Більше

Зменшення кількості точок, зберігання останніх даних на заданій відстані за допомогою QGIS?


У мене є величезний набір даних точок, зібраних уздовж маршруту. Дані можуть змінюватися щодня, а найновіші - найважливіші. Я хотів би взяти лише 1 бал від заданого радіуса (скажімо 30 футів). Якщо на відстані 30 футів один від одного є 5 очок, я хочу залишити той, у якому є остання дата.

Який найкращий спосіб зробити це у всьому наборі даних?

Я думав про невеликі буфери, а потім про вибір, якщо вони перекриваються ... Я не знаю ... Я використовую останню стабільну QGIS, але міг би дати GRASS постріл, якщо є спосіб.

Як приклад, я додав скріншот із щільною групою точок, і я хотів би зменшити його так, щоб було прибл. один пункт кожні 30 футів. Цей формат файлу становить бл. 1,1 гБ.


Як обхідний шлях можна створити векторну сітку з роздільною здатністю 30 м з унікальним ідентифікатором для кожної комірки сітки. З’єднайте атрибути за розташуванням точок і сітки, і у вас буде таблиця з ідентифікатором сітки та датою. Я б використав MS Access і створив запит у цій таблиці з групою параметрів за ідентифікатором та макс. Датою. Але, мабуть, існує багато способів узагальнити стіл.


Кидайте гральну кістку на 6 доларів на невизначений термін, поки вона не стане нижчою за попередній кидок

Ви кинете кубик, і поки результат кидка буде більшим або дорівнює попередньому киданню, ви продовжуватимете кидати. Якщо кидок нижче попереднього, ви зупинитесь і отримаєте стільки очок, скільки сума всіх кидків, включаючи останній.

Наприклад, якщо ви отримаєте 2, 5, 5 і 3 в результаті 4 кидків, гра закінчиться з 15 очками.

Яка очікувана вартість очок, які ви отримаєте в кінці гри?


Вступ

Незважаючи на те, що скотарство залишається найпродуктивнішим використанням більшості пасовищ Східної Африки, звичні системи скотарського виробництва зазнали величезного тиску в останні десятиліття. Кілька, здавалося б, парадоксальної динаміки визначають проблему забезпечення засобів до існування в контексті еволюції пасторальних та постпастирських пасовищ. Ми виділяємо чотири таких парадокса. По-перше, мобільне та напівмобільне утримання худоби є найпродуктивнішою діяльністю майже у всіх пасовищних угіддях, проте поголів’я худоби на душу населення скорочується протягом тривалого періоду і продовжує зменшуватися у більшості частин сухих районів Східної Африки (Desta et al. 2008 Devereux 2006 Літтл та ін., 2001 р. Лібберт та ін., 2004 Маккейб та ін., 2010 р., 2008 р.). Нині поголів’я худоби на душу населення не відповідає вимогам прожиткового мінімуму для значної частини скотарів. По -друге, комерціалізація тваринницького сектору та експортна торгівля живими тваринами та тушами зазнала значного зростання, особливо в Ефіопії, але рівень бідності та вразливості погіршується. Ширина та глибина вразливості були очевидні під час кризи посухи 2011 року, яка зачепила майже 10 мільйонів людей у ​​Сомалі, Кенії, Ефіопії та Джибуті, та знову у 2020 році, коли регіон зазнав численних криз, включаючи руйнівні рої сарани та COVID- 19 пандемія. Криза минулого та сьогодення перекинула багатьох у ситуацію гострої нестачі продовольства, що призвело до зусиль у всьому регіоні з розробки підходів до подолання вразливості та підтримки ослаблених засобів до існування у пасторальних районах. По -третє, рухливість людей зі стадами значно знизилася, проте супутня осілість відзначається розсіяністю домогосподарств, де члени мігрують до міст, міських центрів та за їх межі для роботи, соціальної допомоги та освіти. По -четверте, багаторічна невизначеність як у кліматі, так і в хворобах вимагає гнучкості та адаптації, проте пасовища фрагментуються, оскільки все більша частка земельних ділянок (і особливо ключових пасовищ) закривається для державного (збереження) та приватного використання (рослинництво), обмеження проходу та переміщення худоби.

