- 博客(132)
- 收藏
- 关注
RSS订阅原创 1区TOP期刊惊现AI生图，抓紧来复现下看看
应用该技术应在人工监督和控制下进行，作者应仔细审查和编辑结果，因为 AI 可以生成看似权威的输出，但这些输出可能不正确、不完整或有偏见。如岭回归等等，方法简单易懂，逻辑清晰，工作量详实，同时VPD和SM也是感兴趣的话题，总体上是较为solid的研究。作者必须在核心稿件文件中稿件末尾的参考文献列表前添加声明，披露生成式 AI 和 AI 辅助技术在写作过程中的使用情况。可以在投稿前的写作过程中使用生成式 AI 和 AI 辅助技术，但只能用于改善论文的语言和可读性，并进行适当的披露，正如我们在爱思唯尔《
2024-10-19 17:31:13
1269
原创 Nature风格的北半球投影图，几行代码就能绘制...
在子刊***Nat. Clim. Chang.***中，通过北极俯视投影表示NAO和AO的EOF分解。仅在定义图层的时候设置为该投影，其余设置content，绘制contourf都是PlateCaree。如子刊Nature Geosci中表示了海冰的漂移，还添加了DEM底图，非常美观。以海温数据为例，ERA5月温度平均，是一张721*1440的0.25degTIF。现在的结果看起来不错，但太大了，我们如果只需要北半球的数据，则需要指定经纬度。绘制完结果也是正方形，和ArcGIS差不多，见之前的推文。
2024-10-19 17:29:23
674
原创 可解释机器学习创建一个经济社会模型
通过对澳洲公开数据集的分析，我们能够准确预测各个地区的劣势人口数量，并通过可解释性方法揭示了不同特征对预测结果的贡献。然而，在许多实际应用中，可解释性是关键，因为它不仅帮助我们理解模型的决策过程，还能增加用户对模型预测结果的信任。模型的评估结果显示，均方误差（MSE）为1161.08，R^2得分为0.778，表明模型能够解释78%的变量。通过SHAP值的分析，我们发现教育因素在预测劣势人口数量中起到最重要的作用，其次是经济因素。结果显示，模型的预测值与实际观测值之间的相关性较高，表明模型具有较好的稳健性。
2024-10-19 17:28:46
343
原创 线性混合效应模型的简单实现
但我们也看到了聚类现象，因为美国汽车似乎发动机较重，燃油效率较差，而日本和瑞典汽车发动机较轻，效率较高。例如，在地学数据中，数据之间往往是不独立的，如降雨和蒸发，二者往往存在强线性关系，这时LMM则非常适用。在我们的模型中，我们将。的影响不考虑各国之间的差异，因为线性混合效应模型并没有为每个国家报告系数，而是通过随机效应处理国家间的变异。从我们的线性混合效应模型输出中，可以获得关于模型拟合和估计系数的信息。当我们想要考虑一个变量的影响随着另一个变量的变化而变化时，交互效应通常是有意义的。
2024-10-19 17:25:29
1182
原创 这个Python包做地学敏感性分析非常简单！
因此，如果我们总共有“p”个预测因子，我们将构建 2^p -1 个模型（所有可能的子集模型）并计算每个预测因子对所有其他预测因子子集模型的增量 R2贡献。因此，这可以解释为当预测因子可用于与其他预测因子的所有可能组合（所有预测因子都可用时的组合除外）时，预测因子的平均影响。因此，特定预测因子“X”的交互优势将是完整模型的R2与模型与除特定预测因子“X”之外的所有其他预测因子的R2之间的差值。妙处在于，所有预测因子的总体平均增量 R2之和等于完整模型，这样得到的结果是具有实际意义的。使用的示例数据为蒸散发。
2024-10-19 17:24:57
527
原创 为什么你导航中的地图都是错的？谈谈坐标系偏移
