GIS数据下载合集:遥感、土壤、气象、行政区数据...

  本文介绍GIS领域相关的各类综合数据免费获取网站,包括遥感数据气象数据土地数据土壤数据农业数据行政区数据社会数据经济数据等等。

  数据较多,大家可以直接通过下方目录加以总览;点击数据前对应的“网址”二字即可直接跳转。本文将不定期更新。

目录
  • 0 综合GIS数据
    • 0.1 Awesome Public Datasets
    • 0.2 Free GIS Data
    • 0.3 SEDAC
    • 0.4 Earthdata
    • 0.5 国家青藏高原科学数据中心
    • 0.6 ArcGIS Online 中国
    • 0.7 厦门市大数据安全开放平台
  • 1 遥感影像数据
    • 1.1 综合遥感数据
      • 1.1.1 USGS EarthExplore
      • 1.1.2 LAADS DAAC
      • 1.1.3 Copernicus Open Access Hub
      • 1.1.4 GloVis
      • 1.1.5 地理空间数据云
    • 1.2 雷达遥感数据
      • 1.2.1 ASF DAAC
    • 1.3 夜光遥感数据
      • 1.3.1 NOAA EOG
      • 1.3.2 珞珈一号
    • 1.4 海洋卫星数据
      • 1.4.1 中国海洋卫星数据服务系统
  • 2 气象数据
    • 2.1 全球气象数据
      • 2.1.1 WorldClim
      • 2.1.2 Applied Climate Science Lab
      • 2.1.3 Climate Data Store
      • 2.1.4 ERA5
      • 2.1.5 Physical Sciences Laboratory
      • 2.1.6 Climate Explorer
      • 2.1.7 GES DISC
    • 2.2 中国气象数据
      • 2.2.1 中国区域地面气象要素驱动数据集(1979-2018)
    • 2.3 空气质量数据
      • 2.3.1 绿网
      • 2.3.2 空气质量在线监测分析平台
      • 2.3.3 空气质量在线监测分析平台历史数据
  • 3 土壤土地数据
    • 3.1 土壤属性数据
      • 3.1.1 HWSD Database
    • 3.2 土地覆盖数据
      • 3.2.1 FROM-GLC
      • 3.2.2 资源环境科学与数据中心
      • 3.2.3 OSM Landuse Landcover
    • 3.3 地面高度数据
      • 3.3.1 ASTER GDEM
      • 3.3.2 AW3D30
    • 3.4 水体数据
      • 3.4.1 MERIT Hydro
      • 3.4.2 ASTWBD
  • 4 植被农业数据
    • 4.1 作物产量数据
      • 4.1.1 SPAM
      • 4.1.2 Aerial Intelligence
    • 4.2 作物物候数据
      • 4.2.1 ChinaCropPhen1km
    • 4.3 植被指数数据
      • 4.3.1 Index-Data-Base
      • 4.3.2 MODIS Vegetation Index Products
      • 4.3.3 LAI_TS_Val
      • 4.3.4 CSIF
  • 5 行政区边界与建筑轮廓、POI、基站数据
    • 5.1 行政区边界数据
      • 5.1.1 DIVA-GIS
      • 5.1.2 GADM
      • 5.1.3 OSM
    • 5.2 路网数据
      • 5.2.1 DIVA-GIS
      • 5.2.2 OSM
    • 5.3 建筑轮廓数据
      • 5.3.1 博文测绘62城市建筑轮廓数据
      • 5.3.2 博文测绘100+城市建筑轮廓数据
    • 5.4 POI数据
      • 5.4.1 Map POI
      • 5.4.2 ArcGIS Online
    • 5.5 移动基站数据
      • 5.5.1 OpenCelliD
  • 6 GPS轨迹与签到数据
    • 6.1 个人GPS轨迹数据
      • 6.1.1 GeoLife GPS Trajectories
      • 6.1.2 GPS Trajectories with transportation mode labels
    • 6.2 个人签到数据
      • 6.2.1 Gowalla
      • 6.2.2 Gowalla Dataset
    • 6.3 出租车、公交车GPS轨迹数据
      • 6.3.1 T-Drive
      • 6.3.2 The epfl/mobility dataset
      • 6.3.3 Smart City Research Group
      • 6.3.4 The roma/taxi dataset
      • 6.3.5 Urban Data Release
      • 6.3.6 Electric Vehicle Data
      • 6.3.7 中华人民共和国交通运输部交通智数
      • 6.3.8 交通线路通达时间预测
      • 6.3.9 深圳开放数据应用创新大赛
    • 6.4 手机信令数据
      • 6.4.1 Urban Data Release
  • 7 人口、共享单车与地铁数据
    • 7.1 人口数据
      • 7.1.1 WorldPop
      • 7.1.2 GHSL
      • 7.1.3 LandScan
      • 7.1.4 中国公里网格人口分布数据集
    • 7.2 共享单车数据
      • 7.2.1 Bike Share Data Systems
      • 7.2.2 2021数字中国创新大赛
      • 7.2.3 摩拜杯算法挑战赛
      • 7.2.4 摩拜共享单车2017年8月数据集
      • 7.2.5 ttbike-spider
    • 7.3 地铁数据
      • 7.3.1 SODA
  • 8 GDP、经济与社会数据
    • 8.1 GDP数据
      • 8.1.1 G-Econ
      • 8.1.2 中国公里网格GDP分布数据集
      • 8.1.3 中国公里格网GDP数据
    • 8.2 综合经济与社会数据
      • 8.2.1 Our World in Data
      • 8.2.2 SEDAC
  • 9 卫星信息数据
    • 9.1 Space-Track
    • 9.2 CelesTrak
    • 9.3 UCS Satellite Database
  • 10 其它GIS相关数据
    • 10.1 Kaggle
    • 10.2 Data Mining Lab
    • 10.3 World Bank Open Data
    • 10.4 中华人民共和国自然资源部政府信息公开

0 综合GIS数据

0.1 Awesome Public Datasets

  • 网址:http://github.com/awesomedata/awesome-public-datasets

  Awesome Public Datasets是AwesomeData社区下属的数据集,其具有农业、经济、地球科学、社交网络等多个领域的数据,十分丰富。

0.2 Free GIS Data

  • 网址:http://freegisdata.rtwilson.com/

  Free GIS Data是一位GIS从业者创建的数据网站,提供了超过500个提供可以直接用以GIS分析数据的网站。

0.3 SEDAC

  • 网址:http://sedac.ciesin.columbia.edu/data/sets/browse

  SEDAC是美国国家航空航天局下属对地观测系统数据与信息中心(Earth Observing System Data and Information System,EOSDIS)的分布式活动存档中心(Distributed Active Archive Centers (DAACs)之一。其平台含有涉及人口、政策、经济、社会等多方面数据。

0.4 Earthdata

  • 网址:http://earthdata.nasa.gov/

  Earthdata是美国国家航空航天局下属的数据开放平台,具有遥感影像、气候、海洋与陆地等十分丰富的数据。

0.5 国家青藏高原科学数据中心

  • 网址:http://data.tpdc.ac.cn/zh-hans/

  国家青藏高原科学数据中心依托中国科学院青藏高原研究所建设,同时兰州大学、北京师范大学和中国科学院计算机网络信息中心参与建设。其具有气候、降雪、冰川等数据,主要数据范围为中国境内。