Ця парадоксальна динаміка визначає виклик для програмування та втручання, які прагнуть зміцнити засоби до існування на пасовищах. Динамічні зміни в пасовищній частині Східної Африки призвели до диференційованих результатів географічно, але й соціально для різних мешканців цих областей. Тут ми представляємо результати всебічного огляду доказів, що стосуються ключових впливів та напрямів зміни засобів до існування на пасовищних та постпастирських пасовищах Східної Африки, зосереджуючись на змінах, починаючи з 2000 року, коли регіональна криза посухи спричинила масштабні заходи з надання допомоги. Метою цього є виявлення спільних рис і відмінностей у змішанні засобів існування для різних пасовищ, а також їх наслідки для посилення реакції на ризик та невизначеність. Різні системи виробництва продукції тваринництва виникли в різних політико-економічних та соціально-екологічних умовах на засушливих територіях, підкреслюючи важливість розуміння траєкторій змін, які розгортаються у певних місцях. Сьогодні різновиди скотарства включають (i) комерційні види тваринництва, орієнтовані на великі внутрішні та регіональні експортні ринки, (ii) дрібніші тваринницькі угіддя для існування та місцевого збуту, у поєднанні з натуральним господарством та іншою сільською діяльністю, (iii ) утримання дуже небагатьох дрібних запасів у містах та поблизу них поряд з вирішенням різних завдань щодо готівки та (iv) звичним скотарством, що ґрунтується на переміщеннях на великі відстані, використанням ключових ресурсів та підтримкою мережі дружби, за допомогою якої можна обмінюватись худобою та робочою силою як основа управління невизначеностями.

У статті зосереджено увагу на п’яти контекстах пасовищ (див. Рис. 1): південно-рифтовій долині Кенії, сомалійському регіоні Ефіопії, плато Борана на півдні Ефіопії, Карамоджі на північному сході Уганди та півночі Бахр-ель-Газал у Південному Судані. Ці райони були навмисно визначені, оскільки вони є символом деяких із нових сумішей засобів існування у пасовищах регіону, які, у свою чергу, пов'язують із різними причинами змін, а також зміною профілів бідності та вразливості.

Контексти Пасовищ у Східній Африці

Через порівняльну лінзу ми використовуємо докази з цих налаштувань пасовищ для вивчення траєкторій змін, а також основних впливів на засоби існування. Стаття базується на всебічному огляді та синтезі наявних вторинних доказів та літератури, а також на детальних тематичних дослідженнях динаміки та змін у п’яти контекстах пасовищ. Більше 400 документів було отримано шляхом офіційного пошуку літератури з використанням кількох баз даних, доповнених ручним пошуковим запитом, а також методами снігового удару для виявлення додаткової літератури. Крім того, були проведені ключові опитування інформаторів з експертами з різних контекстів та тем пасовищ. Ці експерти також надали сіру літературу та інші документи, які не були ідентифіковані за допомогою настільних пошуків. Решта цієї статті спирається на результати та аналіз цього обширного огляду літератури та інтерв’ю ключових інформаторів. Зноска 1


6 Відповіді 6

Один із способів-це відсортувати дані у зворотному порядку та скористатися дублікатом, щоб скинути всі дублікати. Для мене цей метод концептуально простіший від тих, які застосовуються. Я думаю, що це також має бути дуже швидко.

Редагувати: Я щойно зрозумів, що звернене вище сортування навіть не потребує сортування за id. Ви можете просто використати z [порядок (z $ var, зменшення = TRUE),], і він буде працювати так само добре.

Ще одна думка. Якщо стовпець var є числовим, то існує простий спосіб відсортувати так, щоб ідентифікатор зростав, а var спадав. Це усуває необхідність сортування в кінці (припускаючи, що ви навіть хотіли, щоб його було відсортовано).


