Coding and Paper Letter（十二）

資源整理。

1 Coding：

1.R語言生成的ppt，GeoStat2018會議報告，時空模式分析的報告。

geostat18

2.歐空局哨兵和SMOS的工具集，關於對地觀測數據的處理與分析的docker容器。

docker esa snap

3.R語言包ggmapstyles，一個R包能夠切換各類不一樣風格的地圖。

ggmapstyles

4.地理空間的docker鏡像而且打包成AWS（亞馬遜雲服務器）的linux系統。

geolamda

5.R語言包ggrastr，ggplot2的拓展包，專門針對柵格幾何圖形。

ggrastr

6.一系列關於使用Google Earth Engine(GEE)的工具（javascript）。

geetools code editor

7.R語言教程展現如何構建一個簡單的ABM模型。

cultural evolution ABM tutorial

8.基於Python API的Google Earth Engine(GEE)的最佳可獲取像素組合。

geebap

9.R語言包caiman，冠層照片分析。

caiman

10.R語言包imager，專門用作圖像處理的R包。

imager

11.基於neo4j的推薦引擎模塊。

neo4j reco

12.高性能，易用且可擴展的機器學習包（C ++，Python，R）。

xlearn

13.將光線應用到rgl的絕對座標上。

montereybayshader

14.將shapefile轉換爲json文件。

shapefile js

15.基於R的貝葉斯分析模板。

bayesian template

16.R語言包autoxgboost，自動調整和安裝xgboost的R包。

autoxgboost

2 Paper:

1.Air Quality Monitoring Network Design Optimisation for Robust Land Use Regression Models/魯棒土地利用迴歸模型的空氣質量監測網絡優化設計

爲了解空氣污染對健康的影響，一個很是廣泛的流行病學研究是可用的暴露數據質量。許多流行病學研究依賴於經驗建模技術，例如土地利用迴歸（LUR）來評估環境空氣暴露。之前的研究已經以臨時的方式定位監測站，有利於它們在交通「熱點」中的位置，或者在主觀上被認爲對土地使用和人口感興趣的區域。然而，監測站的臨時安置可能致使長期暴露分析的不明智決定。本文介紹了一種識別空氣質量監測站位置的系統方法。它結合了LUR的靈活性和將權重放在優先區域（如人口密集區域）的能力，以最小化空間平均預測偏差。在研究區域測試方法已經代表它致使平均預測偏差的顯着降低（沒有空間權重的狀況下爲99.87％;在研究區域中具備空間權重的99.94％）。這項工做的結果能夠指導網站的選擇，同時擴展或建立空氣質量監測網絡，以實現穩健的LUR估算，同時將預測偏差降至最低。土地利用迴歸模型是一個比較經常使用的環境大氣污染監測建模模型。這篇文章不單單是從模型角度對模型改進，還針對空氣質量監測網絡作了優化。

2.Partitioning evapotranspiration using an optimized satellite-based ET model across biomes/使用優化的基於衛星的ET模型在生物羣系中劃分蒸散

蒸散（ET）的劃分是陸地水平衡和全球水循環的關鍵因素，瞭解陸地生物羣落的劃分以及ET劃分與潛在影響因素之間的關係對於預測將來的生態系統反饋相當重要。基於優化的Priestly-Taylor噴射推動實驗室模型，咱們將ET分爲三個組成部分蒸騰（T），冠層攔截蒸發（EI）和土壤蒸發（ES）。咱們發現EI的成分是顯着的，不一樣生物羣落中EI與降水的比率在0.02到0.29之間。 T / ET比率範圍爲0.29至0.72，生物羣落之間存在明顯差別，且比率一般低於先前使用同位素方法的研究。 （T + EI）/ ET比率被限制在從0.57到0.86的相對窄的範圍內。隨着年降水量的增長，T / ET值呈明顯降低趨勢，但T / ET與年葉面積指數之間無顯着相關性。蒸散是生態系統中很關鍵的一個組成，近些年來不少研究都是針對ET的。這個文章將ET更好地與生物羣落結合在一塊兒，值得一度，發表在農林科學top期刊Agricultural and Forest Meteorology上。