Coding and Paper Letter（三十八）

當使用經典粗糙集（CRS）理論來分析空間數據時，存在一個潛在的假設，即宇宙中的物體徹底隨機分佈在空間上。可是，這種假設與空間數據的實際狀況相沖突。一般，空間異質性和空間自相關是空間數據的兩個重要特徵。這兩個特徵是提升空間數據建模精度的重要信息源。本文經過引入空間異質性和空間自相關來擴展CRS理論。這個新的擴展將空間鄰接信息添加到信息表中。經過在這些概念中添加空間鄰接信息，CRS理論中的許多基本概念，例如不可分辨性關係，等價類以及下近似和上近似，都獲得了改善。基於這些基本概念，提出了一種新的約簡方法和一種改進的規則匹配方法。新的還原在選擇特徵子集時結合了空間異質性，能夠保留全部特徵的局部判別能力，新的規則匹配方法利用空間自相關來提升基於粗糙集的分類器的分類能力。實驗結果代表，所提出的擴展顯着提升了分類或分割精度，而且空間縮減比經典縮減所需的時間少得多。粗糙集理論的空間化，能夠說空間統計算法自己就是對統計學算法的空間化。因此在方法學上是很是不錯的文章。發表於IJGIS。

2.Satellite-Based Estimation of Hourly PM2.5 Concentrations Using a Vertical-Humidity Correction Method from Himawari-AOD in Hebei/基於衛星的河北Himawari-AOD垂直溼度校訂法估算PM2.5小時濃度

空氣動力學直徑小於2.5μm（PM2.5）的顆粒物質與各類不利的健康影響有關。地面測量能夠產生高度準確的PM2.5濃度，但在討論PM2.5的時空變化時具備必定的侷限性。衛星遙感能夠得到連續和長期的覆蓋數據，許多先前的研究已經從理論分析和觀察中證實了PM2.5與AOD（氣溶膠光學深度）之間的關係。在這項研究中，使用垂直溼度校訂方法得到了從AHI（Advance Himawari Imager）獲取的具備高時空分辨率的新氣溶膠產品，以估算河北的每小時PM2.5濃度。吸溼性生長因子（fRH）適合於每一個部位（總共137個匹配部位）。同時，假設在必定比例下fRH幾乎沒有變化，肯定每一個像素的最接近的fRH以計算PM2.5濃度。與AOD和PM2.5之間的相關性相比，經過垂直溼度校訂得到的「幹」質量消光效率與地面測量的PM2.5之間的關係顯着改善。衛星估算的每小時PM2.5濃度與地面測量的PM2.5一致，具備高r和低RMSE（值，以及下午（13：00-16：00）的準確率高於早晨（09：00-12：00）。最後，分析了污染過程，分析代表PM2.5數據的高時空分辨率能夠連續直觀地反映區域污染物的特徵（如擴散和積累），這對評估區域空氣質量具備重要意義。利用葵花衛星產品改善AOD，溼度校訂，同時實現小時尺度的產品反演，當時間分辨率精細後，更能反映出區域空氣污染物的特徵，這也是將來的重點研究方向。

3.Novel Hybrid Swarm Optimized Multilayer Neural Network for Spatial Prediction of Flash Flood at Tropical Area Using Sentinel-1 SAR Imagery and Geospatial data/利用Sentinel-1 SAR圖像和地理空間數據進行熱帶地區山洪暴雨空間預測的新型混合羣優化多層神經網絡

暴雨被普遍認爲是世界上最具破壞性的天然災害之一，所以對暴發洪水易發區域的預測對公共安全和應急管理相當重要。本研究基於Sentinel-1 SAR圖像和一種新的混合機器學習技術，提出了一種新的山洪預測方法。 SAR圖像用於檢測山洪洪水淹沒區域，而新機器學習技術是螢火蟲算法（FA），Levenberg-Marquardt（LM）反向傳播和人工神經網絡（稱爲FA-LM-ANN）的雜交），用於構建預測模型。以越南西北部的Bac Ha Bao Yen（BHBY）爲例進行了案例研究。所以，使用12個輸入變量（海拔，坡度，坡向，曲率，地形溼度指數，河流功率指數，toposhade，河流密度，降雨量，歸一化差別植被指數，土壤類型和巖性）構建地理信息系統（GIS）數據庫。並隨後繪製了洪水淹沒區域的輸出。使用數據庫和FA-LM-ANN，對暴洪模型進行了培訓和驗證。模型性能經過各類性能指標進行驗證，包括分類準確率，曲線下面積，精度和召回率。而後，將產生最高性能的閃電洪水模型與基準進行比較，代表FA和LM反向傳播的組合被證實是很是有效的，而且所提出的FA-LM-ANN是用於預測閃電洪水敏感性的新的有用工具。利用不一樣算法組合成新的機器學習混合算法，而且用於暴雨洪水預測，很是不錯的研究。

4.土壤地理學的進展與展望

做爲土壤學和地理學學科的分支,土壤地理學是地球表層系統科學的重要組成部分,其核心研究內容是土壤的時空變化。土壤地理學研究對象從傳統的土體向地球表層系統視角下的關鍵帶轉變,研究方法上全面走向數字化。本文綜述了近20年來土壤地理學分支學科包括土壤發生、土壤形態、土壤分類、土壤調查與數字土壤製圖等領域的研究進展,指出其發展趨勢爲：基礎理論研究不斷拓展、調查技術正經歷變革、時空演變從過程觀測走向模擬,同時探討了土壤地理學的將來發展契機與面臨的挑戰。土壤地理學研究的綜述研究。對土壤相關的研究感興趣的能夠自行閱讀。

5.土壤圖更新中基於土壤類型面積分級的訓練樣點選擇方法

基於數據挖掘模型的土壤圖更新是一項重要的研究。數據挖掘模型構建中訓練樣點的質量不只決定其對研究區土壤-環境關係表達的充分程度，並且會對推理製圖的結果產生相當重要的影響。本文提出一種基於土壤類型面積分級的典型訓練樣點選擇方法，即依據土壤面積對土壤類型分級，並按照等級之間的比例關係基於典型點選擇訓練樣點。將方法應用於更新美國威斯康星州Raffelson流域的傳統土壤圖，並與另外兩種訓練樣點選擇方法對比，以驗證該方法的有效性。結果代表，500次重複實驗中，本研究方法與另外兩種訓練樣點選擇方法相比，可以更新傳統土壤圖的比例分別爲79.5%、71.8%和63.6%，並且其推理製圖結果更符合研究區土壤分佈的特徵。本研究所提方法是一種有效的訓練樣點選擇方法。事實上根據先驗知識對空間數據樣本進行挖掘可以有效提升空間製圖精度以及下降人力物力和採樣成本。這篇文章就是一篇很不錯的案例。

6.Decreases in global beer supply due to extreme drought and heat/氣候變化對全球大麥產量及啤酒市場的影響

CEADs推文

這篇文章CEADs推送過，這裏不詳述，值得關注的是，這是一個多模型耦合的研究。相信也是將來研究的趨勢。

相關標籤/搜索

每日一句

每一个你不满意的现在，都有一个你没有努力的曾经。