中国各省市县坡度数据(Tif/Excel)

最新推荐文章于 2025-07-18 19:37:48 发布
原创 最新推荐文章于 2025-07-18 19:37:48 发布 · 603 阅读 · 4 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习 #人工智能 #大数据 #业界资讯 #分类

数据简介

      昨天我们分享了中国120m精度的DEM数据(见前文)，今天我们根据该数据计算中国的坡度数据，并根据中国省市县行政区划数据将其统计各省市县坡度的最大、最小以及平均值，方便大家研究使用。

      基于中国120米精度DEM生成的坡度数据，结合省市县行政分区统计其最大值、最小值及平均值，具有重要的实践与科研价值。该数据可直接服务于国土空间规划、水土流失治理、基础设施建设选址及地质灾害风险评估等领域，为制定区域差异化生态保护政策和农业开发策略提供关键地形依据。其统计值简化了复杂地形分析门槛，助力宏观区域地形特征研究、省际自然条件对比及微观县级单元精细化土地管理，对地理学、生态学和区域可持续发展研究具有支撑意义。

数据详情

数据来源：Ho, Y., & Hengl, T. (2025). Global Ensemble Digital Terrain Model 30m (GEDTM30) (v1.1) [Data set]. Zenodo. https://doi.org/10.5281/zenodo.15689805

数据精度：120m

数据范围：中国省市县

数据格式：Tif/Excel

数据概览

一、Tif格式

我们根据昨天分享的DEM数据计算其坡度数据，数据概览如下：

图片

二、Excel格式

为便于使用，根据得到的坡度栅格，将其统计各省市县的坡度面板数据，其中包含最大、最小以及平均值三个指标，概览如下：

图片

数据引用

[1]Ho, Y., & Hengl, T. (2025). Global Ensemble Digital Terrain Model 30m (GEDTM30) (v1.1) [Data set]. Zenodo. https://doi.org/10.5281/zenodo.15689805