这回答了“发生了什么”的问题，但接下来我们要回答的是中国为什么采取这种方法。把卫星地图和官方的GCJ-02地图进行重合可以发现，两者的偏差是非线性的。实际情况是，高德地图将把 GCJ-02 信息提供给谷歌用于地图绘制，但某些敏感信息将被遮挡或保留。官方要求中国所有的地图使用GCJ-02坐标系（被广泛称为火星坐标），而从其他坐标系到GCJ-02坐标系的转换算法是保密的。在中国地图中，存在偏移，这意味着你导航中的地图有偏移问题。有趣的是，GCJ-02 基于 WGS-84，但采用了一种。
2024-10-19 17:24:19
1270
1
原创 KAN用于图像识别，效果令人吃惊！
但当扩展到学习复杂的现实世界函数时，KAN 与 MLP 一样由多个层组成，其中每一层的输出都是下一层的输入。与每条边都有关联的权重参数的 MLP 不同，在 KAN 中，这些权重完全被可学习的单变量函数取代。由于 KAN 中发生的所有操作都是可微分的，因此可以使用反向传播和传统损失函数来训练它们。精确度仅仅超过了一层的MLP，距离一些卷积神经网络的98%，99%准确率还有一定距离。在MLP中，一层中的每个节点/神经元都连接到下一层中的每个节点/神经元。如果 MLP 的隐藏层有足够的神经元，它就可以将任何。
2024-10-19 17:23:25
564
原创 10个机器学习数据处理Sklearn技巧，建议收藏！
数据分布中存在异常值是常见的情况。选择最有助于预测的特征是对抗过拟合和降低模型复杂性的必要步骤。Sklearn 提供的递归特征消除 (RFECV) 是其中一个强大的工具。（https://scikit-learn.org/stable/modules/classes.html#api-reference），最常用的模型和函数只是该库所能实现的一小部分。探索 10 个您可能未见过的 Sklearn 功能，它们可以优雅地替代手动执行的常见操作。假数据集有 15 个特征，其中 10 个是有用的，其余的是多余的。
2024-10-18 22:56:24
957
原创 复现RSE顶刊3D-CNN模型
通过3D-CNN，研究人员能够自动提取数据中的空间和光谱特征，这比传统的机器学习方法如支持向量机和随机森林更加高效。卫星图像包含三个以上的波段，下图显示了一个包含 R行、C列和 B个波段的卫星图像立方体。下图描绘了卫星图像中的块。由此可见，AI技术在遥感中的应用不仅提升了数据处理效率，还带来了新的研究思路和创新方法。回顾本文基本复现了RSE的方法和各种图，准确度优于原文章的同时，也提供了一种新的方法。要绘制 RGB 合成图像，使用红色、绿色和蓝色波段（波段 4、3 和 2），我们可以可视化合成图像。
2024-10-18 22:55:50
1441
1
原创 Python可视化城市3D建筑数据
解析了 35 万行的 GeoDataframe 后，您还会意识到，对于快速演示来说，这有点太多了。因此，为了确保我们能够专注于此处的酷炫和高效的视觉效果，我决定将数据集缩小到布达佩斯中部地区第 5 区。然后，我们可以进一步微调绘图，例如，通过改变高程比例使高度差异更加明显，得出一个比例参数，我们可以将其纳入着色中。顺便说一句，下面的快速柱状图告诉我们，该地区只有三座建筑的高度超过 60 米，经过数据框过滤后，发现是两座建筑——大教堂和议会大厦。作为示例，我将使用城市3D 建筑模型数据库。
2024-10-18 22:45:50
644
原创 一位外国小哥把整个Transformer都给可视化清楚了，一下看懂注意力机制
注意力得分是通过计算“数据”查询与所有标记的键的点积来计算的。最后，我们使用从 softmax 步骤获得的注意力权重，通过计算所有标记的值 (V) 的加权和来计算“数据”的输出。然后，这种嵌入用于所谓的多头自注意力，它可以帮助模型识别标记之间的复杂关系和依赖关系，无论它们在句子中相距多远。当它被标记化时，它会被拆分成 [“在”、“地学”、“万事屋”、“公众号”、“学习”、“地理学”、“知识”] 这样的标记。但是，如果将温度设置为 1，LLM 将更有可能生成不太可能的下一个单词，这可能会产生更具创意的文本。
