Coding and Paper Letter（二十一）

地理加權迴歸（GWR）是一種普遍使用的工具，用於探索地理空間上的過程的空間異質性。 GWR計算特定於位置的參數估計，這使得其校準過程計算密集。當前開源GWR軟件能夠處理的最大數據點數在標準桌面上大約爲15,000個觀測值。在大數據時代，這嚴重限制了GWR的使用。爲了克服這一限制，咱們提出了一種基於Python和消息傳遞接口（MPI）的高度可擴展的開源FastGWR實現，能夠擴展到數百萬次觀察。 FastGWR優化了內存使用以及並行化，從而顯着提高了性能。爲了說明FastGWR的性能，從洛杉磯市的Zillow數據集中，對大約130萬個單戶住宅物業進行了特徵房價模型的校準，這是首次將GWR應用於此大小的數據集。結果代表，隨着高性能計算（HPC）環境中核心數量的增長，FastGWR呈線性擴展。它還優於目前可用的開源GWR軟件包，在標準桌面上具備極快的速度下降速度 - 快達數千倍。頗有幸，筆者在5月份北京的空間精度2018會議上見過做者的彙報，當時的題目是比較不一樣GWR的結果是否有差別性？同時也簡要介紹了他開發的FastGWR軟件。如今已經在IJGIS發表了，GWR算法在大數據上的擴展。以前筆者在暑期學校的時候有幸聽過Fothingham的彙報，他也曾說過原來的GWR運算規模大約在8w條左右數據。所以這個FastGWR的出現將會爲GWR領域的研究帶來更多的活力與生機。

2.Using MAIAC AOD to verify the PM2.5 spatial patterns of a land use regression model/使用MAIAC AOD驗證土地利用迴歸模型的PM2.5空間模式

PM2.5的準確空間信息對於空氣污染控制和流行病學研究相當重要。土地利用迴歸（LUR）模型已被普遍用於預測地面PM2.5的空間分佈。然而，因爲有限的地面觀測，LUR模型的預測PM2.5空間模式還沒有獲得充分研究。增長的氣溶膠光學厚度（AOD）產品多是大面積空間連續觀測的近似值。本研究創建了北京季節1 km×1 km MAIAC AOD與觀測地PM2.5之間的關係，並根據AOD預測了季節性PM2.5地圖。還開發了季節性LUR模型，AOD和LUR模型均經過保持監測站點進行驗證。最後，經過上述AOD PM2.5圖，全面驗證了LUR模型的空間模式。結果代表，單獨AOD能夠直接用於預測地面PM2.5濃度在季節水平的空間分佈，與LUR模型的能力至關。源自這兩種方法的PM2.5地圖在交通道路附近顯示出類似的空間趨勢和協調變化。在土地利用特徵變化很快的城鄉過渡地區，能夠觀察到很大的差別。變量和緩衝區大小選擇對於LUR模型相當重要，由於它們主導了預測PM2.5的空間模式。將AOD歸入LUR模型能夠提升春季的模型性能，並在測試過程當中提供更可靠的結果。LUR模型和AOD產品的對比研究，PM2.5的製圖是當前大氣遙感的一大研究重點，LUR和AOD的研究是比較廣泛的兩種方式。這個比較仍是比較有意思的。

3.Supervised Classification of Power Lines from Airborne LiDAR Data in Urban Areas/基於機載激光雷達數據的城市電力線監督分類

使用機載LiDAR（光探測和測距）數據自動提取電力線一直是電力管理最重要的主題之一。然而，這對於複雜的城市地區來講很是具備挑戰性，由於電力線靠近建築物和樹木。在本文中，咱們提出了一個新的，半自動化和通用的框架，包括四個步驟：（i）電力線候選點過濾，（ii）局部鄰域選擇，（iii）空間結構特徵提取，以及（iv）SVM分類。咱們介紹了候選點過濾和多尺度斜圓柱鄰域的電力線走廊方向，用於空間結構特徵提取。在詳細評估涉及七個尺度和四種類型的局部鄰域選擇，26個結構特徵和兩個數據集，咱們證實了使用多尺度斜圓柱鄰域的單個3D點顯着改善了電力線分類。實驗代表，電力線分類的精度，召回率和質量率分別超過98％，98％和97％。此外展現了該方法能夠減小整個處理時間，同時實現高精度。激光雷達遙感的一個新應用，電力線規劃。激光雷達遙感近年來的興起，使得遙感方面有了不少新的應用。