获取方式

后台发送数据编号D232

2022年我国省市县三级的平均坡度数据【重磅，更新】
01-22
地形数据，也叫DEM数据，是我们在各项研究中最常使用的数据之一。基于DEM地形数据，我们可以分析得到地表的坡度、坡向、地表粗糙度等地形指标！ 本次分享的数据——Shp和Excel格式的我国省市县三个等级的平均坡度数据！数据格式为Excel和Shp格式，数据坐标为CGS_WGS_1984。 01 数据预览 ## 1.省级2022年平均坡度数据 首先是Shp格式的数据，34个省级区划的平均坡度数据保存到一个Shp文件中，我们来预览一下：
（全新整理）2022年我国省市县三级的平均坡度数据（\Excel\Shp格式）
2301_79696294的博客
12-29 1197
基于从2022年哥白尼30m分辨率DEM数据处理得到的坡度栅格数据，我们采用国家地理信息公共服务平台（天地图）发布的审图号为GS（2024）0650号的2024年省市县三级行政区划Shp数据，对每个省\每个地级市\每个区县内的栅格值进行了求平均数处理，得到了省市县三级的平均坡度数据！本次分享的数据——Shp和Excel格式的我国省市县三个等级的平均坡度数据！地形数据，也叫DEM数据，是我们在各项研究中最常使用的数据之一。
2022年我国省市县三级的的平均高程数据（\Excel\Shp格式）
2301_79696294的博客
11-04 793
通过地形数据我们可以分析地表的高程、坡度、坡向等信息，我们特地对上述原始的DEM栅格数据进行了处理，将我国2022年哥白尼30m分辨率DEM数据分别按照我国省级行政边界、地级市行政边界、区县级行政边界进行了求平均数处理得到了本次分享的数据——Shp和Excel格式的我国省市县三个等级的平均高程数据！数据格式为Excel和Shp格式，数据坐标为CGS_WGS_1984。来源于网络的资源版权归出版社或原作者所有，仅供学习，请勿用于商业。地形数据，也叫DEM数据，是我们在各项研究中最常使用的数据之一。
基于Scikit-learn的机器学习建模与SHAP解释分析
huanghm88的专栏
07-15 188
摘要： 本项目基于Scikit-learn实现完整机器学习流程，包含数据预处理、特征工程、模型训练与SHAP解释分析。采用400条记录的数据集，首先进行缺失值填充（数值用中位数，分类用众数）、异常值处理（Z-score检测+中位数替换）和特征标准化/归一化。通过方差阈值（0.01）移除低方差特征，并剔除相关系数>0.7的高相关特征。使用Lasso回归、随机森林和XGBoost三种算法，结合SHAP值进行模型可解释性分析。关键步骤包括：数据探索（分布可视化）、特征选择（Lasso系数筛选）和模型评估.
推荐系统---AUC计算
weixin_44880995的博客
07-18 87
auc计算
图机器学习（12）——社区检测
盼小辉丶的博客
07-18 435
社区检测是识别图中紧密连接节点集群的关键技术，广泛应用于社交网络和文本挖掘等领域。主流方法包括基于嵌入的技术(如 HOPE 结合 K-means)、谱方法(利用邻接矩阵特征向量或矩阵分解)、概率模型(如随机块模型)以及优化方法(如 Louvain 模块度最大化或 Girvan-Newman 边移除算法)。这些方法各具特点：基于嵌入和谱方法计算高效，概率模型能揭示社区间关联，而优化方法则直接针对社区结构质量。实际应用中需根据图规模、是否需要重叠社区以及计算资源等因素选择合适方法。
Machine Learning HW2 report：语音辨识(Hongyi Lee)
最新发布
2403_87029609的博客
07-18 568
narrower and deeper和wider and shallower在此次任务上差别不大，后者表现略好Colab会限额，建议在kaggle notebook上训练，后者GPU性能和分配的时间都明显好于前者。kaggle notebook上训练时，记得改训练、测试用的数据文件地址和输出文件地址。kaggle notebook上训练完成后，在下载结果文件.csv前不要stop session，否则文件会被销毁！在如果要在自己电脑上运行。
从高斯噪声的角度分析MAE和MSE
哪惧明天，风高路斜
07-17 1402
特性MSEMAE对离群点敏感度高（平方放大误差）低（线性处理误差）噪声分布假设高斯分布拉普拉斯分布梯度特性梯度随误差减小而衰减梯度恒定（除零点外）稀疏性不易产生稀疏解易产生稀疏解优化稳定性平滑优化，数值稳定性好非光滑优化，可能需要特殊处理在实际应用中，如果数据包含较多离群点或需要进行特征选择，MAE是更合适的选择；如果追求预测精度且噪声近似高斯分布，MSE通常表现更好。
搜广推校招面经九十五
Y1n的博客
07-18 333
保留高梯度样本，提高模型关注重点大幅减少样本数，加速训练几乎不影响模型精度（因为补偿机制）
图机器学习（13）——图相似性检测
盼小辉丶的博客
07-18 420
图相似性检测是图机器学习的核心任务，用于量化图结构间的相似程度，在药物发现、社交网络分析等领域具有广泛应用。主流方法可分为三类：(1)基于图嵌入的方法(如 DeepWalk、Node2Vec )通过节点/图级别的向量表示计算相似度；(2)基于图核的方法(如 DGK )通过比较子结构相似性定义整体相似度；(3)基于图神经网络的方法能联合学习图表示和相似性函数，具有更强的适应性。这些技术在化学分子匹配、脑网络分析和计算机安全等领域展现出重要价值。
