精华内容
下载资源
问答
  • 2021-01-18 22:47:51

    教程照片及其他详细信息请关注微信公众号:夫也的笔记
    公众号内容包含:ArcGIS、ENVI、MATLAB、Python和R语言教程和实际案例分享

    ​理论知识
    Mann-Kendall趋势检验法是世界气象组织推荐并已广泛应用的非参数统计方法,能有效区分某一自然过程是处于自然波动还是存在确定的变化趋势。对于非正态分布的水文气象数据,Mann-Kendall秩次相关检验具有更加突出的适用性。Mann-Kendall也经常用于气候变化影响下的降水、干旱频次趋势检测。Mann-Kendall非参数秩次检验在数据趋势检测中极为有用,其特点表现为:(1)无需对数据系列进行特定的分布检验,对于极端值也可参与趋势检验;(2)允许系列有缺失值;(3)主要分析相对数量级而不是数字本身,这使得微量值或低于检测范围的值也可以参与分析;(4)在时间序列分析中,无需指定是否是线性趋势。

    在前一篇文章中讲述了用sen法进行长时间的趋势分析,但并未对结果进行显著性检验,通常Sen与MK检验是结合在一起的,因此本文主要讲述如何进行MK检验。具体代码如下:

    % @author 2287335652@qq.com
    clear
    [a,R]=geotiffread('D:\GIS\yearmax\1982.tif'); %先导入投影信息
    info=geotiffinfo('D:\GIS\yearmax\1982.tif');%先导入投影信息
    [m,n]=size(a);
    cd=34;       %34年,时间跨度  
    datasum=zeros(m*n,cd)+NaN; 
    p=1;
    for year=1982:2015      %起始年份
         filename=['D:\qixiang\年全国8kmPET\china',int2str(year),'pet.tif'];
        data=importdata(filename);
        data=reshape(data,m*n,1);
        datasum(:,p)=data;         %
        p=p+1;
    end
    sresult=zeros(m,n)+NaN;for i=1:size(datasum,1)        %
        data=datasum(i,:);
        if min(data)>0       % 有效格点判定,我这里有效值在0以上
            sgnsum=[];  
            for k=2:cd
                for j=1:(k-1)
                    sgn=data(k)-data(j);
                    if sgn>0
                        sgn=1;
                    else
                        if sgn<0
                            sgn=-1;
                        else
                            sgn=0;
                        end
                    end
                    sgnsum=[sgnsum;sgn];
                end
            end  
            add=sum(sgnsum);
            sresult(i)=add; 
        end
    end
    vars=cd*(cd-1)*(2*cd+5)/18;
    zc=zeros(m,n)+NaN;
    sy=find(sresult==0);
    zc(sy)=0;
    sy=find(sresult>0);
    zc(sy)=(sresult(sy)-1)./sqrt(vars);
    sy=find(sresult<0);
    zc(sy)=(sresult(sy)+1)./sqrt(vars);
    geotiffwrite('C:\MATLAB\MK检验结果.tif',zc,R,'GeoKeyDirectoryTag',info.GeoTIFFTags.GeoKeyDirectoryTag); %注意修改路径
    
    更多相关内容
  • 全国多年平均降水量空间分布数据1951-2021年、气温分布数据、蒸散量数据、蒸发量数据、太阳辐射数据、日照数据、风速数据

    引言

    地理遥感生态网结合1951-2021年各地区地面气象监测站数据,应用气候数据空间插值软件Anusplin预测全国年降雨量分布数据成果。得出全国各个省市自治区降雨分布图,全国各省市自治区降雨量数据产品是地理遥感生态网推出的气象气候类数据产品之一,产品数据精度高,质量良好。

     数据下载链接:数据下载链接

    正文

    栅格数据源

    数据名称

    年降雨量空间分布数据

    数据类型

    栅格

    数据格式

    TIFF

    时间序列

    1951年-2021年

    空间分辨率

    1km/500m/30m

    投影坐标系

    Krasovsky_1940_Albers

    覆盖范围

    全域

    数据简介

        年平均降雨量,是指某地多年降雨量总和除以年数得到的均值,或某地多个观测点测得的年降雨量均值。年平均降雨量是一地气候的重要衡量指标之一。

        降雨数据对预测和防范洪涝灾害、对水文水资源系统的预报预测、农业作物生产及生态环境变化都有着极其重要的意义,为农业水利等相关部门工作及制定相应的政策措施提供决策支持。

        地理遥感生态网结合2000-2010年各地区地面气象监测站数据,应用气候数据空间插值软件Anusplin预测全国年降雨量分布数据成果。得出全国各个省市自治区降雨分布图,全国各省市自治区降雨量数据产品是地理遥感生态网平台推出的气象气候类数据产品之一,产品数据精度高,质量良好。