0.6 ArcGIS Online 中国

  • 网址:http://www.arcgisonline.cn/arcgis/home/index.html

  ArcGIS Online 中国是一个线上的协作式GIS平台,具有十分丰富的GIS数据。在其搜索界面,以我们所需要的数据类型为关键词可以搜索到很多信息。

0.7 厦门市大数据安全开放平台

  • 网址:http://data.xm.gov.cn/opendata/other/#/about_platform

  厦门市大数据安全开放平台是由厦门市工业和信息化局(厦门市大数据管理局)指导,厦门市信息中心负责建设运营的数据开放平台,具有各类综合数据,尤其在共享单车、地铁等交通GIS数据获取方面较为方便。

1 遥感影像数据

1.1 综合遥感数据

1.1.1 USGS EarthExplore

  • 网址:http://earthexplorer.usgs.gov/

  USGS EarthExplore是美国地质勘探局(United States Geological Survey)下属遥感图像数据网站,具有EO-1、Landsat、Sentinel等常见遥感数据。

  2021年03月其可获取的遥感数据如下图。

1.1.2 LAADS DAAC

  • 网址:http://ladsweb.modaps.eosdis.nasa.gov/

  LAADS(Level-1 and Atmosphere Archive & Distribution System) DAAC(Distributed Active Archive Center)是美国国家航空航天局(National Aeronautics and Space Administration)戈达德航天中心用来存放数据的一个网站接口,具有MODIS、Envisat、Sentinel等常见遥感数据,尤其是下载MODIS数据的首选网站。

  2021年03月其可获取的遥感数据如下图。

1.1.3 Copernicus Open Access Hub

  • 网址:http://scihub.copernicus.eu/dhus/#/home

  Copernicus Open Access Hub即欧洲航天局(European Space Agency)哥白尼开放数据访问中心,具有Sentinel系列遥感数据,是下载Sentinel数据的首选网站。

  2021年03月其可获取的遥感数据如下图。

1.1.4 GloVis

  • 网址:http://glovis.usgs.gov/app

  GloVis(Global Visualization Viewer)即美国地质调查局全球可视化查看器,具有EO-1、Landsat等遥感数据。

  2021年03月其可获取的遥感数据如下图。

1.1.5 地理空间数据云

  • 网址:http://www.gscloud.cn/sources/index?pid=1&rootid=1

  地理空间数据云是中国科学院计算机网络信息中心下属数据平台,具有包括Landsat、MODIS、EO-1、Sentinel等常见遥感数据,也包括高分一号、高分四号等国产数据。

  2021年03月其可获取的遥感数据如下图。

1.2 雷达遥感数据

1.2.1 ASF DAAC

  • 网址:http://search.asf.alaska.edu/#/

  ASF(Alaska Satellite Facility) DAAC是美国国家航空航天局阿拉斯加卫星设备处用来存放数据的一个网站接口,具有Sentinel-1、ALOS、RADASAT、SEASAT等雷达遥感数据。

  2021年03月其可获取的遥感数据如下图。

1.3 夜光遥感数据

1.3.1 NOAA EOG

  • 网址:http://ngdc.noaa.gov/eog/index.html

  NOAA(National Centers for Environmental Information) EOG(Earth Observation Group)是美国国家海洋和大气管理局地球观测小组的数据平台,具有VIIRS、DMSP、NightSat等夜光遥感数据。

  2021年03月其可获取的遥感数据如下图。

1.3.2 珞珈一号

  • 网址:http://59.175.109.173:8888/index.html

  “珞珈一号”是武汉大学与相关机构共同研制的全球首颗专业夜光遥感卫星,其数据共享平台可以下载该卫星的相关数据。

  2021年03月其可获取的遥感数据如下图。

1.4 海洋卫星数据

1.4.1 中国海洋卫星数据服务系统

  • 网址:http://osdds.nsoas.org.cn/#/

  中国海洋卫星数据服务系统是国家卫星海洋应用中心下属数据平台,具有海洋水色卫星、海洋动力环境卫星等海洋遥感数据。

  2021年03月其可获取的遥感数据如下图。

2 气象数据

2.1 全球气象数据

2.1.1 WorldClim

  • 网址:http://www.worldclim.org/data/index.html

  WorldClim是一个全球高分辨率气候数据分享平台。

  截止2021年03月,其具有“Climate”与“Weather”两部分数据与未来预计气象数据。其中,“Climate”包含:全球1970年至2000年逐月最低温度、最高温度、平均温度、降水量、太阳辐射、风速、水汽压差数据,空间分辨率为30'',2.5',5',10';全球1970年至2000年平均逐月19种生物气候变量数据,空间分辨率为30'',2.5',5',10'。“Weather”包含:全球1960年至2018年逐月平均最低温度、平均最高温度、总降水量数据,空间分辨率为2.5'。未来预计气象数据包含:全球2021年至2100年逐20年月平均最低温度、最高温度与降水量数据,空间分辨率为2.5',5',10'。

2.1.2 Applied Climate Science Lab

  • 网址:http://data.nkn.uidaho.edu/dataset/monthly-climate-and-climatic-water-balance-global-terrestrial-surfaces-1958-2015

  Applied Climate Science Lab是美国爱达荷大学下属科学实验室。

  截止2021年03月,其具有全球大陆地区1958至2015年逐月降水量、最高温度、最低温度、风速、蒸气压、太阳辐射数据,空间分辨率为1/24°;以及全球大陆地区1958至2015年逐月潜在蒸散量、降水量、温度、插值植物可提取土壤持水量数据,空间分辨率为1/24°。

2.1.3 Climate Data Store

  • 网址:http://cds.climate.copernicus.eu/cdsapp#!/home

  Climate Data Store是哥白尼气候变化服务(Copernicus Climate Change Service,C3S)数据平台,具有大量全球、欧洲地区气象、水文等不同数据集。

2.1.4 ERA5

  • 网址 :http://confluence.ecmwf.int/display/CKB/How+to+download+ERA5#HowtodownloadERA5-3-DownloadingonlineERA5familydatathroughtheCDSwebinterface

  ERA5是欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)全球气候大气再分析的第五代工具。其具有全球1950年(预计于2021年末发布,目前已发布1980年左右)至当前日期前五天的多种大气数据,空间分辨率为0.25°。关于ERA5的更详细信息请查阅:http://climate.copernicus.eu/climate-reanalysis。

2.1.5 Physical Sciences Laboratory

  • 网址:http://www.psl.noaa.gov/data/index.html

  Physical Sciences Laboratory(PSL)是美国国家海洋和大气管理局下属数据平台,具有非常丰富的全球或地区气候、水文、天气等数据。

2.1.6 Climate Explorer

  • 网址:http://climexp.knmi.nl/selectfield_obs2.cgi?id=someone@somewhere

  Climate Explorer是世界气象组织(World Meteorological Organization)下属的气象数据检索平台,具有非常丰富的全球或地区气候数据。其一大优势即为可以针对温度、降水、云覆盖等不同的气象要素分别检索,极大提高效率。

2.1.7 GES DISC

  • 网址:http://disc.gsfc.nasa.gov/datasets?page=1

  GES(Goddard Earth Sciences) DISC(Data and Information Services Center)是美国国家航空航天局戈达德宇宙飞行中心下属的数据服务中心,具有非常丰富的全球或地区气候、气象数据。

2.2 中国气象数据

2.2.1 中国区域地面气象要素驱动数据集(1979-2018)

