WW、forever
WW、forever

【数据集】GRNWRZ V2.0（全球河流网络和相应的水资源分区）介绍及下载

数据介绍

论文：J2022-A data set of global river networks and corresponding water resources zones divisions v2
论文下载地址

GRNWRZV1.0由严登华教授（中国水利水电科学研究院）团队开发，以全球90mDEM数据为基础，结合大量辅助数据，提出了一系列河网和水资源分区的生成方法，并在此基础上获得了全球高精度的1-4级河网和相应的水资源区。该数据集提供了生成河流的高预视和更准确的位置，合理的流域边界，特别是内陆和平原地区，也是全球第一套1-4级河网和相应的水资源区，与世界上同类产品相比，本数据集获得的河网空间分辨率更高、位置更准确，具有统一的河网和水资源区编码，为世界水资源的合理利用和社会的可持续发展提供了重要的依据和支持。

在此之后，构建了一个新的空间分辨率为90m的水文数据集，作为GRNWRZ V1.0的升级版本，GRNWRZ V2.0数据集具有合理的分级划分阈值和清晰的拓扑关系编码。在保持GRNWRZ V1.0河网精度的基础上，确定了更细化的阈值，并创建了新的编码规则，使得分级RN和分区WRZ更加精确，拓扑关系更加直观。

构建GRNWRZ V2.0数据集的代码可在Figshare中获得。

数据下载

数据下载网址：Figshare
【数据集】GRNWRZ V2.0（全球河流网络和相应的水资源分区）介绍及下载_第1张图片
在搜索栏输入“A data set of global river networks and corresponding water resources zones divisions”即可。
【数据集】GRNWRZ V2.0（全球河流网络和相应的水资源分区）介绍及下载_第2张图片

数据集说明

GRNWRZ V2.0
【数据集】GRNWRZ V2.0（全球河流网络和相应的水资源分区）介绍及下载_第3张图片

RN-River Network（河网）

河网如下所示：
【数据集】GRNWRZ V2.0（全球河流网络和相应的水资源分区）介绍及下载_第4张图片

WRZ-Water Resources Zones (水资源分区)

水资源分区如下所示：
【数据集】GRNWRZ V2.0（全球河流网络和相应的水资源分区）介绍及下载_第5张图片

参考

1、GRNWRZ V2.0（全球河流网络和相应的水资源分区）介绍及下载

你可能感兴趣的:(#,数据集,数据集)

