《遥感大模型生产级实战:从数据到决策的端到端AI工程》系列第一部分:AI遥感工程师的基础设施与工具链-文章 4:传统遥感分析与机器学习基线

机器学习工程师必备的6个高价值技术博客清单 机器学习不是纯算法竞赛,而是涵盖数学直觉、框架底层、生产部署的全栈工程实践。理解BatchNorm失效原理、ONNX跨平台兼容性、实验元数据管理等核心概念,是突破模型效果瓶颈与线上服务延迟的关键。这些能力依赖可验证的失败归因、实时演进的技术判断和跨栈互操作指南——而非泛泛而谈的调参技巧或流量导向的碎片知识。本文聚焦六家经三年以上工业项目验证的结构化技术博客,覆盖PyTorch/TensorFlow底层机制、大模型工程化落地、边缘部署陷阱等真实场景,为算法工程师提供可立即复用的信息坐标系。 阅读详情

目录

第一章:引言:基线——所有科学进步的基石

1.1 什么是基线?为什么它至关重要?

1.2 遥感AI中的基线模型谱系:从零阶到三阶

1.3 本章与全系列的衔接:从“已知”到“未知”

1.4 实战项目概述:为智慧农业构建一个作物分类基线

第二章:传统遥感分析工作流:从像素到特征

2.1 工作流概览:一个经典案例

2.2 数据预处理:为分析“铺平道路”

2.2.1 辐射定标与大气校正:从DN到地表反射率

2.2.2 几何校正与正射校正:消除几何畸变

2.2.3 影像融合与Pansharpening:融合空间与光谱信息

2.3 特征工程:遥感分析的“艺术”

2.3.1 光谱特征:植被指数、水体指数与土壤指数

22.3.2 纹理特征:描述像素的空间排列

2.3.3 空间与上下文特征:邻域与形态学

2.3.4 面向对象的特征:从像素到对象

2.4 实战:使用Python构建一个完整的特征提取流水线

第三章:经典机器学习在遥感中的应用:从特征到洞察

3.1 机器学习项目生命周期

3.2 模型选择:为正确的工作选择正确的工具

3.2.1 监督学习:分类与回归

3.2.2 非监督学习:聚类与降维

3.3 实战:构建一个作物分类的随机森林基线模型

3.3.1 数据准备:加载特征与标签

3.3.2 模型训练:使用Scikit-Learn

3.3.3 模型评估:精度、Kappa与混淆矩阵

3.3.4 模型解释:特征的重要性

3.3.5 将预测结果渲染成地图

3.4 基线的局限性与通往大模型之路

第四章:模型评估与性能调优:超越精度

4.1 评估指标的深度解析:超越总体精度

4.1.1 混淆矩阵的深度解读

4.1.2 面向多类别的指标:精确率、召回率、F1分数

4.1.3 面向不平衡数据的指标:Kappa系数、马修斯相关系数

4.1.4 面向概率预测的指标:ROC曲线、AUC、PR曲线

第五章:结果可视化与报告撰写

5.1 使用Matplotlib和GeoPandas进行静态可视化

5.1.1 绘制分类结果地图

5.1.2 可视化特征重要性

5.1.3 绘制混淆矩阵和ROC曲线

5.2 创建交互式Web地图:让结果“活”起来

5.2.1 使用Folium创建交互式地图

5.3 撰写一份技术报告:从代码到文档

5.3.1 技术报告的结构与要素

5.3.2 使用Jupyter Book生成报告

第六章:基线的局限性与通往大模型之路

6.1 特征工程的瓶颈:人力与智慧的极限

6.2 泛化能力的局限:从“知其然”到“知其所以然”

6.3 对标注数据的依赖:昂贵且稀缺的“燃料”

6.4 总结:为什么我们需要大模型

第一章:引言:基线——所有科学进步的基石

在科学和工程的任何一个领域,进步都不是凭空产生的。它建立在一个坚实的、可验证的基础之上。这个基础,就是我们所说的基线。在遥感AI这个日新月异的领域,尤其是在我们即将深入探讨大模型这一前沿技术之前,花时间来理解、构建并精通一个基于“传统”方法的基线系统,是至关重要的。本章将作为连接我们已掌握的“工具”与即将学习的“模型”之间的桥梁,确保我们的每一步前行都有据可依。

1.1 什么是基线?为什么它至关重要?