  • 网址:http://data.tpdc.ac.cn/zh-hans/disallow/8028b944-daaa-4511-8769-965612652c49/

  中国区域地面气象要素驱动数据集(1979-2018)是我国学者结合多种在分析资料所得气象数据。其包含中国区域1979年至2018年逐三小时近地面气温、近地面气压、近地面空气比湿、近地面全风速、地面向下短波辐射、地面向下长波辐射、地面降水率数据,空间分辨率为0.1°。

2.3 空气质量数据

2.3.1 绿网

  • 网址:http://www.lvwang.org.cn/map/#/index

  绿网是我国一家致力于污染防治的非营利性环保组织下属环境质量数据网站。其具有空气质量、水质量、环境风险企业、土壤、环境影响评价、保护区等数据,可以在网站地图中实时显示或通过其API端口下载。

2.3.2 空气质量在线监测分析平台

  • 网址:http://www.aqistudy.cn/

  中国空气质量在线监测分析平台同样是一个公益性质的空气质量数据平台。其具有全国367个城市的PM2.5及天气信息数据,并且具有较好的在线数据统计、城市排名等功能。

2.3.3 空气质量在线监测分析平台历史数据

  • 网址:http://www.aqistudy.cn/historydata/

  其为中国空气质量在线监测分析平台公布历史空气质量数据的平台,可以依据城市查询相关数据。

3 土壤土地数据

3.1 土壤属性数据

3.1.1 HWSD Database

  • 网址:http://webarchive.iiasa.ac.at/Research/LUC/External-World-soil-database/HTML/HWSD_Data.html?sb=4

  HWSD(Harmonized World Soil Database)即世界土壤数据库,其是国际应用系统分析研究所(International Institute for Applied Systems Analysis,IIASA)与联合国粮食及农业组织(Food and Agriculture Organization of the United Nations,FAO)在一项针对全球部分地区的土地利用与覆盖变化模拟项目中诞生的产物。其包含丰富的土壤类型、相位、理化性质等信息,具体请见其官方文档。其空间分辨率为30"。

3.2 土地覆盖数据

3.2.1 FROM-GLC

  • 网址:http://data.ess.tsinghua.edu.cn/

  FROM-GLC(Finer Resolution Observation and Monitoring of Global Land Cover)是清华大学开发的系列土地利用与覆盖产品数据集库,具有不同方法、不同空间分辨率、不同年份繁多的全球土地覆盖数据、不透水面数据等。

3.2.2 资源环境科学与数据中心

  • 网址:http://www.resdc.cn/data.aspx?DATAID=335

  资源环境科学与数据中心是中国科学院地理科学与资源研究所下属环境数据共享平台,具有1970年代末期、1980年代、1980年代末期、1995年、2000年、2005年、2015年、2018年、2020年等时期数据,空间分辨率为1 km。

3.2.3 OSM Landuse Landcover

  • 网址:http://osmlanduse.org/#12/8.7/49.4/0/

  OSM(OpenStreetMap)是一款创建自由、可编辑世界地图的合作项目。但截止2021年03月,OSM地表覆盖数据似乎仅仅可以在线浏览,而不可以直接下载。此外,使用OSM数据时需要严格注意国境线问题。

3.3 地面高度数据

3.3.1 ASTER GDEM

  • 网址:http://asterweb.jpl.nasa.gov/gdem.asp

  ASTER(Advanced Spaceborne Thermal Emission and Reflection Radiometer)GDEM(Global Digital Elevation Map)是日本经济产业省(the Ministry of Economy, Trade, and Industry,METI)与美国国家航空航天局共同发布的全球数字高程模型。其空间分辨率为30 m。

3.3.2 AW3D30

  • 网址:http://www.eorc.jaxa.jp/ALOS/en/aw3d30/registration.htm(首次登陆必须由这里进入注册)

  AW3D30(ALOS Global Digital Surface Model "ALOS World 3D - 30m")是由日本宇宙航空研究开发机构(Japan Aerospace Exploration Agency,JAXA)基于对地测绘卫星ALOS数据所生产的DSM数据。其空间分辨率为30 m,高程精度为5 m。

3.4 水体数据

3.4.1 MERIT Hydro

  • 网址:http://hydro.iis.u-tokyo.ac.jp/~yamadai/MERIT_Hydro/

  MERIT Hydro是基于MERIT DEM数据与多种内陆水体地图生产的全球水文数据集,包含流向、流量累积、水文调整高程与河道宽度等参数。其空间分辨率为3"。

3.4.2 ASTWBD

  • 网址:http://asterweb.jpl.nasa.gov/gdem.asp

  ASTWBD(ASTER Water Body Dataset)是基于ASTER GDEM数据得到的,具有海洋、河流、湖泊等水体数据。

4 植被农业数据

4.1 作物产量数据

4.1.1 SPAM

  • 网址:http://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/PRFF8V

  SPAM(Spatial Production Allocation Model)是MapSPAM团队基于多种数据源生产的全球作物生产分配模型,其包括全球2010年41种作物的种植面积、收获面积、产量、作物加工产品产量、作物收获面积与产量总产值等数据。空间分辨率为8.6 km。

4.1.2 Aerial Intelligence

  • 网址:http://github.com/aerialintel/data-science-exercise

  Aerial Intelligence是一个致力于为世界农业带来最先进数据科学的初创企业,其在GitHub上发布了美国几个县的小麦产量,初衷那个是为了鼓励用户基于合适的数据分析方法实现作物产量预测。

4.2 作物物候数据

4.2.1 ChinaCropPhen1km

  • 网址:http://figshare.com/articles/dataset/ChinaCropPhen1km_A_high-resolution_crop_phenological_dataset_for_three_staple_crops_in_China_during_2000-2015_based_on_LAI_products/8313530/6

  ChinaCropPhen1km是由我国学者开发的全国2000年至2015年三种主要作物(水稻、小麦、玉米)物候数据集,每一个年份对应的每一种作物的每一个物候期分别是一张图像,像素值为该年份中该作物该种物候期对应的时间(儒略日)。其空间分辨率为1 km。

4.3 植被指数数据

4.3.1 Index-Data-Base

  • 网址:http://www.indexdatabase.de/

  Index-Data-Base(IDB)是一个植被指数数据资料库,而并非含有实际数据的数据库。其提供了一个索引,我们可以用以在特定的植被指数用途、指定特定的遥感平台情况下,对满足要求的植被指数加以索引。

4.3.2 MODIS Vegetation Index Products

  • 网址:http://modis.gsfc.nasa.gov/data/dataprod/mod13.php

  MODIS Vegetation Index Products是基于MODIS数据、由官方生产的16日植被指数数据产品,包括NDVI与EVI两种。其空间分辨率为250 m,500 m,1 km,0.05°。

4.3.3 LAI_TS_Val

  • 网址:http://zenodo.org/record/4393164#.X-V4HthLhPY

  LAI_TS_Val(LAI time-series validation)是一个全球2001年至2011年长时间序列LAI验证数据集产品,具有924个验证数据,空间分辨率为1 km。

4.3.4 CSIF

  • 网址:http://figshare.com/articles/dataset/CSIF/6387494

  CSIF是基于MCD43C4数据生产的全球叶绿素荧光参数数据集。

5 行政区边界与建筑轮廓、POI、基站数据

5.1 行政区边界数据

5.1.1 DIVA-GIS

  • 网址:http://www.diva-gis.org/

  DIVA-GIS是美国加利福尼亚大学一位教授创办的地图制图与地理数据分析软件与网站。其网站“Free Spatial Data”部分具有全球大量GIS数据,包括行政区边界数据、高程数据、人口数据、路网数据等。值得一提的是,在这一网站获取国外数据比较靠谱,国内数据一定需要注意领土问题。