  • 【大模型微调实战】4. P-Tuning爆款文案生成：让模型学会小红书“爽感”写作，转化率提升300% AI_DL_CODE 大模型微调P-Tuning小红书文案爆款生成情绪强化自然语言生成提示工程
    摘要：在内容营销竞争白热化的当下，普通文案已难以突破流量壁垒。本文聚焦P-Tuning技术在小红书爆款文案生成中的落地应用，通过参数化提示向量优化，将抽象的“爽感”写作转化为可量化、可训练的技术指标。文中提出“六步成文法”，从情绪化数据集构建到爆款元素复刻，完整拆解如何用RTX3060级显卡实现0.1%参数量微调，使文案点击率从2.1%提升至8.7%，爆文率提高5倍，单条文案带货超8万元。核心创新
  • Hive与Hudi集成：增量大数据处理方案 AI大数据智能洞察 大数据与AI人工智能大数据AI应用hivehadoop数据仓库ai
    Hive与Hudi集成：增量大数据处理方案关键词：Hive、Hudi、增量大数据处理、数据集成、数据湖摘要：本文主要探讨了Hive与Hudi集成的增量大数据处理方案。我们将深入了解Hive和Hudi的核心概念，剖析它们之间的关系，详细阐述集成的算法原理与操作步骤，通过实际项目案例展示如何进行开发环境搭建、代码实现与解读。同时，会介绍该集成方案的实际应用场景、相关工具和资源，探讨未来发展趋势与挑战。
  • 【免费下载】 探索PlantVillage-Dataset：深度学习在植物病害检测中的革命性突破
    探索PlantVillage-Dataset：深度学习在植物病害检测中的革命性突破在这个数字化时代，人工智能正逐步改变我们的生活，其中深度学习在农业领域的应用尤其引人注目。PlantVillage-Dataset是一个开放源代码的项目，它提供了一个庞大的植物病害识别数据集，旨在帮助开发人员和研究者利用机器学习技术改善农作物健康状况的监测。本文将深入探讨该项目的技术细节、应用价值及其独特之处。项目简
  • 【YOLO系列】YOLOv4详解：模型结构、损失函数、训练方法及代码实现 一碗白开水一 yolo系列助你拿捏AI算法YOLO目标跟踪人工智能目标检测计算机视觉论文阅读
    YOLOv4详解：模型结构、损失函数、训练方法及代码实现motivationYOLO系列作者JosephRedmon与AlexeyBochkovskiy致力于解决目标检测领域的核心矛盾：精度与速度的平衡。YOLOv4的诞生源于两大需求：工业落地：在移动端/边缘设备实现实时检测（>30FPS）学术突破：无需昂贵算力（如1080Ti即可训练），在MSCOCO数据集达到SOTAmethods1.数据加载
  • JavaScript对象与Math对象完全指南 hui函数 Javascriptjavascript前端开发语言
    JavaScript对象与Math对象完全指南对象基础概念与操作对象是什么？数据集合：包含相关数据和功能的容器结构组成：属性：描述对象特征的变量（名词性）方法：对象可执行的操作（动词性，本质是函数）对象创建与访问//创建对象letperson={ //属性 name:"张三", age:28, profession:"软件工程师",  //方法 introduce(){  return`大家好，我
  • 重构数据库未来：金仓数据库，抢占 AI 原生时代先机
    7月15日，国产数据库厂商中电科金仓（北京）科技股份有限公司（以下简称“电科金仓”）在北京举行了一场技术发布会，集中发布四款核心产品：AI时代的融合数据库KESV92025、企业级统一管控平台KEMCC、数据库一体机（云数据库AI版）以及企业级智能海量数据集成平台KFSUltra，并同步举行了“金兰组织2.0”启动仪式。如果放在过去几年，这场发布会可能被归入“信创替代”的常规范畴。但这一次，电科金
  • 基于Python的酒店订单数据分析与可视化实战 不若浮生一梦 python作业python数据分析开发语言
    本文将通过一个酒店订单数据集，展示如何使用Python进行完整的数据分析流程，包括数据清洗、特征工程、探索性分析、可视化以及业务洞察，适合数据分析初学者或想通过项目提升数据思维的开发者。一、项目背景随着旅游业的迅速发展，酒店运营者越来越依赖数据分析来提升客户体验与优化收益管理。本项目基于某国际连锁酒店集团提供的真实订单数据，包含超过10万条记录，涵盖订单类型、顾客行为、取消情况等多个维度。目标是通
  • 数据赋能（343）——数据整合——概述 lh1793 数据
    进行数据整合时，需要遵循以下原则以确保整合数据的完整性、一致性、准确性和可用性。全方位集成原则：信息整合系统既是“数据中心”也是“业务中心”，应具备界面集成、数据集成、应用迁移、业务集成等能力。全面集成原则：既要支持逻辑集成，也要支持物理集成，确保数据的全面性和完整性。集约性原则：整合后的数据库应符合数据库标准要求，避免冗余，为数据共享奠定基础。衔接性原则：在数据整合过程中，应考虑到与不同比例尺或
