Spatial | 易学教程

Why does st_intersection return non-polygons?

阅读更多关于 Why does st_intersection return non-polygons?

问题 I have two polygon layers. I want to run st_intersection on them, to give the result of the areas where they overlap as a new layer. The new layer should contain the attributes from both input layers. I found this image which seems to illustrate my desired end results. My two input layers are both polygons: SELECT st_geometrytype(geom), COUNT(*) FROM a GROUP BY st_geometrytype(geom) -- Result is 1368 st_polygons SELECT st_geometrytype(geom), COUNT(*) FROM b GROUP BY st_geometrytype(geom) --

How to create grid for coordinates for Prediction in R

阅读更多关于 How to create grid for coordinates for Prediction in R

问题 I'm using Gaussian Process model for prediction, and I'm now at the point where I need to use Grid file based on the coordinates I have in my data but I don't have one and I don't know how to create it. I followed the post on this link , but it shows the grid on Pennsylvania not Chicago where my data coordinates located! So I'm confused which will be the ideal way to create grid file including the other columns in the data. station <- data.frame(lat = c(41.997946, 41.960669, 41.960669, 41

st_join on geometry and grouping column together

阅读更多关于 st_join on geometry and grouping column together

问题 If you have spatial point and polygon time series data, how do you do a spatial join/merge and "normal" merge of a non-spatial variable together? Point data over years that I want to merge into yearly polygons and then summarise ( xvar ) by year: #spatial point data by year library(sf) set.seed(10) df_point <- data.frame(id = c(1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 4, 4, 5, 5, 6, 6, 7, 7), year = c(2016, 2017, 2018, 2019, 2016, 2017, 2018, 2019, 2016, 2017, 2016, 2017, 2016, 2017, 2016, 2017, 2016,

st_join on geometry and grouping column together

阅读更多关于 st_join on geometry and grouping column together

计算机组成与设计（十二）—— 存储层次结构（二）

阅读更多关于计算机组成与设计（十二）—— 存储层次结构（二）

高速缓存的原理 cpu和内存的速度差距越来越大，计算机的性能受到影响，而高速缓存的出现挽救了这一局面。为什么在cpu和主存直接添加一个容量很小、速度更快的高速缓存能增加计算机的性能呢？程序的局部性原理这是一个经验性结论：计算机程序从时间和空间都表现出局部性。时间局部性（ Temporal Locality ）：最近被访问的存储单元（指令或数据）很快会被访问例如： for ( int i = 0 ;i < 100 ;i++ ) for ( int j = 0 ;j < 100 ;j++ ) sum += a[i][j]; 其中的sum、判断指令、加法指令、递增指令都会马上被访问空间局部性（ Spatial Locality ）：正在被访问的存储单元附近单元很快会被访问例如，a[i][j]的附近的元素很快会被访问 Cache对局部性的利用 Cache对空间局部性的利用从主存中取出待访问的数据时，会同时取回相邻位置的主存单元的数据以数据块为单位与主存进行数据交换 Cache对时间局部性的利用保存最近被频繁访问的数据元素 Cache的访问过程具体是如何实现的呢？示例过程： 1、由于是16个字节对齐，所以从2010H开始读取数据。每个块16个字节，所以最低位刚好表示在块中的索引，倒数第二位表示块的索引。所以第一次是分配表项1，为命中，将标签设为20H，有效位改为1

GEE,ISPRS,2020

阅读更多关于 GEE,ISPRS,2020

ISPRS, 2020, GEE,好文阅读 01 冬天和阅读更配哦 ISPRS Journal of Photogrammetry and Remote Sensing The ISPRS Journal of Photogrammetry and Remote Sensing (P&RS) is the official journal of the International Society for Photogrammetry and Remote Sensing (ISPRS). The Journal provides a channel of communication for scientists and professionals in all countries working in the many disciplines that employ photogrammetry , remote sensing , spatial information systems , computer vision , and related fields. The Journal is designed to serve as a source reference and archive of advancements in these disciplines. The