图机器学习（7）——图神经网络 (Graph Neural Network, GNN)
盼小辉丶的博客
07-15 811
图神经网络 (Graph Neural Network, GNN) 是一类专门处理图结构数据的深度学习方法。这类方法也被称为几何深度学习 (geometric deep learning)，在社交网络分析、计算机图形学等众多领域正受到日益广泛的关注。在本节中，我们介绍了 GNN 的核心原理，将卷积等经典深度学习范式拓展至非欧几里得图空间，实现了局部结构与全局特征的层次化提取。
基于大数据电信诈骗行为分析与可视化预测系统的设计与实现【海量数据、多种机器学习对比、数据优化、过采样】
迷茫与徘徊只会让你陷入绝境，欢迎私信博主，带你开始提升变现价值！
07-16 846
本文介绍了一个电信诈骗预测与分析系统，通过整合大数据处理、机器学习与交互式可视化技术，构建了一套综合性反诈骗解决方案。系统包含数据预处理、可视化分析、预测建模（随机森林/XGBoost/LightGBM）和用户界面四大模块，具备实时预警、多维分析和报告生成功能。技术亮点包括分布式计算、模型优化和流数据处理，应用价值覆盖运营商风控、监管决策和公众防护。未来计划拓展NLP分析、移动端应用和区块链技术，致力于构建更安全的通信环境。系统代码与部署支持可通过私信获取。
【机器学习&深度学习】Ollama vs vLLM vs LMDeploy：三大本地部署框架深度对比解析
qq_62223405的博客
07-14 771
大模型部署没有「一招鲜吃遍天」的通用方案。不同场景下需要权衡性能、资源、并发、易用性等因素。 🧑‍💻 如果你是开发者，想快速在本地试用模型，Ollama 是最简单的选择； 🏢 如果你是企业技术负责人，希望构建一个高效的推理服务平台，vLLM 是最佳选择； 🏭 如果你专注于国产模型部署和优化，LMDeploy 提供了全链路加速能力。 选择适合自己的部署工具，是让大模型真正为你所用的第一步。
sktime - 时间序列机器学习统一接口
AI工程化、开源分享、文档翻译、代码笔记
07-16 926
一、关于 sktime 1、项目概览 2、相关链接资源 二、功能特性 1、核心模块 2、生态系统集成 三、安装配置 1、pip安装 2、conda安装 四、快速入门 1、时间序列预测示例 2、时间序列分类示例 五、社区参与
命名实体识别15年研究全景：从规则到机器学习的演进（1991-2006）
m0_63679833的博客
07-17 642
本文精读NRC Canada与NYU联合发表的经典综述《A survey of named entity recognition and classification》，解析NERC技术演进脉络与核心方法论。
机器学习（ML）、深度学习（DL）、强化学习（RL）：人工智能的三驾马车
Loving_enjoy的博客
07-14 179
想象一下你在教孩子学习：**机器学习**像教孩子识别动物卡片，**深度学习**像让孩子理解整本百科全书，而**强化学习**则是让孩子通过游戏试错学会骑自行车——三种不同的学习方式，共同构成了人工智能的核心支柱。机器学习是**基础工具集**，深度学习是**感知增强器**，强化学习是**决策引擎**。你就拥有了解决现实世界复杂问题的全能工具箱。| **学习方式** | 从数据中学习 | 神经网络特征学习 | 环境交互学习 || **数据需求** | 结构化数据 | 大规模非结构化数据 | 环境交互经验 |
【机器学习】向量数据库选型指南：企业内网部署场景
这里是一位在代码世界深耕多年的 “老江湖” 的自留地。​ 岁月在履历上添了厚度，却没磨掉敲代码时眼里的光。从调试第一行 hello world 的生涩，到架构复杂系统的从容，那些在键盘敲击声里流过的日夜，都想在这里慢慢梳理
07-17 405
企业内网部署向量数据库时，需综合考虑数据规模、业务场景、运维能力和预算。Milvus是大规模部署的首选方案，而Qdrant和Weaviate更适合中小规模或特定场景。
图机器学习（11）——链接预测
盼小辉丶的博客
07-18 462
链接预测 (link prediction)，也称为图补全，是处理图时常见的问题。本节我们系统阐述了链接预测问题，通过多种示例详细介绍了链接预测的不同解决方案，展示了从基于简单指标的技术到基于嵌入的复杂技术的多元解决路径。
TensorFlow深度学习实战（26）——生成对抗网络详解与实现
盼小辉丶的博客
07-14 1404
生成对抗网络 (Generative Adversarial Network, GAN) 是一种强大的深度学习模型，由生成器网络和判别器网络组成，通过彼此之间的竞争来提高性能，已经在图像生成、图像修复、图像转换和自然语言处理等领域取得了巨大的成功。其核心思想是通过生成器和判别器之间的博弈过程来实现真实样本的生成。在本节中，我们将学习 GAN 的原理并使用 TensorFlow 实现 GAN。
评论
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
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