栅格数据

GeoTrellis 一、概述 GeoTrellis是一个高性能程序的地理数据处理引擎。 GeoTrellis是一个用Spark处理栅格数据的Scala库和框架。 GeoTrellis 能够非常快的读/写/操作栅格数据，他实现了很多的地图几何操作。支持渲染栅格数据为PNG格式，并且支持把栅格文件元信息保存为JSON格式，他致力于依赖网速实现栅格处理和提供大规模栅格的并行处理的REST服务接口。 二、模块及概念 三、数据输入 本地系统：GeoTiff，JPG，PNG，GeoJson(矢量)，WKT/WKB(矢量)，ShapeFile(矢量) 数据库：PostGIS(矢量) 分布式文件系统 ： HDFS 其他：S3 ​ 四、数据存储/输出 NoSQL数据库 : HBase / Accumulo/ Cassandra 文件系统 : GeoTiff ，PNG/JPG ，GeoJson(矢量) 分布式文件 : HDFS 其他 : GeoMesa(矢量)，GeoWave(矢量)，S3 五、数据处理 5.1 三个分类 I/O : GeoTrellis 允许像在本地硬盘上读写数据那样用GeoTrellis处理数据。 处理：GeoTrellis 支持对栅格数据的多种操作，包括切割，采样，地图几何操作，渲染，矢栅转换，核密度等。 WEB服务：GeoTrellis提供了工具集帮助创建有用的

一、引言 栅格数据空间分析（What） 栅格数据结构简单、直观，点、线、面等地理实体采用同样的方式存储，便于快速执行叠加分析和各种空间统计分析。基于栅格数据的空间分析在ArcGIS 中占有重要地位，空间建模的基本过程也是通过栅格数据的空间分析进行的。 二、栅格数据的基础知识 · 栅格数据是由按行和列（或格网）组织的单元（或像素）矩阵组成的，每个单元都包含一个信息值。栅格数据一般分为两类：专题数据和图像数据。 专题数据的栅格值 表示某种测量值或某个特定现象的分类，如高程（值）、污染浓度或人口（数量）等； 图像数据的栅格值 表示诸如卫星图像或照片等的反射或发射的光或能量。 ArcGIS中的空间分析模块主要是针对专题栅格数据的。 1、栅格数据的组成 1.1 单元：单元是特定区域的方块，所有单元大小相投。单元以行和列的形式排列，组成了一个笛卡尔矩阵，每个单元有唯一的行列地址。 栅格数据表示内容的详细程度取决于栅格单元的大小。如果过大，则分析结果精度降低；如果过小，则会产生大量的冗余数据，并且计算速度降低。因此，选择合适的单元大小，对栅格数据的空间分析非常重要。 1.2 值：每个单元被分配一个特定的值以标识或描述单元归属的类或组，或所描述现象的大小或数量。空间分析模块既支持整型值，也支持浮点值。一般而言，分类数据用整型值表示最佳，连续表面则用浮点型值表示。 1.3 分区和区域

很多时候，我们需要得到矢量数据区域所对应栅格数据的像元统计值（求平均、求和等），然后将获得的统计值赋给矢量图层的属性表，在ArcGIS中操作如下：（PS:第一次写技术文章，望大家多多体谅与支持，么么哒） 1、栅格统计：统计栅格数据，按照需要（求和、求平均）用所需要的矢量数据（矢量目标图层）进行统计，（注：考虑到统计分析较为常见，第一步前期并未实例截图）。 2.栅格转矢量：将统计出栅格图层转换为矢量点图层：Raster to Point： 3.矢量点图层赋值：将第一步统计的栅格图层象元值赋给刚第二步转换的矢量点图层：Extract Values to Point: 4.图层空间关联：将第三步得到的带有栅格象元值属性的点图层与矢量目标图层（第一步统计用到的矢量图层）关联 ：Spatial Join： 5.转换成功：在目标图层的属性表中既有栅格图层的象元值属性字段 来源： https://www.cnblogs.com/tysutopia/p/4429149.html