Анотація

Жоден прилад не може охарактеризувати всі властивості ґрунту, оскільки грунт є складним матеріалом. З розвитком технологій лабораторії стали оснащуватися різними спектрометрами. Завдяки плавленню вихідних даних з різних спектрометрів очікуються кращі результати прогнозування, ніж використання окремого окремого спектрометра. У цьому дослідженні порівняли продуктивність моделі з одного спектрометра (спектроскопія видимого-ближнього інфрачервоного випромінювання, спектроскопія візуально-інфрачервоного випромінювання або спектроскопія середнього інфрачервоного випромінювання, МІР) з комбінованими спектрометрами (візуально-інфрачервона та МІР). Ми відібрали в загальній складності 14 594 зразків з бази даних лабораторії дослідження ґрунту Kellogg (KSSL), які мали спектри vis-NIR та MIR разом з вимірами піску, глини, загального вмісту C (TC), вмісту органічного C (OC), катіонного обміну ємність (CEC) та рН. Набір даних був випадковим чином розділений на 75% навчання (n = 10,946), а решта (n = 3648) як тестовий набір. Моделі прогнозування були побудовані з частковою регресією найменших квадратів (PLSR) та моделлю кубістського дерева. Крім того, ми дослідили використання моделі глибокого навчання, згорткової нейронної мережі (CNN). Ми досліджували різні способи подачі спектральних даних до CNN, або як одновимірні (1D) дані (як спектр), або як двовимірні (2D) дані (як спектрограма). Порівняно з моделлю PLSR, ми виявили, що модель CNN забезпечує середнє прогнозування поліпшення на 33–42% із використанням vis-NIR та 30–43% з використанням спектрального введення даних MIR. Відносне поліпшення точності CNN у порівнянні з моделлю кубістського регресійного дерева коливалося між 22 і 36% у порівнянні з NIR та 16–27% із введенням спектральних даних MIR. Були досліджені різні методи злиття спектральних даних по відношенню до NIR та MIR. Ми порівняли продуктивність спектральної конкатенації (для PLSR і кубістської моделі), двоканального методу введення та методу аналізу зовнішнього продукту (OPA) (для моделі CNN). Ми виявили, що продуктивність двоканальної одновимірної моделі CNN була найкращою (R 2 = 0,95–0,98), за якою слідувала OPA з CNN (R 2 = 0,93–0,98), кубістська модель зі спектральною конкатенацією (R 2 = 0,91– 0,97), двоканальну 2D-модель CNN (R 2 = 0,90–0,95) та PLSR зі спектральною конкатенацією (R 2 = 0,87–0,95). Хімометричний аналіз даних спектроскопії ґрунтувався на спектральних методах попередньої обробки: таких як спектральна обрізка, корекція базової лінії, згладжування та нормалізація перед подачею в модель. CNN досягла більш високої продуктивності, ніж PLSR і кубістська модель, не використовуючи попередньо оброблені спектральні дані. Ми також виявили, що прогнози з використанням моделі CNN зберігали подібні кореляції з фактичними значеннями порівняно з іншими моделями. Виконавши аналіз чутливості, ми виявили важливі змінні довжини спектральних хвиль, які використовуються моделлю CNN для прогнозування різних властивостей ґрунту. CNN - ефективна модель моделювання властивостей ґрунту з великої спектральної бібліотеки.


7 практичних прикладів стратегій утримання клієнтів

Ми з вами обоє - клієнти.

І ми обидва хочемо відчувати себе окремими людьми, а не одиницями цільової групи.

Щоб мати можливість індивідуально ставитися до клієнтів, підприємствам потрібно зберігати багато інформації про них. Ось чому наявність хорошої бази даних клієнтів, яка зберігає записи про всі взаємодії та транзакції, є ключем до побудови довготривалих партнерських відносин з клієнтами.

Ось 7 методи утримання клієнтів Ви можете реалізувати це за допомогою програмного забезпечення CRM, щоб утримати своїх клієнтів з твого боку і збільшити доходи на стороні!

1. Прислухайтеся до своїх клієнтів

Вирішення проблем відтоку у вашій компанії починається з того, що ви активно слухаєте, що наші клієнти говорять про свій досвід.

На жаль, існує величезний розрив між компаніями, які вважають, що вони забезпечують чудовий досвід роботи з клієнтами (80%), порівняно з клієнтами, які вважають, що вони отримали відмінне обслуговування клієнтів (8%).

У звіті Oracle 89% опитаних клієнтів стверджували, що перейшли на конкуруючий бренд після поганого досвіду.

Тож як найкраще зрозуміти, як клієнти ставляться до вашої компанії?

ПРИКЛАД: Складіть список клієнтів на основі унікальних змінних, таких як неактивні клієнти, найбільш активні клієнти та нові клієнти. Потім надішліть їм коротке опитування, щоб визначити сфери вашого бізнесу, які працюють добре або потребують вдосконалення.

Згідно з опитуванням, проведеним компанією Oracle, найгіршою причиною відходу клієнтів є погане обслуговування клієнтів. Фактично, 89% клієнтів переходять на конкуруючий бренд після поганого досвіду роботи з однією компанією. Можливо, ваші клієнти не відчувають зв’язку з вашою компанією, або вони не відчувають, що їх достатньо цінують. Звернення до ваших користувачів може допомогти вам заробити їх лояльність та знизити відтік.

