博文
- ChatGPT4在科研工作中的各种使用方法与技巧、数据分析及机器学习、自动生成代码等
- 熟练掌握ChatGPT4.0在数据分析、自动生成代码等方面的强大功能，同时更加系统地学习人工智能（包括传统机器学习、深度学习等）的基础理论知识，以及具体的代码实现方法，掌握ChatGPT4.0在科研工作中的各种使用方法与技巧，以及人工智能领域经典机器学习算法（BP神经网络、支持向量机、决策树、随机森林、变量降维与特征选 ...
- Google Earth Engine应用【融合ChatGPT等AI模型】GEE遥感云大数据分析、管理与可视化
- 掌握Earth Engine的实际应用能力，以Python为基础，结合实例讲解平台搭建、影像数据分析、经典应用案例、本地与云端数据管理，以及云端数据论文出版级可视化等技能。 为提高教学质量，将融入ChatGPT 4、Claude Opus、Gemini、文心一言等AI大模型辅助教学，为学员提供个性化建议和指导，深化内容掌握，并为未来自助学习 ...
- AI与遥感的完美结合：ChatGPT如何助力成像光谱技术开启新时代？
- 从数据分析到预测建模，为遥感项目中集成人工智能工具提供了一种清晰而系统的方法。向学习者介绍各种案例研究和项目，展示人工智能在遥感中的实际应用。这些例子不仅可以说明所讨论的概念，而且可以启发学生在自己的项目和研究中的创新思维和应用。 另一个突出特点是它深入讲解了ChatGPT在遥感领域科学研究中的应用。 ...
- 智慧科研新篇章：ChatGPT与AI大模型共同推动自然科学研究迈向新高度
- 以ChatGPT、LLaMA、Gemini、DALL·E、Midjourney、Stable Diffusion、星火大模型、文心一言、千问为代表AI大语言模型带来了新一波人工智能浪潮，可以面向科研选题、思维导图、数据清洗、统计分析、高级编程、代码调试、算法学习、机器/深度学习、大尺度模拟、论文检索、写作、翻译、润色、文献辅助阅读、文献信息提取、辅 ...
- 2024-2025年申报各类科研项目基金撰写及技巧；从申请人和评审专家的角度，带您逐一突破
- 您的基金撰写过程中是否存在以下问题： 摘要如何写才能给评阅专家留下最美好的第一印象？技术路线图如何设计才能吸引评阅专家的目光？如何区分难点问题和关键科学问题？每个章节突出哪些内容才能让项目书更加清晰明了？ 随着社会经济发展和科技进步，基金项目对创新性的要求越来越高。国家级和省级等各类项目的申请层 ...
- 从OpenLCA到碳中和：生命周期评估模型的构建与应用；生物质能源的碳排放
- 生命周期分析是一种分析工具，它可帮助人们进行有关如何改变产品或如何设计替代产品方面的环境决策，即由更清洁的工艺制造更清洁的产品。例如，生命周期分析的结果表明，某种产品能耗低，寿命长，不含有毒化学物质，其包装及残余物体积小，从而占用较少的填埋场空间，这就成为我们进行产品选择的依据。此外，生命周期分析 ...
- BIOMOD2模型、MaxEnt模型物种分布模拟、生物多样性生境模拟与保护优先区甄选、自然保护区布局优化评估
- 针对我国目前已有自然保护区普遍存在保护目标不明确、保护成效低下和保护空缺依然存在等问题，科学的鉴定生物多样性热点保护区域与保护空缺显得刻不容缓。 ①基于R语言BIOMOD2模型的物种分布模拟 BIOMOD2提供运行多达10余种物种分布模拟模型，模拟特定物种与其环境之间的关系，试图利用环境变量来模拟特定物种 ...
- 解锁CENTURY模型：生态系统碳循环建模与数据分析的秘籍
- CENTURY模型，主要基于过程的陆地生态系统生物地球化学循环模型。主要用于模拟不同土壤-植被系统间C、N、P和S的长期动态。根据土壤有机质的分解速率，CENTURY模型将土壤总有机碳（TOC）分成了三个碳库，即活性、慢性和惰性有机碳库。 CENTURY模型是评价农田生态系统土壤有机碳演变最有效的工具之一，并且已广泛应用于 ...
- 从CNN到Transformer： 基于PyTorch的遥感影像、无人机影像地物分类、目标检测、语义分割和点云分类
- 深度卷积网络采用“端对端”的特征学习，通过多层处理机制揭示隐藏于数据中的非线性特征，能够从大量训练集中自动学习全局特征（这种特征被称为“学习特征”），是其在遥感影像自动目标识别取得成功的重要原因，也标志特征模型从手工特征向学习特征转变。同时，当前以Transformer等结构为基础模型的检测模型也发展迅速， ...
- 数据科学新篇章：Copula变量相关性分析及AI大模型中的创新实践
- 在工程、水文和金融等各学科的研究中，总是会遇到很多变量，研究这些相互纠缠的变量间的相关关系是各学科的研究的重点。虽然皮尔逊相关、秩相关等相关系数提供了变量间相关关系的粗略结果，但这些系数都存在着无法克服的困难。例如，皮尔逊相关系数只能反映变量间的线性相关，而秩相关则更多的适用于等级变量。大多数情况 ...
