【文件属性】：
文件名称：urban_emissions:使用卫星和街道图像预测城市排放
文件大小：334.24MB
文件格式：ZIP
更新时间：2021-03-10 11:11:40
JupyterNotebook
使用卫星和街道图像预测城市排放
描述
该项目通过使用卷积神经网络（CNN）来研究城市地区臭氧浓度水平与其物理特征之间的关系。 我们训练了两种模型，其中一种接受过卫星图像训练，以捕获更高层次的特征（例如位置的地理位置），另一种进行过街道图像训练，以学习基础特征（例如，机动车活动）。 然后将这些特征连接起来，形成一个共享的表示形式，据此可以预测该位置的臭氧水平（以十亿分之一为单位）。
代码结构
02_Scripts/目录包含用于刮擦和预处理臭氧浓度数据的代码，该数据来自 。 它还包含一个01_Data_Exploration目录，该目录包含用于可视化数据集元素（如特定数据点和具有臭氧读数的位置的地理分布）的代码。
在“图像”中，我们找到了脚本，用于从Google Earth Engine中检索卫星图像（ imagery/getting_imagery_no_mask.py ）和从Google
【文件预览】：
urban_emissions-main
----.gitignore(351B)
----build_dataset.py(9KB)
----01_Data()
--------02_Sat_Images()
--------03_Processed_data()
--------01_Carbon_emissions()
--------ozone_splits.csv(245KB)
--------04_masked_images()
----visualize_NN.py(2KB)
----LICENSE(1KB)
----imagery()
--------getting_imagery_no_mask.py(6KB)
--------get_street_imagery_dev_test_set.py(6KB)
--------get_street_imagery_train_set.py(8KB)
----03_Trained_Models()
--------SatCNN()
--------NN()
----utils.py(4KB)
----02_Scripts()
--------05_AirNow_world_sites_annual_data_scraping(5KB)
--------06_AirNow_consolidate_and_clean_sites.py(9KB)
--------01_Data_Exploration()
--------04_AirNow_world_cities_annual_data_scraping.py(4KB)
--------07_AirNow_locations_add_zipcodes.py(6KB)
--------desktop.ini(132B)
--------02_Generate_splits()
----README.md(3KB)
----search_hyperparams.py(3KB)
----__pycache__()
--------utils.cpython-36.pyc(4KB)
--------build_dataset.cpython-36.pyc(6KB)
--------evaluate.cpython-36.pyc(4KB)
----extract_features.py(10KB)
----train.ipynb(151KB)
----evaluate.py(6KB)
----train_benchmark.ipynb(5KB)
----Models()
--------CNNs.py(4KB)
--------NNs.py(643B)
--------__pycache__()
--------ResNet_trainable_layers(3KB)
--------data_loaders.py(13KB)
----train.py(9KB)