        辽宁省降雨量分布特点为从沿海向内陆递减,主要表现为东西差异,降雨量在480-1452mm之间。东部以抚顺、本溪和丹东为降雨量多的地区,均在1150mm以上,降雨量较低的地区为朝阳市和阜新市,降雨量小于750mm。

    辽宁省2010年降雨量分布

    数据来源引用:地理遥感生态网www.gisrs.cn

    同时,地理遥感生态网www.gisrs.cn上分享了很多地理遥感领域的科学数据(土地利用数据、npp净初级生产力数据数据、NDVI数据、气象数据(降雨量、气温、蒸散量、辐射、湿度、日照时数、风速、水汽压数据)、径流量数据、夜间灯光数据、统计年鉴、道路网、POI兴趣点数据、GDP分布、人口密度分布、三级流域矢量边界、地质灾害分布数据、土壤类型、土壤质地、土壤有机质、土壤PH值、土壤质地、土壤侵蚀、植被类型、自然保护区分布、建筑轮廓分布等等地理数据,以及关于gis、遥感从方面的操作教程)。

    展开全文
  • 之前写过一篇博客, 介绍领导安利我哔哩哔哩的故事, 介绍到我将我从YouTube上收集的关于混合线性模型, 关于GWAS, 关于GS, 关于农业数据分析相关的视频, 上传到了哔哩哔哩上面. 今天我们看一下介绍多年多点遗传力及...

    视频点击: 多年多点数据计算遗传力和BLUP值

    1. 背景

    之前写过一篇博客, 介绍领导安利我哔哩哔哩的故事, 介绍到我将我从YouTube上收集的关于混合线性模型, 关于GWAS, 关于GS, 关于农业数据分析相关的视频, 上传到了哔哩哔哩上面. 今天我们看一下介绍多年多点遗传力及BLUP值计算的视频内容. 阅读原文可以查看视频, 这里我用文字和代码进行重演.

    2. 本次微信文的目标

    • 获得一个多年多点的数据
    • 计算品种性状的遗传力
    • 计算每个品种的育种值(BLUP)

    3. 试验设计

    • 两年: 2009和2010年
    • 两点: CA和OH
    • 每个年, 每个地点, 2个重复(其中OH在2010年仅有1个重复)
    • 试验设计是完全随机区组(RCBD)
    • 共有143个品种
    • 按照小区(plot)进行考种

    4. 数据探索性分析

    预览数据
    数据包括品种(Line), 重复(Rep), 年份(Year), 地点(Loc), 收获日期(Harvest), 产量(Yield), Brix, PH, TA这三个也是观测值, 主要是品种性状.

    需要分析的观测值: Yield, Brix, pH, TA
    需要考虑的因子: Line, Rep, Year, Loc

    > head(dat)
          Line Rep Year Loc Harvest    Yield Brix   pH   TA
    1 SCT_0001   1 2009  OH  9/7/13       NA 5.70 4.42 0.39
    2 SCT_0001   1 2009  CA 9/23/10 38789.80 4.75 4.47 0.34
    3 SCT_0001   1 2010  CA    <NA>       NA 4.34 4.44 0.29
    4 SCT_0001   2 2009  OH 9/14/13       NA 5.40 4.48 0.38
    5 SCT_0001   2 2009  CA 9/14/10       NA 4.84 4.67 0.25
    6 SCT_0001   2 2010  OH 9/30/14 93832.21 5.40 4.58 0.31
    

    查看Brix的直方图

    hist(dat$Brix,col="gold")
    

    在这里插入图片描述

    查看Brix在不同地点的箱线图:

    boxplot(dat$Brix~dat$Loc, xlab="Location", ylab="Degrees Brix", main="Degrees Brix by Location", col="pink")
    
    

    在这里插入图片描述

    5. 重新转化数据

    这里建模之前, 需要对数据进行转化, 将需要考虑的因素变为因子(Factor), 将需要分析的性状变为数值(number)

