Suite

Créer un tampon à partir de la ligne en utilisant GDAL et Python


J'essaie de créer un tampon à partir d'une ligne en utilisant gdal.

J'utilise l'exemple dans le gdal Cookbook

import ogr, os def createBuffer(inputfn, outputBufferfn, bufferDist): inputds = ogr.Open(inputfn) inputlyr = inputds.GetLayer() shpdriver = ogr.GetDriverByName('ESRI Shapefile') if os.path.exists(outputBufferfn): shpdriver.DeleteDataSource(outputBufferfn) outputBufferds = shpdriver.CreateDataSource(outputBufferfn) bufferlyr = outputBufferds.CreateLayer(outputBufferfn, geom_type=ogr.wkbPolygon) featureDefn = geometrie tampon.Obtenir la fonction intLayerDefn() .Buffer(bufferDist) outFeature = ogr.Feature(featureDefn) outFeature.SetGeometry(geomBuffer) bufferlyr.CreateFeature(outFeature) def main(inputfn, outputBufferfn, bufferDist): createBuffer(inputfn, outputBufferfn, buffer__Dist = " if __main__Dist) : inputfn = 'obli.shp' outputBufferfn = 'olibuffer001.shp' bufferDist = 0.01 main(inputfn, outputBufferfn, bufferDist) # création du fichier de projection. Non inclus dans le livre de recettes prj = open('olibuffer001.prj', 'w') proyeccion = 'GEOGCS["GCS_WGS_1984", DATUM["D_WGS_1984",SPHEROID["WGS_1984",6378137.0,298.257223563]],'  'PRIMEM ["Greenwich",0.0],UNIT["Degré",0.0174532925199433]]' prj.write(proyeccion) prj.close()

Ça fonctionne bien

http://pcjericks.github.io/py-gdalogr-cookbook/vector_layers.html?highlight=buffer

Mais je ne peux pas comprendre exactement quel type d'unités je dois utiliser dans le bufferDist

En utilisant 0,01 je pense que c'était un kilomètre mais le résultat est différent selon la direction de la ligne. Par exemple, en utilisant une parallel_direction_line en utilisant bufferDist = 0,01 mesuré dans la carte le tampon est de 1,1 km a meridiam_direction_line en utilisant bufferDist = 0,01 mesuré dans la carte le tampon est de 0,456 km

mais un oblicual_direction_line utilisant bufferDist = 0,01 mesuré dans la carte le buffer est de 0,57 km

Comment puis-je trouver la valeur de la variable bufferDist qui, je pense, dépend de la latitude et de la direction de la ligne ?


Votre distance tampon est indiquée dans les unités de votre jeu de données. Votre système de coordonnées est géographique lon/lat. Donc 0,01 = 0,01 degrés décimaux. Pour pouvoir tamponner de 1 km (1000 m), vous devez reprojeter votre jeu de données dans un système de coordonnées projetées qui a des unités en mètres.

Il existe des exemples dans le Python GDAL/OGR Cookbook sur la façon de reprojeter des couches et des géométries.


Créer un tampon à partir de la ligne en utilisant GDAL et Python - Systèmes d'Information Géographique

Visualiseur géographique Python (GeoVis)

Version : 0.2.0

Python Geographic Visualizer (GeoVis) est un module de visualisation géographique autonome pour le langage de programmation Python conçu pour une utilisation quotidienne facile par les novices et les programmeurs expérimentés. Il a des lignes simples pour visualiser rapidement un fichier de formes, créer et styliser des cartes de base avec plusieurs couches de fichiers de formes et/ou enregistrer dans des fichiers image. Utilise le Tkinter intégré ou d'autres modules de rendu tiers pour faire son travail principal. La version actuelle est fonctionnelle, mais doit être considérée comme un travail en cours avec des bogues potentiels, alors utilisez-la avec précaution. Pour l'instant, ne visualise que les fichiers de formes qui sont dans le système de coordonnées lat/long non projeté.

  • 15 avril 2014 : Publication de la nouvelle v0.2.0, mise à jour majeure.
    • Nouvelles fonctionnalités:
      • Symboliser les fichiers de formes en fonction de leurs attributs et ajouter une légende (catégorique, classes égales, intervalle égal, ruptures naturelles)
      • Choisissez entre plusieurs icônes de symbolisation : cercle, carré, pyramide
      • Zoomez la carte sur une région d'intérêt
      • Dessinez manuellement des géométries de base et écrivez du texte sur la carte
      • Fonctions qui permettent des entrées utilisateur interactives en milieu de script
      • Prise en charge de la version Pillow de PIL et amélioration de la qualité PIL en utilisant l'anticrénelage
      • Modification de la licence MIT pour être plus conviviale pour les contributeurs
      • Créez et stylisez un calque, puis ajoutez-le à la carte, au lieu d'ajouter à la carte directement à partir du fichier
      • La couleur doit maintenant être définie explicitement et n'est plus aléatoire par défaut
      • La prise en charge de PyCairo a été temporairement interrompue en raison de certaines difficultés, il est donc probable qu'il y ait des erreurs
      • Correction d'une erreur avec l'enregistrement interactif de l'image à partir de la fenêtre de la visionneuse en mode PIL.
      • Découverte et correction d'une erreur d'importation cruciale. - A également étendu le fichier README et l'a converti en démarques, et ajouté une documentation Wiki générée automatiquement.
      • Fonctionnalité de base
      • Une doublure pour la visualisation des fichiers de formes et l'enregistrement de la carte
      • Création de carte personnalisée à plusieurs couches
      • Personnalisez chaque fichier de formes avec les couleurs et la taille de remplissage

      Techniquement parlant, GeoVis n'a pas de dépendances externes, mais il est fortement recommandé d'installer les bibliothèques de rendu Aggdraw, PIL ou PyCairo pour faire le rendu. GeoVis détecte automatiquement le module de rendu dont vous disposez et utilise le premier qu'il trouve dans l'ordre suivant (aggdraw, PIL, pycairo). Si vous souhaitez choisir manuellement un moteur de rendu différent, cela doit être spécifié pour chaque session. Si aucun de ces éléments n'est disponible, GeoVis utilisera par défaut le Tkinter Canvas intégré comme moteur de rendu, mais en raison de limitations majeures, cela n'est pas recommandé pour afficher des fichiers de formes plus volumineux.

      Devrait fonctionner sur Python version 2.x et Windows. N'a pas encore été testé sur Python 3.x ou d'autres systèmes d'exploitation.

      Les contributeurs sont recherchés et nécessaires, ce code est donc libre de partager, d'utiliser, de réutiliser et de modifier selon la licence MIT, voir license.txt

      1. Téléchargez GeoVis, depuis a ou b :
      • a) La version stable la plus récente de la page des versions (recommandé).
      • b) La version "bleeding edge" en utilisant le bouton "download zip" à droite du dossier principal du référentiel.
      1. Installez-le en utilisant a ou b :
      • a) Placez le dossier geovis dans votre dossier Python site-packages pour une installation "permanente".
      • b) Ou commencez chaque session en tapant import sys et sys.path.append("chemin du dossier où se trouve le dossier geovis") .

      En supposant que vous l'ayez déjà installé comme décrit dans la section Installation, GeoVis est importé en tant que :

      Pour commencer à utiliser geovis, consultez la liste complète des commandes dans le USER_MANUAL ou continuez à lire ci-dessous pour une introduction de base.

      Si vous souhaitez simplement inspecter un fichier de formes de manière interactive, ou pour voir comment votre fichier de formes traité s'est avéré, vous le faites avec une simple ligne :

      Si vous souhaitez rapidement montrer votre shapefile à quelqu'un d'autre par e-mail ou sur un forum, vous pouvez tout aussi facilement enregistrer votre map dans une image en cliquant sur le bouton "enregistrer l'image" dans la fenêtre interactive de visualisation ou avec la ligne suivante :

      Il est également possible de créer votre carte à partir de zéro afin de créer une carte plus attrayante visuellement.

      Commencez par configurer et créer une instance newmap :

      Ensuite, chaque fichier de formes doit être chargé et symbolisé dans des instances de couche :

      Si vous le souhaitez, vous pouvez également visualiser les attributs sous-jacents de votre couche en ajoutant une ou plusieurs classifications. Par exemple, la couche de points de sortie peut varier de petite à grande taille et de couleur verte à rouge en fonction de son attribut "population":

      Dans ce cas, vous voudrez probablement ajouter une légende afin de voir quels symboles représentent quelles valeurs. Plaçons-le dans le coin supérieur gauche de la carte :

      Enfin, rendez les couches dans l'instance newmap :

      Pour une touche finale, ajoutez un titre de carte centré en haut :

      Si vous avez plusieurs moteurs de rendu et que vous souhaitez choisir celui à utiliser, par exemple PIL, vous devez le faire au début de chaque session (également, si vous recherchez une vitesse maximale/une qualité moindre, activez la réduction du nombre de vecteurs pendant que vous y êtes, bien que cela ne soit pas recommandé pour les fichiers de forme de ligne):

      Par défaut, la carte que vous créez affichera le monde entier. Pour zoomer la carte sur une zone ou une région d'intérêt particulière, il vous suffit de définir l'étendue du zoom de la carte, ce qui doit être fait avant d'ajouter vos couches :

      Il existe plusieurs façons de jouer avec les couleurs de votre carte. L'outil de stylisation le plus basique que vous voudrez connaître est le créateur de couleur (un wrapper autour du module Color de Valentin Lab avec une fonctionnalité de commodité supplémentaire). Vous pouvez soit créer une couleur aléatoire :

      Ou vous pouvez créer une couleur spécifique comme vous l'imaginez dans votre tête en écrivant le nom de la couleur et en modifiant éventuellement l'intensité et la luminosité de la couleur (valeur flottante entre 0 et 1). Créons un rouge fort (forte intensité) mais sombre (faible luminosité) :

      Alternativement, au lieu de créer une couleur très spécifique, vous pouvez créer une couleur aléatoire qui reste dans certaines limites. Par exemple, spécifier une faible valeur de luminosité et une faible valeur d'intensité mais ne pas spécifier de nom de couleur produira une couleur mate aléatoire. Mieux encore, vous pouvez définir l'argument de style sur "mat" (parmi de nombreux autres noms de style, consultez la documentation pour la liste complète) qui choisit automatiquement la luminosité et l'intensité pour vous :

      En supposant que vous sachiez maintenant comment définir vos propres couleurs ou styles de couleurs, ces couleurs sont utiles car elles peuvent être utilisées pour spécifier la couleur d'un nombre quelconque d'options de symboles passées en tant qu'arguments de mot-clé aux différentes fonctions de rendu de GeoVis (voir la documentation pour un liste des options de symboles modifiables). Par exemple, enregistrons une image de fichier de formes comme auparavant, mais cette fois, définissez la couleur de remplissage des polygones/lignes/cercles du fichier de formes sur notre rouge foncé-fort que nous avons défini précédemment. De plus, nous augmenterons la largeur du contour pour correspondre à la couleur de remplissage forte (nous laissons le contour Couleur à son noir par défaut car cela correspond à la carte):

      Parfois, il est nécessaire de créer rapidement une galerie d'images de tous vos shapefiles dans un répertoire donné. GeoVis fournit un outil utilitaire général qui peut vous aider à le faire, il parcourt, analyse et renvoie le nom de dossier, le nom de fichier et l'extension de tous les fichiers de formes dans une arborescence de dossiers, qui à son tour peuvent être utilisés comme entrée pour la fonction SaveShapefileImage. Ainsi, par exemple, nous pouvons l'écrire comme :

      Le nom de fichier, le dossier parent et l'extension de fichier peuvent être utilisés pour effectuer de nombreuses autres opérations par lots, telles que placer chaque image de carte à côté (dans le même dossier que) chaque fichier de formes.