基线,在最简单的定义中,是一个用作比较标准的简单模型或系统。它是在没有使用任何高级、复杂技术的情况下,能够达到的最低性能水平。在药物试验中,新药的疗效必须与安慰剂(一种零阶基线)进行比较;在计算机视觉中,一个新的图像识别算法必须与手工设计的特征加上传统分类器(一种二阶基线)进行比较。
在遥感AI项目中,建立一个强大的基线模型至关重要,原因如下:

  • 量化改进: 基线提供了一个客观的度量衡。当我们花费巨大努力训练了一个复杂的深度学习或大模型后,我们如何知道它真的“更好”?只有通过与基线模型在相同的测试集上进行性能比较,我们才能量化地说:“我们的新模型将总体精度从85%提升到了92%。”没有基线,任何关于“性能提升”的说法都只是主观臆断,缺乏科学依据。
  • 防止“幻觉”: 大模型技术充满了令人兴奋的“魔力”,很容易让人陷入一种技术崇拜,认为模型越复杂,效果就一定越好。一个扎实的基线是防止这种“技术幻觉”的清醒剂。如果一个耗资百万、训练数周的巨型模型,其性能仅仅比一个用几十行代码、几分钟就能训练好的随机森林模型高出1%,那么我们就必须反思,这种微小的提升是否值得其巨大的成本和复杂性。
  • 提供问题诊断的起点: 当一个复杂的模型表现不佳时,我们很难判断问题出在哪里:是模型架构的问题?是训练数据的问题?还是超参数设置的问题?而一个简单的基线模型通常更容易调试和理解。如果连基线模型都无法在数据上学到任何有意义的模式,那么问题很可能出在数据本身,而不是模型。
  • 快速迭代的工具: 在项目初期,一个简单的基线模型可以快速搭建和部署,为业务提供一个“可用”的初步解决方案。与此同时,研发团队可以并行开发更复杂的模型。这种策略使得业务不会等待技术,而技术可以基于一个已经运行的系统进行迭代。
1.2 遥感AI中的基线模型谱系:从零阶到三阶

基线并非单一的概念,它存在一个谱系,我们可以根据其复杂度和性能将其分为几个层次:

  • 零阶基线: 这是最简单的基线,通常基于一些简单的统计规则或随机猜测。例如,对于一个土地覆盖分类任务,一个零阶基线可以是“将所有像素都预测为最常见的类别”。这个基线的性能通常很低,但它提供了一个绝对的性能下限。
  • 一阶基线: 这类基线基于一些专家知识和简单的规则。例如,在农业监测中,一个一阶基线可以是:“如果NDVI > 0.6,则该区域为‘健康作物’;否则为‘不健康作物’”。这类基线通常比零阶基线要好,并且具有很好的可解释性,但其规则是固定的,缺乏适应性。
  • 二阶基线: 这是我们本章将要重点构建的基线。它使用经典的机器学习模型(如随机森林、支持向量机、梯度提升树)结合人工设计的特征(如NDVI、纹理等)来进行预测。这类基线在过去二十年中是遥感应用的主流,性能强大,并且通常具有很好的可解释性。
  • 三阶基线: 这指的是使用深度学习模型(如CNN、U-Net)的基线。这些模型能够自动从原始数据中学习特征,避免了繁琐的人工特征工程。通常,一个三阶基线的性能会优于二阶基线,但它的训练成本更高,且可解释性较差。而我们最终要构建的“遥感大模型”,则可以看作是三阶基线的进一步扩展,它通过在海量无标签数据上进行预训练,获得了更强的泛化能力和少样本学习能力。
    本系列的目标,最终是构建一个超越所有传统基线的“生产级大模型”。但为了做到这一点,我们必须首先在二阶基线上打下坚实的基础。
1.3 本章与全系列的衔接:从“已知”到“未知”

本章是整个系列承上启下的关键。它将充分利用我们在前三章中搭建的一切:

  • 基础设施(文章2): 我们将在Docker容器中运行所有的Python代码,确保环境的一致性。
  • 数据湖(文章3): 我们将从我们自己构建的Silver层数据湖中读取预处理好的、标准化的数据。
  • 工具链: 我们将使用rasterio, geopandas, scikit-learn等成熟的Python库来完成所有工作。
    我们将把这些“已知”的、可靠的工具和流程,组合成一个完整的、端到端的、可运行的“智慧农业作物分类”系统。通过这个实战项目,你将亲身体会到,即使不使用任何深度学习技术,我们也能构建出一个性能相当不错的生产级应用。
    更重要的是,本章的结尾将是对这个“已知”系统的深刻反思。我们将系统地分析其优点和局限性,特别是它在特征工程、泛化能力和数据依赖上的瓶颈。这些局限性,正是催生后续章节将要介绍的自监督预训练、多模态融合、时空建模等大模型技术的根本原因。因此,本章不仅是一个终点(一个完整的基线系统),更是一个起点(通往大模型之路的起点)。
1.4 实战项目概述:为智慧农业构建一个作物分类基线

为了将理论与实践紧密结合,本章将围绕一个具体的生产级项目展开:为智慧农业构建一个作物分类基线模型。
项目目标: 给定一个区域的Sentinel-2影像和对应的土地覆盖真实标签,训练一个机器学习模型,能够将影像中的每个像素分类为不同的作物类型(如玉米、大豆、棉花等)或非作物类别(如水体、建筑、裸地)。
技术路线:

  1. 数据源: 从我们的数据湖的Silver层读取已经过预处理(大气校正、坐标系统统一)的Sentinel-2影像。
  2. 特征提取: 编写一个Python脚本,对影像进行像素级的特征提取,包括:
    • 光谱特征: 计算多个波段(如红、绿、近红外、短波红外)的反射率值。
    • 光谱指数: 计算NDVI、EVI、NDWI、NDBI等多种指数。
    • 纹理特征: 基于灰度共生矩阵(GLCM)计算对比度、相关性、熵等纹理特征。
  3. 模型训练: 使用scikit-learn库训练一个随机森林分类器。选择随机森林是因为它在表格型数据上通常表现优异,训练速度快,并且能提供特征重要性,便于模型解释。
  4. 模型评估: 使用独立的测试集评估模型性能,计算总体精度、Kappa系数,并绘制混淆矩阵。
  5. 结果可视化: 将分类结果渲染成一张彩色的土地覆盖地图。
    通过这个项目,你将完整地走完一个传统遥感AI项目的全过程,并对其中每个环节的挑战和解决方案有深刻的理解。

第二章:传统遥感分析工作流:从像素到特征

传统遥感分析工作流是一个结构化的过程,它将原始的、充满噪声的卫星数据,转化为有意义的、可供分析的信息。这个过程的核心是特征工程,它被誉为遥感应用的“艺术”,因为它需要深厚的领域知识来设计和选择能够最好地描述地物特征的计算指标。本章将详细拆解这个工作流,并为我们的基线项目准备数据。

2.1 工作流概览:一个经典案例

一个典型的遥感应用(如土地覆盖分类)的经典工作流可以概括为以下步骤:

  1. 数据获取: 获取原始的卫星影像(Level-1或Level-2级)。
  2. 数据预处理: 对原始影像进行一系列校正,以消除传感器、大气和地形带来的误差。
  3. 特征提取: 从预处理后的影像中,通过计算,提取出能够区分不同地物的特征。
  4. 模型训练与分类: 使用提取的特征和对应的标签,训练一个分类器,并用它对整幅影像进行分类。
  5. 后处理与精度评估: 对分类结果进行平滑、过滤等后处理,并使用地面真实数据评估分类精度。
2.2 数据预处理:为分析“铺平道路”

原始的卫星影像(Level-1级)记录的是传感器接收到的辐射亮度值,这些值受到大气散射、太阳高度角、传感器响应等多种因素的影响,并不能直接反映地物的真实物理属性。因此,在进行任何有意义的分析之前,必须进行严格的预处理。