2024-10-18 22:44:24
608
原创 这个工具可以一键下载全球任意地区高分辨率Google影像
下载完成后，您可以将导出的影像文件加载回 QGIS 进行查看和进一步分析。使用量测工具检查影像的坐标和分辨率，确保影像符合预期的地理范围和质量标准。：根据您的需求调整分辨率，比如 100m 或更高的分辨率（如 10m）以获取更详细的影像。作为数据源，这时，地图视图将自动切换到谷歌卫星图像模式，显示高分辨率的卫星图像。这将加载额外的地图服务选项，扩展您可以使用的在线地图源，包括高分辨率的谷歌影像。双击该工具打开设置窗口，您可以在此指定导出的栅格数据的详细设置。插件安装完成后，您需要配置以获取更多的影像源。
2024-10-18 22:43:49
2590
1
原创 利用动态模式分解简单实现时间序列预测
给定一个多变量时间序列数据集，DMD 计算一组动态模式，其中每个模式都与固定的振荡频率和衰减/增长率相关联。由于每个动态模式的内在时间行为，DMD 确实不同于 PCA 等常用的降维算法。在 VAR(1) 模型中，建模目标是找到一个表现良好的系数矩阵，并用它来表示时间相关性。在标准 DMD 模型中，我们也采用 VAR(1) 的形式。现在，我们有了 VAR(1) 中提到的系数矩阵***A。在本文中，我们将介绍 DMD 算法的初步知识，并讨论如何使用 Numpy 在 Python 中重现 DMD。
2024-10-18 22:42:41
748
原创 地理数据缺了怎么办？试试空间插值，真的很简单
在这篇文章中，我们将探讨如何在 Python 中利用空间插值技术，特别是反距离加权法（IDW），来推断缺失的空间数据点，并且会以非洲国家的人口密度为示例进行演示。在接下来的步骤中，我们将模拟一些缺失数据，并使用 IDW 方法来推断这些缺失点的值。为了测试 IDW 插值的效果，我们将在非洲地图的 GeoDataFrame 中随机选择几个国家，然后人为地将这些国家的人口密度值设为缺失值。最后，为了评估 IDW 插值的效果，我们将插值值与真实的原始值进行比较，并计算两者之间的相关性系数。进行 IDW 插值。
2024-10-18 22:23:59
890
原创 机器学习预测洪水
在数据驱动模型中，数据本身用于确定感兴趣的结果变量（即洪水）与预测数据之间的关系，而物理驱动模型则使用数据作为从已知水文关系中得出的预定数学方程的输入。相比之下，基于机器学习的洪水预报利用了数据的力量，从而可以建立更具动态性和适应性的模型。它被视为灾害（洪水本身）、暴露程度（个人可能受洪水影响的程度）和脆弱性（洪水对某些人的影响可能大于其他人的方式）的组合。洪水预报员使用复杂的模型来预测最有可能发生洪水的地方。洪水预报是应对洪水的重要工具：如果我们能够预测洪水可能发生的地点，我们就可以帮助减轻洪水的风险。
2024-10-18 22:19:22
1302
原创 绘制地理空间矢量场
取方位的平均值不能以同样的方式进行，因为方位具有360 度的圆形范围（弧度，则是 2π）。通过将方向角转换为x和y分量，然后计算这些分量的平均值，我们可以得出每个六边形单元的平均方向。相反，在方向的世界中，合理的平均值是 359 度，它是一个 2 度角和一个 356 度角的圆平均值。现在我们有了数百万个速度矢量，我们需要将它们聚合到网格单元中， 本文的例子中是六边形。现在，我们将数据聚合到六边形网格中。接下来，我们使用H3库来计算每次骑行的直线距离，并利用计算出的距离和骑行时间来计算速度（km/h）。
2024-10-18 22:16:43
