Chrome插件-《FireShot》一键滚动截屏整个网页.zip。总体来讲, FireShot是一款不错的软件, 免费且功能够用, 滚动截图的功能比同类软件做的都要好。
2024-01-10 18:13:53 2.84MB
1
野火 分析在Kaggle上找到的Wildfires数据集。 该数据集包含1992年至2015年美国的野火数据。 文件说明: c_10nv20(1).zip:美国各县及相应的几何数据->来源: ://www.weather.gov/gis/Counties wildfires.7z:来自Kaggle的原始sqlite数据库->来源: ://www.kaggle.com/rtatman/188-million-us-wildfires?select FPA_FOD_20170508.sqlite wildfires.ipynb:Jupyter Notebook,包含对数据集的所有分析。 工作正在进行中!
2022-11-26 22:15:13 18.61MB JupyterNotebook
1
该数据出版物包含了1992年至2015年美国发生的森林火灾的空间数据库。这是最初为支持国家消防计划分析(FPA)系统而生成的出版物的第三次更新。火灾记录是从联邦、州和地方消防组织的报告系统中获得的。需要以下核心数据元素:发现日期,最终火灾大小和定点位置,其精确度至少与公共土地测量系统(PLSS)部分(1平方英里的网格)相同。在可能的情况下,将数据转换为符合国家野火协调小组(NWCG)的数据标准。进行基本的错误检查,尽可能地识别和删除冗余的记录。由此产生的产品被称为火灾程序分析火灾发生数据库(FPA FOD),包括188万份地理参考的火灾记录,代表在24年期间总共燃烧了1.4亿英亩。 1.88 Million US Wildfires_datasets.txt
2022-07-31 17:31:52 276B 数据集
1
chrome浏览器截图插件
2022-07-06 19:03:29 4.5MB chrome
1
森林火灾 每天生成与森林火灾有关的数据。 获取数据 Python脚本day.py和month.py生成可视化所需的NetCDF文件。 需要执行以下步骤: 在ECMWF注册 获取API密钥 点安装ecmwf-api-client 现在您可以运行: python thismonth.py->生成一个数据文件,其中包含该月中几天的变量,格式为2020-10.nc。 注意:您不能在每月的头几天运行此程序。 或:python month.py 10 2020->产生以参数形式给出的月份数据文件。 格式:2020-10.nc 运行可视化 2.1条形图Rscript month-simple.r $ year- $ month.nc在月份文件中的几天内构建变量(如FRP)的条形图。 2.1映射Rscript Extract_ECWMF_vars_SEAdaily.R $ year- $
2022-05-09 17:25:33 60.39MB HTML
1
ca-fires-history 跟踪来自火灾数据 如果此仓库已更改,则每二十分钟存档一次最新版本的 。 该项目的背景:
2022-05-05 13:38:47 4KB fires disasters git-scraping
1
BA-Net:一种深度学习方法,可使用卫星图像的时间序列来绘制和绘制燃烧区域的日期 在过去的几十年中,用于烧伤区域的地图绘制和从遥感影像确定日期的方法一直是广泛研究的对象。 当前方法的局限性,以及对它们所需的输入数据的大量预处理,使其难以改进或应用于不同的卫星传感器。 在这里,我们探索基于每日多光谱图像序列的深度学习方法,这是一种有前途且灵活的技术,可应用于具有各种空间和光谱分辨率的观测。 我们使用从VIIRS 750 m波段重新采样到0.01º空间分辨率网格的输入数据测试了全球五个区域的建议模型。 派生的燃烧区域已针对更高分辨率的参考地图进行了验证,并与MCD64A1 Collection 6和FireCCI51全局燃烧区域数据集进行了比较。 我们显示,尽管使用的空间分辨率观测值低于两个全局数据集,但拟议的方法在燃烧区域测绘的任务中取得了竞争性的结果。 此外,与最先进的产品相比,我们改善
1
firestarter-1.0.3-16.2.x86_64.rpm,给予iptables,可视化优秀的linux防火墙工具,centos5,6系列64位系统
2022-01-25 14:00:59 271KB linux centos 运维 服务器
1
在Node.js中使用Google Dialogflow,Google Firestore和Google Cloud Functions的Whatsapp Chatbot 使用Google Dialogflow和Google Cloud功能构建了一个Whatsapp聊天机器人。 机器人对话流程是使用Intents在dialogflow中构建的。chatbot使用请求响应格式。 有些响应是静态的,不会改变,因此可以在dialogflow中对其进行硬编码。 但是对于将对话变为对话的消息,需要进行一些计算,因此,这种逻辑托管在名为“ Dialogflow Fulfillment”的服务器上,在这种情况下,我使用了Google Cloud函数。 对话流架构名为“ dialogflow-agent.zip”的zip文件具有对话流代理,该对话流代理具有会话的整个结构。 通过云函数托管的Dial
2021-11-25 15:42:57 232KB JavaScript
1