2.2.1 辐射定标与大气校正:从DN到地表反射率
  • 辐射定标:将影像的原始数字值转换为具有物理单位的大气顶层辐射亮度。
  • 大气校正:消除大气散射和吸收对辐射亮度的影响,将其转换为地表反射率。地表反射率是一个无量纲的值(0-1),它表示地表反射的太阳辐射能量与到达地表的太阳总辐射能量的比值。
    为什么它至关重要?
    只有转换为地表反射率,不同时间、不同传感器获取的影像才具有可比性。例如,同一片森林,在夏季和冬季的太阳高度角不同,其原始DN值会差异巨大,但其地表反射率是相对稳定的。没有大气校正,我们无法进行可靠的时序分析或多源数据融合。
    实战代码示例:
    虽然我们的数据湖中的数据可能已经过大气校正,但理解其原理和实现方式至关重要。py6S是一个可以模拟大气校正过程的Python库。然而,在实际生产中,我们通常使用已经过校正的数据(如Sentinel-2 L2A级产品)。
import rasterio
import numpy as np
import matplotlib.pyplot as plt
# 假设我们有一个L1级影像和一个L2级影像
# 这里我们只是模拟读取一个L2级影像来展示
# 在我们的项目中,数据湖中的数据已经是L2级
# 读取一个波段
with rasterio.open('path/to/sentinel2_l2a_band.tif') as src:
    red_band = src.read(4) # 读取红光波段
    profile = src.profile
# 显示影像
plt.figure(figsize=(10, 8))
plt.imshow(red_band, cmap='gray')
plt.title("Red Band (Surface Reflectance)")
plt.colorbar(label="Reflectance")
plt.show()
print(f"Data type: {red_band.dtype}")
print(f"Reflectance range: {np.min(red_band)} to {np.max(red_band)}")

这段代码展示了如何读取一个已经过大气校正的波段,并可视化其反射率值。我们可以看到,其值通常在0到0.5之间,这是地表反射率的典型范围。

2.2.2 几何校正与正射校正:消除几何畸变
  • 几何校正:消除由于地球曲率、地形起伏和传感器扫描方式等引起的几何畸变,使得影像上的像元具有正确的地理坐标。
  • 正射校正:几何校正的一种高级形式,它将影像投影到一个地图投影坐标系(如UTM),生成一幅具有地图精度的正射影像。
    为什么它至关重要?
    没有经过正射校正的影像,就像一张通过哈哈镜看到的地图,存在扭曲、变形和比例失调。在这样的影像上,我们无法进行准确的距离、面积量算,也无法与其他地理数据(如矢量边界)精确叠加。
    在我们的项目中,我们数据湖中的所有影像都已经被精确地配准到WGS84地理坐标系,这为我们后续的分析提供了坚实的基础。
2.2.3 影像融合与Pansharpening:融合空间与光谱信息

许多卫星(如Landsat 8, Sentinel-2)同时提供两种数据:

  • **多光谱影像:**具有多个光谱波段,但空间分辨率较低(如10m, 30m)。
  • **全色影像:**只有一个很宽的光谱波段,但空间分辨率很高(如15m, 15m)。
    **Pansharpening(全色锐化)**是一种技术,它将高分辨率的全色影像的空间细节与多光谱影像的光谱信息融合起来,生成一幅既具有高空间分辨率又具有多光谱信息的影像。
    为什么它至关重要?
    Pansharpened影像能够让我们看到更精细的地物细节(如田埂、小型道路),同时保留了进行地物识别所需的光谱信息,这对于精细化的农业监测至关重要。
    在我们的项目中,我们可以选择使用原始的10m分辨率数据,或者使用Pansharpened后的更高分辨率数据(如果可用),这取决于我们的具体需求。
2.3 特征工程:遥感分析的“艺术”