      Cette brève introduction n'a couvert que les fonctionnalités les plus essentielles de GeoVis. Si vous avez besoin de plus d'informations ou rencontrez des problèmes avec une fonction particulière, vous pouvez rechercher la documentation complète des fonctions, classes et arguments disponibles en tapant help(geovis) ou en consultant le USER_MANUAL.

      Si vous avez toujours besoin d'aide, vous pouvez soit soumettre un problème ici sur GitHub, soit me contacter directement à l'adresse : [email protected]

      Je salue tout effort pour contribuer à ce projet. Vous trouverez ci-dessous une liste des problèmes actuels et des limitations que j'espère modifier dans les prochaines versions :

      • Les fichiers de formes doivent être en coordonnées lat/long (c'est-à-dire non projetés) afin d'être affichés correctement. C'est-à-dire que GeoVis ne gère pas encore les projections ou la transformation de coordonnées.
      • Actuellement, le zoom à une échelle locale peut être rendu beaucoup plus efficace en utilisant l'indexation spatiale telle que QuadTree.
      • Je n'ai pas encore compris comment transmettre les images rendues par PyCairo à la fenêtre Tkinter pour les afficher, donc pour l'instant, cela se traduit par une erreur.
      • Actuellement, n'a pas été testé avec, et ne fonctionnera probablement pas dans Python 3.x en raison de modifications de syntaxe, vous devriez donc chercher à résoudre ce problème.

      GeoVis n'aurait pas pu être réalisé sans l'excellent travail d'autres modules open source qu'il utilise en coulisse :


      Éditer: Juste à titre de remarque, si vous avez juste besoin d'un moyen rapide et facile de trouver la distance entre deux points, je recommande fortement d'utiliser l'approche décrite dans la réponse de Kurt ci-dessous au lieu de ré-implémenter Haversine - voir son message pour la justification.

      Cette réponse se concentre uniquement sur la réponse au bogue spécifique rencontré par l'OP.

      C'est parce qu'en Python, toutes les fonctions trigonométriques utilisent des radians, pas des degrés.

      Vous pouvez soit convertir les nombres manuellement en radians, soit utiliser la fonction radians du module mathématique :

      La distance renvoie maintenant la valeur correcte de 278,545589351 km.

      Mise à jour : 04/2018 : Notez que la distance Vincenty est dépréciée depuis GeoPy version 1.13 - vous devriez plutôt utiliser geopy.distance.distance() !

      Les réponses ci-dessus sont basées sur la formule Haversine, qui suppose que la terre est une sphère, ce qui entraîne des erreurs allant jusqu'à environ 0,5% (selon help(geopy.distance) ). La distance Vincenty utilise des modèles ellipsoïdaux plus précis tels que WGS-84, et est implémentée dans geopy. Par exemple,

      imprimera la distance de 279,352901604 kilomètres en utilisant l'ellipsoïde par défaut WGS-84. (Vous pouvez également choisir .miles ou l'une des nombreuses autres unités de distance).


      Un système de coordonnées géographiques et la conversion de projection

      Terminer à l'aide des bibliothèques tierces Python Pypro4 ChangeLatitude et longitudeReprésentation et système de coordonnées géographiquesMètre(Mille mètres et autres ou autres unités) représentation du système de coordonnées projeté.

      Le module Pypro a deux fonctions :

      une fonction la description
      test() Exécuter le module de test
      transformer(p1, p2, x, y, z=Aucun, radians=Faux) Utilisation : x2, y2, z2 = transformer (p1, p2, x1, y1, z1, radians = False), le point dans le système de coordonnées de p1 (x1, y1, z1) pour convertir le système de coordonnées p2

      1.1 Conversion des codes EPSG

      Convertir la latitude et la longitude dans le système de coordonnées projetées convertir un système de coordonnées projetées en projection en un autre système de coordonnées conversion inverse, le point de commutation sur le système de coordonnées projetées en un système de coordonnées géographiques :

      Passer une pluralité de points de tuple

      1.2 conversion utilisant le nom de référence

      À l'exception de l'ajout du code EPSG, le système de coordonnées peut également afficher le nom spécifié


      Objets formateurs¶

      Les objets formateur ont les attributs et méthodes suivants. Ils sont chargés de convertir un LogRecord en (généralement) une chaîne qui peut être interprétée par un humain ou un système externe. Le formateur de base permet de spécifier une chaîne de formatage. Si aucun n'est fourni, la valeur par défaut de '%(message)s' est utilisée, qui inclut simplement le message dans l'appel de journalisation. Pour avoir des informations supplémentaires dans la sortie formatée (comme un horodatage), continuez à lire.

      Un formateur peut être initialisé avec une chaîne de format qui utilise la connaissance des attributs LogRecord - comme la valeur par défaut mentionnée ci-dessus en utilisant le fait que le message et les arguments de l'utilisateur sont préformatés dans un LogRecord . un message attribut. Cette chaîne de format contient des clés de mappage standard de style Python %. Voir la section Formatage de chaîne de style printf pour plus d'informations sur le formatage de chaîne.

      Les clés de mappage utiles dans un LogRecord sont données dans la section sur les attributs de LogRecord.

      classer enregistrement. Formateur ( fmt=Aucun, datefmt=Aucun, style='%', valider=Vrai ) ¶

      Renvoie une nouvelle instance de la classe Formatter. L'instance est initialisée avec une chaîne de format pour le message dans son ensemble, ainsi qu'une chaîne de format pour la partie date/heure d'un message. Sinon fmt est spécifié, '%(message)s' est utilisé. Sinon datefmt est spécifié, un format est utilisé qui est décrit dans la documentation formatTime().

      Modifié dans la version 3.2 : Le style paramètre a été ajouté.

      Modifié dans la version 3.8 : Le valider paramètre a été ajouté. Un style et fmt incorrects ou incompatibles lèveront une ValueError . Par exemple : logging.Formatter('%(asctime)s - %(message)s', style='<') .

      Le dictionnaire d'attributs de l'enregistrement est utilisé comme opérande pour une opération de formatage de chaîne. Renvoie la chaîne résultante. Avant de formater le dictionnaire, quelques étapes préparatoires sont effectuées. Le un message l'attribut de l'enregistrement est calculé en utilisant message % arguments. Si la chaîne de formatage contient '(asctime)' , formatTime() est appelé pour formater l'heure de l'événement. S'il existe des informations sur les exceptions, elles sont formatées à l'aide de formatException() et ajoutées au message. Notez que les informations d'exception formatées sont mises en cache dans l'attribut exc_texte. Ceci est utile car les informations sur les exceptions peuvent être récupérées et envoyées sur le réseau, mais vous devez faire attention si vous avez plusieurs sous-classes Formatter qui personnalisent la mise en forme des informations sur les exceptions. Dans ce cas, vous devrez effacer la valeur mise en cache une fois qu'un formateur a effectué son formatage, de sorte que le prochain formateur à gérer l'événement n'utilise pas la valeur mise en cache mais la recalcule à nouveau.

      Si des informations de pile sont disponibles, elles sont ajoutées après les informations d'exception, en utilisant formatStack() pour les transformer si nécessaire.

      formatHeure ( record, datefmt=Aucun ) ¶

      Cette méthode doit être appelée depuis format() par un formateur qui souhaite utiliser une heure formatée. Cette méthode peut être remplacée dans les formateurs pour répondre à toute exigence spécifique, mais le comportement de base est le suivant : si datefmt (une chaîne) est spécifié, il est utilisé avec time.strftime() pour formater l'heure de création de l'enregistrement. Sinon, le format '%Y-%m-%d %H:%M:%S,uuu' est utilisé, où la partie uuu est une valeur en millisecondes et les autres lettres sont conformes à la documentation time.strftime(). Un exemple d'heure dans ce format est 2003-01-23 00:29:50,411 . La chaîne résultante est renvoyée.

      Cette fonction utilise une fonction configurable par l'utilisateur pour convertir l'heure de création en un tuple. Par défaut, time.localtime() est utilisé pour changer cela pour une instance de formateur particulière, définissez l'attribut converter sur une fonction avec la même signature que time.localtime() ou time.gmtime() . Pour le modifier pour tous les formateurs, par exemple si vous souhaitez que toutes les heures de journalisation soient affichées en GMT, définissez l'attribut convertisseur dans la classe Formatter.

      Modifié dans la version 3.3 : Auparavant, le format par défaut était codé en dur comme dans cet exemple : 2010-09-06 22:38:15,292 où la partie avant la virgule est gérée par une chaîne de format strptime ( '%Y-%m- %d %H:%M:%S' ), et la partie après la virgule est une valeur en millisecondes. Étant donné que strptime n'a pas d'espace réservé de format pour les millisecondes, la valeur en millisecondes est ajoutée à l'aide d'une autre chaîne de format, '%s,%03d' — et ces deux chaînes de format ont été codées en dur dans cette méthode. Avec le changement, ces chaînes sont définies comme des attributs de niveau classe qui peuvent être remplacés au niveau de l'instance si vous le souhaitez. Les noms des attributs sont default_time_format (pour la chaîne de format strptime) et default_msec_format (pour ajouter la valeur en millisecondes).

      Modifié dans la version 3.9 : le default_msec_format peut être None .

      Formate les informations d'exception spécifiées (un tuple d'exception standard tel que renvoyé par sys.exc_info() ) sous forme de chaîne. Cette implémentation par défaut utilise simplement traceback.print_exception() . La chaîne résultante est renvoyée.

      Formate les informations de pile spécifiées (une chaîne telle que renvoyée par traceback.print_stack() , mais avec la dernière nouvelle ligne supprimée) sous forme de chaîne. Cette implémentation par défaut renvoie simplement la valeur d'entrée.


      Léa Wasser

      Les leçons du cours sont développées dans le cadre d'un programme de cours. Ils enseignent des objectifs d'apprentissage spécifiques associés aux données et à la programmation scientifique. Leah Wasser a contribué aux enseignements suivants :

      Apprenez à calculer les valeurs récapitulatives saisonnières des données climatiques MACA 2 à l'aide d'un tableau x et d'un masque de région en Python open source.

      Les ensembles de données climatiques stockés au format netcdf 4 couvrent souvent l'ensemble du globe ou un pays entier. Apprenez à sous-ensemble des données climatiques spatialement et par tranches de temps à l'aide de xarray et regionmask en python open source.

      Les données climatiques historiques et projetées sont le plus souvent stockées au format netcdf 4. Apprenez à ouvrir et à traiter les données climatiques MACA version 2 pour la zone continentale des États-Unis à l'aide du package python open source, xarray.

      Dans cette leçon, vous apprendrez les bases de ce que sont les données CMIP5 et MACA v 2 et comment les données climatiques mondiales sont réduites à des résolutions plus élevées pour soutenir l'analyse régionale.

      Dans cette leçon, vous découvrirez ce format de données netcdf 4 qui est un format couramment utilisé pour stocker des données climatiques. Dans les leçons suivantes, vous apprendrez à ouvrir les données climatiques à l'aide d'outils Python open source.

      Les boucles peuvent être utilisées pour automatiser les tâches de données en Python en exécutant de manière itérative le même code sur plusieurs structures de données. Entraînez-vous à utiliser des boucles pour automatiser certaines fonctionnalités en Python.

      Une compréhension de liste en Python est un type de boucle souvent plus rapide que les boucles traditionnelles. Apprenez à créer des compréhensions de liste pour automatiser les tâches de données en Python.

      Exercez vos compétences en créant des cartes de données raster et vectorielles à l'aide de Python open source.

      Entraînez-vous à tracer des données de séries temporelles stockées dans des cadres de données Pandas en Python.

      Entraînez-vous à tracer des données de séries temporelles stockées dans des cadres de données Pandas en Python.

      Effectuez ces exercices pour mettre en pratique les compétences que vous avez acquises dans les chapitres sur les formats de fichiers.

      Les données vectorielles sont l'un des deux types de données spatiales les plus courants. Apprenez à travailler avec des données vectorielles pour la science des données terrestres.

