geeup 项目使用教程
1. 项目介绍
geeup 是一个用于批量上传图像和表格资产到 Google Earth Engine (GEE) 的命令行工具。该项目旨在为开源地理空间用户提供一个简单易用的工具,以便他们能够轻松地预处理图像和 shapefile,并处理所有当前在 GEE 上可能的上传格式。geeup 提供了多种功能,包括批量上传、任务状态监控、配额查询等。
2. 项目快速启动
2.1 安装
首先,确保你已经安装了 Python 3.7 或更高版本,并且已经安装了 earthengine CLI 工具并完成了认证。然后,你可以使用以下命令安装 geeup:
pip install geeup
2.2 基本使用
以下是一些基本的 geeup 命令示例:
2.2.1 查询 GEE 配额
geeup quota
2.2.2 上传图像
geeup upload --source "path/to/images" --dest "users/username/mycollection" --metadata "path/to/metadata.csv"
2.2.3 上传表格(shapefile 或 CSV)
geeup tabup --source "path/to/zipped_shapefiles_or_csv" --dest "users/username/myfolder"
2.2.4 查看任务状态
geeup tasks
3. 应用案例和最佳实践
3.1 批量上传遥感图像
假设你有一批 Landsat 8 图像需要上传到 GEE,你可以使用 geeup 工具轻松完成这一任务。首先,确保所有图像文件位于同一个目录中,然后运行以下命令:
geeup upload --source "path/to/landsat8_images" --dest "users/username/landsat8_collection" --metadata "path/to/metadata.csv"
3.2 上传 shapefile 进行地理分析
如果你有一些 shapefile 文件需要上传到 GEE 进行地理分析,可以使用以下命令:
geeup tabup --source "path/to/zipped_shapefiles" --dest "users/username/shapefiles_folder"
3.3 监控上传任务
在批量上传过程中,监控任务状态是非常重要的。你可以使用以下命令查看当前所有任务的状态:
geeup tasks
4. 典型生态项目
4.1 Google Earth Engine (GEE)
geeup 是基于 Google Earth Engine (GEE) 的生态系统开发的工具。GEE 是一个强大的地理空间分析平台,提供了大量的遥感数据和分析工具。geeup 使得用户能够更方便地将本地数据上传到 GEE 进行进一步分析。
4.2 GDAL
geeup 依赖于 GDAL 库来处理地理空间数据。GDAL 是一个开源的地理空间数据处理库,支持多种格式的地理数据读写。
4.3 geeadd
geeadd 是另一个与 GEE 相关的开源项目,提供了一些额外的功能,如配额估计、任务监控和取消等。geeup 借鉴了 geeadd 的一些功能,并在此基础上进行了扩展。
通过以上教程,你应该能够快速上手使用 geeup 工具,并将其应用于实际的地理空间数据处理任务中。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00