Coding and Paper Letter(四十三)

因爲最近比較忙,一直沒有再作資源整理,上篇博客發佈後,有小夥伴來詢問這個系列的更新,因而今天就來回歸吧。python

1 Coding:

1.一套地理空間軟件工具與應用,用於區域到全球尺度的人類與天然系統耦合研究的社會經濟與環境分析。密歇根州立大學開發的。從直觀感覺跟SDGs有相關性,不少模型集成了InVEST的模塊。後面有空一塊兒來學習這個,而後介紹,與InVEST比較。git

telecouping toolboxgithub

軟件官網算法

2.Hugo的sam主題,一個很是簡單粗暴簡約的主題。數組

hugo theme sam網絡

3.2018年初的世界銀行的高壓電網製圖項目代碼。從倉庫名字來看,是利用機器學習生成高壓電網的分佈圖。世界銀行以三個國家爲例,但願推行一套可用於全世界的方法,這是一個很是不錯的案例研究。app

ml hv grid pub框架

在線報告機器學習

4.Manning出版社用R作深度學習的附錄視頻和練習。工具

deep learning with r companion

5.不肯定性可視化的一些例子。

uncertainty examples

6.一系列Jupyter Notebook,使用Scikit-Learn和TensorFlow引導您完成python中機器學習和深度學習的基礎知識。

handson ml

7.高光譜異常檢測算法碩士論文。

Master thesis

8.關於R和數據可視化的中間研討會的倉庫。

r intermediate workshop

9.Google AI研究。

google research

10.用Python和一點點R作數據分析。

Data Analysis

11.OpenEdge是一種開放式邊緣計算框架,可將雲計算,數據和服務無縫擴展到邊緣設備。

openedge

12.R語言包gdalcubes,用於處理對地觀測影像集合的集合處理成數據立方體。

gdalcubes

13.gdalcubes,用於將對地觀測(EO)影像集合表示爲數據立方體(或多維數組)。

gdalcubes

14.該項目包含用於構建ESPA RPMS的RPM Spec文件。ESPA目前是提供Landsat下載服務的。

espa rpms

15.開放地理處理教程。

open geo tutorial

16.Hugo主題xmin,謝益輝大大寫的主題。也是簡約型的。

hugo xmin

17.雲優化Geotif瓦片。Mapbox的開源項目。

COGDumper

18.統計機器翻譯數據集。

SMTData

19.災害影像處理。基於Digital Globe和NOAA等多種數據集。該項目的目標是利用颶風后衛星影像數據來訓練物體探測模型,以便在颶風事後自動檢測衛星影像形成的損害,從而促進應急管理人員的損害評估過程。

disaster image processing

20.pangeo等資源。Pangeo是一項社區活動,用於使用Python的地球科學中的大數據。

stac intake landsat

21.R語言包exactextractr,提供快速且準確的柵格分區統計結果。

exactextractr

22.提供快速準確柵格分區統計算法。

exactextract

2 Paper:

1.Modeling Schistosoma japonicum Infection under Pure Specification Bias: Impact of Environmental Drivers of Infection/在純規範誤差下模擬日本血吸蟲感染:感染的環境因素的影響

血吸蟲病(SCH)空間模型研究的不肯定性與高危人羣的可靠識別有關。當生態或羣體層面的分析(例如特定行政級別的空間聚合)針對我的層面的推斷進行時,就會出現生態謬誤的。這可能致使對高危人羣的不可靠識別,從而致使藥物分配策略中的謬誤及其成本效益。生態謬誤的一種特定形式是純粹的規範偏見。本研究旨在量化其對用做SCH感染驅動因子的各類環境協變量的參數估計的影響。這是經過(i)使用空間卷積模型來消除純規格誤差,(ii)估計組和個體水平協變量回歸參數,以及(iii)量化參數估計與來自卷積和生態模型的預測疾病結果之間的差別來完成的。咱們使用組級健康結果數據模擬了血吸蟲的流行,並將城市級環境數據做爲個體暴露的表明。咱們包括環境數據,如水和植被指數,與水體的距離,日夜地表溫度和海拔。咱們使用貝葉斯統計估計並比較了卷積和生態模型參數估計。來自卷積和生態模型的變量參數估計在距水體最近距離(NDWB)0.03和歸一化差別水指數(NDWI)0.28之間不一樣。除NDWB外,卷積模型在大多數參數估計中表現出較低的不肯定性。夜間地表溫度(0.23)和海拔(0.13)的不肯定性差別很大。兩個模型的預測值和不肯定性之間沒有顯着差別。所提出的卷積模型可以經過呈現較少的不肯定參數估計來校訂純規範誤差。它顯示了平均患病率值和陽性感染者的良好預測性能。須要進一步研究以更好地瞭解分析的空間範圍和支持,以可靠地探索環境變量的做用。事實上講述的就是MAUP效應(分區和尺度效應)形成的空間統計不肯定性的一個探索性研究。尤爲在健康地理上面會有較大誤差。這方面是個頗有意思的研究點。

2.Linking potential heat source and sink to urban heat island: Heterogeneous effects of landscape pattern on land surface temperature/鏈接人爲熱源匯與城市熱島:景觀格局的異質性對地表溫度的影響

快速城市化對城市熱島(UHI)的發展作出了重大貢獻。規範景觀構成和配置將有助於減輕特大城市的UHI。以中國深圳爲案例研究區,根據影響地表溫度(LST)的天然和社會經濟因素,肯定了熱源和熱匯,肯定了強弱源以及強弱匯。所以,熱源和散熱片的潛在熱貢獻是不一樣的。而後,利用半參數地理加權迴歸(SGWR)模型檢驗了景觀格局對LST的異質效應。結果代表,景觀組成對熱環境的影響大於配置。對於強大的來源,斑塊的百分比對LST有積極影響。另外,當用一些散熱斑塊鑲嵌時,即便強源的分散程度的微小改善也有助於減輕UHI。對於弱源,斑塊的百分比和密度對LST有積極影響。對於強吸取,斑塊的百分比,密度和彙集程度對LST具備負面影響。邊緣密度和斑塊形狀複雜性的影響在空間上隨着強水槽的碎裂而變化。相似地,弱匯的影響主要經過斑塊的百分比,密度和形狀複雜性的特徵來實現。景觀格局分析與LST的研究,主要是討論了源匯的概念。這方面的文章最近廣州大學吳志峯老師也有幾篇,能夠一塊兒下載比較。

3.State-of-the-art: DTM generation using airborne LIDAR data/最早進的技術:使用機載激光雷達數據生成DTM

數字地形模型(DTM)生成是機載激光雷達數據的基本應用。在過去的幾十年中,已經進行了大量研究以呈現和實驗各類DTM生成方法。雖然取得了很大進展,但DTM生成,尤爲是特定地形狀況下的DTM生成仍然具備挑戰性。本研究介紹了DTM生成的通常原則,並回顧了各類主流DTM生成方法。根據過濾策略,這些方法分爲六類:基於表面的調整;基於形態學的濾波,基於三角網不規則網絡(TIN)的細化,分割和分類,統計分析和多尺度比較。簡要介紹了每一個類別的典型方法,並相應地討論了每一個類別的優勢和侷限性。儘管有不一樣類別的過濾策略,但這些DTM生成方法在急劇變化的地形,具備密集的非地面特徵和複雜景觀的區域中實施時存在相似的困難。本文認爲,多源融合和不一樣方法的融合能夠成爲提升DTM生成性能的有效途徑。激光雷達主動遙感成爲了當前3維建模的一大關鍵技術。

相關文章
相關標籤/搜索