4.URBAN-i: From urban scenes to mapping slums, transport modes, and pedestrians in cities using deep learning and computer vision/URBAN-i：從城市場景到城市中的貧民窟，交通方式和行人，使用深度學習和計算機視覺

在跨越不一樣科學領域的深度學習和計算機視覺的迅速發展中，在城市發展方面，深度學習和計算機視覺應用仍然侷限於智能城市和自動駕駛汽車的概念。實際上，在欠發達國家的城市和城市地區出現了很大的知識差距，其中非正規性的混亂是主導方案。深度學習和人工智能（AI）如何解決非正規性的複雜性，以推動城市建模和咱們對城市的理解？在人工智能和計算機視覺的範例中，能夠提出關於北方和南方城市將來的各類問題和爭論。在本文中，咱們介紹了一種依靠深度學習和計算機視覺的多用途現實 - 動態城市建模的新方法，使用深度卷積神經網絡（CNN），從空中和街景圖像中感知和檢測城市場景中的非正規性和貧民窟。除了檢測行人和運輸模式。該模型已經在全球城市的城市場景圖像上進行了培訓。該模型很好地驗證了計劃區域和非計劃區域之間的各類細微差異，包括非正規區域和貧民區。咱們嘗試推動城市建模，以更好地瞭解城市發展的動態。咱們還旨在舉例說明人工智能在城市中的重要影響，超越了主流中智能城市的討論和感知。 URBAN-i模型的算法在Python編程中徹底編碼，使用預先訓練的深度學習模型，用做地球各個角落的地圖和城市建模工具，包括非正式住區和貧民窟區域。計算機視覺和深度學習在城市規劃中的應用。

5.Nighttime light images reveal spatial-temporal dynamics of global anthropogenic resources accumulation above ground/夜間光圖像揭示了地上全球人爲資源積累的時空動態

城市化和工業化在很大程度上表明瞭從生物圈和岩石圈到人類圈的材料轉化過程。所以，瞭解這種人爲物質庫存積累的模式是評估和維持人類如何改變地球周圍資源的生物物理運動的基本先決條件。然而，因爲較高空間分辨率的數據缺口，之前關於這些人爲種羣的研究每每侷限於全球和國家尺度。在此基礎上，本研究基於一套新的國家材料庫存數據和夜間光圖像，開發了一個迴歸模型，用於繪製1 km×1 km水平的三種基本建築材料（鋼，混凝土和鋁）的全球人爲庫存。 1992年至2008年，本研究發現了一種分佈不均勻的模式，其中超過40％來自三條帶：從英格蘭穿越海峽到西歐;從中國東部沿海到韓國和日本;從美國東海岸的五大湖到佛羅里達州。較小空間尺度的全球人爲種羣的時空動態反映了天然地理，建築和建築規範以及社會經濟發展的綜合影響。本研究的結果提供了有用的數據，能夠爲區域和城市規模的政策制定者和行業提供資源效率，廢物管理，城市採礦，空間規劃和環境可持續性方面的支持。夜間燈光用於產業生態方面的研究，長時間序列的產業生態學人爲資源積累的高分辨率製圖。

6.Estimating the impacts of urban form on CO2 emission efficiency in the Pearl River Delta, China/估算城市形態對珠江三角洲二氧化碳排放效率的影響

提升二氧化碳排放效率對實現節能減排目標，實現低碳發展具備重要意義。雖然人們愈來愈認識到城市形態能夠顯着影響城市地區的二氧化碳排放，但不多有研究可以量化城市形態對二氧化碳排放效率的影響。所以，本文的目的是經過實證量化城市形態如何影響二氧化碳排放效率來爲現有文獻作出貢獻。本研究中的二氧化碳排放效率以二氧化碳經濟效率（CEE）和二氧化碳社會效率（CSE）表示。首先，本研究利用1990 - 2013年期間當地重要的社會經濟變量，計算了珠江三角洲（廣州，深圳，珠海，佛山，江門，肇慶，惠州，東莞和中山）九個城市的相關數據。而後，選擇了七個景觀指標，以便使用遙感數據量化城市形態的三個維度（擴展，不規則和緊湊）。最後，利用面板數據模型來估計城市形態與二氧化碳排放效率之間的關聯。本研究發現城市擴張與CEE和CSE之間存在負相關關係，這一發現代表城市增加會下降二氧化碳的經濟效率。此外，發現城市形式的不規則性增長會下降CEE和CSE-更大程度的不規則性，換句話說，致使更低的二氧化碳排放效率。相反，城市緊湊性被肯定爲對CEE和CSE都有顯着的積極影響，這代表城市的緊湊發展實際上能夠幫助提升二氧化碳排放效率。這項研究的結果對於建設中國的低碳城市具備重要意義。一直關注城市形態對於二氧化碳排放的影響，這篇文章是一篇很不錯的參考論文。