特征工程是传统遥感工作流的核心和灵魂。它的目标是设计出一组能够有效区分不同地物类别的计算指标。这些特征是基于像素的DN值(或反射率值)及其邻域关系计算出来的。

2.3.1 光谱特征:植被指数、水体指数与土壤指数

光谱特征利用不同地物在不同波长下的反射率差异来区分它们。其中,植被指数是最著名和最广泛应用的一类。

  • 归一化植被指数:
    NDVI是监测植物生长状态和植被覆盖度的最佳指标。它利用了植被在近红外波段(NIR)有高反射,而在红光波段有低反射的特性。
    公式: NDVI = (NIR - Red) / (NIR + Red)
    值域: [-1, 1]。对于植被,NDVI值通常在0.2到0.8之间。
  • 增强型植被指数:
    EVI是对NDVI的改进,它通过引入蓝色波段来校正大气和土壤背景的影响,对高植被密度区域更敏感。
    公式: EVI = G * ((NIR - Red) / (NIR + C1 * Red - C2 * Blue + L)) (G, C1, C2, L为经验系数)
    值域: [-1, 1]。
  • 归一化差异水体指数:
    NDWI利用水体在近红外波段吸收和绿光波段反射的特性来识别水体。
    公式: NDWI = (Green - NIR) / (Green + NIR)
    值域: [-1, 1]。对于水体,NDWI值通常大于0。
  • 归一化差异建筑指数:
    NDBI利用建筑在短波红外波段有高反射的特性来识别人工建筑。
    公式: NDBI = (SWIR - NIR) / (SWIR + NIR)
    值域: [-1, 1]。
    实战代码示例:
    让我们编写一个函数来计算这些指数。
def calculate_indices(image_array):
    """
    计算多种光谱指数。
    :param image_array: 一个numpy数组,形状为。
    :return: 一个包含多个指数的字典。
    """
    # 假设波段顺序为 Blue, Green, Red, NIR, SWIR1, SWIR2
    blue = image_array[1].astype(float)
    green = image_array[2].astype(float)
    red = image_array[3].astype(float)
    nir = image_array[4].astype(float)
    swir1 = image_array[5].astype(float)
    swir2 = image_array[6].astype(float)
    
    # 添加一个小常数以避免分母为零
    epsilon = 1e-8
    ndvi = (nir - red) / (nir + red + epsilon)
    evi = 2.5 * (nir - red) / (nir + 6 * red - 7.5 * blue + 1)
    ndwi = (green - nir) / (green + nir + epsilon)
    ndbi = (swir1 - nir) / (swir1 + nir + epsilon)
    
    return {
        'ndvi': ndvi,
        'evi': evi,
        'ndwi': ndwi,
        'ndbi': ndbi
    }
# 假设我们已经读取了一个多波段的影像数组
# indices = calculate_indices(multiband_image_array)
# plt.imshow(indices['ndvi'], cmap='RdYlGn', vmin=-1, vmax=1)
# plt.title("NDVI Map")
# plt.colorbar()
# plt.show()

这个函数展示了如何从多波段影像中计算出四种关键的指数。这些指数将成为我们机器学习模型的重要输入特征。

22.3.2 纹理特征:描述像素的空间排列

光谱特征只考虑单个像素的光谱值,忽略了其空间上下文。纹理特征则描述了像素在空间上的排列模式,对于区分那些光谱相似但纹理不同的地物(如不同类型的森林、农田)非常重要。
最常用的纹理描述方法是灰度共生矩阵。
GLCM原理:
GLCM是一个二维矩阵,其元素 (i, j) 表示在图像中的一个特定方向和距离上,灰度值为 i 的像素与灰度值为 j 的像素相邻出现的概率。
从GLCM中提取的纹理特征:

  • 对比度: sum(i-j)^2 * p(i,j),衡量局部灰度变化的程度。
  • 相关性: sum((i-μi)(j-μj)p(i,j)) / (σiσj),衡量局部纹理的线性相关性。
  • 同质性/逆差矩: sum(p(i,j)^2 / (1 + |i-j|)),衡量局部纹理的均匀性。
  • 熵: -sum(p(i,j) * log2(p(i,j))),衡量纹理的随机性或复杂度。
    实战代码示例:
    我们可以使用skimage库来计算GLCM和纹理特征。
from skimage.feature import greycomatrix, greycoprops
from skimage import io
import numpy as np
def calculate_glcm_features(band, distances=[1], angles=[0, np.pi/4, np.pi/2, 3*np.pi/4]):
    """
    计算基于GLCM的纹理特征。
    :param band: 单波段的2D numpy数组。
    :param distances: 计算GLCM的像素距离。
    :param angles: 计算GLCM的方向。
    :return: 包含纹理特征的字典。
    """
    # 将像素值量化到0-255以减少GLCM的大小
    band_uint8 = band.astype(np.uint8)
    
    # 计算GLCM
    glcm = greycomatrix(band_uint8, distances=distances, angles=angles, levels=256, symmetric=True, normed=True)
    
    # 从GLCM中计算特征
    properties = ['contrast', 'dissimilarity', 'homogeneity', 'correlation', 'ASM', 'energy']
    features = greycoprops(glcm, properties=properties)
    
    # 对不同角度和距离的特征取平均
    avg_features = {prop: np.mean(features[prop]) for prop in properties}
    
    return avg_features
# 假设我们有一个红光波段的数组
# red_band = ... 
# texture_features = calculate_glcm_features(red_band)
# print("Texture Features:", texture_features)