      Les données raster sont l'un des deux types de données spatiales les plus courants. Apprenez à travailler avec des données raster pour la science des données terrestres.

      Deux des principaux formats de données spatiales utilisés dans la science des données de la Terre sont les données vectorielles et raster. Découvrez ces deux formats de données spatiales courants pour les workflows de science des données terrestres dans ce chapitre.

      Dans cette leçon, vous apprendrez à analyser un fichier JSON contenant des données Twitter pour mieux comprendre les inondations du Colorado de 2013 à l'aide d'outils Python Open Source.

      MODIS sont des données de télédétection stockées au format de fichier HDF4. Apprenez à ouvrir et à utiliser les données MODIS au format HDF4 dans Open Source Python.

      MODIS sont des données de télédétection stockées au format de fichier HDF4. Apprenez à afficher et à explorer les fichiers HDF4 (et leurs métadonnées) à l'aide de la visionneuse HDF gratuite fournie par le groupe HDF.

      Découvrez comment rechercher et télécharger des données MODIS sur le site Web de l'USGS Earth Explorer.

      MODIS est un instrument de télédétection par satellite qui collecte quotidiennement des données à travers le monde à une résolution de 250 à 500 m. Apprenez à importer, nettoyer et tracer des données MODIS en Python.

      Un ensemble d'activités pour vous permettre de mettre en pratique vos compétences en utilisant Landsat Data en Open Source Python.

      Découvrez comment trouver et télécharger les données de télédétection Landsat 8 sur le site Web de l'USGS Earth Explorer.

      La plupart des ensembles de données de télédétection ne contiennent aucune valeur de données représentant des pixels contenant des données invalides. Apprenez à gérer aucune valeur de données en Python pour un meilleur traitement raster.

      Les données de télédétection Landsat comportent souvent des pixels recouverts de nuages ​​et d'ombres de nuages. Apprenez à supprimer les pixels Landsat couverts de nuages ​​à l'aide de Python open source.

      Apprenez à ouvrir et à créer une pile d'images Landsat et à les recadrer dans une certaine mesure à l'aide de Python open source.

      Les données Landsat 8 sont téléchargées au format de fichier tif. Apprenez à ouvrir et à manipuler les données Landsat 8 en Python. Apprenez également à créer des composites d'images Landsat RVB et infrarouges couleur.

      L'indice de combustion normalisé est utilisé pour quantifier la superficie touchée par un incendie. Apprenez à calculer l'indice de combustion normalisé et à classer vos données à l'aide des données Landsat 8 en Python.

      Un indice de végétation est une valeur unique qui quantifie la santé ou la structure de la végétation. Apprenez à calculer l'indice de végétation NDVI à l'aide des données NAIP en Python.

      Un indice de végétation est une valeur qui quantifie la santé ou la structure de la végétation. Apprenez à calculer les indices de végétation NDVI et NBR pour étudier la santé de la végétation et les impacts des feux de forêt en Python.

      Une activité pour mettre en pratique toutes les compétences que vous venez d'acquérir.

      Lorsque vous tracez des données de séries temporelles à l'aide du package matplotlib en Python, vous souhaitez souvent personnaliser le format de date présenté sur le tracé. Apprenez à personnaliser le format de date sur les tracés de séries temporelles créés à l'aide de matplotlib.

      Parfois, vous devez prendre des données de séries chronologiques collectées à une résolution plus élevée (par exemple plusieurs fois par jour) et les résumer en une valeur quotidienne, hebdomadaire ou même mensuelle. Ce processus est appelé rééchantillonnage en Python et peut être effectué à l'aide de trames de données pandas. Apprenez à rééchantillonner les données de séries temporelles en Python avec Pandas.

      Parfois, vous disposez de données sur une période plus longue que ce dont vous avez besoin pour votre analyse ou votre tracé. Découvrez comment sous-ensemble vos données à l'aide d'une date de début et de fin en Python.

      Python fournit un objet datetime pour stocker et travailler avec des dates. Découvrez comment convertir des colonnes dans une trame de données pandas contenant des dates et des heures sous forme de chaînes en objets datetime pour une analyse et un traçage plus efficaces.

      Python fournit un objet datetime pour stocker et travailler avec des dates. Découvrez comment convertir des colonnes dans une trame de données pandas contenant des dates et des heures sous forme de chaînes en objets datetime pour une analyse et un traçage plus efficaces.

      Apprenez à créer un graphique de somme cumulée dans Pandas pour mieux comprendre le débit d'un cours d'eau dans un bassin versant

      Apprenez à calculer la probabilité de dépassement et les périodes de retour associées à une inondation en Python.

      Une fonction est un bloc de code réutilisable qui exécute une tâche spécifique. Apprenez à écrire des fonctions qui peuvent prendre plusieurs paramètres ainsi que des paramètres facultatifs en Python pour éliminer les répétitions et améliorer l'efficacité de votre code.

      Une fonction est un bloc de code réutilisable qui exécute une tâche spécifique. Apprenez à écrire des fonctions en Python pour éliminer les répétitions et améliorer l'efficacité de votre code.

      Une fonction est un bloc de code réutilisable qui exécute une tâche spécifique. Découvrez comment les fonctions peuvent être utilisées pour écrire du code efficace et DRY (Do Not Repeat Yourself) en Python.

      Les boucles peuvent être une partie importante de la création d'un workflow de données en Python. Utilisez des boucles pour passer plus efficacement des données brutes à un projet fini.

      Les boucles peuvent être utilisées pour automatiser les tâches de données en Python en exécutant de manière itérative le même code sur plusieurs structures de données. Apprenez à automatiser les tâches de données en Python à l'aide de structures de données telles que des listes, des tableaux numpy et des cadres de données pandas.

      Les boucles peuvent aider à réduire la répétition dans le code en exécutant de manière itérative le même code sur une plage ou une liste de valeurs. Découvrez les types de boucles de base en Python et comment ils peuvent être utilisés pour écrire du code Do Not Repeat Yourself, ou DRY, en Python.

      Les instructions conditionnelles en Python peuvent être écrites pour vérifier des conditions alternatives ou des combinaisons de plusieurs conditions. Apprenez à écrire des instructions conditionnelles en Python qui choisissent entre des conditions alternatives ou vérifient les combinaisons de conditions avant d'exécuter du code.

      Les instructions conditionnelles vous aident à contrôler le flux de code en n'exécutant du code que lorsque certaines conditions sont remplies. Découvrez la structure des instructions conditionnelles en Python et comment elles peuvent être utilisées pour écrire du code Do Not Repeat Yourself, ou DRY, en Python.

      Une demande d'extraction permet à quiconque de suggérer des modifications à un référentiel sur GitHub qui peuvent être facilement examinées par d'autres. Apprenez à soumettre des demandes d'extraction sur GitHub.com pour suggérer des modifications à un référentiel GitHub.

      GitHub.com peut être utilisé pour stocker et accéder à des fichiers dans le cloud à l'aide des référentiels GitHub. Découvrez comment soumettre des demandes d'extraction sur GitHub.com pour suggérer des modifications à un référentiel GitHub.

      Un problème est un outil de gestion de projet GitHub qui permet à quiconque d'identifier et de discuter des modifications potentielles apportées à un dépôt. Apprenez à créer et à gérer des problèmes GitHub pour prendre en charge des projets scientifiques collaboratifs ouverts et reproductibles.

      Lorsque vous travaillez sur un référentiel GitHub fork, vous devrez fréquemment mettre à jour vos fichiers. Apprenez à mettre à jour votre fork GitHub à l'aide d'une demande de tirage inversé.

      Une demande d'extraction permet à quiconque de suggérer des modifications à un référentiel sur GitHub qui peuvent être facilement examinées par d'autres. Apprenez à soumettre des demandes d'extraction sur GitHub.com pour suggérer des modifications à un référentiel GitHub.

      GitHub est un site Web qui prend en charge le contrôle de version basé sur git et la gestion de projet collaborative. Apprenez à utiliser git et GitHub pour collaborer sur des projets à l'appui de la science ouverte et reproductible.

      Les cadres de données Pandas sont une structure de données scientifiques couramment utilisée en Python qui stocke des données tabulaires à l'aide de lignes et de colonnes avec des en-têtes. Apprenez à utiliser l'indexation et le filtrage pour sélectionner des données à partir de cadres de données pandas.

      Les cadres de données Pandas sont une structure de données scientifiques couramment utilisée en Python qui stocke des données tabulaires à l'aide de lignes et de colonnes avec des en-têtes. Apprenez à exécuter des calculs et des statistiques récapitulatives (telles que la moyenne ou le maximum) sur les colonnes des cadres de données pandas.

      Les cadres de données Pandas sont une structure de données scientifiques couramment utilisée en Python qui stocke des données tabulaires à l'aide de lignes et de colonnes avec des en-têtes. Apprenez à importer des données texte à partir de fichiers .csv dans des tableaux numpy.

      Les cadres de données Pandas sont une structure de données scientifiques couramment utilisée en Python qui stocke des données tabulaires à l'aide de lignes et de colonnes avec des en-têtes. Découvrez les principales caractéristiques des cadres de données de pandas qui en font une structure de données utile pour stocker et travailler avec des ensembles de données scientifiques étiquetés.

      Les tableaux Numpy sont une structure de données efficace pour travailler avec des données scientifiques en Python. Apprenez à utiliser l'indexation pour découper (ou sélectionner) des données à partir de tableaux numpy unidimensionnels et bidimensionnels.

      Les tableaux Numpy sont une structure de données efficace pour travailler avec des données scientifiques en Python. Apprenez à exécuter des calculs et des statistiques récapitulatives (telles que la moyenne ou le maximum) sur des tableaux numpy unidimensionnels et bidimensionnels.

      Les tableaux Numpy sont une structure de données efficace pour travailler avec des données scientifiques en Python. Apprenez à importer des données texte à partir de fichiers .txt et .csv dans des tableaux numpy.

      Les tableaux Numpy sont une structure de données scientifiques couramment utilisée en Python qui stocke les données sous forme de grille ou de matrice. Découvrez les principales caractéristiques des tableaux numpy qui en font une structure de données efficace pour stocker et travailler avec de grands ensembles de données scientifiques.

      Les packages os et glob sont des outils très utiles en Python pour accéder aux fichiers et aux répertoires et pour créer des listes de chemins d'accès aux fichiers et aux répertoires, respectivement. Apprenez à manipuler et à analyser les chemins de fichiers et de répertoires en utilisant os et glob.

      Les chemins de fichiers construits manuellement ne s'exécuteront souvent pas sur des ordinateurs dotés de systèmes d'exploitation différents. Apprenez à construire des chemins de fichiers en Python qui fonctionneront sur Mac, Linux et Windows, à l'appui de la science reproductible ouverte.

      Un répertoire fait référence à un dossier sur un ordinateur qui a des relations avec d'autres dossiers. Découvrez les répertoires, les fichiers et les chemins, en ce qui concerne la création de projets scientifiques reproductibles.

      Les packages en Python fournissent des fonctionnalités prédéfinies qui s'ajoutent aux fonctionnalités disponibles dans Python de base. Apprenez à installer des packages en Python à l'aide d'environnements conda.

      Un environnement conda est un environnement Python autonome qui vous permet d'exécuter différentes versions de Python (avec différents packages installés) sur votre ordinateur. Apprenez à conda environnements peuvent vous aider à gérer les packages et les dépendances Python.

      Le langage de programmation Python fournit de nombreux packages et bibliothèques pour travailler avec des données scientifiques. Découvrez les packages Python clés pour la science des données terrestres.

      Lorsque vous tracez des données de séries temporelles dans matplotlib, vous souhaitez souvent personnaliser le format de date présenté sur le tracé. Apprenez à personnaliser le format de date dans un tracé Python matplotlib.

      Matplotlib est la bibliothèque de traçage la plus couramment utilisée en Python. Apprenez à personnaliser les couleurs, les symboles et les étiquettes de vos tracés à l'aide de matplotlib.

