ArcGIS点符号库向QGIS平台迁移的实现

地图符号在各GIS平台之间存在的差异导致符号交换、共享困难, 本文以点状地图符号为基础, 分析了ArcGIS与QGIS平台中常用地图符号的格式结构差异; 通过Python编程设计符号转换方式, 将TTF转换为SVG图片格式, 使用标记组合的方法完成点符号制作。通过该方法转换的QGIS点状地图符号具备与ArcGIS相同的功能, 转换后的符号能够满足QGIS的制图要求, 实现了由ArcGIS到QGIS平台的点符号完整迁移, 节省了人工制作符号所消耗的时间。本文提出的符号转换方法在实际应用中能够满足地震行业相关业务需求, 在其他行业和GIS制图领域也具有良好的发展前景。     

极地标本资源共享平台系统设计与实现

为了解决分布存储在全国各地的极地标本样品资源共享的问题,基于Python语言设计了具有数据发布、资源检索和申请审批等功能的极地标本资源共享平台信息系统,实现了极地标本样品的有效管理,目前已成功应用并对外服务。本文通过对系统重要功能模块的阐述介绍了系统设计与实现,最后对海量视频、查询推荐、图片检索、资源数据链等方面的问题进行了讨论。     

数据挖掘试验平台DMLab的设计与原型实现

DMLab是一个专门为数据挖掘研究人员进行算法试验而设计的集成开发环境，与其他挖掘工具相比，DMLab效率高、操作简便、算法实现更容易。系统集成了算法运行结果的可视化模块和智能化评价模块，使用户评价新算法的过程变得更加客观、简便。     

Python语言在晕渲制作中的应用

晕渲图是一种表现地貌地势的常见手段。在1∶50 000核心要素数据生成大范围的DEM和晕渲图的处理过程中,使用Python语言处理数据可以使数据处理效率得到极大的提高。     

Python语言在CIMISS中的应用

CIMISS实现了国家级气象数据的整合集约,国省首次建立了统一的数据环境,并通过标准统一、功能丰富、调用高效的气象数据统一服务接口MUSIC。本文介绍了Python编程语言特性,及其相对于IDL,Fortran,Matlab等气象行业常用编程语言的优势。阐述了Python在国外气象行业中的应用,以及如何调用CIMISS的客户端SDK,Web Services以及Rest服务接口。气象科研人员通过掌握Python编程语言,能够快速地从CIMISS中获取和处理气象数据,并可以使用Python进行各类气象数据的处理。     

天宝GNSS原始观测数据批量转换RINEX格式的方法研究

简要介绍了天宝GNSS原始观测数据和RINEX格式数据的特点,对目前可用的天宝GNSS原始数据转换为RINEX格式的软件进行了详细的说明,并利用Python语言实现了批量转换,满足了测绘、国土等行业对于大量天宝观测数据转换的需求。     

基于企业微信的形变故障报警框架设计与实现

针对台站形变观测中经常出现的仪器故障,提出了一种基于移动式企业微信报警的新方法。对传统的依托于台站工作人员登录Web网站、查看仪器工作状态的方式进行了改进,并提供了一种可实现、可操作的设计思路和具体实现过程。该设计框架不但解决了行业内外网切割导致数据采集和报警信息无法发送的问题,还解决了长期以来台站仪器经常性网络不通、断电、死机、超量程等突发情况所导致的形变观测数据缺失和错误无法及时报警的问题。通过Python语言编程,采集实时测量数据,通过逻辑运算后将结果推送到指定的企业微信,实现仪器故障报警,以达到降低数据损失的目的。     

ArcGIS字段计算工具在空间数据属性处理中的应用

针对地理空间数据生产中常见的属性数据处理问题,通过ArcGIS系统中的字段计算工具,结合Python脚本语言对空间数据的几何属性和非几何属性进行操作与处理,满足各类不同的应用需求,避免使用第三方工具或软件,提高了地理空间数据属性处理的工作效率。     

Python编程及Google Earth平台在地球物理勘探中的应用

在地球物理勘探工作,野外的数据采集是非常关键的环节,工区的地形地貌对野外的施工质量和进度都有很大的影响。故而在物探项目的踏勘、设计、数据采集以及资料处理解释的整个过程中,都需要详细了解地质、地形地貌等信息,并及时快速的进行查看和再现。Google Earth平台能直观显示卫星图、航空照相和GIS数据等三维场景,但如何精确地实现点、线和区的定位和识别是地球物理勘探的关键。运用Python编程实现用户自定义KML地标文件,然后导入Google Earth来实景化测点、测线、区域的周围的地形地貌特征,直观精确地指导勘探工作。实例表明,Python和Google Earth的应用能提高地球物理勘查的工作效率,节省项目成本。     

基于GEOROC数据库的全球辉长岩大数据的大地构造环境智能判别研究

辉长岩是化学成分与玄武岩类似的侵入岩,前人认为它的形成过程太复杂,对应的岩浆可能经过了分离结晶作用、混染作用等,不能用Pearce判别图来判断岩浆岩形成的构造环境。本文利用GEOROC数据库的资料对辉长岩进行大数据挖掘。首先根据前人成果,将GEOROC数据库的辉长岩形成的大地构造环境分为大陆玄武岩环境、汇聚边界环境、板内火山岩环境和大洋岛弧玄武岩环境等4类;然后在数据清洗基础上,利用Python语言,依托sklearn库,实现支持向量机、K近邻和随机森林等3种机器学习算法,获得3种对应的分类器结果输出。对辉长岩的构造环境进行智能判别结果显示,随机森林方法效果最好,判断准确率可达97%,利用辉长岩的地球化学大数据来判断岩浆岩的构造环境是完全可行的。