    > str(dat)
    'data.frame':	986 obs. of  9 variables:
     $ Line   : Factor w/ 143 levels "SCT_0001","SCT_0002",..: 1 1 1 1 1 1 1 2 2 2 ...
     $ Rep    : int  1 1 1 2 2 2 2 1 1 1 ...
     $ Year   : int  2009 2009 2010 2009 2009 2010 2010 2009 2009 2010 ...
     $ Loc    : Factor w/ 2 levels "CA","OH": 2 1 1 2 1 2 1 2 1 1 ...
     $ Harvest: Factor w/ 26 levels "10/10/10","10/2/10",..: 25 19 NA 11 10 24 NA 25 9 NA ...
     $ Yield  : num  NA 38790 NA NA NA ...
     $ Brix   : num  5.7 4.75 4.34 5.4 4.84 5.4 5.16 5.5 5.65 4.54 ...
     $ pH     : num  4.42 4.47 4.44 4.48 4.67 4.58 4.47 4.44 4.47 4.52 ...
     $ TA     : num  0.39 0.34 0.29 0.38 0.25 0.31 0.29 0.44 0.33 0.23 ...
    > for(i in 1:5) dat[,i] = as.factor(dat[,i])
    > str(dat)
    'data.frame':	986 obs. of  9 variables:
     $ Line   : Factor w/ 143 levels "SCT_0001","SCT_0002",..: 1 1 1 1 1 1 1 2 2 2 ...
     $ Rep    : Factor w/ 2 levels "1","2": 1 1 1 2 2 2 2 1 1 1 ...
     $ Year   : Factor w/ 2 levels "2009","2010": 1 1 2 1 1 2 2 1 1 2 ...
     $ Loc    : Factor w/ 2 levels "CA","OH": 2 1 1 2 1 2 1 2 1 1 ...
     $ Harvest: Factor w/ 26 levels "10/10/10","10/2/10",..: 25 19 NA 11 10 24 NA 25 9 NA ...
     $ Yield  : num  NA 38790 NA NA NA ...
     $ Brix   : num  5.7 4.75 4.34 5.4 4.84 5.4 5.16 5.5 5.65 4.54 ...
     $ pH     : num  4.42 4.47 4.44 4.48 4.67 4.58 4.47 4.44 4.47 4.52 ...
     $ TA     : num  0.39 0.34 0.29 0.38 0.25 0.31 0.29 0.44 0.33 0.23 ...
    

    可以看到, 转化之后, 前五列变为了Factor, 后四列为num

    6. 建模

    这里使用混合线性模型, 使用R包lme4

    观测值: Brix
    固定因子: 无
    随机因子: Line + Loc + Year + Loc.Year.Rep + Line:Loc + Line:Year + Line:Year:Loc

    library(lme4)
    library(lmerTest)
    mod1 = lmer(Brix ~ (1|Line) + (1|Loc) + (1|Year) + 
                  (1|Line:Loc) + (1|Line:Year) , data=dat)
    summary(mod1)
    

    结果:

    Linear mixed model fit by REML. t-tests use Satterthwaite's method ['lmerModLmerTest']
    Formula: Brix ~ (1 | Line) + (1 | Loc) + (1 | Year) + (1 | Line:Loc) +      (1 | Line:Year)
       Data: dat
    
    REML criterion at convergence: 1742.1
    
    Scaled residuals: 
        Min      1Q  Median      3Q     Max 
    -3.0258 -0.6133 -0.0533  0.5293  5.0653 
    
    Random effects:
     Groups    Name        Variance Std.Dev.
     Line:Year (Intercept) 0.010209 0.10104 
     Line:Loc  (Intercept) 0.009483 0.09738 
     Line      (Intercept) 0.191933 0.43810 
     Year      (Intercept) 0.031648 0.17790 
     Loc       (Intercept) 0.188486 0.43415 
     Residual              0.257820 0.50776 
    Number of obs: 967, groups:  Line:Year, 284; Line:Loc, 281; Line, 143; Year, 2; Loc, 2
    
    Fixed effects:
                Estimate Std. Error     df t value Pr(>|t|)  
    (Intercept)   5.2817     0.3343 1.3583    15.8   0.0167 *
    ---
    Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
    

    7. 遗传力的计算

    在这里插入图片描述

    这里
    Vg 是Line的方差组分: 0.191933
    VGL 是品种与地点的交互方差组分: 0.009483
    VGY 为品种与年份的交互方差组分: 0.010209
    Ve 为残差方差组分: 0.257820

    这里, 品种与地点以及年份互作, 没有考虑, 因此不做计算.

    地点为2, 年份为2, 重复为2

    h 2 = 0.191933 0.191933 + 0.009483 / 2 + 0.010209 / 2 + 0.257820 / 8 h^2 = \frac{ 0.191933}{ 0.191933 + 0.009483/2 + 0.010209/2 +0.257820/8 } h2=0.191933+0.009483/2+0.010209/2+0.257820/80.191933

    > vg = 0.191933
    > vgl = 0.009483
    > ve = 0.257820
    > # 遗传力
    > vg = 0.191933
    > vgl = 0.009483
    > vgy = 0.010209
    > ve = 0.257820
    > h2 = vg/(vg + vgl/2 + vgy/2 + ve/8)
    > h2
    [1] 0.8202037
    