5.1.2 GADM

  • 网址:http://gadm.org/data.html

  GADM具有全球386,735个行政区边界的数据,同时可以选择下载全球数据或依据国家单独索引、下载数据。同样的,在这一网站获取国外数据比较靠谱,国内数据一定需要注意领土问题。

5.1.3 OSM

  • 网址:http://www.openstreetmap.org/#map=13/39.9118/116.3756

  OSM(OpenStreetMap)是一款创建自由、可编辑世界地图的合作项目。其包含全球行政区数据与路网数据、土地覆盖数据等GIS数据。需要下载时,点击左上角“Export”按钮即可。同样的,在这一网站获取国外数据比较靠谱,国内数据一定需要注意领土问题。

5.2 路网数据

5.2.1 DIVA-GIS

  • 网址:http://www.diva-gis.org/

  DIVA-GIS是美国加利福尼亚大学一位教授创办的地图制图与地理数据分析软件与网站。其网站“Free Spatial Data”部分具有全球大量GIS数据,包括行政区边界数据、高程数据、人口数据、路网数据等。值得一提的是,在这一网站获取国外数据比较靠谱,国内数据一定需要注意边界问题。

5.2.2 OSM

  • 网址:http://www.openstreetmap.org/#map=13/39.9118/116.3756

  OSM(OpenStreetMap)是一款创建自由、可编辑世界地图的合作项目。其包含全球行政区数据与路网数据、土地覆盖数据等GIS数据。需要下载时,点击左上角“Export”按钮即可。同样的,在这一网站获取国外数据比较靠谱,国内数据一定需要注意边界问题。

5.3 建筑轮廓数据

5.3.1 博文测绘62城市建筑轮廓数据

  • 网址:http://www.sohu.com/a/324288814_100020239
      该数据是由“博文测绘GIS服务中心”帐号发布的我国62个主要城市的建筑物矢量数据。

5.3.2 博文测绘100+城市建筑轮廓数据

  • 网址:http://mp.weixin.qq.com/s?src=11&timestamp=1615266189&ver=2935&signature=rAd0AWAIOcOnMCs7CzBIFIjdZEogK-75mnjvlb-Cq5beJCS13XBJbYNG4AbCXD4aCMDjgBd2VQLRUxwXd9T3Qv7w*4jPn0ks6M7zslQ5mdXYCg0apPSXE7HxyDM9au&new=1

  该数据是由“博文测绘GIS服务中心”帐号发布的我国100+个一二线城市的建筑物矢量数据。

5.4 POI数据

5.4.1 Map POI

  • 网址:http://opendata.pku.edu.cn/dataset.xhtml?persistentId=doi:10.18170/DVN/WSXCNM

  Map POI(Point of Interest)数据是由高德地图与相关公司发表在北京大学开放研究数据平台的全国截止至2018年09月的POI数据,共计约6.5千万个。

5.4.2 ArcGIS Online

  • 网址:http://www.arcgis.com/home/search.html?q=POI
      ArcGIS Online是一个线上的协作式GIS平台,具有十分丰富的GIS数据。在其搜索界面,以“POI”为关键词可以搜索到很多信息。

5.5 移动基站数据

5.5.1 OpenCelliD

  • 网址:http://www.opencellid.org/#zoom=16&lat=37.77889&lon=-122.41942

  OpenCelliD是一个开放的全球移动基站数据获取网站,共有约4千万个数据。值得一提的是,该网站目前不含5G基站。

6 GPS轨迹与签到数据

6.1 个人GPS轨迹数据

6.1.1 GeoLife GPS Trajectories

  • 网址:http://www.microsoft.com/en-us/download/details.aspx?id=52367

  GeoLife GPS Trajectories是微软亚洲研究院(Microsoft Research Asia)Geolife项目生产的182位用户于2007年04月至2012年08月期间的轨迹数据,记录了用户多种户外活动过程中所发生的移动信息。

6.1.2 GPS Trajectories with transportation mode labels

  • 网址:http://www.microsoft.com/en-us/research/publication/gps-trajectories-with-transportation-mode-labels/

  GPS Trajectories with transportation mode labels同样是微软亚洲研究院(Microsoft Research Asia)Geolife项目生产的数据。而与前者不同的是,本数据中每一个GPS轨迹数据都对应着一个运动类型标签,即都代表对应用户的一种户外行动记录。

6.2 个人签到数据

6.2.1 Gowalla

  • 网址:http://snap.stanford.edu/data/loc-gowalla.html

  Gowalla是斯坦福大学生产的2009年02月至2010年10月期间用户社交媒体软件的签到数据,共有6,442,890条数据。

6.2.2 Gowalla Dataset

  • 网址:http://www.yongliu.org/datasets

  Gowalla Dataset是在Gowalla基础之上进一步丰富的用户签到数据集。其新增了2010年11月至2010年12月期间用户Facebook签到数据。数据共包含319,063位用户的36,001,959条签到数据。

6.3 出租车、公交车GPS轨迹数据

6.3.1 T-Drive

  • 网址:http://www.microsoft.com/en-us/research/publication/t-drive-trajectory-data-sample/

  T-Drive 轨迹数据样本(Trajectory Data Sample)来源于微软,具有北京市2008年02月02日至02月08日共一周时间内10357辆出租车的轨迹数据。其具有约1.5千万个数据点,总行驶里程约900万千米。

6.3.2 The epfl/mobility dataset

  • 网址:http://crawdad.org/epfl/mobility/20090224/

  The epfl/mobility dataset包含美国旧金山湾区2008年05月17日至2008年06月10日大约500辆出租车的GPS轨迹数据。

6.3.3 Smart City Research Group

  • 网址:http://www.cse.ust.hk/scrg/

  Smart City Research Group是香港科技大学生产的城市轨迹数据,包括出租车、公交车、手机社交网络数据等。其中,出租车数据为上海市2007年02月20日单日数据,公交车数据为2007年02月23日数据。

6.3.4 The roma/taxi dataset

  • 网址:http://crawdad.org/roma/taxi/20140717/

  The roma/taxi dataset包含罗马2014年02月01日至2014年03月02日大约320辆出租车的GPS轨迹数据。

6.3.5 Urban Data Release

  • 网址:http://www.cs.rutgers.edu/~dz220/data.html

  Urban Data Release是新泽西州立罗格斯大学助理教授Desheng Zhang课题组生产的城市数据集,包括深圳市手机CDR数据、智能卡数据与出租车、公交车轨迹数据。

6.3.6 Electric Vehicle Data

  • 网址:http://www.cs.rutgers.edu/~dz220/data.html

  Electric Vehicle Data是新泽西州立罗格斯大学助理教授Desheng Zhang课题组生产的电动出租车数据集,包括深圳市单日664辆出租车的1,155,654条GPS数据。

6.3.7 中华人民共和国交通运输部交通智数

  • 网址:http://www.mot.gov.cn/sjkf/

  中华人民共和国交通运输部交通智数是中华人民共和国交通运输部下属交通数据分享平台,具有全国多个城市的出租车GPS轨迹数据。

6.3.8 交通线路通达时间预测

  • 网址:http://js.dclab.run/v2/cmptDetail.html?id=175

  交通线路通达时间预测是成都一家数据公司主办的数据分析赛事,其提供了成都市2014年08月03日至2014年08月30日1.4万余辆出租车14亿+条GPS记录。报名参赛后即可下载对应数据。