  • 大模型QLoRA微调——基于Qwen2-7B的自动化病历摘要生成系统
    01项目简介（1）项目背景医疗文档中包含大量的诊疗信息，例如疾病诊断、手术名称、解剖部位、药物使用以及影像和实验室检查结果。这些信息是医疗数据分析的核心，但由于医疗文本内容复杂、格式多样，提取这些关键内容具有一定挑战。为此，本项目基于Qwen-7B大语言模型，通过QLoRA微调，使其从医疗文档中识别并提取这些信息。（2）数据集介绍本项目在Yidu-S4K数据集上进行指令微调任务，该数据共计包含10
  • Python中的 filter() | 函数详解 2401_87650616 python开发语言
    目录前言一、基本概念基本语法二、使用方式1.使用lambda函数2.使用普通函数3.使用None过滤假值三、filter()与列表推导式对比1.filter()方式2.列表推导式方式3.选择建议四、常见应用场景1.过滤偶数2.过滤空字符串3.过滤None值4.过滤质数五、注意事项与最佳实践1.惰性求值：filter()返回的是迭代器，只在需要时计算，节省内存2.性能考虑：对于大数据集，filter
  • 标签助手：基于LabelImg和YOLOv5的图像半自动标注工具 伏容一Julia
    标签助手：基于LabelImg和YOLOv5的图像半自动标注工具项目基础介绍标签助手（labelGo-Yolov5AutoLabelImg）是一个图形化的半自动图像注解工具，它结合了广受欢迎的图像标注工具LabelImg的力量与先进的目标检测框架YOLOv5。这个开源项目旨在简化数据集的标注过程，利用现有YOLOv5PyTorch模型实现快速的半自动化标注，极大地提高了标注效率。项目主要采用Pyt
  • SpringBoot Stream实战指南
    Stream的概念Stream（流）是计算机科学中用于处理数据序列的抽象概念，通常指按顺序读取或写入的数据集合。它可以是文件、网络连接、内存缓冲区等数据源的抽象表示，允许逐块处理数据而无需一次性加载全部内容。Stream的类型输入流（InputStream）从数据源（如文件、网络）读取数据，例如FileInputStream用于读取文件内容。输出流（OutputStream）向目标（如文件、控制台
  • 汤逊湖高分辨率矢量图Shp文件及ArcGIS应用指南 夏曦安
    本文还有配套的精品资源，点击获取简介：本矢量图数据集针对汤逊湖地理信息，提供了精确的边界、形状及属性信息，适用于多种领域。介绍SHP文件及其相关文件格式，展示了在ArcGIS中如何进行空间分析，包括地形、缓冲区、叠加、网络分析，模拟分析，以及可视化等功能，强调其在环境科学、城市规划等领域的应用价值。1.汤逊湖矢量图数据集概述在地理信息系统（GIS）领域，准确、丰富的数据集是进行空间分析和决策支持的
  • RK3568笔记九十三：基于RKNN Lite的YOLOv5目标检测 殷忆枫 RK3568学习笔记笔记YOLO
    若该文为原创文章，转载请注明原文出处。一、介绍Yolov5是一种目标检测算法，属于单阶段目标检测方法，是在COCO数据集上预训练的物体检测架构和模型系列，它代表了Ultralytics对未来视觉AI方法的开源研究，其中包含了经过数千小时的研究和开发而形成的经验教训和最佳实践。最新的YOLOv5v7.0有YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x等，除了目标检测，
  • 博客摘录「 适合小白的超详细yolov8环境配置+实例运行教程，从零开始教你如何使用yolov8训练自己的数据集（Windows+conda+pycharm）」2024年3月13日
    激活虚拟环境使用condaactivate命令激活虚拟环境，激活成功的标志就是命令行前面的（base）换
  • 电科金仓全栈出击，“融合数据库平台”挑战AI时代新范式
    7月15日，国产数据库厂商中电科金仓（北京）科技股份有限公司（以下简称“电科金仓”）在北京举行了一场技术发布会，集中发布四款核心产品：AI时代的融合数据库KESV92025、企业级统一管控平台KEMCC、数据库一体机（云数据库AI版）以及企业级智能海量数据集成平台KFSUltra，并同步举行了“金兰组织2.0”启动仪式。如果放在过去几年，这场发布会可能被归入“信创替代”的常规范畴。但这一次，电科金
  • 读心与芯：我们与机器人的无限未来05未来之路 躺柒 机器人机器人学人工智能大数据分析智能计算