    8. 计算BLUP值

    > brixblup = ranef(mod1)$Line
    > head(brixblup)
             (Intercept)
    SCT_0001 -0.13628589
    SCT_0002 -0.14944411
    SCT_0003 -0.05347823
    SCT_0004 -0.03878384
    SCT_0005  1.13568896
    SCT_0006  0.49028454
    > write.csv(brixblup,"brixblup.csv")
    

    在这里插入图片描述

    9. 对比BLUP值和平均值

    可以看出, BLUP值和平均值趋势基本一致, 但是有个别品种, BLUP值和平均值变化较大.

    mm = as.data.frame(tapply(dat$Brix, dat$Line, na.rm=T, mean))
    names(mm) = "mean"
    plot(brixblup$blup,mm$mean)
    

    在这里插入图片描述

    10. 不足

    这篇无疑是开山之作, 但是也有一些不足:

    • 一般来说, 多年多点分析中, 我们将地点, 年份, 地点:年份, 地点:年份:重复作为规定因子, 品种, 品种与地点, 品种与年份, 品种与地点与年份作为随机因子. 文章中将所有因子都作为随机因子, 太过武断.
    • 遗传力公式有错误:
      在这里插入图片描述
      这里没有考虑: 品种:年份:地点, 残差的分母应该是222 = 8 , 而不是4.
    • 因素没有考虑完整, 可能是数据量有限, 没有考虑 地点:年份:重复, 没有考虑地点:年份:品种
    • 计算遗传力没有标准误, 标准误可以反映出计算的好坏.
    • 没有给出随机因子的显著性, 可以使用LRT检验

    11. 商业软件asreml的解决方案

    # asrmel的解决方案
    library(asreml)
    library(learnasreml)
    head(dat)
    mod2 = asreml(Brix ~ 1 , random = ~Loc + Year + Line+Line:Year + Line:Loc, data=dat)
    summary(mod2)$varcomp
    pin(mod2, h2 ~ V3/(V3+V4/2+V5/2 + V6/8))
    
    > mod2 = asreml(Brix ~ 1 , random = ~Loc + Year + Line+Line:Year + Line:Loc, data=dat)
    ASReml: Tue May 14 21:03:02 2019
    
         LogLik         S2      DF      wall     cpu
        -27.8710      0.3114   966  21:03:02     0.0
         -8.1437      0.2968   966  21:03:02     0.0
          8.3477      0.2802   966  21:03:02     0.0
         16.0150      0.2642   966  21:03:02     0.0
         16.6323      0.2585   966  21:03:02     0.0
         16.6563      0.2579   966  21:03:02     0.0
         16.6571      0.2578   966  21:03:02     0.0
         16.6571      0.2578   966  21:03:02     0.0
    
    Finished on: Tue May 14 21:03:02 2019
     
    LogLikelihood Converged 
    > summary(mod2)$varcomp
                            gamma   component  std.error    z.ratio constraint
    Loc!Loc.var        0.73097982 0.188461143 0.26741513  0.7047512   Positive
    Year!Year.var      0.12272634 0.031641291 0.04564871  0.6931475   Positive
    Line!Line.var      0.74444586 0.191932955 0.02948641  6.5092010   Positive
    Line:Year!Line.var 0.03960966 0.010212159 0.01139269  0.8963779   Positive
    Line:Loc!Line.var  0.03677090 0.009480269 0.01125209  0.8425343   Positive
    R!variance         1.00000000 0.257819899 0.01557455 16.5539268   Positive
    > pin(mod2, h2 ~ V3/(V3+V4/2+V5/2 + V6/8))
       Estimate        SE
    h2 0.820203 0.0394735
    

    更简洁, 更友好, 更方便.

    公众号回复: blup
    下载文档(PPT), 数据, 代码:
    在这里插入图片描述
    练习

    • 计算其它三个性状的遗传力
    • 比较性状BLUP值和平均值的异同, 考虑为何要用BLUP作为选择标准
    • 考虑还有没有其它分析的切入点
      在这里插入图片描述
    展开全文
  • 成都探码科技有限公司是一家应用云计算、大数据和人工智能技术实现数据资产化运营的高新技术企业。探码科技自主研发的Dyson智能采集系统实现数据从采集,处理到应用的全生命周期管理。Web爬虫,另类数据,网页解析及...