这段代码展示了如何为单个波段计算多种纹理特征。在我们的项目中,

跨学科AI学习路线:从论文到项目的实战指南 人工智能正从专业领域走向交叉学科,理解机器学习、深度学习等核心概念成为非计算机专业研究者的新能力。其原理在于通过数据训练模型实现模式识别与自动化处理,技术价值体现在特征提取、预测优化和知识管理等环节。如今,大模型API、Prompt工程、RAG检索增强生成等工具已大幅降低应用门槛,Python与数据清洗成为必备技能。在医学影像、金融风控、材料预测等场景中,AI与领域知识互补,能有效支撑科研论文对比实验和工程原型开发。然而,跨学科落地最关键的并非模型细节,而是数据质量、评估指标与可复现性。本文梳理了一条从AI 阅读详情

相关推荐

自监督学习实战:从原理到工业级视觉系统落地

自监督学习是一种无需人工标注、利用数据自身结构进行表征学习的基础范式,其核心在于挖掘图像、文本或时序数据中的内在一致性与预测约束。它通过对比学习、掩码建模和生成式建模等技术路径,显著提升模型对未见样本的泛化能力与数据利用效率。在标注成本高、数据持续增长或下游任务多变的工业场景中,该技术展现出远超传统监督学习的工程价值。本文聚焦视觉领域,结合SimCLR、BYOL、DINO等主流方法,详解数据增强设计、特征坍塌规避、小样本微调及产线部署等关键实践环节,为算法工程师提供可复用的工业级自监督学习落地路径。

431

人工智能技术白皮书 —— 你的AI入门手册

深入定义状态 (State, S)、动作 (Action, A)、奖励 (Reward, R) 以及状态转移概率 (Transition Probability, P),构建一个完整的决策模型。强化学习是关于“决策”的科学,它让智能体(Agent)在与环境的持续互动中,通过试错和回报,学习一套能获得最大长期利益的最优行为策略。学习它,就是学习如何驱动机器的“想象力”。:一个迷宫地图,智能体(小机器人)在每个交叉口(状态)选择方向(动作),根据路径上的宝藏(奖励)或陷阱,更新自己的寻宝地图(策略)。

VectorShift的博客 1400

chrome-win64-159.0.8145.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome 159.0.8145.0 win64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:Windows 64 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

chrome-headless-shell-win64-157.0.8103.38(Stable).zip

Chrome for Testing 官方指定版本的 Chrome 浏览器、ChromeDriver 与 Headless Shell 压缩包,适用于 Selenium、Playwright 等自动化测试环境搭建,覆盖 Windows、macOS、Linux 多平台,解压即可使用,无需额外安装或配置。

chrome-win32-159.0.8150.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome 159.0.8150.0 win32 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:Windows 32 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

chromedriver-win32-160.0.8164.0(Canary).zip

chromedriver-win32-160.0.8164.0(Canary).zip

chrome-headless-shell-mac-x64-160.0.8164.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome-headless-shell 160.0.8164.0 mac-x64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:macOS Intel 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①无头浏览器内核(Playwright/Puppeteer/Selenium 无界面自动化与爬虫);②服务器/容器离线内置;③版本精准匹配(chromedriver 与 Chrome 需同大版本)。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