    1.概念1.1.利用数据确定模式，描述数据集的某些属性，基于过去的经历判断未来可能发生什么，或基于当前发生的事情判断后果或反应1.2.机器学习(machinelearning)是人工智能的一个子集，它不需要显式编程，为系统提供自动学习和根据经验改进的能力1.2.1.机器学习算法基于样本数据（又称训练数据）构建模型，在未经显式编程的情况下对未来数据做出预测或决策1.2.2.机器学习有多种类型，包括有
  • 电科金仓“融合数据库”发布：锚定AI时代，重构国产数据库格局 可涵不会debug AI赋能数据库人工智能重构
    7月15日，国产数据库厂商中电科金仓（北京）科技股份有限公司（以下简称“电科金仓”）在北京举行了一场技术发布会，集中发布四款核心产品：AI时代的融合数据库KESV92025、企业级统一管控平台KEMCC、数据库一体机（云数据库AI版）以及企业级智能海量数据集成平台KFSUltra，并同步举行了“金兰组织2.0”启动仪式。如果放在过去几年，这场发布会可能被归入“信创替代”的常规范畴。但这一次，电科金
  • svm支持向量机实例--线性非线性实例代码可运行
    fromsklearnimportsvmimportnumpyasnpimportsklearn#因为Python中的sklearn库也集成了SVM算法，所以在Python中一样可以使用支持向量机做分类#取数据集path=r'D:\svm\iris.data'#Iris.data的数据格式如下：共5列，前4列为样本特征，第5列为类别，分别有三种类别Iris-setosa，Iris-versicol
  • Python数据可视化库之autoviz使用详解
    概要在数据可视化的广阔领域中，快速且智能地将数据转化为直观图表，是数据分析师和开发者的共同需求。Python的autoviz库应运而生，它凭借“一键生成可视化”的强大功能，极大地简化了数据可视化流程。无论是处理简单数据集，还是复杂的多变量数据，autoviz都能自动分析数据特征，生成高质量可视化结果，成为提升数据分析效率的得力助手。安装与验证1、安装方法autoviz库的安装可以借助Python常
  • 【SVM】支持向量机实例合集 KENYCHEN奉孝 支持向量机算法机器学习
    基于Java的SVM（支持向量机）实例合集以下是一个基于Java的SVM（支持向量机）实例合集，包含核心代码示例和应用场景说明。这些例子基于流行的机器学习库（如LIBSVM、Weka、JSAT）实现。数据准备与加载使用LIBSVM格式加载数据集：//加载LIBSVM格式数据svm_problemprob=newsvm_problem();prob.l=dataSize;//样本数量prob.x=n
  • 数据挖掘实战-基于随机森林算法的空气质量污染预测模型 艾派森 数据挖掘实战合集信息可视化人工智能python数据挖掘随机森林
    ‍♂️个人主页：@艾派森的个人主页✍作者简介：Python学习者希望大家多多支持，我们一起进步！如果文章对你有帮助的话，欢迎评论点赞收藏加关注+目录1.项目背景2.数据集介绍3.技术工具4.实验过程
  • 9、LLaMA-Factory项目微调介绍 Andy_shenzl 大模型学习llamaLLaMAFactory微调大模型LoRA
    1、LLaMAFactory介绍  LLaMAFactory是一个在GitHub上开源的项目，该项目给自身的定位是：提供一个易于使用的大语言模型（LLM）微调框架，支持LLaMA、Baichuan、Qwen、ChatGLM等架构的大模型。更细致的看，该项目提供了从预训练、指令微调到RLHF阶段的开源微调解决方案。截止目前（2024年3月1日）支持约120+种不同的模型和内置了60+的数据集，同时封
  • [2025CVPR-图象合成、生成方向]ODA-GAN：由弱监督学习辅助的正交解耦比对GAN 虚拟免疫组织化学染色 清风AI 计算机视觉算法深度学习算法详解及代码复现生成对抗网络机器学习目标检测目标跟踪人工智能傅立叶分析深度学习
    目录1.背景和动机2.方法概述：ODA-GAN框架2.1弱监督分割管道2.2样本重新划分策略2.3ODA-GAN核心模块3.实验设置与结果3.1数据集和评估指标3.2性能比较3.3消融研究4.结论与贡献1.背景和动机虚拟免疫组化（IHC）染色技术旨在通过生成模型将H&E染色图像转换为IHC染色图像，从而避免繁琐的物理染色过程（如重复切片和抗体处理）。然而，现有方法面临关键挑战：染色不真实与不可靠性
  • 3D并行与4D并行