    1、探码科技

    成都探码科技有限公司是一家应用云计算、大数据和人工智能技术实现数据资产化运营的高新技术企业。探码科技自主研发的Dyson智能采集系统实现数据从采集,处理到应用的全生命周期管理。Web爬虫,另类数据,网页解析及采集自动化。 业务覆盖多个行业,致力于大数据产业生态链的构建,我们采用先进的技术,实现数据从采集,处理到应用的全生命周期管理。优秀的解决方案已成功应用到互联网、金融、政府、智能制造等领域。

    2、Testin云测

    云测(北京云测信息技术有限公司)是先进的应用服务平台,为全球超过百万的开发者和企业提供测试、安全、推广、产品优化、流量变现,及AI数据采集与标注服务。云测的使命是让应用更有价值,即云测基于自主知识产权的AI自动化工具平台,以及数百万成员的规模化云众包平台,为企业提供与应用相关的全生命周期服务,与企业一起携手打造坚实的应用质量和安全性,并助力企业通过应用在互联网上提高运营效果,全面提升企业在应用上的投资回报。

    3、倍赛BasicFinder

    倍赛BasicFinder是AI基础设施及服务供应商领导力品牌,旗下拥有AI数据旗舰产品HIVE数据标注平台、Basic3D点云数据标注工具、 数据标注私有化系统及BasicFinder PLAT模型训导平台等系统软件,同时还为AI企业提供基于众包模式和专业BPO模式的数据采集 与标注的服务解决方案,形成从数据标注、采集到模型迭代的一站式设施与服务闭环。

    4、点通

    北京辉煌点通数据有限公司,是一家专业从事数据录入、数据处理技术研究、设计和开发并提供相关服务,集研发、生产、市场于一体的国家高新技术企业。

    5、易观方舟

    易观方舟聚集了国内外几百位大数据领域顶尖人才,他们以专注的态度精心打磨着产品,以饱满的热情对待每一位客户,致力于将方舟打造成帮助企业精益成长的数据智能平台。

    6、点我科技

    7、赢想力

    南京赢想力信息技术有限公司始终坚持以效果为导向的营销服务理念,利用线上线下全渠道资源撮合成交,为企业实现全渠道营销落地服务,解决企业营销难、渠道难、转型难的发展困难。已成功服务于数十个行业近万家企业,是中国大数据营销服务传播领域具有行业价值与品牌影响力的权威领导机构。

    8、鲲鹏

    西安鲲之鹏网络信息技术有限公司从2010年开始专注于Web(网站)数据抓取领域。致力于为广大中国客户提供准确、快捷的数据采集相关服务。

    9、iDataAPI

    iDataAPI是中国领先的数据服务提供商。自2014年成立以来,iDataAPI一直为企业,机构和个人提供专业,可靠的数据收集,数据融合,数据分析和数据管理服务。为了使企业和个人用户能够使用更多便捷的服务,iDataAPI实现了数据产品和数据服务之间的接口,并通过2017年启动的iDataAPI数据市场向全球用户提供专业的数据服务。

    10、元牡科技

    元牡设备云锻造“IaaS设备自动化+PaaS资源平台化+SaaS系统智能化+OaaS长尾价值化”的核心技能,力创“智能制造+智慧城市+运维服务”的全价值生态MCS产品轴,以科技为核心,以服务为导向,多层次、多模式实现企业数字化转型升级,致力成为设备远程监控,远程数据采集,成为设备云计算的领航者, 全力推进工业互联网发展,核心助力中国制造2025。

    11、GrowingIO

    GrowingIO (北京易数科技有限公司)是基于用户行为的新一代数据分析产品,首推国内领先的“分析工具+运营咨询+持续增长”数据服务体系,帮助企业构建数据运营闭环。依托于快速部署无埋点技术,实时采集全量行为数据,通过搭建完整的数据监控体系,高效管控核心业务指标,帮助企业用数据驱动业务增长。

    12、思恒达科技

    武汉思恒达科技是一家专注于行业大数据集成技术;并提供电力、轨道交通、教育等行业数据集成及分析的高新技术企业。 公司拥有一支以海归人才为核心的一流研发团队,并拥有相关行业产品的自主知识产权。公司的平行业务是提供军工行业虚拟现实产品,为便于服务民用市场,于2015年底进行了资源优化整合。公司总部位于武汉,辐射全国,我们的愿景是成为国内前沿的行业数据采集、分析产品专业的提供商。

    13、国工智能

    烟台国工智能科技有限公司是一家以数据采集与控制为主,可全面提供智能制造,数字化工厂解决方案的国有参股高新技术企业。公司由道恩集团,中航工业集团共同参投组建,分公司位于苏州中航联创(苏州)创新中心。

    14、造数科技

    造数科技,专注于构建智能金融市场的下一代基础设施,致力于建设完整且强大的数据网络从而支撑金融商业图谱及自动投资决策的实

    现。

    15、海天瑞声

    海天瑞声作为人工智能数据资源服务商,自成立以来,一直致力于为全球人工智能全产业链中的企业及科研机构提供专业的工程化数据资源产品和服务。业务涉及语音识别、语音合成、计算机视觉、发音词典、自然语言处理等多个领域,提供数据设计、采集、转写、标注等相关服务。

