FRUBASE 这是 FRUBASE 数据库的页面,这是一个巨大的肉质水果性状数据集,由参考书目和我自己的工作汇编而成。 提供了来自世界各地的 1000 多种植物物种的数据。 安装: devtools :: install_github( " pedroj/FRUBASE " ) library( frubase ) data( frubase ) 可以在找到此数据集的完整元数据。 附加说明在。 该数据集也可在(引用时请使用此链接)。 知识共享许可 下的这项工作和所有其他材料均根据获得。
2022-01-25 16:59:40 670KB HTML
1
描述 数据集由 ZX、ZT、WX 和 YW 发起、构思、设计和维护。为了开发中国常见灌木物种的生物量方程数据集,我们对中国研究的灌木生物量方程的文献(1982 年至 2019 年)进行了广泛的调查和批判性回顾。它由 822 个特定于 167 种灌木物种的生物量方程(方程表)及其相关背景信息(总表)组成,显示了中国良好的地理、气候和灌木丛植被覆盖率。 引用: Yang Wang; Wenting Xu; Zhiyao Tang; Zongqiang Xie. A biomass equation dataset for common shrub species in China(V3). 2021. Science Data Bank. 2021-02-08. cstr:31253.11.sciencedb.00641;
PySDMs Python中的生态物种分布模型(SDM)的面向对象的类。 建模指标 物种分布的地理分类 包装布局 库代码本身 许可证,适用于此软件包 README.md-您现在正在阅读的README文件 -先决条件安装该软件包,通过使用PIP 安装程序脚本 /-单元测试 较长的说明: 物种分布建模(SDM)的面向对象的类。 PySDM在SDM框架的建模部分完成了大部分繁重的工作,其中的插值功能主要将地理分类步骤包装在面向对象的方式中。 省略了SDM工作流程的预处理步骤,主要是因为它们在R中更容易执行(请参阅examples /中Jupyter笔记本末尾的围兜链接)。 PySDM是为我的约书亚树和沙漠夜蜥蜴的气候变化影响研究项目而开发的。 职能 self.fit():使用PyCaret进行模型训练,考虑基于树的方法,神经网络和最佳子集选择软投票混合。 需要一个具有分类目标和数字说
1
stamp是一款应用在高通量测序中的,差异物种分析和做图软件
2021-12-24 16:08:32 51KB 差异物种分析
1
免责声明 没有积极维护该存储库。 这是一篇硕士论文的结果,如果有人想复制论文的结果,可以将该代码作为参考。 鸟类种类分类 这些是在Chalmers University of Technology进行的硕士学位论文的项目文件。 该项目的目的是通过使用深度残差神经网络,多宽度频率增量数据增强和元数据融合来构建和训练鸟类分类器,从而改进最先进的鸟类分类器。带有相应物种标签的鸟类歌曲数据。 如果该资料库对您的研究有用,请引用硕士论文。 设置 $ git clone https://github.com/johnmartinsson/bird-species-classification $ virtualenv -p /usr/bin/python3.6 venv $ source venv/bin/activate (venv)$ pip install -r requirements.txt
1
整合分类 一种多学科物种界定方法,兰飞,李虎,多数权威分类学家认为物种边界是有待验证的假设。正确、有效的界定物种对于生物多样性的研究至关重要。整合分类是利用多学科之间
2021-10-26 13:23:42 341KB 首发论文
1
练习题六:微生物物种分布柱状图 mycol <-c(119,132,147,454,89,404,123,529,463,104,552,28,54,84,256,100,558,43,652,31,610,477,588,99,81,503,562,76,96,495) mycol <-colors()[rep(mycol,20)] otu <-read.table(file="genus.xls",header=T,check.names=FALSE,sep="\t") rownames(otu) <- otu[,1] otu <-otu[,-1] al <- which(rownames(otu) %in% c("All")) if(length(al)) otu <-otu[-al,] rowsum <-sapply(1:nrow(otu),function(x) sum(otu[x,])) otu<-otu[order(rowsum,decreasing=TRUE),] dat <-sapply(1:ncol(otu),function(x) otu[,x]/sum(otu[,x])) colnames(dat) <-colnames(otu) rownames(dat) <-rownames(otu) lab <-rownames(dat) tiff(file="bar.genus.tiff",width=750,height=700,pointsize=15) ###pdf(file="bar.genus.pdf", height=8,width=7) layout(matrix(1:2,2,1),heights=c(1:1.2)) par(mar=c(3,5,2,2)) barplot(dat*100,width=1,space=1.2,plot=T,las=1,col=mycol[1:nrow(dat)],cex.axis=1,cex.names=1,border=NA,ylab="Relative abundance(%)",offset=0,cex.lab=1.2) par(mar=c(2,5,1,1)) plot.new() legend("topleft",legend=rownames(dat),ncol=3,fill=mycol[1:nrow(dat)],cex=0.8,bty="n") dev.off() *
2021-10-22 23:28:38 3.83MB R语言
1
2020年未来杯海洋生物训练数据集 20个海洋生物以及对应标签
2021-10-18 17:12:14 152.22MB 图像识别 海洋生物 未来杯
采用物种存在分布点的模型所模拟的物种分布倾向于反映物种的潜在分布,
2021-10-14 08:30:37 596KB 模拟 评价
1