      Matplotlib est la bibliothèque de traçage la plus couramment utilisée en Python. Apprenez à créer des tracés à l'aide de l'approche orientée objet matplotlib.

      Le code DRY (Do Not Repeat Yourself) prend en charge la reproductibilité en supprimant les répétitions et en facilitant la lecture du code. Découvrez les stratégies clés pour écrire du code DRY en Python.

      Les noms de variables expressifs font référence aux noms de fonctions et de variables qui décrivent ce que la variable contient ou ce que fait la fonction. L'utilisation de noms expressifs rend votre code plus facile à comprendre. Apprenez à créer des noms expressifs pour des objets dans votre code Python.

      L'utilisation d'un format et d'une syntaxe standard lors de la programmation rend votre code plus facile à lire. En savoir plus sur PEP 8, un ensemble de directives pour l'écriture de code propre en Python.

      Un code propre fait référence à l'écriture de code qui s'exécute efficacement, n'est pas redondant et est facile à comprendre pour tout le monde. Découvrez les caractéristiques et les avantages de l'écriture de code propre et expressif en Python.

      Effectuez ces exercices pour mettre en pratique les compétences que vous avez acquises dans les chapitres sur les principes fondamentaux de Python.

      Les opérateurs sont des symboles en Python qui effectuent un calcul ou une opération spécifique, tels que des calculs arithmétiques. Apprenez à utiliser les opérateurs de base en Python.

      Une liste Python est une structure de données qui stocke une collection de valeurs dans un ordre (ou séquence) spécifié et est mutable (ou modifiable). Apprenez à créer et à utiliser des listes en Python.

      Les variables stockent des données (c'est-à-dire des informations) que vous souhaitez réutiliser dans votre code (par exemple, une valeur numérique unique, un chemin vers un répertoire ou un fichier). Apprenez à créer et à utiliser des variables en Python.

      Python est un langage de programmation open source gratuit qui peut être utilisé pour travailler avec des données scientifiques. Apprenez à utiliser Python pour développer des workflows scientifiques.

      Les données tabulaires sont courantes dans tous les travaux analytiques, le plus souvent considérées comme des fichiers .txt et .csv. Apprenez à travailler avec des données tabulaires pour la science des données de la Terre dans cette leçon.

      Markdown vous permet de formater du texte à l'aide d'une syntaxe de texte simple et peut être utilisé pour documenter le code dans une variété d'outils, y compris Jupyter Notebook. Apprenez à formater du texte dans Jupyter Notebook à l'aide de Markdown.

      Il existe de nombreux formats de fichiers texte utiles pour les workflows de science des données terrestres, notamment Markdown, les fichiers texte (.txt, .csv) et YAML (Yet Another Markup Language). Découvrez ces formats de fichiers texte courants pour les workflows de science des données terrestres.

      L'écosystème Jupyter contient de nombreux outils utiles pour travailler avec Python, notamment Jupyter Notebook, un environnement de codage interactif. Découvrez des raccourcis utiles dans Jupyter Notebook qui peuvent vous aider à effectuer vos tâches rapidement et efficacement.

      L'écosystème Jupyter contient de nombreux outils utiles pour travailler avec Python, notamment Jupyter Notebook, un environnement de codage interactif et le tableau de bord Jupyter Notebook, qui vous permet de gérer les fichiers et les répertoires dans votre environnement Jupyter. Apprenez à gérer les fichiers Jupyter Notebook, y compris l'enregistrement, le renommage, la suppression, le déplacement et le téléchargement de notebooks.

      L'écosystème Jupyter contient de nombreux outils utiles pour travailler avec Python, notamment le tableau de bord Jupyter Notebook, qui vous permet de gérer les fichiers et les répertoires dans votre environnement Jupyter. Apprenez à créer, renommer, déplacer et supprimer des répertoires à l'aide du tableau de bord Jupyter Notebook.

      L'écosystème Jupyter contient de nombreux outils utiles pour travailler avec Python, notamment Jupyter Notebook, un environnement de codage interactif. Apprenez à utiliser les cellules, y compris le code Python et les cellules de texte Markdown, dans Jupyter Notebook.

      L'écosystème Jupyter contient de nombreux outils utiles pour travailler avec Python, notamment Jupyter Notebook, un environnement de codage interactif. Découvrez comment lancer et fermer des sessions Jupyter Notebook et comment naviguer dans Jupyter Dashboard pour créer et ouvrir des fichiers Jupyter Notebook (.ipynb).

      L'écosystème Jupyter contient de nombreux outils utiles pour travailler avec Python, notamment Jupyter Notebook, un environnement de codage interactif. Découvrez comment les composants et les fonctionnalités de Jupyter Notebook peuvent vous aider à mettre en œuvre des flux de travail scientifiques reproductibles ouverts.

      Bash ou Shell est un outil en ligne de commande utilisé en science ouverte pour manipuler efficacement des fichiers et des répertoires. Apprenez à exécuter des commandes Bash utiles pour accéder et gérer des répertoires et des fichiers sur votre ordinateur.

      Bash ou Shell est un outil en ligne de commande utilisé en science ouverte pour manipuler efficacement des fichiers et des répertoires. Apprenez à utiliser Bash pour manipuler des fichiers à l'appui de la science reproductible.

      Dans cette leçon, vous apprendrez à ajuster les limites x et y de votre carte matplotlib et geopandas pour modifier l'étendue spatiale.

      La science ouverte et reproductible fait référence au développement de flux de travail que d'autres peuvent facilement comprendre et utiliser. Découvrez les meilleures pratiques pour organiser des projets scientifiques reproductibles ouverts, y compris l'utilisation de noms lisibles par machine.

      Les outils clés pour la science ouverte et reproductible incluent Shell (Bash), git et GitHub, Jupyter et Python. Découvrez comment ces outils vous aident à mettre en œuvre des flux de travail scientifiques reproductibles ouverts.

      La science ouverte et reproductible fait référence au développement de flux de travail que d'autres peuvent facilement comprendre et utiliser. Cela vous permet de vous appuyer sur le travail des autres plutôt que de partir de zéro. Découvrez l'importance et les avantages de la science ouverte et reproductible.

      Lorsque vous créez des cartes, vous souhaitez souvent créer des légendes, personnaliser les couleurs, ajuster les niveaux de zoom ou même créer des cartes interactives. Apprenez à personnaliser des cartes créées à l'aide de données vectorielles en Python avec matplotlib, geopandas et folium.

      Parfois, les données vectorielles manquent de données d'attributs, et il peut être utile de nettoyer vos données. Apprenez à gérer les données d'attribut manquantes dans Python à l'aide de GeoPandas.

      Une jointure spatiale consiste à affecter des attributs d'un fichier de formes à un autre en fonction de son emplacement spatial. Apprenez à effectuer des jointures spatiales en Python.

      Lorsque vous dissolvez des polygones, vous supprimez les limites intérieures d'un ensemble de polygones avec la même valeur d'attribut et créez un nouveau polygone fusionné ou combiné pour chaque valeur d'attribut. Apprenez à dissoudre des polygones en Python à l'aide de GeoPandas.

      Parfois, vous souhaiterez peut-être découper spatialement une couche de données vectorielles à une limite spécifiée pour faciliter le traçage et l'analyse de zones spatiales plus petites. Apprenez à découper une couche de données vectorielles en Python à l'aide de GeoPandas et Shapely.

      Souvent, lorsque les données spatiales ne s'alignent pas correctement sur une parcelle, c'est parce qu'elles se trouvent dans des systèmes de référence de coordonnées (CRS) différents. Apprenez à reprojeter un jeu de données vectorielles vers un CRS différent en Python à l'aide de la fonction to_crs() de GeoPandas.

      Souvent, lorsque les données spatiales ne s'alignent pas correctement sur une parcelle, c'est parce qu'elles se trouvent dans des systèmes de référence de coordonnées (CRS) différents. Apprenez à reprojeter un jeu de données vectorielles vers un CRS différent en Python à l'aide de la fonction to_crs() de GeoPandas.

      La conception et le développement de workflows de données peuvent vous aider à effectuer votre travail plus efficacement en vous permettant de répéter et d'automatiser les tâches de données. Apprenez à concevoir et développer des workflows efficaces pour automatiser les analyses de données en Python.

      Pseudcode peut vous aider à concevoir des workflows de données en répertoriant les étapes individuelles du workflow en langage clair, de sorte que l'accent est mis sur le processus de données global, plutôt que sur le code spécifique nécessaire. Découvrez les bonnes pratiques d'écriture de pseudocode pour les workflows de données.

      L'identification des aspects d'un workflow qui peuvent être modularisés et testés peut vous aider à concevoir des workflows de données efficaces et efficients. Découvrez les meilleures pratiques pour concevoir des workflows de données efficaces.

      Le texte restructuré (RST) est un format de texte similaire au markdown qui est souvent utilisé pour documenter les logiciels python. Apprenez à créer des en-têtes, des listes et des blocs de code dans un fichier texte à l'aide de la syntaxe RST.

      Le manque de documentation limitera l'utilisation de votre code par les gens. Dans cette leçon, vous découvrirez 2 manières de documenter le code python à l'aide de docstrings et de la documentation en ligne. Vous apprendrez également à améliorer la documentation dans d'autres progiciels.

      Open source signifie que vous pouvez afficher et contribuer au code logiciel comme les packages que vous utilisez en Python. Découvrez les façons dont vous pouvez contribuer sans être un programmeur expert.

      Open source signifie que vous pouvez afficher et contribuer au code logiciel comme les packages que vous utilisez en Python. Découvrez les façons dont vous pouvez contribuer sans être un programmeur expert.

      Les scientifiques utilisent souvent des méthodes de télédétection pour étudier les impacts des incendies de forêt grâce à des calculs d'indices de végétation avant et après les incendies de forêt. Apprenez-en davantage sur la façon dont la télédétection peut être utilisée pour étudier les impacts des incendies de forêt.

      Les scientifiques utilisent souvent des méthodes d'enquête sur le terrain pour étudier les impacts des incendies de forêt en mesurant la biomasse et le sol. Apprenez-en davantage sur la façon dont les méthodes d'enquête peuvent être utilisées pour étudier les impacts des feux de forêt.

      L'incendie de forêt de Cold Springs a brûlé un total de 528 acres de terre entre le 9 juillet 2016 et le 14 juillet 2016. Apprenez-en plus sur cet incendie de forêt et sur la façon dont les scientifiques étudient les incendies de forêt à l'aide de méthodes de détection sur le terrain et à distance.

      Pratiquez vos compétences en configurant git localement, en appliquant des modifications aux fichiers et en poussant et en tirant des fichiers vers GitHub.com

      Un système de contrôle de version vous permet de suivre et de gérer les modifications apportées à vos fichiers. Apprenez à annuler les modifications dans git après qu'elles aient été ajoutées ou validées dans le contrôle de version.

      Un système de contrôle de version vous permet de suivre et de gérer les modifications apportées à vos fichiers. Apprenez à utiliser certaines commandes Git de base, notamment add, commit et push.

      Apprenez à configurer git localement sur votre ordinateur.

      GitHub.com peut être utilisé pour stocker et accéder à des fichiers dans le cloud à partager avec d'autres ou simplement comme sauvegarde de vos fichiers locaux. Apprenez à créer une copie de fichiers sur GitHub (fork) et à télécharger des fichiers de GitHub sur votre ordinateur (clone).

      Un système de contrôle de version vous permet de suivre et de gérer les modifications apportées à vos fichiers. Découvrez les avantages du contrôle de version pour les workflows scientifiques et comment git et GitHub.com prennent en charge le contrôle de version.

      Cette leçon vous apprend à collaborer avec d'autres personnes dans un projet, y compris des tâches telles que la notification aux autres qu'une tâche assignée a été effectuée.

      Cette leçon vous apprend à annuler les modifications dans Git après qu'elles aient été ajoutées ou validées.

