Tianyao' s BLOG

json文件GCJ02向WGS84坐标系转换的小工具

空间插值问题可以这样描述：在若干已知位置 $x_1, \ldots, x_n$ 观测到值 $y_1, \ldots, y_n$，如何估计任意位置 $x^*$ 处的值？地理学界经典的答案是克里金（Kriging），机器学习界的答案是高斯过程（Gaussian Process）。这两个名字来自不同学科，但数学上是同一个东西。本文从贝叶斯线性回归出发，推导高斯过程回归的核心公式，并说明它为什么就是克里金的概率版本。

2022ESRI大赛参赛作品（一等奖）。

上一篇文章介绍了核密度分析，用连续的密度场描述点分布。本文转向离散视角：如何把点聚成有意义的簇。K-Means 是最常用的聚类算法，但它假设簇是凸的、大小相近的，且需要预先指定簇数，这在空间数据（POI 分布、犯罪热点、轨迹点群）中常常不成立。本文介绍密度聚类家族：DBSCAN、OPTICS 与 HDBSCAN，它们不预设簇数、能发现任意形状的簇，是空间聚类的标准工具。

VS2019-AnalysisService挖掘SQLServer2012数据库时，无法连接本地服务器的问题

本文简单介绍了GIS空间分析/地统计中极其基础，但非常重要的算法：核密度分析

记录一下第一次使用hexo框架的摸索过程