Ваше обслуговування клієнтів було достатньо хорошим? Чи виправдав ваш продукт їх очікування? Чи було це хорошим співвідношенням ціни та якості? Просто запитуйте, слухайте та покращуйте.

Використовуйте відгуки клієнтів, щоб реструктуризувати системи та аналізувати процеси для кращого досвіду роботи з клієнтами.

2. Заздалегідь зверніть увагу на збиваючі знаки

Найбільш очевидним способом забезпечення утримання клієнтів є запобігання виходу клієнта.

Якщо ви дійсно звернете увагу, ви завжди зможете виявити сигнали вашого клієнта & rsquos про наближення від'їзду.

Щоб зафіксувати ці сигнали & ldquoпопередження & rdquo, вам потрібно визначити ключові змінні поведінки клієнтів, такі як моделі закупівель, використання продукції та історія запитів служби обслуговування клієнтів. Тоді вам & rsquoll потрібно проаналізувати ці сигнали і вжити заходів, щоб зупинити своїх клієнтів, перш ніж вони відмовляться.

Все це можливо за допомогою CRM -системи.

ПРИКЛАД: Нехай & rsquos скаже, що ви хочете знати, скільки ваших клієнтів нічого не купували за останні 6 місяців, що може бути ознакою того, що вони роздумують про відмову від ваших послуг і віднесення своїх грошей вашим конкурентам.

Спочатку створіть список усіх ваших клієнтів, а потім створіть список усіх продажів, здійснених протягом останніх шести місяців за допомогою програмного забезпечення CRM. Порівнюючи ці списки, ви отримуєте список клієнтів, які не купували у вас більше ніж за півроку.

Тепер ви можете надсилати цим клієнтам додаткові електронні листи, з’ясовувати причини, чому вони не купують, і не дозволити їм покинути ваш бізнес.

3. Націлюйтесь на клієнтів за допомогою спеціальних пропозицій

Чим більше ви знаєте про своїх клієнтів, тим краще ви можете адаптувати свій підхід до кожної людини.

Програмне забезпечення CRM дозволяє переглядати історію покупок клієнтів та rsquos, щоб ви могли визначити, яка пропозиція буде найбільш привабливою для кожної людини та збільшити релевантність, що збереже ваш бренд у пам’яті ваших клієнтів та rsquo.

Те, що вам зараз потрібно, - це визначити способи пожвавити їх інтерес та перетворити їх на справжню покупку! Ви можете зробити це, запропонувавши їм спеціальні знижки або додаткову цінність для вашого продукту.

ПРИКЛАД: Скажімо, & rsquos скаже, що ви хочете звернути увагу на клієнтів, які виявляли активний інтерес до вашого продукту, але притулок & rsquot протягом тривалого часу нічого не купував.

За допомогою програмного забезпечення CRM ви можете створити список усіх клієнтів, які протягом тривалого часу нічого не купували, і порівняти його зі списком усіх контактів, які підписалися на ваш інформаційний бюлетень. Результатом є список контактів, які активно цікавляться вашим продуктом, але які деякий час не подавали жодних ознак життя.

Надішліть їм спеціальну пропозицію або знижку на нові продукти і дайте їм відчути, що ви дбаєте про них і не забули про них.

4. Автоматизувати електронні листи за допомогою подій на основі тригерів

Після покупки клієнти проходять різні етапи. Якщо ви можете надсилати правильні електронні листи в певні періоди часу, ви можете скористатися можливостями для зміцнення відносин та зменшення відтоку клієнтів.

Електронні листи, що запускаються, зазвичай мають у 5 разів вищі показники відкритості та в 15 разів вищі показники кліків.

ПРИКЛАД: Коли клієнт стає неактивним протягом визначеного періоду часу, надсилання & ldquoактивації & rdquo кампанії електронною поштою може відновити його з вашим бізнесом. Електронний лист для активації зазвичай містить інформацію або поради щодо того, як розпочати придбаний продукт. Або ви також можете скористатися цим, щоб запропонувати особисту зустріч для вирішення будь-яких питань, які у них можуть виникнути.

Поєднайте цю стратегію з інформацією, зібраною у вашій базі даних CRM, щоб створити персоналізовані електронні листи, надіслані вашим клієнтам, іменини rsquo, особливі випадки тощо.