https://blog.csdn.net/hrsstudy/article/details/70305791 You Only Look Once:Unified, Real-Time Object Detection 作者提出了一种新的物体检测方法YOLO。YOLO之前的物体检测方法主要是通过 region proposal 产生大量的可能包含待检测物体的 potential bounding box，再用分类器去判断每个 bounding box里是否包含有物体，以及物体所属类别的 probability或者 confidence，如R-CNN,Fast-R-CNN,Faster-R-CNN等。 YOLO不同于这些物体检测方法，它将物体检测任务当做一个 regression 问题来处理，使用一个神经网络，直接从一整张图像来预测出bounding box 的坐标、box中包含物体的置信度和物体的probabilities。因为YOLO的物体检测流程是在一个神经网络里完成的，所以可以 end to end 来优化物体检测性能。 YOLO检测物体的速度很快，标准版本的YOLO在Titan X 的 GPU 上能达到45 FPS。网络较小的版本Fast YOLO在保持mAP是之前的其他实时物体检测器的两倍的同时，检测速度可以达到155 FPS。 相较于其他的state-of-the

7.7、陆地与波浪演示程序 在本小节中，我们将展示如何构建“陆地与波浪”演示程序： 构建一个三角形栅格（grid），并通过将其中的顶点设置到不同的位置来创建 地形 再构建一个三角形栅格（grid），通过动态的改变其顶点高度来创建 波浪 此示例还会 针对不同的常量缓冲区来切换所使用的根描述符 ，这可以让我们不需要设置CBV描述符堆 7.7.1、生成栅格顶点 为了生成地形和波浪，我们首先要构建三角形栅格（grid），这里我们不进行详细的数学分析，直接给出结论： \[ 在xz平面上，第i行、第j列栅格顶点的坐标可以表示为：v = [-0.5w + j*dx, 0.0f, 0.5d - i*dz] \] 其中w为栅格的总宽度（宽），dx为每一个小四边形的宽度，d为栅格的总深度（长），dz为每一个小四边形的深度， （其实可以把栅格理解成一个由许多小四边形组成的大四边形） 下面是生成栅格顶点的代码： /* ** Summary：生成栅格顶点 ** Parameters： ** width：栅格的宽度 ** depth：栅格的深度 ** m：行数 ** n：列数 ** Return：栅格的网格数据 */ GeometryGenerator::MeshData GeometryGenerator::CreateGrid(float width, float depth, uint32 m,

原文发布时间：2010-04-20 作者：毛毛虫 这个例子是一个中心线提取示例： 对于一些相当好的栅格类型（或并不是十分糟糕的栅格）例如，使用GIS包从矢量数据产生的栅格。如果源矢量数据丢失，我们可以尝试矢量化栅格数据。 下面是一个Google Maps图片（png格式）： 下面是提取道路的过程，如下： 使用转换器RasterCellCoercer把栅格转换为点图层，使用PointOnRasterValueExtractor提取栅格单元格的相关波段信息，后面连续添加三个ListIndexer、AttributeCopier转换器， 设置如下： 提取R、G、B三个波段的信息。 通过对源栅格数据中的分析，得出道路点（灰色）的R、G和B相当接近，我们使用ExpressionEvaluator转换器设置下列表达式来判断： (abs(@Value(_red)-@Value(_green))<=3?1:0)&&(abs(@Value(_red)-@Value(_blue))<=3)?1:0 这个表达式的意思是G和B波段跟R波段相差小于等于三时结果为1，否则结果为0。 提取出道路（带有道路标注）的图示为： 类似的得出黄色道路（这个表达式是说对于黄色的部分，G波段很接近R波段，而蓝色波段要明显的小于B波段）计算的表达式为： (abs(@Value(_red)-@Value(_green))<=4