1037
原创 新版ERA5下载多线程加速，看这一篇就行了
配置文件，C:\Users\user_name\下应该是没有.cdsapi配置文件的，需要自己手动创一个：可以打开记事本，然后复制、粘贴、保存，文件名为.cdsapi，内容如下图。众所周知，ERA5小时尺度以及日尺度数据下载比较困难，一方面是由于数据中心在欧洲，传输速度慢。找到下载的cdsapi库的安装目录，打开目录下的api.py，一般可以在conda环境中找到。可以按照循环内所有的文件，检测下载中断的文件，并重新下载。中断下载后，重新提交很麻烦，先找到中断的位置。单一线程，提交任务然后等待，速度慢。
2024-10-18 21:13:56
3708
4
原创 使用R优雅地绘制地图
无论是绘制土地覆盖栅格还是其他类型的矢量叠加，R语言提供了丰富的工具和函数，帮助我们更好地理解和可视化地理数据。这些数据可以是DEM，例如NASA提供的30mDEM，也可以是土地覆盖，卫星影像等等。接下来，在实际研究区图中，我们也许需要手动绘制一些点或面来突出某些区域，以点为例。由于ggplot是图层语言，土地覆盖图层叠加后，一些国家边界被遮盖，所以再重新叠加国家数据。在使用R语言进行地图绘制之前，我们需要安装一些必要的包。接下来，定义画图参数，这里只是给出一个例子，并非都设置为空，可根据自己需要。
2024-03-24 11:19:42
2206
原创 【数据分享】中国1km分辨率系列气象数据
数据包括逐月降水量、平均气温、最高气温、最低气温、潜在蒸散发，该数据集是由西北农林科技大学水土保持研究所彭守璋研究员团队研制生产，由国家地球系统科学数据中心黄土高原分中心整合提供。该数据集为中国逐月平均气温数据，空间分辨率为0.0083333°（约1km），时间为1901.1-2022.12。免费数据分享是最新的一个模块，由于种种原因，目前大多数分享数据的公众号从公开的途径获取数据，施行“转发卖课”从而“免费”分享数据。在今后所有的更新内容，依然免费更新代码，数据和课程。
2024-03-24 11:17:11
2000
1
原创 Marp：把你的Markdown文稿变成PPT
但 PPT 的制作流程就不像观看 PPT 那么容易了，即便是简单的课堂讨论或是轻松的内部交流，一份内容不多的 PPT 做起来也得费上一番工夫。Marp的中文参考文档，https://caizhiyuan.gitee.io/categories/skills/20200730-marp.html。用Markdown写PPT ，Marp的果壳主题，https://zhuanlan.zhihu.com/p/447797515。Marp使用也非常简单，其利用markdown的分隔符对PPT进行分页。
2024-03-24 11:16:31
13065
原创 R语言绘制相关性热图全总结
通过上述的结果，我们能实现顶刊1和2的效果，但是如果对于更复杂的图绘3，需要借助最新的corrplot包。相关性热图是科研论文中一种常见的可视化手段，而在地学领域，我们常常需要分析一些环境因素之间的相关性，来判断环境生物因素中是否存在相关性情况。接下来介绍ggcorrplot包，进行一个简单的绘制，ggcorrplot包是2017年开发的，比较早，所以功能也比较简单。ggcor包是2021年最新开发的包，最新，实现了更多美观地绘制，当然corrplot已经足够使用了，这里做一个简单的介绍。
2024-03-24 11:15:37
21196
4
原创 在GEE中使用S-G和Whittaker滤波