      Cette leçon explique comment recadrer un jeu de données raster et l'exporter en tant que nouveau raster en Python

      Dans cette leçon, vous allez voir comment dissoudre des polygones en python. Une jointure spatiale consiste à affecter des attributs d'un fichier de formes à un autre en fonction de son emplacement spatial.

      Parfois, deux fichiers de formes ne s'alignent pas correctement même s'ils couvrent la même zone car ils se trouvent dans des systèmes de référence de coordonnées différents. Apprenez à reprojeter des données vectorielles en Python à l'aide de geopandas pour garantir l'alignement de vos données.

      Cette leçon présente ce que sont les données vectorielles et comment ouvrir les données vectorielles stockées au format shapefile en Python.

      Parfois, vous devez manipuler plusieurs rasters pour créer un nouvel ensemble de données de sortie raster en Python. Apprenez à créer un CHM en soustrayant un jeu de données raster d'altitude d'un jeu de données de modèle de surface en Python.

      Cette leçon présente le format de fichier raster geotiff - qui est souvent utilisé pour stocker des données raster lidar. Vous apprendrez les 3 attributs spatiaux clés d'un jeu de données raster, y compris le système de référence de coordonnées, l'étendue spatiale et la résolution.

      Il existe une suite de puissantes bibliothèques python open source qui peuvent être utilisées pour travailler avec des données spatiales. Apprenez à utiliser geopandas, rasterio et matplotlib pour tracer et manipuler des données spatiales en Python.

      Les éditeurs de texte peuvent être utilisés pour éditer le code et pour les messages de validation dans git. Découvrez les fonctionnalités à rechercher dans un éditeur de texte et comment modifier votre éditeur de texte par défaut sur la ligne de commande.

      Les environnements Conda vous permettent de gérer facilement les installations de packages Python sur votre ordinateur. Apprenez à installer un environnement conda à l'aide d'un fichier yml.

      Ce didacticiel vous explique comment accéder au shell via le terminal, utiliser les commandes de base du terminal pour l'organisation des fichiers et configurer un répertoire de travail pour le cours.

      Apprenez à installer Git, GitBash (une version de la ligne de commande Bash) et la distribution Python Miniconda sur votre ordinateur.

      Plusieurs outils de base sont nécessaires pour travailler avec les données. Ceux-ci incluent Shell/Bash, Git/Github et Python. Apprenez à configurer tous ces outils sur votre ordinateur afin de pouvoir travailler avec différents types de données à l'aide de workflows de science ouverte.

      Dans cette leçon, vous allez voir comment rechercher et télécharger des images USDS NAIP à partir du site Web USGS Earth Explorere.

      Apprenez à ouvrir une couche raster multicanal ou une image stockée au format .tiff en Python à l'aide de Rasterio. Apprenez à tracer des histogrammes de valeurs raster et à tracer des images RVB 3 bandes et infrarouges en couleur ou en fausses couleurs.

      Apprenez les bases de l'utilisation des modèles de couleurs additives pour rendre les images RVB en Python.

      Les données de télédétection multispectrale peuvent être dans différentes résolutions et formats et ont souvent des bandes différentes. Découvrez les différences entre les données de télédétection NAIP, Landsat et MODIS telles qu'elles sont utilisées en Python.

      Les cartes interactives vous permettent d'explorer facilement les données. Apprenez à créer des cartes de brochures interactives intégrées dans un bloc-notes Jupyter à l'aide de Python et de Folium.

      Lorsque vous créez des cartes, vous souhaitez parfois zoomer sur une zone spécifique de votre carte. Apprenez à ajuster les limites x et y de votre carte matplotlib et geopandas pour modifier l'étendue spatiale affichée.

      Lorsque vous créez des cartes, vous souhaitez souvent ajouter des légendes et personnaliser les couleurs de la carte. Apprenez à personnaliser les légendes et les couleurs dans les cartes matplotlib créées à l'aide de données vectorielles en Python.

      Lors du traçage de données raster et vectorielles ensemble, l'étendue du tracé doit être définie pour que les données se superposent correctement. Apprenez à définir des étendues de traçage pour les tracés Python Matplotlib.

      Parfois, vous souhaitez personnaliser la barre de couleurs et la plage de valeurs tracées dans une carte raster. Apprenez à créer des coupures pour tracer des rasters en Python.

      Folium est un package Python qui peut être utilisé pour créer des cartes interactives dans Jupyter Notebook. Apprenez à créer des cartes interactives avec des superpositions raster en Python à l'aide de Folium.

      Un ombrage est une représentation de la surface de la terre telle qu'elle apparaîtrait avec l'ombre et les ombres du soleil. Apprenez à superposer des données raster au sommet d'un ombrage en Python.

      Lorsque vous tracez des rasters, vous souhaitez souvent superposer deux rasters, ajouter une légende ou rendre le raster interactif. Apprenez à créer une carte de données raster avec ces attributs à l'aide de Python.

      Cette leçon définit 3 produits de données lidar : le modèle numérique d'élévation (DEM), le modèle numérique de surface (DSM) et le modèle de hauteur de canopée (CHM).

      Les rasters sont des données maillées composées de pixels qui stockent des valeurs, telles qu'une image ou un fichier de données d'altitude. Découvrez comment un nuage de points de données lidar est converti en un format raster tel qu'un GeoTIFF.

      Cette leçon explique ce qu'est un nuage de points lidar. Vous utiliserez la visionneuse de nuages ​​de points plas.io gratuite pour explorer un nuage de points.

      Cette leçon passe en revue ce qu'est la télédétection Lidar, ce que l'instrument lidar mesure et traite des composants de base d'un système de télédétection lidar.

      Une inondation modifie souvent le terrain à mesure que l'eau déplace les sédiments et les débris à travers le paysage. Découvrez comment les changements de terrain sont mesurés à l'aide des données de télédétection lidar.

      La quantité et/ou la durée des précipitations peuvent avoir un impact sur la gravité d'une inondation. Découvrez comment les précipitations sont mesurées et utilisées pour comprendre les impacts des inondations.

      En savoir plus sur les données de débit de cours d'eau utilisées dans cette histoire de données.

      Les changements dans l'atmosphère, y compris la vitesse à laquelle une tempête se déplace, peuvent avoir un impact sur la gravité d'une inondation. En savoir plus sur l'impact des conditions atmosphériques sur les inondations.

      L'inondation de 2013 a causé des dommages importants dans tout l'État du Colorado, aux États-Unis. Découvrez ce qui a causé les inondations de 2013 dans le Colorado et également certains de leurs impacts.

      Une façon d'analyser les données Twitter consiste à analyser les attitudes (ou les sentiments) dans le texte du tweet. Apprenez à analyser les sentiments dans les données Twitter à l'aide de Python open source.

      Une façon courante d'analyser les données Twitter consiste à identifier la cooccurrence et les réseaux de mots dans les Tweets. Apprenez à analyser la cooccurrence de mots (c'est-à-dire les bigrammes) et les réseaux de mots à l'aide de Python.

      Une façon courante d'analyser les données Twitter consiste à calculer la fréquence des mots pour comprendre à quelle fréquence les mots sont utilisés dans les tweets sur un sujet particulier. Pour effectuer une analyse, vous devez d'abord préparer les données. Apprenez à nettoyer les données Twitter et à calculer la fréquence des mots à l'aide de Python.

      Vous pouvez utiliser l'API Twitter RESTful pour accéder aux données de tweet de Twitter. Apprenez à utiliser tweepy pour télécharger et utiliser les données des réseaux sociaux Twitter en Python.

      Vous pouvez accéder automatiquement aux données des réseaux sociaux Twitter à l'aide de l'API Twitter en Python. Découvrez les bases du téléchargement de données Twitter à l'aide de Python open source.

      Cette leçon décrit le processus de récupération et de manipulation des données sur les eaux de surface hébergées dans le Colorado Information Warehouse. Ces données sont stockées au format JSON avec des informations spatiales x, y qui prennent en charge le mappage.

      Cette leçon présente comment travailler avec la structure de données JSON à l'aide de Python à l'aide des bibliothèques JSON et Pandas pour créer et convertir des objets JSON.

      JSON est un format de données textuel puissant qui contient des données hiérarchiques. JSON et GeoJSON sont des formats de données courants qui sont renvoyés lors de l'accès automatique aux données à l'aide d'une API. En savoir plus sur les données JSON et GeoJSON.

      Les API vous permettent d'automatiser l'accès et le téléchargement des données dans votre code pour prendre en charge la science reproductible ouverte. Apprenez à utiliser les API pour télécharger des données depuis Internet à l'aide de python open source.

      Parfois, vous travaillerez avec plusieurs rasters qui ne se trouvent pas dans les mêmes projections et, par conséquent, vous devrez reprojeter les rasters afin qu'ils se trouvent dans le même système de référence de coordonnées. Apprenez à reprojeter des données raster en Python à l'aide de Rasterio.

      Parfois, un jeu de données raster couvre une étendue spatiale plus grande que nécessaire pour un objectif particulier. Dans ces cas, vous pouvez rogner un fichier raster dans une moindre mesure. Apprenez à rogner des données raster à l'aide d'un fichier de formes et à l'exporter en tant que nouveau raster en Python open source

      La reclassification des données raster vous permet d'utiliser un ensemble de valeurs définies pour organiser les valeurs de pixel dans de nouveaux bacs ou catégories. Apprenez à classer un jeu de données raster et à l'exporter en tant que nouveau raster en Python.

      Souvent, vous devez traiter deux jeux de données raster ensemble pour créer une nouvelle sortie raster, puis enregistrer cette sortie dans un nouveau fichier. Apprenez à soustraire des rasters et à créer un nouveau fichier GeoTIFF à l'aide de Python open source.

      Vous pouvez effectuer les mêmes étapes de traitement raster en Python que vous le feriez dans un outil comme ArcGIS. Apprenez à traiter des données raster spatiales à l'aide de Python Open Source.

      Les données raster sont des données maillées composées de pixels qui stockent des valeurs, telles qu'une image ou un fichier de données d'altitude. Apprenez à ouvrir, tracer et explorer des fichiers raster en Python à l'aide de Rasterio.

      Mettez vos compétences au défi. Entraînez-vous à ouvrir, nettoyer et tracer des données raster en Python

      Les métadonnées décrivent les principales caractéristiques d'un jeu de données tel qu'un raster. Pour les données spatiales, ces caractéristiques incluent le système de coordonnées de référence (CRS), la résolution et l'étendue spatiale. Découvrez l'utilisation des balises TIF ou des métadonnées intégrées dans un fichier GeoTIFF pour explorer les métadonnées par programmation.

      Les métadonnées raster incluent le système de référence de coordonnées (CRS), la résolution et l'étendue spatiale. En savoir plus sur ces métadonnées et comment y accéder en Python

      Les histogrammes de données raster fournissent la distribution des valeurs de pixels dans le jeu de données. Découvrez comment explorer et tracer la distribution des valeurs au sein d'un raster à l'aide d'histogrammes.

      Les données raster sont des données maillées composées de pixels qui stockent des valeurs, telles qu'une image ou un fichier de données d'altitude. Apprenez à ouvrir, tracer et explorer des fichiers raster en Python.

      Les rasters sont des données maillées composées de pixels qui stockent des valeurs. En savoir plus sur la structure des données raster et comment les utiliser pour stocker des données, telles que des images ou des valeurs d'altitude.

      Les informations du système de référence de coordonnées (CRS) sont souvent stockées dans trois formats clés, notamment proj.4, EPSG et WKT. En savoir plus sur les manières dont les données du système de référence de coordonnées sont stockées, y compris les codes proj4, le texte bien connu (wkt) et les codes EPSG.

      Les systèmes de coordonnées géographiques couvrent l'ensemble du globe (par exemple, latitude / longitude), tandis que les systèmes de coordonnées projetées sont localisés pour minimiser la distorsion visuelle dans une région particulière (par exemple, Robinson, UTM, State Plane). En savoir plus sur les principales différences entre les systèmes de référence de coordonnées projetées et géographiques.