作者：阿振 邮箱：tanzhenyugis@163.com 博客： https://blog.csdn.net/theonegis/article/details/80089375 修改时间：2018-05-25 声明：本文为博主原创文章，转载请注明原文出处 HDF HDF（Hierarchical Data Format）由NCSA（National Center for Supercomputing Applications）设计提出，官方对其定义是：HDF5 is a unique technology suite that makes possible the management of extremely large and complex data collections. HDF supports n-dimensional datasets and each element in the dataset may itself be a complex object. HDF是对HDF数据模型，数据格式以及HDF库API等一系列技术的总称. HDF的最新版本是HDF5. HDF数据模型基于组（groups）和数据集（datasets）概念：如果把HDF数据比作磁盘，那么组相当于文件夹，数据集相当于文件。组和数据集都有用户自定义的属性（attributes）.

DEM数据分幅成果，无效区域是-9999.0，直接做镶嵌，重叠区域选择了平均值，结果发现很多接边处出现了-4999.0的值，原因在于没设置分幅影像的NODATA值。 DEM镶嵌重叠区一般不宜选择最大值，因为有时会产生很明显的过渡不均匀。 用arcgis-栅格工具-编辑栅格属性，就可以设置NODATA值。 来源：博客园 作者： 护羊犬 链接：https://www.cnblogs.com/geosnoob/p/11589709.html

1.gdal包简介 gdal是空间数据处理的开源包，其支持超过100种栅格数据类型，涵盖所有主流GIS与RS数据格式，包括Arc/Info ASCII Grid(asc)，GeoTiff (tiff)，Erdas Imagine Images(img)，ASCII DEM(dem) 等格式。 2.安装gdal包 （1）通过此链接查找并下载gdal包： https://www.lfd.uci.edu/~gohlke/pythonlibs/#pygame （根据自己的系统及python版本选择对应的gdal包） （2）在dos命令行下切换到包所在的文件夹，并运行pip install 包名进行安装。 3.读取栅格数据 #导入gdal包 from osgeo import gdal #导入numpy包（支持高维数组和矩阵运算，也提供了许多数组和矩阵运算的函数） import numpy as np #打开文件 dataset=gdal.Open("fdem.tif") #栅格矩阵的列数 im_width = dataset.RasterXSize #栅格矩阵的行数 im_height = dataset.RasterYSize #波段数 im_bands = dataset.RasterCount #仿射矩阵，左上角像素的大地坐标和像素分辨率。 #共有六个参数，分表代表左上角x坐标

CSS 网格布局(Grid Layout) 是CSS中最强大的布局系统。 这是一个二维系统，这意味着它可以同时处理列和行，不像 flexbox 那样主要是一维系统。 你可以通过将CSS规则应用于父元素（成为网格容器）和该元素的子元素（网格元素），来使用网格布局。 引言 CSS网格布局（又名“网格”）是一个二维的基于网格的布局系统，其目的只在于完全改变我们设计基于网格的用户界面的方式。 CSS一直用来布局网页，但一直都不完美。 一开始我们使用table 做布局，然后转向浮动、定位以及inline-block，但所有这些方法本质上都是 Hack 的方式，并且遗漏了很多重要的功能（例如垂直居中）。 Flexbox的出现在一定程度上解决了这个问题，但是它的目的是为了更简单的一维布局，而不是复杂的二维布局（Flexbox和Grid实际上一起工作得很好）。 只要我们一直在制作网站，我们就一直在为解决布局问题不断探索， 而Grid是第一个专门为解决布局问题而生的CSS模块。 有两个东西，启发我写这篇指南。 第一个是雷切尔·安德鲁（Rachel Andrew）的书为 CSS Grid布局准备 。 这本书对网格布局做了彻底、清晰的介绍，也是是整篇文章的基础，我强烈建议你购买并阅读他的书。 我的另一个重要灵感是 Chris Coyier的Flexbox完全指南 ，当需要查阅 flexbox