6.3.9 深圳开放数据应用创新大赛

  • 网址:http://opendata.sz.gov.cn/sodic2019/赛题数据.html

  深圳开放数据应用创新大赛提供了多种类型的开放数据。其中,出租车数据为深圳市2019年10月8日至2019年10月14日出租车、公交车、重型货车、普通货车以及各种特种营运车辆GPS数据。

6.4 手机信令数据

6.4.1 Urban Data Release

  • 网址:http://www.cs.rutgers.edu/~dz220/data.html

  Urban Data Release是新泽西州立罗格斯大学助理教授Desheng Zhang课题组生产的城市数据集,包括深圳市手机CDR数据、智能卡数据与出租车、公交车轨迹数据。

7 人口、共享单车与地铁数据

7.1 人口数据

7.1.1 WorldPop

  • 网址:http://www.worldpop.org/

  WorldPop是英国南安普顿大学(University of Southampton)下属一个致力于人口数据开放获取与应用的组织,其网站提供了全球或地区各类人口相关指标,包括人口数量、人口密度、年龄与性别结构、人口流动等宝贵数据。

7.1.2 GHSL

  • 网址:http://jeodpp.jrc.ec.europa.eu/ftp/jrc-opendata/GHSL/GHS_POP_MT_GLOBE_R2019A/

  GHSL(Global Human Settlement Layer)是欧盟委员会联合研究中心(Joint Research Centre)大数据分析平台(Big Data Analytics Platform)提供的全球多种空间分辨率、多种投影方式的人口定居数据。

7.1.3 LandScan

  • 网址:http://landscan.ornl.gov/

  LandScan是美国橡树岭国家实验室开发的全球动态人口数据,其空间分辨率为30"。这一数据的下载需要使用教育邮箱注册。

7.1.4 中国公里网格人口分布数据集

  • 网址:http://www.geodoi.ac.cn/WebCn/doi.aspx?Id=131

  中国公里网格人口分布数据集是中国科学院地理科学与资源研究所与中国科学院大学联合生产的中国公里格网人口空间分布数据集,空间分辨率为1 km。

7.2 共享单车数据

7.2.1 Bike Share Data Systems

  • 网址:http://github.com/BetaNYC/Bike-Share-Data-Best-Practices/wiki/Bike-Share-Data-Systems

  这里拥有国外多个国家或地区的共享单车数据,可谓十分丰富。

7.2.2 2021数字中国创新大赛

  • 网址:http://data.xm.gov.cn/contest-series/digit-china-2021/index.html#/3/competition_data

  这一数据是2021数字中国创新大赛大数据赛道-城市管理大数据专题下属题目数据,需要注册并实名后参赛,随后方可下载数据。

7.2.3 摩拜杯算法挑战赛

  • 网址:http://www.biendata.xyz/competition/mobike/data/

  这一数据是2017年摩拜杯算法挑战赛的赛题数据,注册、报名竞赛后即可获取。其中,训练集共有321,4096条出行记录,测试集共有200,2996条出行记录。

7.2.4 摩拜共享单车2017年8月数据集

  • 网址:http://www.kesci.com/mw/dataset/5d315ebbcf76a60036e565bf

  该数据来源于网络,包含2017年08月上海市摩拜单车数据。

7.2.5 ttbike-spider

  • 网址:http://github.com/flycattt/ttbike-spider

  该数据是一位知乎用户课程设计研究的项目数据。

7.3 地铁数据

7.3.1 SODA

  • 网址:http://soda.data.sh.gov.cn/competitionData.html

  SODA上海开放数据创新应用大赛是国内一项知名的大数据赛事,每一届都会放出大量数据;其中,地铁数据也是SODA的主要数据之一。但是似乎数据只能在竞赛开启期间(每年07月至10月左右)下载。

8 GDP、经济与社会数据

8.1 GDP数据

8.1.1 G-Econ

  • 网址:http://sedac.ciesin.columbia.edu/data/set/spatialecon-gecon-v4

  G-Econ是美国国家航空航天局下属对地观测系统数据与信息中心(Earth Observing System Data and Information System,EOSDIS)的分布式活动存档中心(Distributed Active Archive Centers (DAACs)之一——社会经济数据与应用中心(Socioeconomic Data and Applications Center)下的全球网格化地理经济数据。其包含全球1990年,1995年,2000年,2005年市场汇率与购买力平价对应的GDP数据,空间分辨率为1°。

8.1.2 中国公里网格GDP分布数据集

  • 网址:http://www.geodoi.ac.cn/WebCn/doi.aspx?Id=125

  中国公里网格GDP分布数据集是中国科学院生产的GDP格网空间分布数据,包括2005年,2010年的数据,空间分辨率为1 km。

8.1.3 中国公里格网GDP数据

  • 网址:http://www.geodata.cn/data/datadetails.html?dataguid=844414&docid=6666

  中国公里格网GDP数据同样来自中国科学院,数据对应的年份较之前者更多,空间分辨率为1 km。

8.2 综合经济与社会数据

8.2.1 Our World in Data

  • 网址:http://ourworldindata.org/

  Our World in Data是一个致力于研究、解决贫穷、疾病、饥饿、气候变化等主要全球问题的公益性组织,其平台提供了经济、环境保护、工业、粮食、医疗、气候等各类数据,十分丰富。

8.2.2 SEDAC

  • 网址:http://sedac.ciesin.columbia.edu/data/sets/browse

  SEDAC是美国国家航空航天局下属对地观测系统数据与信息中心(Earth Observing System Data and Information System,EOSDIS)的分布式活动存档中心(Distributed Active Archive Centers (DAACs)之一。其平台含有涉及人口、政策、经济、社会等多方面数据。

9 卫星信息数据

9.1 Space-Track

  • 网址:http://www.space-track.org/

  Space-Track是由SAIC公司开发、由美国空军第18太空控制中队提供数据的全球卫星、火箭数据,具有较为详细的太空卫星、火箭箭体数据。

9.2 CelesTrak

  • 网址:http://celestrak.com/

  CelesTrak是由T.S. Kelso创立的卫星数据网站,具有较为详细的太空卫星数据。尤其是其可视化平台十分出众。

9.3 UCS Satellite Database

  • 网址:http://www.ucsusa.org/resources/satellite-database#.XCcxUVAzbDd

  UCS Satellite Database是Union of Concerned Scientists下属的卫星数据网站,具有Excel、text等格式的太空卫星数据。其网站同样具有一定可视化卫星数据的内容。