    3D并行3D并行通常指的是将以下三种并行策略结合起来：D1：数据并行（DataParallelism）D2：张量并行（TensorParallelism）D3：流水线并行（PipelineParallelism）各个“D”的含义及详细讲解1.数据并行（DataParallelism）含义：在数据并行中，每个设备（或一组设备）都持有完整的模型副本。训练数据集被分成多个批次（mini-batches）
  • 暗流涌动 创作人李新钢
    深度学习和所有机器学习方法一样，是一种用数学模型对真实世界中的特定问题进行建模，以解决该领域内相似问题的过程。要教计算机认字，差不多也是同样的道理。计算机也要先把每一个字的图案反复看很多很多遍，然后，在计算机的大脑（处理器加上存储器）里，总结出一个规律来，以后计算机再看到类似的图案，只要符合之前总结的规律，计算机就能知道这图案到底是什么字。学习的、反复看的图片叫“训练数据集”；“训练数据集”中，一
  • 详解C++中的全局算法 超级飞侠12138 C++c++开发语言c语言
    全局算法在C++中，全局算法通常指的是不依赖于特定数据结构或对象，而是可以在各种数据集合上使用的通用算法。这些算法通常定义在标准模板库（STL）中，因此可以在整个程序中重复使用，适用于多种数据类型。STL中的算法可以作用于数组、向量、列表、集合、映射等容器。使用这些算法时，通常需要包含头文件。（1）遍历算法std::for_eachstd::for_each算法用于对容器中的每个元素执行指定的函数
  • 【数据集】全球 0.5 度湿地甲烷排放与不确定性数据集 WetCHARTs WW、forever 数据集CH4
    目录数据概述v1.3.3新特性应用与验证数据下载数据文件信息模型配置说明（四位代码）空间与时间覆盖参考数据集名称：CMS:全球0.5度湿地甲烷排放与不确定性（WetCHARTsv1.3.3）数据概述数据概述-WetCHARTsv1.3.1数据概述-WetCHARTsv1.3.3此数据集提供了2001年1月1日至2022年8月31日期间，全球湿地甲烷（CH₄）排放的月度估算数据，空间分辨率为0.5x
  • Excel快速入门教程8-数据透视表 python测试开发
    有时您需要分析大量数据，成易于阅读和理解的报告。数据透视图允许我们分析此类数据并生成满足业务要求的报告。在本教程中，我们将介绍以下主题;什么是数据透视图？创建数据透视图二维数据透视图什么是数据透视图？数据透视图是大数据集的摘要，通常包括总数，平均值，最小值，最大值等。假设您有不同地区的销售数据，使用数据透视图可以按地区汇总数据并查找每个区域的平均销售额，每个区域的最大和最小销售额等。数据透视图允许
  • 机器学习实战笔记（四）：决策树（Python3 实现） max_bay 机器学习实战笔记机器学习实战决策树python
    1决策树的构造1.1决策树的特点优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。缺点：可能会产生过度匹配问题。适用数据类型：数值型和标称型。在构造决策树时，我们需要解决的第一个问题就是，当前数据集上哪个特征在划分数据分类时起决定性作用。为了找到决定性的特征，划分出最好的结果，我们必须评估每个特征。完成测试之后，原始数据集就被划分为几个数据子集。这些数据子集会分
  • Java常用排序算法/程序员必须掌握的8大排序算法 cugfy java
    分类： 1）插入排序（直接插入排序、希尔排序） 2）交换排序（冒泡排序、快速排序） 3）选择排序（直接选择排序、堆排序） 4）归并排序 5）分配排序（基数排序） 所需辅助空间最多：归并排序 所需辅助空间最少：堆排序 平均速度最快：快速排序 不稳定：快速排序，希尔排序，堆排序。 先来看看8种排序之间的关系：   1.直接插入排序 （1
  • 【Spark102】Spark存储模块BlockManager剖析 bit1129 manager
    Spark围绕着BlockManager构建了存储模块，包括RDD，Shuffle，Broadcast的存储都使用了BlockManager。而BlockManager在实现上是一个针对每个应用的Master/Executor结构，即Driver上BlockManager充当了Master角色，而各个Slave上(具体到应用范围，就是Executor)的BlockManager充当了Slave角色
  • linux 查看端口被占用情况详解 daizj linux端口占用netstatlsof
    经常在启动一个程序会碰到端口被占用，这里讲一下怎么查看端口是否被占用，及哪个程序占用，怎么Kill掉已占用端口的程序   1、lsof -i:port port为端口号   [root@slave /data/spark-1.4.0-bin-cdh4]# lsof -i:8080 COMMAND   PID USER   FD   TY