    16、恒扬数据

    深圳市恒扬数据股份有限公司成立于2003年,是业界领先的基于机器学习的大数据基础设施及应用解决方案提供商。恒扬数据专注于互联网实时线速大流量大容量数据采集设备、网络流量监管、数据分析设备及互联网应用解决方案的研发、生产、销售和服务,致力于为电信运营商、政府部门、移动互联网企业、数据增值应用服务商、医疗机构等客户提供最优质的产品和服务。

    17、觉醒向量

    觉醒向量专注于为全球人工智能企业提供优质的数据标注服务;我们通过一流的质量控制体系以及优质的服务态度,持续帮助国内外人工智能企业加快产品迭代速度。

    18、灵玖软件

    灵玖中科软件(北京)有限公司(以下简称“灵玖软件”)是大数据语义智能技术服务商,定位为大数据语义搜索挖掘技术服务商,提供大数据搜索、大数据挖掘与大数据管理解决方案,成为大数据时代技术与服务的创新引领者。

    19、云速网络

    云速网络科技有限公司是一家以互联网平台运营、WEB应用开发、软件开发、大数据分析与收集、移动互联网通讯技术、云计算、营销推广、技术培训等技术为核心的科技公司。

    20、三点一四

    三点一四为国内企业在数据采集、数据建模等方面构建数据源,搭建好基础数据平台,同时帮助企业多维交叉分析,了解客户的用户行为、评估营销效果、优化产品体验、提升运营效率,探索大数据提升业务表现,让数据驱动企业数字化。

    21、软通动力

    软通动力拥有深厚的行业积累和领先的技术实力,可以为客户提供端到端的数字化产品和服务,包括软件与技术服务、数字化转型咨询、创新数字化解决方案和数字化平台运营等;在10余个重要行业服务超过1000家国内外客户,其中世界500强企业客户超过110家,为各领域客户创造价值。

    22、恒大智慧

    汉恒达智慧科技有限公司初创于2012年,注册资金1600万元,是植根于城市智能交通领域的自主创业企业。经过六年多的精心研发和积淀,现拥有20余项系列交通领域的发明专利,涌现了一大批的优秀团队和个人,公司致力于成为互联网+大数据时代技术创新型的城市智能交通运营服务商和产品提供商。

    23、网舟联合科技

    网舟联合科技(北京)有限公司成立于2004年,注册资金2000万元,多年来专注于国内通信、金融、互联网等电子商务市场,是国内领先的“互联网电子商务经营”咨询与运营支撑服务提供商。网舟科技是中国电信长期咨询供应商,为中国电信提供过电子渠道规划咨询、网站UI/UE、IT和运营的规范化移动互联网精细化营销等多项服务。

    24、数立方科技

    郑州数立方信息技术有限公司是一家专门开展数据采集分析、电子政务系统开发、移动互联网APP、微信平台开发的技术型公司,主要从事技术开发,技术咨询、技术服务、技术推广、技术转让等,公司拥有强大的研发团队、过硬的开发技术、良好的售后服务,致力于帮助更多政府机构、企业和个人一站式解决软件、APP开发问题,实现与客户的互利共赢。

    25、瑞风协同

    北京瑞风协同科技股份有限公司 ( 以下简称瑞风协同 ) 创立于 2007 年,是专业从事装备数据工程的高科技股份制企业。公司总部位于北京,设立上海、成都、沈阳、西安、武汉五家分支机构,拥有北京、株洲、香港 3 家子公司。

    26、腾虫信息科技

    上海腾虫信息科技有限公司总部位于中国上海,是一家从事大数据计算、AI应用模型研发的企业。主要业务包括提供大数据研发、AI研发、数据分析的计算研发,上海腾虫信息科技有限公司的宗旨是以创新的核心技术为起点,以互联网的市场需求特色为导向,用自己核心技术为中国中小企业提供数据挖掘、数据分析、AI模型研发服务。

    27、字符串

    武汉字符串数据科技有限公司因大数据产业而生,是产业升级与区域金融湖北省协同创新中心为因应大数据时代的产业发展,助力大数据产业,培养大数据人才和倡导大数据的产学研一体化而设立的。最初以公益团体“爬虫俱乐部”的身份开展活动,以传播Stata编程技术和实证研究技巧、培养有数据分析技能的专才为己任,以服务科研人员为主要手段,依托协创中心开展数据分析业务、培训业务和国际交流项目。

    28、腾千里

    深圳腾千里科技有限公司成立于2014年,是一家年轻的科技研发创新型公司,公司致力于手写数据采集类产品的研发、推广与销售,为客户提供智能笔SDK与技术支持,以及智能笔OEM服务和ODM个性化定制服务。为互联网大数据时代提供手写数据采集解决方案和产品支持,协助合作伙伴一起为各行业提供原始数字化书写记录、分析和服务等整体解决方案。