      Un système de coordonnées de référence (CRS) définit la translation entre un emplacement sur la terre ronde et ce même emplacement, sur un système de coordonnées aplati à 2 dimensions. Apprenez à explorer et à reprojeter des données dans un CRS géographique et projeté en Python.

      Les données vectorielles sont composées d'emplacements géométriques discrets (valeurs x, y) appelés sommets qui définissent la forme de l'objet spatial. En savoir plus sur la structure des données vectorielles et sur la façon d'ouvrir les données vectorielles stockées au format shapefile en Python.

      Entraînez-vous à interpréter les données sur des parcelles qui montrent les précipitations (précipitations) et le débit du cours d'eau (débit) à mesure qu'il change au fil du temps.

      La connexion des données à l'analyse et aux sorties est une partie importante de la science reproductible ouverte. Dans cette leçon, vous explorerez cette valeur d'un flux de travail bien documenté.

      Découvrez comment utiliser la fonction de séries temporelles de Google Earth pour afficher les images avant et après d'un lieu.

      Cette leçon contient une série de défis qui nécessitent l'utilisation de fonctions tidyverse dans R pour traiter les données.

      Lorsque vous programmez, il peut être facile de copier et coller du code qui fonctionne. Cependant, cette approche n'est pas efficace. Apprenez à créer des boucles for pour traiter plusieurs fichiers dans R.

      Apprenez à gérer les données manquantes dans le langage de programmation R.

      Apprenez à écrire du pseudocode pour planifier votre approche du travail avec les données. Ensuite, utilisez les fonctions tidyverse, y compris group_by et résumer pour mettre en œuvre votre plan.

      Lorsque vous travaillez avec des données, vous passez souvent le plus de temps à nettoyer vos données. Apprenez à écrire un code plus efficace en utilisant le tidyverse dans R.

      Découvrez comment créer et soumettre une pull request à un autre référentiel.

      Apprenez à créer un référentiel à l'aide du site Web GitHub.

      Apprenez à trouver un dépôt sur le site Web GitHub à l'aide de la recherche. Découvrez également l'interface du référentiel GitHub.

      Apprenez à annuler les modifications dans git après qu'elles aient été ajoutées ou validées.

      Apprenez les commandes git de base, notamment clone, add, commit et push.

      Découvrez ce qu'est le contrôle de version et comment Git et GitHub sont utilisés dans un workflow de contrôle de version typique.

      Dans cette leçon, vous apprendrez les étapes pour créer une carte dans R à l'aide de ggplot.

      Vous pouvez utiliser R comme SIG. Apprenez à créer une carte dans R à l'aide de ggplot dans ce didacticiel sur les cartes R.

      Apprenez à effectuer une analyse des sentiments de base à l'aide du package tidytext dans R.

      Cette leçon fournit un exemple de modularisation du code dans R.

      Cette leçon fournit un exemple de modularisation du code dans R.

      L'exploration de texte est utilisée pour extraire des informations utiles du texte, telles que les Tweets. Apprenez à utiliser le package Tidytext dans R pour analyser les données Twitter.

      Vous pouvez utiliser l'API Twitter RESTful pour accéder aux données sur les utilisateurs et les tweets de Twitter. Apprenez à utiliser rtweet pour télécharger et analyser les données des réseaux sociaux Twitter dans R.

      Cette leçon abordera certains des défis associés au travail avec les données des médias sociaux en science. Ces défis incluent le travail avec du texte non standard, de gros volumes de données, des limitations d'API et des problèmes de géolocalisation.

      Cette leçon couvre les bases de la création d'une carte interactive à l'aide de l'API de brochure dans R. Nous importerons les données de l'entrepôt d'informations du Colorado à l'aide de l'API SODA RESTful, puis créerons une carte interactive pouvant être publiée dans un fichier au format HTML à l'aide de knitr et rmarkdown. .

      Cette leçon décrit le processus de récupération et de manipulation des données sur les eaux de surface hébergées dans le Colorado Information Warehouse. Ces données sont stockées au format JSON avec des informations spatiales x, y qui prennent en charge le mappage.

      Cette leçon couvre les espaces de noms dans R et comment nous pouvons dire à R d'où obtenir une fonction (quel code utiliser) dans R.

      Cette leçon couvre l'accès aux données via l'API Colorado Information Warehouse SODA dans R.

      Cette leçon couvre la structure de données JSON. JSON est un format texte puissant qui prend en charge les structures de données hiérarchiques. C'est la structure de base utilisée pour créer geoJSON qui est une version spatiale de json qui peut être utilisée pour créer des cartes. JSON est préféré aux fichiers .csv pour les structures de données, car il s'est avéré plus efficace, en particulier lorsque la taille des données devient importante.

      Cette leçon explique comment utiliser les fonctions du package RCurl pour accéder aux données sur un serveur sécurisé (https) dans R.

      Cette leçon fournit un exemple de modularisation du code dans R.

      Dans ce module, vous apprenez différentes manières d'accéder, de télécharger et de travailler avec des données par programmation. Ces méthodes incluent le téléchargement de fichiers texte directement depuis un site Web sur votre ordinateur et dans R, la lecture de données stockées au format texte à partir d'un site Web, dans un data.frame dans R et enfin, l'accès à des sous-ensembles de données particulières à l'aide d'appels d'API REST dans R.

      Apprenez à prendre du code dans une boucle for et à le convertir pour l'utiliser dans une fonction d'application. Rendez votre code R plus efficace et plus expressif pour la programmation.

      Apprenez à combiner des instructions if, des fonctions et des boucles for pour traiter des ensembles de fichiers texte.

      Apprenez à écrire une boucle for pour traiter un ensemble de fichiers texte au format .csv dans R.

      Apprenez à travailler avec des arguments de fonction dans le langage de programmation R.

      Cette leçon présente l'environnement des fonctions et la documentation des fonctions dans R. Lorsque vous exécutez une fonction, les variables intermédiaires ne sont pas stockées dans l'environnement global. Cela permet non seulement d'économiser de la mémoire sur votre ordinateur, mais également de maintenir notre environnement propre, réduisant ainsi le risque de conflits de variables.

      Apprenez à écrire une fonction dans le langage de programmation R.

      Cette leçon couvrira les principes de base de l'utilisation des fonctions et pourquoi elles sont importantes.

      Dans cette leçon, vous découvrirez comment importer et utiliser des données de télédétection MODIS au format raster geotiff dans R.Vous couvrirez l'importation de nombreux fichiers à l'aide d'expressions régulières et le nettoyage des noms de couches de pile raster pour un traçage agréable.

      Dans cette leçon, vous allez voir comment calculer le taux de combustion normalisé par différence à l'aide de rasters NBR avant et après incendie dans R. Vous allez enfin classer le raster dNBR.

      Dans cette leçon, vous passez en revue l'indice de taux de combustion normalisé (NBR) qui peut être utilisé pour identifier la superficie et la gravité d'un incendie. Plus précisément, vous calculerez le NBR à l'aide des données de télédétection spectrale Landsat 8 au format raster, au format .tif.

      Souvent, les données ont des valeurs de données manquantes ou incorrectes que vous devez remplacer. Apprenez à remplacer les valeurs de données manquantes ou incorrectes dans un raster, par des valeurs d'un autre raster au même emplacement de pixel à l'aide de la fonction de couverture dans R.

      Dans cette leçon, vous verrez comment rechercher et télécharger des images Landsat à partir du site Web de l'USGS Earth Explorere.

      Dans cette leçon, vous apprendrez à gérer les nuages ​​lorsque vous travaillez avec des données de télédétection spectrale. Vous apprendrez à masquer les nuages ​​des données de télédétection landsat et MODIS dans R à l'aide de la fonction mask(). Vous discuterez également des problèmes associés à la couverture nuageuse - en particulier en ce qui concerne un sujet de recherche.

      Apprenez à convertir une valeur de jour de l'année en un format de date normal dans R.

      Dans cette leçon, vous allez voir comment ajuster l'étendue d'un tracé spatial dans R en utilisant l'argument ext() ou l'étendue et l'étendue d'une autre couche.

      Dans cette leçon, vous apprendrez à utiliser les paramètres par() ou les paramètres dans R pour tracer plusieurs tracés RVB raster dans R dans une grille.

      Dans cette leçon, vous allez voir comment supprimer ces bordures embêtantes d'un tracé raster à l'aide du tracé de base dans R. Nous couvrons également l'ajout de légendes à votre tracé en dehors de l'étendue du tracé.

      Apprenez à rechercher une fonction dans R. Apprenez à importer des fonctions stockées dans un fichier séparé dans un script ou un fichier R Markdown.

      Dans cette leçon, vous couvrirez les bases de l'utilisation de Landsat 7 et 8 dans R. Vous apprendrez à importer des données Landsat stockées au format .tif - où chaque fichier .tif représente une seule bande plutôt qu'une pile de bandes. Enfin, vous tracerez les données en utilisant diverses combinaisons à 3 bandes, y compris RVB et infrarouge couleur.

      Le NDVI est calculé à l'aide de longueurs d'onde ou de types de lumière proche infrarouge et rouge et est utilisé pour mesurer la verdure ou la santé de la végétation. Apprenez à calculer le NDVI de télédétection en utilisant l'imagerie multispectrale dans R.

      Dans cette leçon, vous apprendrez les bases de l'utilisation de Landsat 7 et 8 dans R. Vous apprendrez à importer des données Landsat stockées au format .tif - où chaque fichier .tif représente une seule bande plutôt qu'une pile de bandes. Enfin, vous tracerez les données en utilisant diverses combinaisons à 3 bandes, y compris RVB et infrarouge couleur.

      Dans cette leçon, vous apprendrez à ouvrir une couche raster multi-bandes ou une image stockée au format .tiff dans R. Vous découvrirez la fonction stack() dans R qui peut être utilisée pour importer plus d'une bande dans un objet de pile dans R. Vous passez également en revue l'utilisation de plotRGB pour tracer une image multi-bandes en utilisant RVB, de l'infrarouge couleur à d'autres combinaisons de bandes.

      L'imagerie multispectrale peut être fournie à différentes résolutions et peut contenir différentes bandes ou types de lumière. En savoir plus sur la résolution spectrale par rapport à la résolution spatiale en ce qui concerne les données spectrales.

      Il est important de comparer les différences entre les mesures de la hauteur des arbres effectuées par l'homme au sol et celles estimées à l'aide des données de télédétection lidar. Apprenez à effectuer cette analyse et à calculer l'erreur ou l'incertitude dans R.

      Cette leçon explique comment extraire des pixels d'un jeu de données raster à l'aide d'une limite vectorielle. Vous pouvez utiliser les pixels extraits pour calculer la hauteur moyenne et maximale des arbres pour une zone d'étude (dans ce cas, un site de terrain où les hauteurs des arbres ont été mesurées au sol. Enfin, vous comparerez les hauteurs des arbres dérivées des données lidar par rapport à la hauteur des arbres mesurée par les humains par terre.

      Il existe des sources d'erreur différentes lorsque vous mesurez la hauteur des arbres à l'aide du Lidar. Découvrez l'exactitude, la précision et les sources d'erreur associées aux données de télédétection lidar.

      Dans cette leçon, vous détaillez les étapes requises pour créer une légende personnalisée pour les données spatiales dans R. Vous apprendrez à créer des symboles uniques par catégorie, à personnaliser les couleurs et à placer votre légende en dehors du tracé à l'aide de l'argument xpd combiné avec le placement x,y et paramètres de marge.

      Dans cette leçon, vous apprendrez à reprojeter un ensemble de données vectorielles à l'aide de la fonction spTransform() dans R.

      Cette leçon traite des manières dont les données du système de référence de coordonnées sont stockées, y compris les codes proj4, le texte bien connu (wkt) et les codes EPSG.