化工MES-石化盈科信息技术有限责任公司.pptx

化工MES-石化盈科信息技术有限责任公司.pptx

健康管理服务运营方案.pptx

健康管理服务运营方案.pptx

钢铁行业工业互联网安全解决方案.pptx

钢铁行业工业互联网安全解决方案.pptx

集团S&OP供应链计划管理蓝图规划方案(供应链二).pptx

集团S&OP供应链计划管理蓝图规划方案(供应链二).pptx

互联网 医联体信息化建设和实施解决方案.pptx

互联网 医联体信息化建设和实施解决方案.pptx

集团企业采购职能管控模式规划方法论采购职能管控方案、采购职能管理模式、组织与职责设计.pptx

集团企业采购职能管控模式规划方法论采购职能管控方案、采购职能管理模式、组织与职责设计.pptx

TVJ1120资源及合并指令

内容概要:本文提供了TVJ1120.apk拆分文件的下载链接及合并方法,包含两个分卷文件(part1和part2)的CSDN下载地址,并给出在Windows系统下使用copy命令将两个分卷合并为完整APK文件的具体指令。同时提供使用certutil工具对合并后的TVJ1120.apk进行SHA256哈希值校验的命令,以确保文件完整性与安全性。; 适合人群:具备基本计算机操作能力,熟悉命令行工具使用的开发者或技术人员;需要下载并验证安卓应用文件完整性的用户。; 使用场景及目标:①用于从分卷压缩或拆分的APK文件中恢复完整的安装包;②通过哈希校验确保下载的APK文件未被篡改或损坏,保障应用安全性和可用性;③适用于软件分发、移动应用测试、逆向分析等技术场景。; 阅读建议:在操作前确认已下载全部分卷文件,并在相同目录下执行合并命令;建议严格比对生成的SHA256值与官方提供的校验值,防止运行不安全的应用程序。

【开关电源篇】开关电源——只需这三个阶段,从电源小白到维修大神

🔌 该篇为的原创文章跳转目录,小二持续更新跳转链接,尽情关注!

2301_81299416的博客 2409

深入解析Sigma Delta调制器 —— 从电流采样到数字信号处理的完整链路

本文深入解析了Sigma Delta调制器的工作原理与应用。通过剖析过采样、噪声整形与负反馈核心机制,并结合AMC1306等实例,详细阐述了从电流采样到数字信号处理的完整链路。该技术凭借其高精度和高抗干扰能力,在ADC、电流测量及音频处理等领域发挥着关键作用。

ttt77的博客 648

深入解析Unity3D中PostLateUpdate突然占用大量时间的原因

在Unity3D的生命周期中,是一个在LateUpdate之后被调用的方法。它通常用于处理一些需要在所有更新(包括物理更新和动画更新)之后进行的逻辑。由于它在游戏循环的后期阶段被调用,因此它通常用于处理与渲染直接相关的任务,如相机调整、UI更新等。突然占用大量时间的问题可能由多种原因引起,包括复杂的逻辑处理、频繁的资源加载、不恰当的渲染优化、插件或第三方库的副作用以及内存泄漏或垃圾回收等。为了解决这个问题,开发者需要仔细审查和优化中的代码,同时利用Unity提供的工具来监控和分析游戏性能。

Yori_22的博客 983

光流法实战:如何用OpenCV的Farneback算法实现图像对齐(附调参技巧)

本文详细介绍了如何使用OpenCV的Farneback稠密光流算法实现图像对齐,包括核心原理、参数调优和工程实现。通过实战代码和参数优化策略,帮助开发者解决动态场景中的图像对齐问题,提升多帧融合和视频处理的效果。

weixin_29266007的博客 295

MFC 利用soap 调用web service

MFC 利用soap 调用web service

congjiaoyan3682的博客 786

HFSS微带线仿真从零到一:材料参数与求解设置优化指南

在射频电路设计中,微带线仿真涉及电磁场求解与传输线理论,其精度高度依赖材料参数和求解设置。相对介电常数、损耗角正切和导体电导率等参数直接影响特性阻抗与插入损耗,而求解频率、网格划分和参数扫描则决定仿真效率与收敛性。合理设置这些参数可显著提升S参数准确性,避免设计迭代。应用场景包括天线馈线、滤波器和微波互连。本文基于HFSS微带线仿真实践,系统讲解材料选择与参数优化全链路,帮助工程师快速复现可靠模型。

weixin_29192211的博客 82

SAP ABAP 实用小技巧合集 (一)

本合集包含了笔者从事 ABAP 开发 17 年以来积累的小技巧。持续更新。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 3248

【RH850/U2A】:HSM与APP通信(中断方式)

HSM与APP通信(中断方式)

2000

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

全球国家地区城市数据

MySQL全球国家地区城市数据报。。。。。。。。。。。。

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

上一篇: 《遥感大模型生产级实战:从数据到决策的端到端AI工程》系列第一部分:AI遥感工程师的基础设施与工具链-文章 3:生产级数据工程:遥感数据湖的构建与管理
下一篇: 《遥感大模型生产级实战:从数据到决策的端到端AI工程》系列第一部分:AI遥感工程师的基础设施与工具链-文章 5:深度学习核心与PyTorch生产级编程
panshengwu
博客等级 码龄18年 46粉丝 82原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

panshengwu

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址