在拟合过程中，多项式的阶数和拟合窗口大小是两个关键参数，它们决定了拟合的复杂度和拟合的精度。一般来说，阶数和窗口大小应该根据数据的特征进行调整，以达到最佳的滤波效果。它可以在不降低信号分辨率的情况下去除信号中的噪声和粗糙部分，适用于各种数据类型，如光谱数据、生物信号、地球物理数据等。在细节信息上，S-G能较大程度保留一些细节信号（但这些细节信号更有可能是异常信号，如云量，噪声等等），反而产生错误的结果。与之相比，S-G滤波是使用多项式拟合来平滑信号，并且可以控制拟合的阶数和窗口大小，该方法较为粗糙。
2024-03-24 11:08:44
2648
2
原创 最新！Nature对于统计量和p值的书写建议（附全文讲解和代码）
我们在提交的稿件中遇到的最常见的问题之一是关于不同研究或不同条件之间差异的统计推断，在这些研究中，作者们比较了统计学显著性的水平，而并没有使用正式的统计学检验去比较差异的本身。这种极其有限的信息可能会产生误导性的结果，再者，在样本量非常大的研究中甚至是没有意义的（因为在样本量非常大的研究中，即使效应很小，也可以呈统计学显著性）。（如，在进行单样本t检验时，检验值是t值，而在进行卡方检验时，检验值是卡方值）检验值的大小反映了样本数据与原假设之间的偏离程度，因此它是判断原假设是否被拒绝或接受的重要依据。
2024-03-24 11:05:22
9752
原创 一文总结python裁剪tif nc并可视化
salem是xarray的扩展包，集成了一些地球科学数据处理的小工具，其中.roi函数可以根据shp文件提取感兴趣的区域。把大量的全球nc转为需要的tif时，会造成空间浪费和转换缓慢，这时候就需要先进行裁剪，而且要裁剪nc。对于空间数据，我们感兴趣的往往是其中的某一部分，对于不需要的部分需要做一些掩膜(Mask)。比如降水、气温这种数据往往是粗分辨率全球的，如CRU，而且他的存储方式是nc。是一个可选字段，用于设置裁剪的范围边界，否则会使用原图的边界。Python裁剪tiff nc全总结。
2024-03-24 11:01:34
1360
原创 GEE批量上传本地TIF到ImageCollection
高效性：GEE平台基于云计算技术，可以在分布式的计算资源上同时处理多个任务，大大提高了数据处理的效率。多种算法：GEE平台支持多种常见的遥感影像处理算法，包括影像分类、变化检测、图像重建等等，用户可以根据自己的需求选择适合的算法进行处理。大规模数据处理：GEE平台具有强大的分布式数据处理能力，支持处理海量数据，可以轻松地处理大规模的遥感影像数据，提高了数据处理的效率。总的来说，GEE平台上传本地TIF进行处理可以大大提高数据处理的效率和精度，让用户更加方便地进行遥感数据分析和应用。
2024-03-24 10:58:06
2828
2
原创 Midjourney助力科研概念图水循环图绘制
这个形式的意思是，某个单词在整个 prompt 中的权重，权重你可以理解为，如果我希望某张图中，该单词的对图片的影响变大，那么我可以用这种形式控制某个词组对图片的影响力。它是一款你通过文字描述，就可以绘制出图像的 AI 应用，他生成的图像质量之高，令人叹为观止。打头的，这类频道就是所谓的新人体验频道，新人体验频道就是midjourney为了让我们上手体验 ai 做图创建的频道，我们选择任意一个进入。命令允许您快速上传 2-5 张图像，然后查看每张图像的概念和美学，并将它们合并成一个新颖的新图像。
2024-03-24 10:42:03
1820
原创 Origin如何绘制带误差棒的散点图？
在复现之前，您的Origin版本最好是最新的2022，强烈建议更新，因为绘图方式更迭是很快的，Origin每个版本都新增了很多种绘图方式。以上两张图可以叫做带误差的散点图，都带有误差线，但是不同的是，两张图的x轴不一样，一个是连续。因为X轴连续，只能添加几个局部的误差棒，手动计算后，在表格的最后几行添加。这种情况比较麻烦，因为误差棒是手动添加的，此外还要添加线性拟合线。下面尝试用Origin复现这两张图，首先看第二个简单的。要获得填充颜色和边框颜色之间的美观配色，从。，然后选择连接线的颜色。
