1.背景太阳辐射和热辐射是大气和海洋运动的最根本的驱动力。大气辐射传输过程实际上已经可以通过一种叫做LBLRTM的辐射模型精确计算，但是LBLRTM模型同时也最为耗时。因此，有各种各样的辐射传输参数化方案用来近似计算辐射传输过程，并应用在数值天气预报中。参数化方案的概念源于数值天气预报模式。大气中一些至关重要的物理过程的规模都要小于当前数值预报模式的网格分辨率，比如小尺度流体运动（小涡，旋涡，涡旋），下图展示了次网格尺度下的水汽凝结最终生成云的过程。一些物理过程非常复杂包括湍流过程、散射等。网格尺度的运动和次网格尺度的运动必然存在一定程度的相互作用，可以通过引入一些参数，来近似建立网格尺度的物

地球引擎有一个用户界面API，允许用户直接从JavaScript代码编辑器中构建和发布交互式Web应用。许多读者会在其他章节中遇到对ui.Chart的调用，但还有更多的界面功能可用。特别是，用户可以利用ui函数来为他们的地球引擎脚本构建整个图形用户界面（GUI）。GUI可以包括简单的部件（如标签、按钮、复选框、滑块、文本框）以及更复杂的部件（如图表、地图、面板）来控制GUI布局。关于ui部件的完整列表和关于面板的更多信息可以在下面的链接中找到。一旦GUI构建完成，用户可以通过点击代码编辑器中脚本面板上方的应用程序按钮，从JavaScript代码编辑器中发布应用程序。Widgets:https:

本文用到函数：aggreg_array(property)对一个集合中的对象的给定属性进行聚合，计算出一个所选属性的所有值的列表。参数。this:collection（特征集合）。要聚合的集合。property（字符串）。要从集合的每个元素中使用的属性。返回。列表reduceRegion(reducer,geometry,scale,crs,crsTransform,bestEffort,maxPixels,tileScale)对一个特定区域的所有像素应用一个还原器。减速器的输入数必须与输入图像的波段数相同，或者它必须有一个输入，并对每个波段进行重复。返回还原器的输出的字典。参数。this:i

数据介绍：SoilGrids，是一个全球土壤属性地图，现在可以通过GEE下载。SoilGrids是ISRIC–世界土壤信息的一个项目，旨在提供一个全球一致的、由数据驱动的系统，以预测土壤性质，并将其作为一项重要指标。该项目旨在提供一个全球一致的、由数据驱动的系统，使用全球协变量和全球拟合的模型预测土壤属性和类别，并采用数字土壤测绘方法。数据使用全球协变量和全球拟合的模型，通过基于量化随机森林的数字土壤地图方法来预测土壤属性和类别。SoilGrids提供了六个不同深度的十种不同的土壤属性地图分别是sand_0-5cmsand_5-15cmsand_15-30cmsand_30-60cmsand_

文章目录1、计算公式2、绘图接口2.1glDrawArrays2.2glDrawElements3、代码实现4、运行结果（整体地球）4.1opengl/glut/c++（3d）4.2opengl/glfw/glad/stb_image/c++（3d）4.3opengl/glfw/glad/stb_image/c++（3d，天空盒，高度贴图）4.4opengl/win32/glew/FreeImage/c++(3d，大气层)4.5opengl/freeglut/glew/FreeImage/c++(3d，法线贴图)4.6opengl/glfw/glad/stb_image/freetype/c+

最近用学习到的知识进行了利用GEE和Landsat8SR数据进行土地利用分类的小实验，在这里进行一些学习记录。一、数据导入首先在GEE中上传要进行土地利用分类的行政区域边界，这里是以雄安新区为例。二、遥感数据筛选使用的数据是Landsat8OLI/TIRS传感器的SR数据集，SR数据利用QA波段进行影像去云处理，这里构造了去云函数便于后续调用；筛选想要进行土地利用分类的时间，并用clip函数将研究区裁剪出来。//Appliesscalingfactors.functionapplyScaleFactors(image){varopticalBands=image.select('SR_B.')

最近用学习到的知识进行了利用GEE和Landsat8SR数据进行土地利用分类的小实验，在这里进行一些学习记录。一、数据导入首先在GEE中上传要进行土地利用分类的行政区域边界，这里是以雄安新区为例。二、遥感数据筛选使用的数据是Landsat8OLI/TIRS传感器的SR数据集，SR数据利用QA波段进行影像去云处理，这里构造了去云函数便于后续调用；筛选想要进行土地利用分类的时间，并用clip函数将研究区裁剪出来。//Appliesscalingfactors.functionapplyScaleFactors(image){varopticalBands=image.select('SR_B.')

目录写在前面1.构建物候特征2.构建光谱特征3.将所有影像合并为一幅影像4.构建随机森林算法进行分类5.算法的存储6.面积统计写在前面前段时间因为考研的原因一直没能更新，已经完成了农作物种植结构的提取，现在给大家分享一下。主要也是结合前面写过的GoogleEarthEngine（GEE）使用土地利用数据（modis）上采样Landsat数据提取农田范围，将以上结果作为研究的基础，结合物候特征，光谱特征，地形特征，选择随机森林算法进行农作物的提取。不想看后面的同学可以直接看代码：https://code.earthengine.google.com/3ed8a5303c610e063ae3a45

目录写在前面1.构建物候特征2.构建光谱特征3.将所有影像合并为一幅影像4.构建随机森林算法进行分类5.算法的存储6.面积统计写在前面前段时间因为考研的原因一直没能更新，已经完成了农作物种植结构的提取，现在给大家分享一下。主要也是结合前面写过的GoogleEarthEngine（GEE）使用土地利用数据（modis）上采样Landsat数据提取农田范围，将以上结果作为研究的基础，结合物候特征，光谱特征，地形特征，选择随机森林算法进行农作物的提取。不想看后面的同学可以直接看代码：https://code.earthengine.google.com/3ed8a5303c610e063ae3a45

我们很多时候在进行应用制作的时候，都会用到选择器用于添加不同的城市，从而进一步选择不同的区域进行分析，本文就将准备一个包含有城市的矢量数据，按照名字进行筛选，最终展示不同城市的所在范围，从而实现简单的select选择器的调用。本文最主要的就是这个回调函数。具体的属性信息 函数：aggregate_array(property)Aggregatesoveragivenpropertyoftheobjectsinacollection,calculatingalistofallthevaluesoftheselectedproperty.按照属性选择并转换称列表形式Arguments:this:c