数据来源 Google Earth Engine云计算平台，Sentinel-2遥感影像 数据产生或加工方法 首先基于Google Earth Engine云计算平台和Sentinel-2遥感影像构建了多维时间序列分类特征集；结合地面调查和Collect Earth、历史时期谷歌高清影像和目视解译的方法收集大量的地面样本点；然后利用随机森林模型、特征优选算法，自2017年起逐年绘制作物类型分布图；最后，利用历史时期的分类模型和分类器迁移思想，实现无样本年份农作物信息提取。 数据空间投影 Projected Coordinate System：WGS_1984 _UTM_Zone_51N Geographic Coordinate System：WGS_1984

stm32f103通过485协议读取7合一传感器数据（温度、湿度、氮、磷、钾、ph、电导率）

基于粒子群算法优化长短期记忆网络(PSO-LSTM)的时间序列预测。 优化参数为学习率，隐藏层节点个数，正则化参数，要求2018b及以上版本，matlab代码。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

PEMS 数据集是由美国加利福尼亚州的交通部门联合其他伙伴机构建立的统一公开交通数据库。美国加利福尼亚州的交通部门在交通路网上大约设置了超过39000 个交通监测站，交通管理部门安装在路网上的各类传感器可以实时地收集所在高速公路上的交通状况信息，越是接近市区人口密集的地区，传感器布置的也越密集，从分布上来看，这些传感器大多被安置在靠近市区的路段上。PEMS提供了超过十年的历史交通状况数据，整合了有关加州运输公司以及其他交通机构系统的各类信息。 PemsD3 交通数据集：数据由分布在加利福尼亚州高速公路系统（CalTrans）中选择 228 个站点数据。数据集从30 秒的数据样本聚合到5 分钟的时间间隔内。时间范围在 2012 年5 月和6 月的工作日的228 个站点交通速度信息，数据包括邻接矩阵和特征矩阵。 邻接矩阵是通过分析已有时空交通数据的特性，构建一种新的具有相似交通流量模式的 矩阵，特征矩阵是每个传感器节点的时间序列特征矩阵。

内含原始数据和测算结果 1、数据说明：农业本身是一个兼具碳吸收和碳排放双重属性的产业，它一边生产CO2，但同时种植的农作物又能吸收CO2。这个特征往往被忽略。基于此，本文侧重计算了农业碳吸收量，将其作为期望产出的一种，将农业碳排放作为非期望产出。这个思路更加符合碳达峰和碳中和的现实背景。 2、时间跨度：2000-2019 3、区域范围：30个省市自治区，西藏除外 4、投入指标（有原始数据）：劳动力、耕种面积、农用机械、化肥施用量（折纯量）、农业灌溉面积、农膜覆盖面积和农药施用量7个指标 非期望产出（无原始数据！）：化肥、农业、农膜、柴油和灌溉的碳排放总和；土壤N2O排放量（转为CO2）、牲畜碳排放量、稻田CH4排放（转为CO2） 期望产出（无原始数据1）：（1）基于2000年的农业产值（实际GDP）；（2）农业碳吸收，主要包含稻谷小麦、玉米、豆类、薯类、花生、油菜籽、甘蔗、棉花、瓜类、蔬菜等作物 5、方法：使用的方法为SBM-GML指数、SBM-BML指数、SBM-ML指数和全局SBM（静态）。同时本文还提供了一份未包含农业碳吸收的测度结果（SBM-GML指数测算）

HX-80蓝牙心率智能手表，有计步器功能，登山高度与气压，无胸带测心率，可蓝牙连接手机查看电话与短信

stm32f103通过485协议读取7合一传感器数据（温度、湿度、氮、磷、钾、ph、电导率）

# 使用决策树和随机森林预测员工的离职率 python 帮助人事部门理解一个员工为何离职，预测一个员工离职的可能性。 ## 画出决策树的特征的重要性 ## importances = dtree.feature_importances_ # print(importances) # print(np.argsort(importances)[::-1]) feat_names = df.drop(['turnover'],axis=1).columns indices = np.argsort(importances)[::-1] # argsort()返回的是数据从小到大的索引值 plt.figure(figsize=(12,6)) plt.title("Feature importances by Decision Tree") plt.bar(range(len(indices)), importances[indices], color='lightblue', align="center") plt.step(range(len(indices)), np.cum

决策树（Decision Tree）是一种在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法。由于这种决策分支画成图形很像一棵树的枝干，因此得名决策树。在机器学习中，决策树是一个预测模型，代表的是对象属性与对象值之间的一种映射关系。 决策树的应用场景非常广泛，包括但不限于以下几个方面： 金融风险评估：决策树可以用于预测客户借款违约概率，帮助银行更好地管理风险。通过客户的历史数据构建决策树，可以根据客户的财务状况、征信记录、职业等信息来预测违约概率。 医疗诊断：医生可以通过病人的症状、体征、病史等信息构建决策树，根据不同的症状和体征来推断病情和诊断结果，从而帮助医生快速、准确地判断病情。 营销策略制定：企业可以通过客户的喜好、购买记录、行为偏好等信息构建决策树，根据不同的特征来推断客户需求和市场走势，从而制定更有效的营销策略。 网络安全：决策树可以用于网络安全领域，帮助企业防范网络攻击、识别网络威胁。通过网络流量、文件属性、用户行为等信息构建决策树，可以判断是否有异常行为和攻击威胁。

图像超分辨率重建matlab源码 超分辨率图像处理 从几幅图象中提取像素合成新的比较清晰的图像-super-resolution image processing images from pieces of pixels from the synthesis of new clearer images 文件列表(点击判断是否您需要的文件): superresolution_v_2.0 .....................\.DS_Store .....................\application .....................\...........\.DS_Store .....................\...........\applicability.m .....................\...........\c2p.m .....................\...........\Contents.m .....................\...........\create_images.m .....................\...........\estimate_motion.m .....................\...........\estimate_rotation.m .....................\...........\estimate_shift.m .....................\...........\generatePSF.m .....................\...........\generation.fig .....................\...........\generation.m .....................\...........\gpl .....................\...........\html .....................\...........\....\.DS_Store .....................\...........\....\SR_about.html .....................\...........\....\SR_documentation.html .....................\...........\interpolation.m .....................\...........\iteratedbackprojection.m .....................\...........\keren.m .....................\...........\keren_shift.m .....................\...........\logo_epfl_small.tif .....................\...........\logo_warning.tif .....................\...........\lowpass.m .....................\...........\lucchese.m .....................\...........\marcel.m .....................\...........\marcel_shift.m .....................\...........\n_conv.m .....................\...........\n_convolution.m .....................\...........\papoulisgerchberg.m .....................\...........\pocs.m .....................\...........\robustnorm2.m .....................\...........\robustSR.m .....................\...........\shift.m .....................\...........\SR_about.m .....................\...........\SR_documentation.m .....................\...........\superresolution.fig .....................\...........\superresolution.m