2024-03-24 10:39:18
7509
1
原创 R语言结构方程模型代码与理解
在 SEM 中，测量模型用来描述每个测量变量与其背后的潜在变量之间的关系，而结构模型用来描述潜在变量之间的因果关系。RMR 残差均方根 ，RMR 是样本方差和协方差减去对应估计的方差和协方差的平方和，再取平均值的平方根。NFI 规范拟合指数，变化范围在0和1间， 当为1的时候标识完全拟合。由于指标众多，也有很多取舍，但是常常使用的重要参考指标为：Chisqare/df，RMSEA ，CFI。Chisqare/df卡方值与自由度的比值，该值越小越好，一般要小于2，放宽到3也是可以接受的。
2023-06-26 20:52:43
4278
原创 R语言随机森林分析全流程
即increase in node purity，通过残差平方和来度量，代表了每个变量对分类树每个节点上观测值的异质性的影响，从而比较变量的重要性。因此，根据计算得到的各ozone重要性的值（如“IncNodePurity”），将重要性由高往低排序后，最后大约选择前4个变量就可以了。解释了约70.44%的总方差，可以理解为该回归的R2=70.44，相当可观的一个数值，表明臭氧与这些变量密切相关。根据交叉验证曲线，提示保留1个重要的变量（或前四个重要的变量）获得理想的回归结果，因为此时的误差达到最小。
2023-06-26 18:07:59
5673
11
原创 如何选择科研数据可视化的图表？
科研数据可视化的技巧和要点有很多，其中包括：选择合适的图表类型、设计易于理解的图表、使用颜色和字体来强调重点、避免使用过于复杂的图表。这些问题将作为一个框架，提供有关合适图表的建议，帮助制作和选择一个引人入胜的图表。随着大数据和云计算的发展，我们很容易就能获取大量的数据，但是将这些数据美观地展示出来不是一件容易的事情。一张漂亮的配图能让论文增色不少，但现在的图表类型越来越丰富，学者们很难选择合适的绘图类型进行可视化。有时候可视化不取决于我们的目的，而取决于我们有什么样的数据，这时候数据类型就很重要。
2023-06-14 20:51:21
1492
2
原创 从零搭建深度学习环境Tensorflo+PyTorch
官方参考链接：https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html。接下来安装显卡驱动，官方驱动链接：https://www.nvidia.com/Download/index.aspx?接下来查看电脑显卡型号是否支持CUDN，查看链接：https://developer.nvidia.com/zh-cn/cuda-gpus。CUDA的版本依赖于显卡的驱动程序版本，首先查看GPU驱动版本，win搜索NVIDIA控制面板。
2023-06-14 20:44:32
394
原创 在GEE使用线性插值和平均插值插补缺少的影像
本文利用线性平均和历史平均插值处理两种数据缺失的情况，下期利用Savitzky-Golay滤波和Whittaker滤波再对缺失的影像进行平滑并分享代码。一些遥感数据会出现整张影像缺失的情况，如下图的情况，整个6月是没有影像的。函数插值，第一个参数是待插值ImgCol，中间的参数是计算出的平均值，最后参数是在哪个尺度下进行插值。数据缺失存在两种情况，一种是局部数据缺失，一种是整张影像缺失，影像后续分析。如图所示，MODIS的某年反照率数据，可能由于云层或其他原因，有大面积缺失。
2023-06-14 20:42:26
2381
8
原创 我写了一个函数，一键绘制Nature风格全球地图...