    29、深圳视界信息技术有限公司

    深圳视界信息技术有限公司2013年成立于深圳,是一家以技术为驱动、市场为导向的国家高新企业。两位联合创始人来自于国际金融数据分析公司Morningstar,核心团队毕业于国防科技大学、南开大学、吉林大学等知名院校,在大数据采集和分析领域具有深厚的技术积累和运营经验。

    30、数道云

    汉数道云科技有限公司是中国电子(CEC)旗下产业基金孵化的企业,是一家高科技大数据公司。致力于ApacheHadoop生态大数据软件研发,提供大数据采集、大数据存储管理平台、大数据舆情(情报)监控、大数据分析和挖掘平台、大数据可视化等一系列产品。帮助政府、企业、教育、媒体、军工等单位进行数据采集、储存、整理、分析,并可根据用户需求定制大数据解决方案,为用户大数据应用创造最大价值。

    展开全文
  • 表面缺陷检测数据集汇总及其相关项目推荐

    千次阅读 多人点赞 2020-06-27 00:00:00
    相比于ImageNet数据集中1400万张样本数据, 表面缺陷检测中面临的最关键的问题是小样本问题, 在很真实的工业场景下甚至只有几张或几十张缺陷图片。 实际上, 针对于工业表面缺陷检测中关键问题之 一的小样本问题...
  • 相关分析就是对总体中确实具有联系的标志进行分析,其主体是对总体中具有因果关系标志的分析。它是描述客观事物相互间关系的密切程度并用适当的统计指标表示出来的过程。 显著性检验就是事先对总体(随机变量)的...
  • 面对上市公司多年的财务数据报告,筛选数据指标进行跟踪分析和研究,识别真伪,避免投资踩雷。 二、解决问题 根据附件 1 的行业分类,利用附件 2 所提供的相关上市公司的财务数据,确定出各行业与财务数据造假相关的...
  • 【Matlab】 多年NDVI数据的sen趋势分析

    千次阅读 多人点赞 2021-01-17 14:39:24
    最近老师在课上安排了一个汇报作业,要求对某一地区的多年NDVI数据进行趋势分析,对于小白的我来说,真是!唉!但是功夫不负有心人,在我充分利用百度搜索、谷歌搜索和Bing搜索后,终于让我找到了相关教程和知识。...
  • 基于matlab的栅格数据相关分析及显著性检验

    千次阅读 热门讨论 2021-01-17 14:46:02
    图片详情及更加详细教程,请关注微信公众号:夫也的笔记 相关分析在科研过程中常常会碰到,...%将两者多年数据放在三个不同的矩阵中 nppsum=zeros(3587*4642,16); for year=2000:2015 filename=strcat('F:\课题项
  • 数据产品经理和数据分析师,是目前互联网公司的热门职位,它跟数据分析师的职责有重叠的部分,不同的地方是这个职位关注的点是数据分析的产品化。这是普通互联网公司数据产品经理的日常: 那数据产品经理跟互联网...
  • 读透《华为数据之道》

    千次阅读 2020-12-28 07:30:00
    这是傅一平的第361篇原创【提醒:公众号推送规则变了,如果您想及时收到推送,麻烦右下角点个在看,或者把本号置顶】正文开始很年前阿里出了《大数据之路》一书,在数据技术层面给出了有价值的指...
  • 数据安全实践指南

    千次阅读 2022-04-07 11:25:30
    随着互联网、物联网、云计算等技术的快速...在此背景下,国内外数据安全相关法律法规相继出台,以完善大数据安全领域的防护和技术要求,助力大数据安全建设。相较于传统网络安全,数据安全的标准化起步较晚,目前...
  • BillInmon也推出了新的BI架构CIF(Corporationinformationfactory),把Kimball的数据集市也包容进来了,第一次,Kimball承认了Inmon,但是仍然还有很多人在争论是顶向下,还是底向上。 8、未来 未来几个方向:...
  • 机器学习必须需要大量数据?小数据集也能有大价值!   https://mp.weixin.qq.com/s/xGnDcRtKKt4FyVRAMPSqYA      【导读】数据不够大,就不能玩深度学习?长期存在的一大挑战就是:只有极少数情况下有足够...
  • 数据科学,机器学习和高级分析到实时仪表板,决策者都需要数据来帮助做出决策。 该数据需要一个家,而数据湖是创建该家的首选解决方案。该术语由Pentaho的CTO James Dixon发明并首次描述,他在博客中写道:“如果...
  • 前言:作为一名数据服务工作者---资深“乙方”,见过、听过或亲身经历过很数据治理相关的项目,如:数据交换共享项目、数据治理项目、主数据项目、元数据项目……,这些项目中,有非常成功的——用的很好,也有...
  • 故事一:一位在互联网行业做数据库架构多年的朋友一起吃饭,问起我现在在做什么,我说自己在做医疗方面的数据分析,朋友笑,说:你有很资源啊,只要你能拿到电子病例的数据,就能分析很东西了……我脸上的微笑...
  •  数据采集可采用Android系统原生的定位服务,也可以使用第三方的定位服务比如高德定位,百度定位等,根据多年来的开发经验,还是高德好用些,曾经做导航的时候,就发现百度导航会出现主路辅路不分等情况,前阵子还...
  • 大数据公司数据挖掘的49个案例