  • Hosts文件使用 周凡杨 hostslocahost
         一切都要从localhost说起，经常在tomcat容器起动后，访问页面时输入http://localhost:8088/index.jsp，大家都知道localhost代表本机地址，如果本机IP是10.10.134.21，那就相当于http://10.10.134.21:8088/index.jsp，有时候也会看到http: 127.0.0.1:
  • java excel工具 g21121 Java excel
    直接上代码，一看就懂，利用的是jxl： import java.io.File; import java.io.IOException; import jxl.Cell; import jxl.Sheet; import jxl.Workbook; import jxl.read.biff.BiffException; import jxl.write.Label; import
  • web报表工具finereport常用函数的用法总结（数组函数） 老A不折腾 finereportweb报表函数总结
    ADD2ARRAY ADDARRAY(array,insertArray, start):在数组第start个位置插入insertArray中的所有元素，再返回该数组。 示例： ADDARRAY([3,4, 1, 5, 7], [23, 43, 22], 3)返回[3, 4, 23, 43, 22, 1, 5, 7]. ADDARRAY([3,4, 1, 5, 7], "测试&q
  • 游戏服务器网络带宽负载计算 墙头上一根草 服务器
    家庭所安装的4M，8M宽带。其中M是指，Mbits/S 其中要提前说明的是： 8bits = 1Byte 即8位等于1字节。我们硬盘大小50G。意思是50*1024M字节，约为 50000多字节。但是网宽是以“位”为单位的，所以，8Mbits就是1M字节。是容积体积的单位。 8Mbits/s后面的S是秒。8Mbits/s意思是 每秒8M位，即每秒1M字节。 我是在计算我们网络流量时想到的
  • 我的spring学习笔记2-IoC（反向控制 依赖注入） aijuans Spring 3 系列
    IoC（反向控制 依赖注入）这是Spring提出来了，这也是Spring一大特色。这里我不用多说，我们看Spring教程就可以了解。当然我们不用Spring也可以用IoC，下面我将介绍不用Spring的IoC。 IoC不是框架，她是java的技术，如今大多数轻量级的容器都会用到IoC技术。这里我就用一个例子来说明： 如：程序中有 Mysql.calss 、Oracle.class 、SqlSe
  • 高性能mysql 之 选择存储引擎(一) annan211 mysqlInnoDBMySQL引擎存储引擎
    1 没有特殊情况，应尽可能使用InnoDB存储引擎。   原因：InnoDB 和 MYIsAM 是mysql 最常用、使用最普遍的存储引擎。其中InnoDB是最重要、最广泛的存储引擎。她   被设计用来处理大量的短期事务。短期事务大部分情况下是正常提交的，很少有回滚的情况。InnoDB的性能和自动崩溃   恢复特性使得她在非事务型存储的需求中也非常流行，除非有非常
  • UDP网络编程 百合不是茶 UDP编程局域网组播
      UDP是基于无连接的,不可靠的传输   与TCP/IP相反       UDP实现私聊,发送方式客户端,接受方式服务器 package netUDP_sc; import java.net.DatagramPacket; import java.net.DatagramSocket; import java.net.Ine
  • JQuery对象的val()方法执行结果分析 bijian1013 JavaScriptjsjquery
            JavaScript中，如果id对应的标签不存在（同理JAVA中，如果对象不存在），则调用它的方法会报错或抛异常。在实际开发中，发现JQuery在id对应的标签不存在时，调其val()方法不会报错，结果是undefined。        
  • http请求测试实例（采用json-lib解析） bijian1013 jsonhttp
            由于fastjson只支持JDK1.5版本，因些对于JDK1.4的项目，可以采用json-lib来解析JSON数据。如下是http请求的另外一种写法，仅供参考。 package com; import java.util.HashMap; import java.util.Map; import