上面的图，都是用Python绘制的，有的还有显著性划线（或显著性打点），但是对于Cartopy来说，这些操作需要很多很多的代码，如果能写成函数，一键绘制就好了。是一个模块，模块是 Python 的一种代码组织方式，它提供了一种将代码分成不同文件并将其组织在一起的方法。没有写帮助文档，转而全都写在了函数定义下面，可以查询这些关键字的具体内容并自己进一步修改。这个函数我会不断更新，来进行更多美观的绘制（如经纬度统计线，经纬刻度等等）可以后续关注。属性，若没有需要重命名，这里我的基本绘图数据单位是。
2023-06-14 20:39:50
1612
原创 方差分解分析变量筛选与显著性计算
冗余分析（redundancy analysis，RDA）是一种回归分析结合主成分分析的排序方法，也是多响应变量（multiresponse）回归分析的拓展。在进行VPA时，首先就要对这些环境因子进行一个分类，然后在约束其它类环境因子的情况下，对某一类环境因子进行排序分析，这种分析也成为偏分析，即partialRDA。在地球环境科学的实际应用中，可以基于VPA结果得出不同类型的环境因素（如何气候、土壤性质以及植物）对生物群落组成（如植被丰度，微生物群落）的解释程度。对于由或创建的排序对象，函数。
2023-06-12 22:39:22
1750
原创 java编写收发消息程序
当接收方收到发送方发送的消息后，打印发送的消息及发送方的地址和端口号，之后向发送方反馈信息“收到了！程序设计，数据收发（格式自定、数据自定），用户界面自定 ，一个接收方，一个发送方；先运行Recieve，再运行Sender。整个project可以用IDEA打开。发送方打印出接收方反馈的消息。java编写收发消息程序。
2023-06-01 17:01:48
434
原创 安装R语言（Rstudio、R、RTools）
为了编写R程序，单独的R语言肯定不够，因为需要对数据、文档、函数的批量管理，这个时候需要Rstudio。可能有些东西不满足，比如下载GitHub的包等等，这个时候，你就要安装Rtool。Rtools下载地址：https://cran.r-project.org/bin/windows/Rtools/我选择的是最新版Rtools40，64位32位兼容版本，这个可以根据自己情况合理选择。或点击Previous，下载一个之前的稳定版本，如4.1.2。之前我们已经安装好R了，因此直接下载Rstudio安装。
2023-04-13 11:36:04
2917
原创 审稿人：请给出多重检验校正后的p值
这些方法的基本思想是在保持整体错误率的前提下，对每个检验的显著性水平进行调整，以确保正确地控制整体错误率。在进行多个统计检验时，如果使用标准的显著性水平（例如，P < 0.05）来判断每个检验的结果是否显著，那么进行大量检验的情况下可能会出现误差。多重检验后P值校正是一种统计学方法，用于调整进行多次统计检验时得到的P值，以降低发生错误（即错误地拒绝原假设）的风险。校正结果如上表，根据Bonferroni法校正后的p值，能说明Sun和Thur的差异比Sun和Sat的差异更大。
2023-04-12 23:45:38
2095
原创 ArcGIS在线底图资源美化科研论文地图
调整好后切换到布局视图（Layout View）添加图例，通过Insert——Lengend添加，再把添加好的图例右键Convert to graphics——Ungroup——Ungroup，进行排列，结果如图。右键图层空白处——Properties——Grid——New Grid——下一步——Intervals输入180latitude和360longtitude——下一步——Major division和Minor全都去掉勾选。通过右键图片——设置图片格式——略微降低对比度。1.加载在线底图服务。
2023-04-01 20:29:57
1066
原创 水系图怎么找？最全方式总结
在地图制作和可视化方面，水系图是一个非常实用的工具，能够使人们更好地理解地理空间中的水文关系。它是由水体、河流、溪流、湖泊、水库等组成的水文系统的视觉化表示。但这个软件是收费的，而且很贵，其实如果需要矢量，在OSM里或者公开的水系数据都可以找到。包括中国水系面、水系线、水系点数据图层，数据来源1：100万地形数据（2017版）。然而，由于某些原因，寻找固定区域的水系图很困难，本文总结了以下方式。可以批量下载中国区域的矢量要素，优点是足够全，但缺点是非官方。优点是可以按照区域选择水系，导出矢量。
2023-04-01 19:58:36
13525
12
原创 坐标系不一致？GIS最全重投影方法
选择你想要转换数据的目标坐标系，如最常见的WGS84地理坐标系等等，这里我想要数据和已有数据（土壤湿度）坐标系一致，选择导入土壤湿度的坐标系，点击地球图标，Import。也可以自己修改Nodata的值，这里Nodata默认为128，会增加额外的存储开销，所以这里给了提示，点击Yes忽略即可。加载数据，若加载数据的过程中，出现以下提示，则说明坐标系不一致，建议转换。，这个投影操作直接改了源数据，是不可逆的，而且会造成空间参考的混乱。之后选择想要修改坐标系的数据，右键数据——导出数据。利用QGIS修改坐标系。
2023-04-01 19:50:23
8357
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人