10 其它GIS相关数据

10.1 Kaggle

  • 网址:http://www.kaggle.com/datasets

  Kaggle是一个线上的数据科学与机器学习用户交流平台。其具有包括健康、饮食、娱乐、GIS等大量领域的数据。

10.2 Data Mining Lab

  • 网址:http://www.kaggle.com/datasets

  Data Mining Lab是电子科技大学Junming Shao教授课题组网站。其网站列举了大量各领域数据,同时还列举了常用的数据处理软件包、算法与代码等。

10.3 World Bank Open Data

  • 网址:http://data.worldbank.org/

  World Bank Open Data是世界银行集团(The World Bank)下属全球或地区各类数据开放访问平台,数据十分丰富,涵盖了几乎所有领域。

10.4 中华人民共和国自然资源部政府信息公开

  • 网址:http://g.mnr.gov.cn/

  中华人民共和国自然资源部政府信息公开是自然资源部下属开放数据平台,包含土地、环境、地质、资源以及相关政策、法律法规数据等。

欢迎关注:疯狂学习GIS

本文转载于网络 如有侵权请联系删除

相关文章

  • Makefile 的使用

    在Linux中使用make命令来编译程序,特别是大程序;而make命令所执行的动作依赖于Makefile文件。最简单的Makefile文件如下:hello:hello.c gcc-ohellohello.c clean: rm-fhello复制将上述4行存为Makefile文件(注意必须以Tab键缩进第2、4行,不能以空格键缩进),放入01_hello目录下,然后直接执行make命令即可编译程序,执行“makeclean”即可清除编译出来的结果。make命令根据文件更新的时间戳来决定哪些文件需要重新编译,这使得可以避免编译已经编译过的、没有变化的程序,可以大大提高编译效率。要想完整地了解Makefile的规则,请参考《GNUMake使用手册》,以下仅粗略介绍。3.1配套视频内容大纲3.1.1Makefile规则与示例参考文档:gunmake.htm①为什么需要Makefile 怎么高效地编译程序? 想达到什么样的效果?请参考VisualStudio:修改源文件或头文件,只需要重新编译牵涉到的文件, 就可以重新生成APP②Makefile其实挺简单 一个简单的Makefile文件包含一系

  • 要不是真的喜欢学技术,谁会来爬小姐姐啊。

    养成习惯,先赞后看!!! 不用于任何商业价值,只是自己娱乐。 否则爬虫爬的好,牢饭吃到饱。 这是我们这次爬取的网址:https://www.vmgirls.com/爬取并下载唯美女生1.准备工作2.分析网页+实际操作2.1分析页面12.2分析页面22.3分析首页2.4整合代码,准备起飞3.效果展示1.准备工作这次我们主要运用四个模块分别是BeautifulSoup:主要用于我们来分析网页信息 requests:主要是用于我们来请求网页 re:正则表达式,帮组我们来匹配实际需要的信息 os:主要负责帮我们下载图片 2.分析网页+实际操作一开始我们先分析单个页面进行爬取下载,之后我们在分析首页获取到所有页面的链接,最后对我们之前的代码进行整合规范化。2.1分析页面1页面网址:https://www.vmgirls.com/9384.html 我们通过鼠标定位到我们需要爬取的图片的信息就在上图红色方框中,并且通过观察页面的格式我们发现大体格式基本一样,基本都是下面这种样式:<imgalt="酸酸的,甜甜的-唯美女生"width="2904"hei

  • 使用Hyperledger Fabric和Composer实现区块链应用程序

    目前无法绕过技术领域的是区块链话题。但除了加密货币之外,还有更多有趣的应用程序可以带来许多激动人心的软件生态系统。这也适用于Hyperledger项目,该项目提供了一个非常模块化的区块链框架。让我们看看使用HyperledgerFabric和Composer实现区块链应用程序是多么容易。关于项目HyperledgerHyperledger是一个umbrella项目的名称,在该项目下开源区块链方法和工具是协同开发的。它由Linux基金会于2015年推出,并享有IBM,英特尔和富士通等软件巨头以及大型社区的热烈参与。Hyperledger的GitHub存储库目前比以往更加活跃。任何人都可以参与开发。在Hyperledger中,不仅开发了单个区块链框架(或平台)。相反,重点是并行采用多种方法,创造协同效应,可重复使用的组件和灵活性。从Hyperledger概念的角度来看,区块链网络与比特币或以太网等加密货币的代表无法比较。相反,Hyperledger网络的节点分布在参与组织中,这使得私有,许可或联盟区块链网络特别有趣。首先,我们可以忘记公共区块链的工作证明,股权证明和其他共识机制。所涉及的组

  • 一步一步,开始上手Mac 开发(三)

    非常感谢大家来继续阅读第三篇(也是终篇)关于简单的Mac开发入门的上手系列文章,本篇中我们来讨论怎样细化App和更好的交互体验,通过这些,你完全可以构建自己喜欢的Mac上的应用 我们之前的工程存在哪些问题?我们的工程运行后,你可以正常的显示一个scarybug列表操作窗口,并且可以进行删除,添加以及修改这些数据,它功能完整,但是它的用户体验并不理想。运行中的App比如,你调整窗口的大小(可以把窗口拖大一些,如下图),窗口内控件的尺寸,并没有变化,而且控件之间也没有布局整齐,这是的它们看起有点难看,乃至看专业;大窗口的App再或者你把窗口缩小(如下图),一部分需要显示的内容已经无法看见了,因此我们需要明显的设置一个窗口的最小幅度,这样我们的应用才可以正常使用好吧,让我们来动手改进这些问题~1 设置窗口的最小尺寸1.1先选中MasterViewController.xib,重新调整view的尺寸和排列内部的各个控件,(以你喜欢的方式)让控件看起来更协调,而且能够全部显示,它可能看起来像下面这样样子:调整大小和对齐控件后的窗口1.2从控件库中,拖一条竖直的线到view中,把它放在tablev

  • 从NTDS.dit获取密码hash的三种方法

    本文我将为大家介绍一些取证工具,这些工具在渗透测试中将会对我们起到很大的帮助。例如当你提取到了大量的主机内部文件时,你可会发现其中包含如NTDS.dit和系统hive,那么你将可能需要用到下面的这些工具,来帮助你提取其中的用户信息。Impacket-secretsdumpImpacket是一个Python类库,用于对SMB1-3或IPv4/IPv6上的TCP、UDP、ICMP、IGMP,ARP,IPv4,IPv6,SMB,MSRPC,NTLM,Kerberos,WMI,LDAP等协议进行低级编程访问。该库提供了一组工具,作为在此库的上下文中可以执行的操作示例。secretsdump.py:实现了多种不需要在远程主机上执行任何代理的情况下转储机密数据的技术。对于SAM和LSASecrets(包括缓存的凭据),我们尽可能的尝试从注册表中读取,然后将hives保存在目标系统(%SYSTEMROOT%\Temp目录)中,并从那里读取其余的数据。对于DIT文件,我们使用DL_DRSGetNCChanges()方法转储NTLM哈希值,明文凭证(如果可用)和Kerberos密钥。此外,还可以通过使用

  • 数据图说:两部口碑大片如何占领“青春档”

    同样青春怀旧;几乎同一天上映;同样三天破亿…你能猜到我在说哪两部电影吗?没错,一部是2013年4月26日上映的赵薇《致我们终将逝去的青春》三天票房破亿,成为国产影片一匹黑马;今年4月25日上映的《同桌的你》同样三天票房破亿,收获不俗口碑。两部影片虽有太多相似,但从营销传播方式、等方面实际各有千秋。两部电影差别在哪些方面?青春怀旧档是怎么形成的?来看看钛媒体作者艾漫科技整理的详实的数据对比:一、媒体关注度和公众影响力势均力敌两部影片的媒体关注度和影响力均不输同档期实力派影片。《致青春》和《同桌的你》在映前均有超高的声量与关注度,观影期待指数随着营销的动作一路走高,并顶住引进大片(《钢铁侠》《超凡蜘蛛侠》)的压力问鼎五一票房冠军。(数据抓取时间:2013/3/26-5/2&2014/3/25-5/1)二、成功必备要素:档期逢时、题材合理、受众精准、共同记忆4月春暖花开的季节,让感情更容易释放;毕业季的高考备战、毕业论文、散伙饭营造了伤感怀旧的氛围;清明-五一小长假形成了“天然”的档期……这些因素营造了一个中国式的特殊档期——青春怀旧档。当然,该档期的形成,与去年的“致青春”的成功铺

