SciDrawPlateforme d'illustration scientifique propulsée par l'IA pour les chercheurs et les doctorants. Créez des graphiques TOC prêts pour la publication, des couvertures de revues, des posters de conférence et des figures de recherche en quelques minutes. Aucune compétence en design requise.
![```python
import os
import re
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
import torch
from torch.utils.data import Dataset, DataLoader
from tqdm import tqdm
import joblib
import matplotlib.pyplot as plt
# =========================
# Configuration
# =========================
class Config:
# ✅ Nouvelle version : Excel des points d'accumulation d'eau (ajout de la pluviométrie cumulée)
points_xlsx = r'F:\实验数据\CA_积水点融合\深度置信网络\样本输出_final\积水点_整合_step3_研究区内_新增累计降雨_719-723.xlsx'
# Résultats de la simulation CA et données géographiques
ca_data_dir = r'F:\实验数据\CA_积水点融合\深度置信网络\CA模拟结果'
geo_data_dir = r'F:\实验数据\CA_积水点融合\深度置信网络\地理数据' # building_density.npy, DEM.npy, road_density.npy, Slope.npy, Landuse.npy
# Patch & Échantillonnage
patch_size = 64
ca_dry_thr_cm = 1.0 # Seuil de profondeur d'eau pour les échantillons négatifs : < 1cm
tile_size = 200 # Taille de la tuile d'échantillonnage spatial uniforme pour les échantillons négatifs (unité : cellule de grille)
# Types d'encodage one-hot de l'occupation du sol (peut être ajusté en fonction de vos données réelles)
landuse_types = [7, 8, 10, 50, 60, 80, 100]
# Lié à l'entraînement
output_dir = r'F:\实验数据\CA_积水点融合\深度置信网络\DBN训练输出_64patch_mu'
```](/_next/image?url=https%3A%2F%2Fpub-8c0ddfa5c0454d40822bc9944fe6f303.r2.dev%2Fai-drawings%2FBFJVaELXylgOOK0WatKO6tw6EfizLTx7%2F8a5d501e-e43d-4dfe-b168-5609ff4c3ef1%2F03d366b1-042e-4669-8cfb-aa5952cc4cb1.png&w=3840&q=75)