      Les systèmes de référence de coordonnées géographiques sont souvent utilisés pour faire des cartes du monde. Des systèmes de référence de coordonnées projetées sont utilisés pour optimiser l'analyse spatiale d'une région. En savoir plus sur les systèmes de référence de coordonnées WGS84 et UTM tels qu'ils sont utilisés dans R.

      Les systèmes de coordonnées de référence sont utilisés pour convertir des emplacements sur la terre qui est ronde, en une carte bidimensionnelle (plate). Découvrez les différences entre les systèmes de référence de coordonnées.

      Cette leçon passe en revue les fichiers de base requis pour utiliser un fichier de formes, notamment : shp, shx et dbf. Il couvre également le format .prj qui est utilisé pour définir le système de coordonnées de référence (CRS) des données.

      Cette leçon présente ce que sont les données vectorielles et comment ouvrir les données vectorielles stockées au format shapefile dans R.

      Vous pouvez découper un raster sur une étendue de polygone pour gagner du temps de traitement et réduire la taille des images. Apprenez à recadrer un jeu de données raster dans R.

      Cette leçon présente comment classer un jeu de données raster et l'exporter en tant que nouveau raster dans R.

      Un modèle de hauteur de canopée contient des arbres de valeurs de hauteur et peut être utilisé pour comprendre l'évolution du paysage au fil du temps. Apprenez à utiliser les données d'altitude LIDAR pour calculer la hauteur de la canopée et l'évolution du terrain au fil du temps.

      Un GeoTIFF est un format de fichier standard avec des métadonnées spatiales intégrées sous forme de balises. Utilisez le package raster dans R pour ouvrir les fichiers geotiff et les métadonnées spatiales par programmation.

      Cette leçon présente le format de fichier raster geotiff - qui est souvent utilisé pour stocker des données raster lidar. Vous apprenez les 3 attributs spatiaux clés d'un jeu de données raster, y compris le système de référence de coordonnées, l'étendue spatiale et la résolution.

      Cette leçon présente le format de fichier raster geotiff - qui est souvent utilisé pour stocker des données raster lidar. Vous apprenez les 3 attributs spatiaux clés d'un jeu de données raster, y compris le système de référence de coordonnées, l'étendue spatiale et la résolution.

      Cette leçon passe en revue la façon dont un nuage de points de données lidar est converti en un format raster tel qu'un géotiff.

      Cette leçon explique ce qu'est un nuage de points lidar. Nous utiliserons la visionneuse de nuages ​​de points plas.io gratuite pour explorer un nuage de points.

      Cette leçon passe en revue ce qu'est la télédétection lidar, ce que l'instrument lidar mesure et traite des composants de base d'un système de télédétection lidar.

      Cette leçon explique comment superposer des données raster sur un ombrage dans R à l'aide d'arguments de baseplot et d'opacité de couche.

      Cette leçon couvre la création d'un fond de carte avec le package ggmap dans R. Compte tenu de certains bogues en cours avec ggmap, elle couvre également le package de carte en tant que sauvegarde !

      Apprenez à créer des rapports interactifs à l'aide de plotly et de dygraphs dans R pour le traçage.

      Cette leçon présente les fonctions dplyr mutate () et group_by () - qui vous permettent d'agréger ou de résumer les données de séries chronologiques par champ particulier - dans ce cas, vous agrégerez les données par jour pour obtenir les totaux quotidiens des précipitations pour Boulder lors des inondations de 2013.

      Cette leçon a illustré à quoi devraient ressembler vos derniers tracés de devoirs de décharge de flux pour la semaine. Utilisez toutes les compétences que vous avez apprises dans les leçons précédentes pour le compléter.

      Apprenez à résumer les données de séries chronologiques par jour, mois ou année avec les tuyaux Tidyverse dans R.

      Apprenez à extraire et tracer des données selon une plage de dates à l'aide de tubes dans R.

      Les données des séries temporelles peuvent être manipulées efficacement dans R. Apprenez à utiliser, tracer et sous-ensemble des données avec des dates dans R.

      Apprenez à tracer des données et à personnaliser vos graphiques à l'aide de ggplot dans R.

      Les données manquantes dans R peuvent être causées par des problèmes de collecte et/ou de traitement des données et présentent des défis dans l'analyse des données. Apprenez à traiter les valeurs de données manquantes dans R.

      Apprenez à importer et tracer des données dans R à l'aide des fonctions read_csv & qplot / ggplot.

      Ce tutoriel présente les vecteurs dans R. Il présente également les différences entre les chaînes, les nombres et les valeurs logiques ou booléennes (True / False) dans R.

      Cette leçon couvre la création de variables ou d'objets dans R. Elle présente également certains types de données ou classes de base, notamment les chaînes et les nombres. Cette leçon est conçue pour quelqu'un qui n'a jamais utilisé R auparavant.

      Cette leçon présente la syntaxe de base associée au langage de programmation scientifique R. Vous en apprendrez davantage sur les opérateurs d'affectation ( Obtenir de l'aide avec R - Data Science for Scientists 101

      Ce didacticiel explique comment obtenir de l'aide lorsque vous ne savez pas comment effectuer une tâche dans R.

      Cette leçon couvre les bases du codage propre, ce qui signifie que vous vous assurez que le code que vous écrivez est facile à comprendre pour quelqu'un d'autre. La leçon couvrira brièvement les guides de style, l'espacement cohérent et les meilleures pratiques en matière de nommage d'objets.

      Vous souhaitez souvent comprendre les relations entre deux types de données différents. Apprenez à utiliser la régression pour déterminer s'il existe une relation entre deux variables.

      Pour explorer l'incertitude dans les données de télédétection, il est utile de comparer les mesures au sol et les données collectées via des instruments aéroportés ou des satellites. Apprenez à créer des nuages ​​de points qui comparent les valeurs de deux jeux de données.

      Pour de nombreuses analyses scientifiques, il est utile de pouvoir sélectionner des pixels raster en fonction de leur relation avec un jeu de données vectorielles (par exemple, emplacements, limites). Découvrez comment extraire des données d'un jeu de données raster à l'aide d'un jeu de données vectorielles.

      L'incertitude quantifie une plage de valeurs dans laquelle une valeur de mesure pourrait se trouver, compte tenu d'un niveau de confiance spécifié. Découvrez les types d'incertitude auxquels vous pouvez vous attendre lorsque vous travaillez avec des données de hauteur d'arbre dérivées à la fois de la télédétection lidar et des mesures humaines et découvrez les sources d'erreur, y compris l'erreur systématique par rapport à l'erreur aléatoire.

      Entraînez-vous à interpréter les données sur des parcelles qui montrent les précipitations (précipitations) et le débit du cours d'eau (débit) à mesure qu'il change au fil du temps.

      Découvrez pourquoi la documentation est importante lors de l'analyse des données en évaluant le rapport de quelqu'un d'autre sur les inondations du Colorado.

      Découvrez comment utiliser la fonction de séries temporelles de Google Earth pour afficher les images avant/après d'un lieu.

      Trouvez des ressources qui vous aideront à utiliser le format R Markdown.

      Apprenez à utiliser bookdown dans R pour ajouter des citations et des références croisées à vos rapports basés sur les données.

      Cette leçon explique comment utiliser la démarque pour ajouter des images à un rapport. Il aborde également les bonnes pratiques de gestion de fichiers associées à l'enregistrement d'images dans votre répertoire de projet pour éviter de les perdre si vous devez revenir en arrière et travailler sur le rapport à l'avenir.

      Knitr peut être utilisé pour convertir des fichiers R Markdown en différents formats, y compris des formats conviviaux pour le Web. Apprenez à convertir R Markdown en PDF ou HTML dans RStudio.

      Les morceaux de code dans un document R Markdown sont utilisés pour séparer le code du texte dans un fichier Rmd. Apprenez à créer des rapports à l'aide de R Markdown.

      Apprenez à écrire en utilisant la syntaxe Markdown dans un document R Markdown.

      Découvrez le format d'un fichier R Markdown, y compris un en-tête YAML, un code R et un texte au format Markdown.

      Découvrez ce qu'est la science ouverte et comment R Markdown peut vous aider à documenter votre travail.

      Apprenez à créer un répertoire de travail bien organisé pour stocker vos données de cours.

      Apprenez les principes clés pour nommer et organiser des fichiers et des dossiers dans un répertoire de travail.

      Découvrez ce qu'est un package dans R et comment installer des packages pour travailler avec vos données.

      Apprenez à travailler avec R à l'aide de l'application RStudio.

      Découvrez comment télécharger et installer R et RStudio sur votre ordinateur.

      Une activité pratique où les étudiants examinent un projet pour la lisibilité, l'organisation, etc. et identifient les éléments clés qui le rendraient plus utilisable et facilement reproductible.


      Google maps pour les notebooks Jupyter

      gmaps est un plugin permettant d'inclure des cartes Google interactives dans le bloc-notes IPython.

      Traçons une carte thermique des transferts de taxi à San Francisco :

      Nous pouvons également tracer des cartes de chloropleth à l'aide de GeoJSON :

      Ou, pour les fans de café, une carte de tous les Starbucks au Royaume-Uni :

      Installer jupyter-gmaps avec conda

      Le moyen le plus simple d'installer gmaps est d'utiliser conda :

      Installer jupyter-gmaps avec pip

      Assurez-vous d'avoir activé les extensions de widgets ipywidgets :

      Vous pouvez ensuite installer gmaps avec :

      Ensuite, dites à Jupyter de charger l'extension avec :

      Installation de jupyter-gmaps pour JupyterLab

      Pour utiliser jupyter-gmaps avec JupyterLab, vous devez installer l'extension de widgets jupyter pour JupyterLab :

      Vous pouvez ensuite installer jupyter-gmaps via pip (ou conda):

      La prochaine fois que vous ouvrirez JupyterLab, vous serez invité à reconstruire JupyterLab : cela est nécessaire pour inclure le code frontend jupyter-gmaps dans votre installation JupyterLab. Vous pouvez également le déclencher directement en ligne de commande avec :

      Prise en charge de JupyterLab pré 1.0

      Pour installer jupyter-gmaps avec les versions de JupyterLab pre 1.0, vous devrez épingler la version de jupyterlab-manager et de jupyter-gmaps. Trouvez la version du jupyterlab-manager dont vous avez besoin dans ce tableau de compatibilité. Par exemple, pour JupyterLab 0.35.x :

      Ensuite, installez une version épinglée de jupyter-gmaps :

      Vous devrez ensuite reconstruire JupyterLab avec :

      Pour accéder à Google maps, gmaps a besoin d'une clé API Google. Cette clé indique à Google qui vous êtes, probablement pour qu'il puisse suivre les limites de taux et autres. Pour créer une clé API, suivez les instructions de la documentation. Une fois que vous avez une clé API, transmettez-la à gmaps avant de créer des widgets :

      La documentation pour gmaps est disponible ici.

      La version actuelle de cette bibliothèque s'inspire de l'extension de widget de bloc-notes ipyleaflet. Cette extension vise à fournir une grande partie des mêmes fonctionnalités que gmaps, mais pour les cartes dépliantes, pas les cartes Google.

      Jupyter-gmaps est conçu pour les data scientists. Les data scientists devraient être capables de visualiser les données géographiques sur une carte avec un minimum de friction. Au-delà de la simple visualisation, ils devraient pouvoir intégrer des gmaps dans leurs widgets afin de pouvoir créer des applications interactives.

      Nous voyons les priorités de gmaps comme :

      • répondre aux événements, comme les clics des utilisateurs, afin que les cartes puissent être utilisées de manière interactive.
      • en ajoutant une plus grande flexibilité et personnalisation (par exemple, le choix des styles de carte)

      Signalement des problèmes et contribution

      Les contributions sont les bienvenues. Lisez le guide CONTRIBUER pour savoir comment contribuer.