5. Нагороджуйте своїх найбільш прибуткових (VIP) клієнтів

Інформація, зібрана в програмному забезпеченні CRM, може підказати вам, які з ваших облікових записів є найбільш прибутковими. Це ваші клієнти справді не хочете відпускати свої ключові рахунки. Для цього давайте & rsquos назвати їх VIP -персони.

Знання того, хто приносить вам найбільший дохід, дозволяє ефективно розподіляти свій час та ресурси, а також збільшує ваші шанси на перехресний продаж або на перепродаж.

ПРИКЛАД: Скажімо, & rsquos скаже, що у вас є ряд стимулів роздавати. Використовуйте їх, щоб винагородити своїх VIP -осіб, щоб ще більше підвищити їх лояльність.

Це легко та просто: просто створіть список ваших VIP -клієнтів у вашому програмному забезпеченні CRM. Тепер ви можете розпочати подальші дії та повідомити їх про винагороди та заохочення, щоб вони відчували себе особливими, щоб вони продовжували залишатися вашими найприбутковішими клієнтами, що, якщо врахувати правило 80/20, ця інвестиція обов’язкова розплатитися!

6. Персоналізуйте свої подальші дії

Відносини - це те, що встановлюється між людьми, а програмне забезпечення CRM полегшує вам побачити свого клієнта як людину, а не лише як номер.

Коли ви реєструєте нового клієнта в CRM, використовуйте надану інформацію за умови їх згоди, щоб ви могли персоналізувати спілкування в майбутньому. Чим більше у вас буде інформації, тим легше буде адаптувати стратегію подальших дій.

Наслідки персоналізації не можна недооцінювати, оскільки дослідження, проведене компанією Econsultancy, показало, що персоналізація базується на історії покупок, уподобаннях користувачів та іншій релевантній інформації, що зазвичай міститься в програмному забезпеченні CRM забезпечує високу рентабельність інвестицій.

ПРИКЛАД: Скажімо, & rsquos скаже, що ви & rsquove познайомилися з більшістю ваших клієнтів вже під час торгових семінарів, які ви організовуєте. Тим не менш, є ще деякі особи, які приймають рішення, які не прийшли на ваші семінари, і тому ви хочете зв’язатися з ними для окремих подальших дій або, можливо, продажу. Як ти це робиш?

Спочатку створіть список усіх контактів, зареєстрованих у програмному забезпеченні CRM. Далі створіть список усіх клієнтів, які відвідували ваші семінари протягом останніх дванадцяти місяців. Поєднавши ці два списки, ви отримаєте набір контактів, які не відвідували ваші семінари.

Тепер ви знаєте, на кого звернутись із особистим запрошенням!

7. Дотримуйтесь своїх подальших обіцянок

Виконання своїх обіцянок - остаточна ознака професіоналізму в бізнесі.

Функції планування в програмному забезпеченні CRM дозволяють заздалегідь запланувати подальші дзвінки або електронні листи або призначити подальші завдання членам вашої команди. Роблячи це, ви & Rsquo зможете стежити за своїми призначеннями, а також виконувати будь -які завдання, які ви сказали, що виконуєте & Rsquod, коли ви сказали, що виконуєте їх.

ПРИКЛАД: Скажімо, & rsquos скаже, що у вас є список клієнтів, яких потрібно наздогнати та, можливо, оновити їхню інформацію.

Час летить, і & hellip зараз настав час це зробити! Але ви перевіряєте свій розклад і бачите, що ви не зможете вчасно виконати свої обіцянки перед клієнтами. У цьому випадку ви завжди можете доручити деяким своїм колегам стежити за цими клієнтами і всього за декілька кліків створити подальші дії у їхніх щоденниках.


Анотація

Ерозія ґрунту на орних полях посилюється на неправильних поверхнях. Незважаючи на те, що візерунки машин і рядків, що слідують за контурами рельєфу, зменшують стік і збільшують проникнення води, ці контури майже ніколи не паралельні, тоді як операції машини завжди є. У цій роботі представлено метод генерування моделей шляхів машин на похилій землі та оцінки їх сприйнятливості до водної ерозії. Підхід включає три основні етапи процесу: (1) складання повного набору опорних доріжок та впровадження гібридних контурних ліній (2) налаштування цих вигнутих колій у керовані паралельні колії для сільськогосподарських машин та (3) оцінка накопичення води та сприйнятливості до ґрунту втрата відповідного малюнка. Методи були реалізовані у програмному забезпеченні з відкритим кодом та застосовані до трьох тематичних досліджень щодо виробництва цукрового очерету в регіоні Сан -Паулу в Бразилії. Наші результати свідчать про те, що втрати ґрунту можна зменшити в п’ять разів, додавши одну єдину зміну до схеми врожаю, тоді як модель може отримати приблизні скорочення до 75% у порівнянні із запропонованою людиною схемою покриття.