  • [快学Python3]JSON解析

    概述本章节将为大家介绍如何使用Python来编码和解码json对象。json是javascriptobjectnotation的简写,是一种轻量级的数据交换格式,易于阅读和编写,是目前前后端最常用的数据交互格式之一。标准库在Python中,提供了标准的json库来对json串进行解码和编码解析。常用的函数如下json.dumps 将python对象编码成json字符串,返回json串json.loads 将已编码的json串解码为python对象,返回python对应的数据类型下面我们看下python对象和json类型的转化对照表:Python类型Json字典dictobjectlist列表、tuple元组arraystr字符串stringint、long、floatnumberTruetrueFalsefalseNonenull字典和json互转示例json串转dict(字典)示例#-*-coding:utf-8-*- __author__='苦叶子' importjson if__name__=="__main__": print(&q

  • Struts S2-052漏洞利用方式实验解析(附EXP)

    Struts2的漏洞之王大之名相信已经家户喻晓了。从S2-003、S2-005、S2-007、S2-008、S2-009、S2-012~S2-016、S2-037、S2-045、S2-048.等等,而2017年9月5日又收到来自Struts2新的“惊喜”——S2-052。实验环境靶机:101.200.58.*(win2008x64+tomcat8.5+Struts2.5.12)漏洞地址:http://101.200.58.*:8080/struts2-rest-showcase/orders.xhtml![ClipboardImage.png](http://image.3001.net/images/20170907/15047245718998.png!small)复制一、判断操作系统及端口开放:本机使用nmap识别一下操作系统(重要):nmap-o101.200.58.*复制根据下图目标开放的端口(135.139.445.3389)可以知道:目标使用的是windows系统。二、环境要求及EXP下载:因为EXP是用go语言编写的,如果你没有go环境的话,需要搭建一下。Go1.9下载

  • 读Zepto源码之集合操作

    接下来几个篇章,都会解读zepto中的跟dom相关的方法,也即源码$.fn对象中的方法。读Zepto源码系列文章已经放到了github上,欢迎star:reading-zepto源码版本本文阅读的源码为zepto1.2.0.forEach()forEach:emptyArray.forEach复制因为zepto的dom集合是类数组,所以这里只是简单地复制了数组的forEach方法。具体的forEach的用法见文档:Array.prototype.forEach().reduce()reduce:emptyArray.reduce复制简单地复制了数组的reduce方法。具体的reduce的用法见文档:Array.prototype.reduce().push()push:emptyArray.push复制简单地复制了数组的push方法。具体的push的用法见文档:Array.prototype.push().sort()sort:emptyArray.sort复制简单地复制了数组的sort方法。具体的sort的用法见文档:Array.prototype.sort().splice()sp

  • 祘头君的字符(DFS)

    一、题目 有n名选手在玩游戏,他们每个人有一个字符,每个字符都有自己固定的若干个特征。特征的种类数为k。每个人的特征为特征总集的一个子集。 两个字符的相似度定义为:如果两个字符A和B同时拥有某个特征或者同时没有某个特征,它们的相似度加一。 蒜头君想创造出一个字符,它与其它n名选手的字符的相似度分别为a1,a2,…,an,假设其中最大的相似度为ax,蒜头君希望ax尽量小。 输入格式 输入第一行包含两个整数n,k(1<=n<=105,1<=k<=20)分别表示选手的个数以及特征的种类数。下面n行每行包含一个字符串表示某个选手的特征状态,如果在j位置有一个1表示他有第j个特征,否则没有。 输出格式 输出一个满足条件的字符串。 注:本题答案不唯一,符合要求的答案均正确 样例输入1 35 01001 11100 10111 样例输出1 00010 样例输入2 14 0000 样例输出2 1111 二、分析 (一)定义距离 本题考察相似度,反过来说就是考察不相似度。不相似度大,相似度就小;不相似度小,相似度就大。 可以用距离来衡量不相似度。若两个数有一位不一样,则不相似度为

  • [Android]任务列表中显示&quot;小程序&quot;的原理分析

    摘要: 谈谈微信是怎么实现在任务列表中显示"小程序"的. 今天被小程序刷屏了^^我也来凑凑热闹.谈谈微信是怎么实现在任务列表中显示"小程序"的. 效果 微信中打开了"滴滴(小程序)"后,可以看到,任务列表不仅显示了"微信",还显示了"滴滴(小程序)"的人口.通过这个入口,就可以很方面的切换小程序了,体验和原生程序也一样一样的. 分析 下面简单分析一下他的实现. 1.Android系统中,显示最近程序列表的View是 RecentsPanelView.他通过refreshRecentTasksList()加载程序列表,我们来看看代码:可以看到RecentTasksLoadermRecentTasksLoader负责真正处理数据加载. RecentsPanelView.java privateRecentTasksLoadermRecentTasksLoader; *** privatevoidrefreshRecentTasksList( ArrayList<TaskDescription>recentTasksList,booleanfirstS

  • js合并多维数组并去重

    合并多维数组,网上有挺多例子,可惜都不是我需求的模样,于是自己花了点时间整理了一下出来 思路比较清晰,看到多维,想到的方法便是降维,于是,利用了对象键值对的关系用来做判断 直接上代码了:例子只考虑了两个列表都有数据的情况,其他情况就加一下简单判断就行了 letarr1=[ { name:"测试1", list:[ { id:"1", content:{} }, { id:"2", content:{} }, { id:"3", content:{} } ] }, { name:"测试2", list:[ { id:"4", content:{} }, { id:"5", content:{} } ] } ] letarr2=[ { name:"测试1", list:[ { id:"1", content:{} }, { id:"5", content:{} } ] }, { name:"测试4", list:[ { id:"6", content:{} }, { id:"7", content:{} } ] } ] //临时数组,用来存储合并后的内容 letresultList=

  • C++内存分区

    【1】内存分区模型 各种说法,但都有一定道理,只是划分角度或逻辑不同。 1、三部分 C++程序在执行时,将供用户使用内存大致划分为三个区域: (1)程序存储区:存放函数体的二进制代码,由操作系统进行管理; (2)静态存储区:静态存储区数据在程序开始就已经分配好了内存,执行过程中,它们所占的存储单元是固定的,在程序结束时就释放,所以该区数据一般为全局变量。 (3)动态存储区:动态存储区数据是在程序的执行过程中根据需要动态分配和动态释放的存储单元。 2、四部分 C++程序在执行时,将供用户使用内存大致划分为四个区域: (1)代码区:存放函数体的二进制代码,由操作系统进行管理; (2)全局区:存放全局变量和静态(全局、局部)变量和字符串常量; (3)栈区(stack):由编译器自动分配释放,存放函数的参数值,局部变量等; (4)堆区(heap):由程序员分配和释放,若程序员不释放,程序结束时由操作系统回收。 3、五部分 C++程序在执行时,将供用户使用内存大致划分为五个区域: (1)程序代码区:存放函数体(类的成员函数、全局函数)的二进制代码; (2)全局/静态区(static):全局变量和