7.Estimation of ground level particulate matter concentrations through the synergistic use of satellite observations and process-based models over South Korea/經過在韓國協同使用衛星觀測和基於過程的模型估算地面顆粒物濃度

長時間暴露於空氣動力學直徑10μm（PM10）和2.5μm（PM2.5）的顆粒物質（PM）對人體健康具備負面影響。雖然在全球範圍內進行了基於站點的PM監測，但在高空間分辨率下爲大面積區域提供空間連續的PM信息仍然具備挑戰性。衛星衍生的氣溶膠信息，如氣溶膠光學深度（AOD），常常被用來研究地面PM濃度。在這項研究中，咱們將多個衛星衍生產品（包括AOD）與基於模型的氣象參數（即露點溫度，風速，表面壓力，行星邊界層高度和相對溼度）和排放參數（即NO，NH3， SO2，POA和HCHO）估算韓國的表面PM濃度。隨機森林（RF）機器學習用於估算PM10和PM2.5濃度，2015-2016共有32個參數。結果代表，基於RF的模型產生了良好的性能，致使R10值分別爲0.78和0.73，PMMS和PM2.5的RMSE分別爲17.08μg/m³和8.25μg/m³。特別是，所提出的模型成功地估計了高PM濃度。 AOD被認爲是估算地面PM濃度最重要的因素，其次是風速，太陽輻射和露點溫度。使用來自對地靜止衛星傳感器（即GOCI）的氣溶膠信息致使估算PM濃度的精度略高於來自極軌道傳感器系統（即MODIS）的精度。所提出的RF模型產生了更好的性能，特別是在改進低估基於過程的模型（即GEOS-Chem和CMAQ）方面。融合過程模型與衛星影像的PM污染物製圖，多源數據融合用在PM製圖上的工做，發表在歐洲地學旗艦刊物。

8.Transferability and Upscaling of Fuzzy Classification for Shoreline Change over 30 Years/30年來海岸線變化模糊分類的可轉移性和提高

地方當局要求提供有關土地使用決策的海岸線變動信息。監測海岸線變化對於更新沿海規劃和管理中使用的海岸線地圖很是有用。經過分析一段時間內的數據，能夠肯定海岸變化的位置和速度。所以，咱們能夠防止高風險區域的任何發展。這項研究調查了海岸線變化的模糊分類的可轉移性，並向更大的區域進行了升級。使用六個子區域，使用了三種策略：（i）基於參考子集的主要土地利用/覆蓋優化兩個FCM（模糊c-均值）參數，（ii）採用類別平均值和由參考子集的分類以在目標子集上執行FCM，以及（iii）估計目標子集的模糊性的最佳水平。這種方法應用於一系列圖像，以肯定印度尼西亞中爪哇省北部一段三十年來海岸線位置發生嚴重變化的海岸線位置。經過覆蓋海岸線圖像估算海岸線變化的程度。突出顯示海岸線位置以推斷沿海岸的侵蝕和吸積區域，並計算海岸線的變化。從實驗結果來看，咱們得到了分析的7個土地利用/覆蓋等級的m（模糊度）值在1.3到1.9的範圍內。此外，對於本研究中使用的十個圖像，咱們得到了最優m = 1.8。對於相似的沿海特徵，能夠採用該m值，而且土地利用/覆蓋與兩個FCM參數之間的關係能夠縮短優化參數所需的時間。所提出的用於將分類方法放大並轉移到更大或不一樣區域的方法是有但願的，顯示κ（kappa）值> 0.80。結果還顯示參考和目標子集之間的水隸屬度值的一致性由κ> 0.82表示。在研究期間，該地區表現出侵蝕和吸積。經過水的變化代表侵蝕，而且觀察到從非水到海岸線的變化大約78平方千米。增長的緣由是非水的變化以及從水變爲海岸線的變化爲19.5平方千米。研究區東段的侵蝕嚴重，而中段經過填海活動得到土地。這些侵蝕和吸積過程在海岸線的變化中發揮了積極做用。咱們得出結論，該方法適用於當前的研究領域。能夠採用土地利用/覆蓋等級與本研究中產生的FCM參數值之間的關係。海岸線的遙感提取的研究，基於模糊分類的方法。近年來海平面上升一直是全球變暖關鍵的關注問題，海岸線的遙感提取能夠快速幫助這方面的深刻研究。

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。