      Problèmes

      N'affiche pas la sortie

      L'exécution du code suivant ne produit aucune sortie sur Ipython Notebook v3.2.0 et Python 2.7.10

      Aucun avertissement (sauf pour :0: FutureWarning : les widgets IPython sont expérimentaux et peuvent changer à l'avenir.) et aucune erreur.

      Échec de l'affichage du widget Jupyter

      J'ai des problèmes pour afficher gmaps une fois que j'ai mis à niveau anaconda vers jupyter 5.0. y a-t-il des problèmes connus ? lorsque j'ai effectué l'installation initiale, ajouté des dépendances, lorsque j'essaie de l'exécuter au lieu d'afficher la carte comme avant, j'obtiens ce qui suit :

      Erreur : le module 'gmaps' n'a pas d'attribut ' '

      Bonjour, j'essaie d'utiliser le package gmaps sur jupyter notebook. ma version python est : 3.5 ma version jupyter est : 5.2.1 mes gmaps : 7.0

      j'ai commencé à installer en utilisant pip mais j'obtiens l'erreur "le module 'gmaps' n'a pas d'attribut ' ' " pour chaque méthode que j'essaie d'utiliser (je n'obtiens pas d'erreur pour la ligne "import gmaps"). que, j'ai essayé d'installer en utilisant conda, en utilisant cette commande: conda install -c conda-forge gmaps -v et j'obtiens l'erreur ci-jointe.

      est-ce que quelqu'un sait ce que je fais mal?

      ===> PAQUET DE LIAISON : conda-forge::gmaps-0.7.0-py35_0 <=== prefix=/home/naamah/anaconda3 source=/home/naamah/anaconda3/pkgs/gmaps-0.7.0-py35_0

      $ /bin/bash -x /home/naamah/anaconda3/bin/.gmaps-post-link.sh ==> cwd : /home/naamah/anaconda3/bin <== ==> code de sortie : 1 <== ==> stdout <== b'' ==> stderr <== b'+ /home/naamah/anaconda3/bin/jupyter-nbextension activer gmaps --py --sys-prefix Traceback (appel le plus récent en dernier) : Fichier "/home/naamah/anaconda3/bin/jupyter-nbextension", ligne 11, dans sys.exit(main()) Fichier "/home/naamah/anaconda3/lib/python3.5/site -packages/jupyter_core/application.py", ligne 266, dans launch_instance renvoie super(JupyterApp, cls).launch_instance(argv=argv, **kwargs) Fichier "/home/naamah/anaconda3/lib/python3.5 /site-packages/traitlets/config/application.py", ligne 658, dans launch_instance app.start() Fichier "/home/naamah/anaconda3/lib/python3.5/site-packages/notebook/nbextensions. py", ligne 988, dans start super(NBExtensionApp, self).start() Fichier "/home/naamah/anaconda3/lib/python3.5/site-packages/jupyter_core/application.py", ligne 255, dans démarrer soi-même .subapp.start() Fichier "/home/naamah/anaconda3/lib/python3.5/site-packages/notebook/nbextensions.py", ligne 896, dans start self.toggle_nbextension_python(self.extra_args[0] ) Fichier "/home/naamah/anaconda3/lib/python3.5/site-packages/notebook/nbextensions.py", ligne 872, dans toggle_nbextension_python logger=self.log) Fichier "/home/naamah/ anaconda3/lib/python3.5/site-packages/notebook/nbextensions.py", ligne 483, dans enable_nbextension_python logger=logger) Fichier "/home/naamah/anaconda3/lib/python3.5/site-packages/ notebook/nbextensions.py", ligne 380, dans _set_nbextension_state_python m, nbexts = _get_nbextension_metadata(module) Fichier "/home/naamah/anaconda3/lib/python3.5/site-packages/notebook/nbextensions.py", ligne 1125, dans _get_nbextension_metadata 'il manque la méthode _jupyter_nbextension_paths().'.format(module)) KeyError : 'Le module Python gmaps n'est pas une nbextension valide, il manque la méthode _jupyter_nbextension_paths().' '

      Une erreur s'est produite lors de l'installation du package 'conda-forge::gmaps-0.7.0-py35_0'. LinkError: le script post-link a échoué pour le package conda-forge::gmaps-0.7.0-py35_0 en exécutant à nouveau votre commande avec -v fournira des informations supplémentaires sur l'emplacement du script échoué : /home/naamah/anaconda3/bin/.gmaps-post -link.sh ==> messages de script <==

      ===> LIEN DU PAQUET D'INVERSION : conda-forge::gmaps-0.7.0-py35_0 <=== prefix=/home/naamah/anaconda3

      Une erreur imprévue s'est produite. Veuillez envisager de publier les informations suivantes sur le suivi des problèmes de conda GitHub à l'adresse :


      Bibliothèques de statistiques de fonctionnalités Python

      Ajenti est un panneau d'administration de serveur modulaire Linux et BSD. Ajenti 2 propose une nouvelle interface et une meilleure architecture, développées avec Python3 et AngularJS.

      Gestionnaire de bibliothèque musicale et tagueur MusicBrainz

      betteraves Beets est le système de gestion de médiathèque pour les geeks de musique obsessionnels.Le but des betteraves est d'obtenir votre collection de musique une fois pour toutes.

      :truck : des workflows de préparation de données agiles simplifiés avec dask, cudf, dask_cudf et pyspark

      Pour lancer un serveur de notebook en direct afin de tester Optimus à l'aide de binder ou Colab, cliquez sur l'un des badges suivants : Optimus est le framework manquant à prof

      Tensors et réseaux de neurones dynamiques en Python avec une forte accélération GPU

      PyTorch est un package Python qui fournit deux fonctionnalités de haut niveau : Calcul de tenseur (comme NumPy) avec une forte accélération GPU Réseaux de neurones profonds b

      Transformez (presque) n'importe quel programme de ligne de commande Python en une application graphique complète avec une seule ligne

      Gooey Transformez (presque) n'importe quel programme de console Python 2 ou 3 en une application GUI avec une seule ligne Soutenez ce projet Table des matières Table des matières Gooey

      Plate-forme de recherche de FAIR pour la recherche sur la détection d'objets, mettant en œuvre des algorithmes populaires tels que Mask R-CNN et RetinaNet.

      Detectron est obsolète. Veuillez voir detectron2, une réécriture fondamentale de Detectron dans PyTorch. Detectron Detectron est le logiciel de Facebook AI Research sy

      Un outil d'apprentissage automatique automatisé Python qui optimise les pipelines d'apprentissage automatique à l'aide de la programmation génétique.

      Statut principal : Statut de développement : Informations sur le package : TPOT signifie Tree-based Pipeline Optimization Tool. Considérez TPOT comme votre assistant en science des données

      Un segment chinois basé sur crf

      Genius Genius是一个开源的python中文分词组件,采用 CRF(Conditional Random Field)条件随机场算法。 Feature 支持python2.x、python3.x以及pypy2.x。 支持简单的pinyin分词 支持用户自定义break 支持用户自定义 合并 词

      Une bibliothèque pour les machines de factorisation sensibles au terrain

      Table des matières ================= - Qu'est-ce que LIBFFM - Surapprentissage et arrêt anticipé - Installation - Format des données - Utilisation de la ligne de commande - Exemples -

      Une petite bibliothèque pour extraire du contenu riche à partir d'urls

      Une petite bibliothèque pour extraire du contenu riche à partir d'urls. Qu'est ce que ça fait? micawber fournit quelques méthodes pour récupérer des métadonnées riches sur une variété o

      Client Python pour l'API Instagram

      Ce projet n'est pas activement maintenu. Procédez à vos risques et périls ! python-instagram Un client Python 2/3 pour l'installation des API REST et de recherche Instagram

      Bibliothèque d'encapsulation Python pour l'API World Weather Online

      pywwo Python wrapper library pour l'API World Weather Online utilisant lxml.objectify Comment utiliser à partir de pywwo import * setKey('your_key', 'free') w=LocalWeat

      Slack-DynamDB-Certaines applications

      slack-event-subscriptions À propos du projet Vous souhaitez obtenir des contrôles de présence simples ? Si vous utilisez Slack, les participants peuvent simplement réagir sur une spécification

      Addon Blender - Frotter la chronologie à partir de la fenêtre avec un raccourci

      Chronologie de défilement de la fenêtre Déplacez-vous dans la chronologie directement dans la fenêtre et accrochez-vous à l'image clé la plus proche Remarque : cette fonctionnalité autonome sera ajoutée dans le nat

      Bibliothèque cliente pour télécharger et publier des modèles et autres fichiers sur le hub huggingface.co

      huggingface_hub Bibliothèque cliente pour télécharger et publier des modèles et autres fichiers sur le hub huggingface.co Avez-vous une bibliothèque ML open source ? Nous sommes l

      Meinheld est un serveur Web asynchrone WSGI hautes performances (basé sur picoev)

      Qu'est-ce que c'est Il s'agit d'un serveur Web python wsgi hautes performances. Et Meinheld est un serveur Web compatible WSGI. (PEP333 et PEP3333 pris en charge) Vous pouvez également

      Websockify est un proxy/pont WebSocket vers TCP. Cela permet à un navigateur de se connecter à n'importe quelle application/serveur/service. Implémentations en Python, C, Node.js et Ruby.

      websockify : la prise en charge de WebSockets pour toute application/serveur websockify s'appelait auparavant wsproxy et faisait partie du projet noVNC. Au plus basique l

      PIKA : une boîte à outils légère de traitement de la parole basée sur Pytorch et (Py)Kaldi

      PIKA : une boîte à outils légère de traitement de la parole basée sur Pytorch et (Py)Kaldi PIKA est une boîte à outils légère de traitement de la parole basée sur Pytorch et (Py)

      Client Python pour l'API Instagram

      Ce projet n'est pas activement maintenu. Procédez à vos risques et périls ! python-instagram Un client Python 2/3 pour l'installation des API REST et de recherche Instagram

      Une petite bibliothèque pour extraire du contenu riche à partir d'urls

      Une petite bibliothèque pour extraire du contenu riche à partir d'urls. Qu'est ce que ça fait? micawber fournit quelques méthodes pour récupérer des métadonnées riches sur une variété o

      Python et complétion par tabulation, mieux ensemble.

      argcomplete - La complétion de l'onglet Bash pour argparse Tab complète tout! Argcomplete fournit une complétion simple et extensible de l'onglet de ligne de commande d'argum

      Un système d'installation et de dépendances pour Python

      Pyflow Simple vaut mieux que complexe - Le Zen de Python Pyflow rationalise le travail avec les projets et les fichiers Python. C'est une application CLI facile à utiliser avec un

      Un plugin MkDocs qui simplifie la configuration des titres de pages et leur ordre

      MkDocs Awesome Pages Plugin Un plugin MkDocs qui simplifie la configuration des titres de page et leur ordre Le plugin Awesome-pages vous permet de personnaliser

      File d'attente de tâches distribuées (branche de développement)

      Version : 5.0.5 (singularité) Web : http://celeryproject.org/ Téléchargement : https://pypi.org/project/celery/ Source : https://github.com/celery/celery/ Keywo

      Ouvrir publiquement la visionneuse de compartiment Amazon AWS S3

      S3Viewer Visionneuse de stockage publiquement ouverte (Amazon S3 Bucket, Azure Blob, serveur FTP, HTTP Index Of/) s3viewer est un outil gratuit pour les chercheurs en sécurité qui

      Tensors et réseaux de neurones dynamiques en Python avec une forte accélération GPU

      PyTorch est un package Python qui fournit deux fonctionnalités de haut niveau : Calcul de tenseur (comme NumPy) avec une forte accélération GPU Réseaux de neurones profonds b

      Tokenizer de texte non supervisé pour la génération de texte basée sur le réseau neuronal.

      SentencePiece SentencePiece est un tokenizer et détokenizer de texte non supervisé principalement pour les systèmes de génération de texte basés sur le réseau neuronal où le vocabu