cocos creator 摇杆、扫地、挂卡、遥感卡车

以欧空局气候变化中心生产的土地覆盖数据为基础，利用交叉步行表，经尺度转换将原数据的离散土地覆盖类型转换为具有连续数值的植被功能类型（PFT）比例，并基于PFT计算香农多样性指数，生产得到1992–2018年逐年0.05°的中国及其毗邻地区（70–140°E，15–55°N）土地覆盖与景观多样性数据集。本数据集具有时序长、分辨率高、定量化等优点，可应用于区域的植被覆盖、景观格局动态等方面的研究，也可为模型模拟、遥感反演等研究提供基础底图。DOI: 10.11922/11-6035.csd.2021.0043.zh

本规范描述的机动车遥感监测平台,包括监测点位安装的污 染物排放测量系统、车辆识别系统等软件以及环境保护主管部门 或委托机构安装使用的管理端软件。本规范对平台应具备的功 能、数据采集内容、交换内容和交换方式进行规范要求。 本规范适用于机动车遥感监测平台的设计、建设、联网和数 据共享。

遥感必读参考书，陈述彭主编，科学出版社，1990第一版。

行业资料-交通装置-一种光学遥感图像中的海上舰船检测方法.zip

主要介绍了Python 实现遥感影像波段组合的示例代码，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

与抽象状态相关联．这种关联性信息可以产生对应 问题的学习 技 巧（也 称 为 Ｏｐｔｉｏｎ）．例 如，在 著 名 的 出租车问题中［８７］，其中的一组抽象状态是出租车起 始和乘客所处的位置，那么此时Ｏｐｔｉｏｎ就是从出租 车起始位置到乘客所处位置的一系列动作组合．很 明显，生成的Ｏｐｔｉｏｎ相当于ｈ－ＤＱＮ模型中设定的 中间目标，省去了复杂的人工设定中间目标的过程， 并使得学习到的Ｏｐｔｉｏｎ与具体的学习任务无关．因 此在相同的状态空间下，该模型具有很强的泛化性． ６．３　深度后续强化学习 一般地，在 只 给 定 原 始 输 入 观 察 和 奖 赏 值 的 情况下，通 过 基 于 模 型（ｍｏｄｅｌ－ｂａｓｅｄ）或 者 模 型 无 关（ｍｏｄｅｌ－ｆｒｅｅ）的ＤＲＬ算 法 可 以 学 习 到 鲁 棒 的 值 函数．后 续 状 态 表 示 法（Ｓｕｃｃｅｓｓｏｒ　Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ， ＳＲ）为学习值函数提供了第３种选择．ＳＲ将值函数 分解为两个部分：后续状态映射图（ｓｕｃｃｅｓｓｏｒ　ｍａｐ） 和立即奖赏指示器（ｒｅｗａｒｄ　ｐｒｅｄｉｃｔｏｒ）．后续状态映 射图表示在给定当前状态下到达未来某一状态占有 率的期望．立即奖赏指示器表示从状态到奖赏值的 映射．在ＳＲ中，这两个部分以内积的形式构成值函 数．基于上述理论知识，Ｋｕｌｋａｒｎｉ等人［８８］将ＳＲ的应 用范围扩展到大规模状态空间的ＤＲＬ问题中，提出 了深度后续强化学习（Ｄｅｅｐ　Ｓｕｃｃｅｓｓｏｒ　Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ，ＤＳＲＬ）． ２１ 计　　算　　机　　学　　报 ２０１８年

基于phython编程的遥感影像重采样代码

经典遥感教材 梅安新的遥感导论 并且是pdf格式的 敬请大家下载使用和学习。

适合在校大学生、遥感初学者学习使用。资料包括高分辨率遥感影像处理过程文件、处理过程截图、各个处理工具的说明、ROI的选择结果、多波段数据的构建、遥感地物分类的结果。可以直接拿去作为遥感课程设计的文档，上交老师，也可以下载作为学习CART自动决策树分类的资料。