ResNet、Faster RCNN、Mask RCNN 是专利算法吗？盘点何恺明参与发明的专利

阅读更多关于 ResNet、Faster RCNN、Mask RCNN 是专利算法吗？盘点何恺明参与发明的专利

点击上方“ 迈微AI研习社 ”，选择“ 星标★ ”公众号重磅干货，第一时间送达仅作学术分享，不代表本公众号立场，侵权联系删除转载于：我爱计算机视觉，52CV君 AI博士笔记系列推荐周志华《机器学习》手推笔记正式开源！可打印版本附pdf下载链接前段时间OpenCV正式将SIFT算法的实现从Non-free模块移到主库，因SIFT专利到期了（专利授权后，从申请日开始有20年的保护期）。美国林肯总统称 "专利制度是给天才之火浇上利益之油" ,专利保护了申请人的利益，促进了科技的进步，但现在也有越来越多的滥用专利权对产业机构敲诈的案例出现。 SIFT 专利权的终结让我们不得不思考，还有哪些著名的算法被申请了专利？对于做研究的朋友来说不需要考虑这个问题，专利算法依然可以参考、复现、对比，但对于产业界朋友就不得不确认清楚：项目中有没有可能使用了别人专利保护算法。作为计算机视觉领域当今翘楚，两度获得CVPR 最佳论文奖的何恺明大佬有很多论文都具有重大影响力。其部分论文引用数据：残差网络 ResNet 被引用 51939 次、目标检测算法 Faster RCNN 被引用 20291 次、实例分割算法 Mask RCNN 被引用 7249 次，暗通道去雾被引用 4274 次，这些知名的算法有成百上千的开源实现，也肯定被大量的商业公司使用，有没有被申请专利？想想 ResNet

空间数据库基础理论 GIS空间数据处理分析涉及的基本概念

阅读更多关于空间数据库基础理论 GIS空间数据处理分析涉及的基本概念

《空间数据库》课程整理汇总，106篇课程，内容太长，学习中，把一些关键点，汇总记下笔记地理空间 GIS中的地理空间（Geo-spatial）是指经过投影变换后，在笛卡尔坐标系中的地球表层特征空间。它是地理空间的抽象表达，是信息世界层面的地理空间。地理空间由地理空间定位框架及其所连接的地理空间特征实体组成。地理空间定位框架即大地测量控制，为建立所有地理数据的坐标位置提供通用参考系统，将所有地理要素同平面及高程坐标系连接。地理空间特征实体则为具有形状、属性和时序性的空间对象。空间数据空间数据是对空间事物的描述，空间数据（Spatial Data）实质上就是指以地球表面空间位置为参照，用来描述空间实体的位置、形状、大小及其分布特征诸多方面信息的数据。空间数据（Spatial Data）是一种带有空间坐标的数据，包括文字、数字、图形、影像、声音等多种方式。空间数据是对现实世界中空间特征和过程的抽象表达，用来描述现实世界的目标，它记录地理空间对象的位置、拓扑关系、几何特征和时间特征。位置特征和拓扑特征是空间数据特有的特征。此外，空间数据还具有定位、定性、时间、空间关系等特性。空间数据量是巨大的，通常称海量数据。之所以称为海量数据，是指它的数据量比一般的通用数据库要大得多。一个城市地理信息系统的数据量可能达几十GB，如果考虑影像数据的存贮，可能达几百个GB

Calculate minimum distance between multiple polygons with R

阅读更多关于 Calculate minimum distance between multiple polygons with R

问题 I'm still somewhat new to R and the sf package... I have two sets of multipolygon data that I am trying to analyze. My first set of polygons (fires) contains hundreds of wildfire perimeters. The second set (towns) contains hundreds of urban areas boundaries. For each fire, I would like to calculate the distance to the closest town (fire polygon edge to closest town polygon edge), and add that as a field to each fire. So far I have mostly been using the sf package for spatial data. In my

Calculate minimum distance between multiple polygons with R

阅读更多关于 Calculate minimum distance between multiple polygons with R

订阅 Spatial