    万次阅读 2021-02-08 00:00:00
    本文是近年来不同行业、不同领域的大数据公司的一些经典案例总结。尽管有些已经是几年前的案例,但其中的深层逻辑对于未来仍有启发。本文力图从企业运营和管理的角度,梳理出发掘大数据价值的一般规律:...
  • 后来就开始有意识的搜集各种数据网站,这么多年过去了也搜集了不少,今天就给大家分享一下我的宝藏免费数据网站们。 行业数据网站 1、Mob研究院 介绍:Mob研究院是一家专注于行业现状与趋势研究的机构,涉及20+...
  • 拥有本篇文章,意味着你拥有一本完善的书籍,本篇文章整理了数据仓库领域,几乎所有的知识点。
  • 数据库, 数据仓库, 数据集市,数据湖,数据中台

    万次阅读 多人点赞 2019-02-22 16:21:47
    本文大量内容系转载以下文章,有删改,并参考其他文档资料加入了一些内容: 数据仓库和数据集市的区别 作者:修鹏李 出处:CSDN 大数据:数据仓库和数据库的区别 作者:南宫蓉 出处:简书 第一篇:数据仓库...
  • 工业和信息化部 http://www.miit.gov.cn 较多数据在此发布,尤其是有关工业运行及信息化相关数据。 3. 中国人民银行 http://www.pbc.gov.cn/ 中国金融市场政策及运行相关数据。 4. 银监会 http://www.cbrc.gov.cn ...
  • 数据结构与算法三十题,弄懂这些面试就够了!

    万次阅读 多人点赞 2019-02-01 08:30:28
    以下内容编译他的这篇《准备下次编程面试前你应该知道的数据结构》: 准备下次编程面试前你应该知道的数据结构 瑞典计算机科学家 Niklaus Wirth 在 1976 年写了一本书,叫作《Algorithms + Data ...
  • OLAP和多维数据模型

    万次阅读 多人点赞 2017-11-09 15:56:36
    联机分析处理OLAP是一种软件技术,它使分析人员能够迅速、一致、交互地从各个方面观察信息,以达到深入理解数据的目的。 它具有FASMI(Fast Analysis of Shared Multidimensional Information),即共享多维信息的...
  • 医疗数据之医院管理型数据仓库解决方案

    千次阅读 多人点赞 2020-04-04 23:34:58
    数据仓库:将现有HIS、LIS、PACS、OA、病案系统、资产管理系统等多种业务和管理系统的数据应用联机业务、数据的清洗,转换,数据仓库、多维数据、数理统计和数据挖掘等技术,以生动友好的界面形式展现数据分布特征,...
  • 数据治理系列3:数据标准管理

    万次阅读 多人点赞 2019-05-30 16:39:48
    转载请注明,作者:石秀峰,公众号:learning-bigdata(谈数据) 导读:提到“标准”二字,我们...而我们所说的数据标准却不单单是指与数据相关的标准文件,数据标准是一个从业务、技术、管理三方面达成一致的规范...
  • 数据仓库知识点汇总

    千次阅读 多人点赞 2019-10-09 15:04:01
    数据仓库形象解释 业务场景如下图 举例说明: 在很久很久以前,世界上生活着许多种族,有人类,有矮人,有精灵......他们有着不同的信仰,不同的文化,彼此相安无事。可是,有一个猥琐男却偏偏想要统治整个世界...
  • 作者找工作中 V信:dfs2191 开发环境 4.3【开发平台及环境】 ...数据清洗 分析模块pandas,numpy 可视化模块pyecharts 下期更新flask可项目视化项目 python,MySQL,Echarts,js 一:数据采集 招聘...
  • 节选《华为数据之道》作为一家巨型跨国企业,华为在 170 个国家同时开展各种业态的业务,华为的数据底座是支撑华为业务运营的关键。因此,华为的数字化转型成为行业竞相研究的标杆。应行业要...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 149,600
精华内容 59,840
关键字:

多公司多年数据自相关