  • 【RPC框架Hessian四】Hessian与Spring集成 bit1129 hessian
    在【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中介绍了基于Hessian的RPC服务的实现步骤，在那里使用Hessian提供的API完成基于Hessian的RPC服务开发和客户端调用，本文使用Spring对Hessian的集成来实现Hessian的RPC调用。   定义模型、接口和服务器端代码 |---Model    &nb
  • 【Mahout三】基于Mahout CBayes算法的20newsgroup流程分析 bit1129 Mahout
    1.Mahout环境搭建  1.下载Mahout http://mirror.bit.edu.cn/apache/mahout/0.10.0/mahout-distribution-0.10.0.tar.gz    2.解压Mahout  3. 配置环境变量 vim /etc/profile export HADOOP_HOME=/home
  • nginx负载tomcat遇非80时的转发问题 ronin47
    　　nginx负载后端容器是tomcat（其它容器如WAS,JBOSS暂没发现这个问题）非８０端口，遇到跳转异常问题。解决的思路是：$host:port        详细如下： 　　 该问题是最先发现的，由于之前对nginx不是特别的熟悉所以该问题是个入门级别的： ? 1 2 3 4 5
  • java-17-在一个字符串中找到第一个只出现一次的字符 bylijinnan java
    public class FirstShowOnlyOnceElement { /**Q17.在一个字符串中找到第一个只出现一次的字符。如输入abaccdeff，则输出b * 1.int[] count:count[i]表示i对应字符出现的次数 * 2.将26个英文字母映射：a-z <--> 0-25 * 3.假设全部字母都是小写 */ pu
  • mongoDB 复制集 开窍的石头 mongodb
    mongo的复制集就像mysql的主从数据库，当你往其中的主复制集(primary)写数据的时候，副复制集(secondary)会自动同步主复制集(Primary)的数据,当主复制集挂掉以后其中的一个副复制集会自动成为主复制集。提供服务器的可用性。和防止当机问题             mo
  • [宇宙与天文]宇宙时代的经济学 comsci 经济
        宇宙尺度的交通工具一般都体型巨大，造价高昂。。。。。      在宇宙中进行航行，近程采用反作用力类型的发动机，需要消耗少量矿石燃料，中远程航行要采用量子或者聚变反应堆发动机，进行超空间跳跃，要消耗大量高纯度水晶体能源      以目前地球上国家的经济发展水平来讲，
  • Git忽略文件 Cwind git
         有很多文件不必使用git管理。例如Eclipse或其他IDE生成的项目文件，编译生成的各种目标或临时文件等。使用git status时，会在Untracked files里面看到这些文件列表，在一次需要添加的文件比较多时（使用git add . / git add -u），会把这些所有的未跟踪文件添加进索引。 ==== ==== ==== 一些牢骚
  • MySQL连接数据库的必须配置 dashuaifu mysql连接数据库配置
    MySQL连接数据库的必须配置   1.driverClass：com.mysql.jdbc.Driver   2.jdbcUrl：jdbc:mysql://localhost:3306/dbname   3.user：username   4.password：password   其中1是驱动名；2是url，这里的‘dbna
  • 一生要养成的60个习惯 dcj3sjt126com 习惯
    一生要养成的60个习惯 第1篇 让你更受大家欢迎的习惯 1 守时，不准时赴约,让别人等,会失去很多机会。 如何做到： ①该起床时就起床， ②养成任何事情都提前15分钟的习惯。 ③带本可以随时阅读的书，如果早了就拿出来读读。 ④有条理，生活没条理最容易耽误时间。 ⑤提前计划：将重要和不重要的事情岔开。 ⑥今天就准备好明天要穿的衣服。 ⑦按时睡觉，这会让按时起床更容易。 2 注重
  • [介绍]Yii 是什么 dcj3sjt126com PHPyii2
