐含量)；ADD_PROP: Real (土壤单元中与农业用途有关的特定土壤类型)；T_USDA_TEX: Real (USDA土壤质地分类)；T_REF_BULK: Real (土壤容重)；

基于 ESP32-CAM 与 TinyML 的食堂餐盘自动识别与营养分析终端

【代码】基于 ESP32-CAM 与 TinyML 的食堂餐盘自动识别与营养分析终端。

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载