Документування вашого процесу написання коду не обов’язково корисне для пізніших читачів коду. Деякі з цих аспектів варто зберегти, деякі - ні. Наприклад, наявність декількох версій опису не корисно.

Однак ваші коментарі є корисно, оскільки вони пояснюють умисел частини коду. Щоб зробити ці коментарі більш корисними, ви можете перемістити їх до коду, відповідного кроку. Наприклад, пояснення про те, що вам потрібно додати 1 для початкового вузла, можна додати до оператора node_count ++.

Інша альтернатива - зробити намір більш очевидним у коді, наприклад, запровадивши іменовані функції для деяких аспектів. Я припускаю, що функція була б зрозумілішою, якби це виглядало так:

Зверніть увагу, як ім'я count_traversals () самодокументується і фіксує ваші наміри, не вимагаючи додаткових коментарів. Збереження більшості ваших інших коментарів багато в чому повторювало б те, що написано в коді, і не додавало б додаткової цінності (на мою думку, як хтось, хто добре знає C ++, інші люди могли б цінувати більш природні пояснення).


7) Будьте прозорими та чесними зі своїми клієнтами

Як агентство, ми нічого не стримуємо від наших клієнтів і наполегливо працюємо над встановленням відносин, побудованих на прозорості. На відміну від деяких агентств, ми працюємо над рекламними обліковими записами наших клієнтів, щоб вони завжди могли перевірити роботу, яка виконується, і вони завжди будуть володіти даними. Ми також вважаємо важливим ведення здорових, недвозначних розмов про ідеї та стратегії. Для брендів електронної комерції це означає відкритість та авансовість у всьому, починаючи від політики оплати та повернення до будь -яких причин, які ви підтримуєте своїми продажами.

Кейт Орелл, віце -президент з операцій Hawke Media.


Результати і обговорення

Пасивна оптична інформація, радіолокаційне зворотне розсіювання, інтерферометрія та текстурна інформація

Використовуючи налаштування за замовчуванням для алгоритмів RF та ME, ми перевірили можливості прогнозування MCH Landsat, ALOS та SRTM у 100-метровій просторовій роздільній здатності та виявили покращені прогнози MCH при додаванні додаткової інформації з різних шарів супутника (рис.   2 , ​, 3). 3). Обидва алгоритму дають подібну точність прогнозування щодо середньоквадратичної помилки (RMSE) або коефіцієнта детермінації (R 2). Проводячи перехресну перевірку Монте -Карло (CV), середньоквадратичне значення радіочастотного методу зменшується з 6,02   ± ਀.10  m (прогнозовано лише з даних Landsat) до 5,06   ± ਀.07  m, коли з використанням усіх входів від трьох супутникових датчиків (Таблиця   1). Значення R 2 покращилися з 0,33   ± ਀.02 до 0,53   ± ਀.01. Результати ME мають порівнянну точність RMSE (R 2), починаючи з 6.00   ± ਀.10  m (R 2   = ਀.34   ± ਀.02) тільки для Landsat прогнози, до 5.17   ± ਀.09  m (R 2   = ਀.52   ± ਀.01) для прогнозів від усіх трьох датчиків. Тести з використанням даних кожного супутникового датчика показують подібну точність прогнозування (Таблиця   1), при цьому ALOS є найбільш чутливим до MCH, але жоден з них не має порівняльної спроможності передбачення всіх датчиків разом узятих. Значні покращення з додаванням шарів свідчать про те, що злиття даних з різних датчиків може допомогти досягти кращих результатів прогнозування.

Відображення результатів ME з використанням різних вхідних шарів. верхні панелі показують карти прогнозування ME, навчені 400 випадково вибраними зразками MCH тропічних лісів. нижні панелі показати діаграми розсіювання тестових зразків, які не включені до навчання


Подивіться відео: QGIS 3 - 26. Выборка данных (Жовтень 2021).