  • cf #787 (div3)

    链接 过了好久才补题……当时只有G没做出来。 [G] 题意: 给出\(n\)堆共\(m\)个煎饼\(a_1,a_2,\dots,a_n\),每个煎饼只能移动到它相邻的堆,问把序列\(a\)变成单调不减的序列最少要多少次操作。\(1\leqn,m\leq250\)。 分析: 想到应该用DP,状态就是\(f[i][j][k]\)表示前\(i\)堆,最后一个数是\(j\),前面总和为\(k\)的最少操作次数。 但是没想出来怎么快速地转移,然后就没做出来。 题解正是这样DP。注意到: $f[i][j][k]=min_{0\leql\leqm-j}{f[i-1][j+l][k-j]}+add$ 其中\(add\)是只与\(j\)和\(k\)有关,与\(l\)无关的一个数! 所以可以通过维护一个\(g[j][k]=min_{0\leql\leqm-j}{f[i-1][j+l][k-j]}\)来实现\(O(1)\)转移。 问题在于\(add\)要怎么算。当前计算\(f[i][j][k]\),考虑第\(i\)堆新产生的代价,发现可以分为两种情况: 1.\(S[i]\geqk\),这里\(S[i]\)

  • SQLMAP注入教程-11种常见SQLMAP使用方法详解

    一、SQLMAP用于Access数据库注入(1)猜解是否能注入 1 2 win: pythonsqlmap.py-u"http://www.xxx.com/en/CompHonorBig.asp?id=7" Linux: .lmap.py-u"http://www.xxx.com/en/CompHonorBig.asp?id=7" (2)猜解表   1 2 win: pythonsqlmap.py-u"http://www.xxx.com/en/CompHonorBig.asp?id=7" --tables Linux: .lmap.py-u"http://www.xxx.com/en/CompHonorBig.asp?id=7" --tables (3)根据猜解的表进行猜解表的字段(假如通过2得到了admin这个表)   1 2 win: pythonsqlmap

  • Java标识符和关键字

    Java标识符和关键字 Java标识符 Java标识符定义 包名、类名、方法名、参数名、变量名等,这些符号被称为标识符。 标识符可以由字母、数字、下划线(_)和美元符号($)组成 标识符不能以数字开头,不能是java中的关键字。 Java标识符规则 包名、类名、方法名、参数名、变量名等,这些符号被称为标识符。 标识符可以由字母、数字、下划线(_)和美元符号($)组成 标识符不能以数字开头,不能是java中的关键字。 Java关键字 下面列出了Java关键字。这些保留字不能用于常量、变量、和任何标识符的名称。 所有的关键字都是小写 程序中的标识符不能以关键字命名 const和goto是保留字关键字,虽然在java中还没有任何意义,但在程序中不能用来作为自定义的标识符。 true、false和null不属于关键字,它们是一个单独标识类型,不能直接使用 Java关键字按用途分组 用于数据类型。用于数据类型的关键字有boolean、byte、char、double、false、float、int、long、new、short、true

  • Yet Another Broken Keyboard

    timelimitpertest2secondsmemorylimitpertest256megabytesinput:standardinputoutput:standardoutput Recently,Norgefoundastrings=s1s2…snconsistingofnlowercaseLatinletters.Asanexercisetoimprovehistypingspeed,hedecidedtotypeallsubstringsofthestrings.Yes,alln(n+1)/2ofthem!Asubstringofsisanon-emptystringx=s[a…b]=sasa+1…sb(1≤a≤b≤n).Forexample,“auto”and“ton”aresubstringsof“automaton”.Shortlyafterthestartoftheexercise,Norgerealizedthathiskeyboardwasbroken,namely,hecoulduseonlykLatinlettersc1,c2,…,ckoutof26.A

  • .net6工作流引擎-roadflow发布

    AntVue6.0版RoadFlow工作流引擎采用AntVue+.NET6全新重写,不是以前历史版本的升级,本次重构优化了以下几个方面: 1、数据表ID采用雪花算法的长整型作为ID,不再使用以前Guid作为数据表主键ID。 2、前端采用AntVue,不再使用自研Vue组件。 3、后端采用.NET6全新重写,不再使用历史版本冗余代码。 4、数据操作ORM采用SqlSugar,不再使用自研Ado.Net封装库。 5、流程表单数据可以选择是否保存到对应的业务数据表,如果不保存到业务表则可以不用建表。 6、流程任务已审批完的流程转移到已完成表,任务表只保留审批中的任务,彻底解决流程数据量大时的性能问题。 具体参阅:http://www.roadflow.net 稳定高效、功能强大的Asp.netCore+Vue前后端分离工作流快速开发平台-roadflow.net Java+Vue前后端分离工作流快速开发平台-roadflow.cn

  • UnicodeDecodeError: &#39;utf-8&#39; codec can&#39;t decode byte..问题

    解决UnicodeDecodeError:'utf-8'codeccan'tdecodebyte..问题 问题描述: 问题分析: 该情况是由于出现了无法进行转换的二进制数据造成的,可以写一个小的脚本来判断下,是整体的字符集参数选择上出现了问题,还是出现了部分的无法转换的二进制块: 问题解决 法一:将gbk编码数据decode('gbk')得到utf8编码的数据 法二:修改字符集参数,一般这种情况出现得较多是在国标码(GBK)和utf8之间选择出现了问题。​ 出现异常报错是由于设置了decode()方法的第二个参数errors为严格(strict)形式造成的,因为默认就是这个参数,将其更改为ignore等即可。例如: line.decode("utf8","ignore")复制 法三:在网上搜了很多人的处理方法是在程序的顶部加 importsysreload(sys)sys.setdefaultencoding('gbk')复制 可是我自己试一了,程序错是不报了,但是实际没有运行 最后,我在程度的顶部加了下面两行就好了,中文也可以正常显示了  #!/u

  • 贝叶斯定律

    前边在文章透彻理解最大似然估计,阐述如何理解最大似然进行参数估计,本文将讨论使用贝叶斯推理进行参数估计。我还将展示如何将此方法视为最大似然的概括,以及在何种情况下这两种方法是等价的。 贝叶斯定理 在介绍贝叶斯推理之前,有必要理解贝叶斯定理。贝叶斯定理真的很酷。使它有用的是它允许我们使用我们已有的一些知识或信念(通常称为先验)来帮助我们计算相关事件的概率。例如,如果我们想要在炎热和阳光明媚的日子里找到销售冰淇淋的概率,贝叶斯定理为我们提供了工具,可以使用先前的知识,了解在任何其他类型的一天销售冰淇淋的可能性(下雨,刮风,雪等)。我们稍后会详细讨论这个问题,所以如果你还没理解它,请不要担心。 数学定义 数学贝叶斯定理定义为:   其中A和B是事件,其中P(A|B)是在B发生的情况下A发生的可能性。和P(A)和P(B)分别是事件A和事件B的边际概率。 举例 数学定义通常会觉得太抽象和可怕,所以让我们试着通过一个例子来理解这一点。我在介绍性博客文章中给出的一个例子是从一包传统的扑克牌中挑选一张牌。包装中有52张卡片,其中26张为红色,26张为黑色。如果我们知道卡片是红色的,那么卡片

  • 推荐的书

    追风筝的人 白鹿原 林达看美国  

相关推荐

推荐阅读