    Yii 是一个高性能，基于组件的 PHP 框架，用于快速开发现代 Web 应用程序。名字 Yii （读作 易）在中文里有“极致简单与不断演变”两重含义，也可看作 Yes It Is! 的缩写。 Yii 最适合做什么？ Yii 是一个通用的 Web 编程框架，即可以用于开发各种用 PHP 构建的 Web 应用。因为基于组件的框架结构和设计精巧的缓存支持，它特别适合开发大型应
  • Linux SSH常用总结 eksliang linux sshSSHD
    转载请出自出处：http://eksliang.iteye.com/blog/2186931 一、连接到远程主机   格式： ssh name@remoteserver 例如： ssh [email protected]   二、连接到远程主机指定的端口   格式： ssh name@remoteserver -p 22 例如： ssh i
  • 快速上传头像到服务端工具类FaceUtil gundumw100 android
    快速迭代用 import java.io.DataOutputStream; import java.io.File; import java.io.FileInputStream; import java.io.FileNotFoundException; import java.io.FileOutputStream; import java.io.IOExceptio
  • jQuery入门之怎么使用 ini JavaScripthtmljqueryWebcss
    jQuery的强大我何问起（个人主页：hovertree.com）就不用多说了，那么怎么使用jQuery呢？   首先，下载jquery。下载地址：http://hovertree.com/hvtart/bjae/b8627323101a4994.htm，一个是压缩版本，一个是未压缩版本，如果在开发测试阶段，可以使用未压缩版本，实际应用一般使用压缩版本(min)。然后就在页面上引用。
  • 带filter的hbase查询优化 kane_xie 查询优化hbaseRandomRowFilter
    问题描述 hbase scan数据缓慢，server端出现LeaseException。hbase写入缓慢。   问题原因 直接原因是： hbase client端每次和regionserver交互的时候，都会在服务器端生成一个Lease,Lease的有效期由参数hbase.regionserver.lease.period确定。如果hbase scan需
  • java设计模式-单例模式 men4661273 java单例枚举反射IOC
             单例模式1，饿汉模式 //饿汉式单例类.在类初始化时，已经自行实例化 public class Singleton1 { //私有的默认构造函数 private Singleton1() {} //已经自行实例化 private static final Singleton1 singl
  • mongodb 查询某一天所有信息的3种方法，根据日期查询 qiaolevip 每天进步一点点学习永无止境mongodb纵观千象
    // mongodb的查询真让人难以琢磨，就查询单天信息，都需要花费一番功夫才行。 // 第一种方式： coll.aggregate([ {$project:{sendDate: {$substr: ['$sendTime', 0, 10]}, sendTime: 1, content:1}}, {$match:{sendDate: '2015-
  • 二维数组转换成JSON tangqi609567707 java二维数组json
    原文出处：http://blog.csdn.net/springsen/article/details/7833596 public class Demo {     public static void main(String[] args) {        String[][] blogL
  • erlang supervisor wudixiaotie erlang
    定义supervisor时，如果是监控celuesimple_one_for_one则删除children的时候就用supervisor:terminate_child (SupModuleName, ChildPid)，如果shutdown策略选择的是brutal_kill，那么supervisor会调用exit(ChildPid, kill)，这样的话如果Child的behavior是gen_
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他