資源整理。python
1.近期高光譜遙感的論文和開源代碼。git
LandcoverClassification_BaselineEvaluation GitHub基於高光譜數據對土地覆被進行分類的代碼。github
Matlab code for hyperspectral image classification based on JSaCR GitHub發表於IEEE TGRS Letter上論文的源碼。算法
Multiview Marginal Discriminant Projection for Hyperspectral Images Classification Introduction GitHubNCIG 2018的論文,高光譜影像分類。spring
Supervised classification of hyperspectral image(HSI) GitHub高光譜影像的監督分類器。網絡
Deep learning library for hyperspectral image classification GitHubPython的開源庫hyspeclib,基於高光譜影像分類的深度學習庫。框架
ResNet-for-hyperspectral-image-classification GitHub基於殘差神經網絡的高光譜分類代碼。iview
Undergraduate thesis work on hyperspectral image classification GitHub研究高光譜影像的畢業論文。工具
hyperspectral-classification-with-svm GitHub基於SVM的高光譜影像分類。該倉庫還提供了與最小二乘法的對比。學習
Hyperspectral-classification-CNN GitHub基於CNN的高光譜分類。
Hyperspectral-Imagery-Classification GitHub發表於IEEE Remote Sensing Letter的關於高光譜影像分類的文章的代碼。
2018 IEEE GRSS Data Fusion Contest GitHubIEEE的數據融合競賽。主要提供高光譜、LiDAR和高分辨率RGB影像。
Hyperspectral-Image-Classification GitHub高光譜影像分類的代碼(Tensorflow)。
hyperspectral_data_classification GitHub高光譜影像分類開源代碼。
HSI_Classification GitHub高光譜影像的分類代碼。方法包括knn, svm, 1D-CNN, 2D-CNN, 3D-CNN, DPPN, DCPN。
Hyperspectral classification using DNN improved by attention and inception structure GitHub使用DNN改進的高光譜分類開源代碼。
spectral GitHubPython用於高光譜影像處理的模塊spectral。
Indian_pines_classification GitHub一個使用CNN與keras的簡單分類器用於印度松樹高光譜圖像分類。
Dimensionality reduction and classification on Hyperspectral Image Using Python GitHub基於Python的高光譜圖像降維與分類。
Matlab Hyperspectral Image Classification ToolboxMatlab的高光譜影像分類工具箱。
2.激光雷達與高光譜在森林遙感中應用。
DeepForest GitHub利用激光雷達和高光譜數據與卷積神經網絡進行樹分割和分類。
3.R語言包compareDF。用於比較兩個數據框。
4.基於PyQGIS的加權Voronoi算法實現。這個也是比較有意思的一個算法。後面能夠來考慮介紹下這個內容。
5.R語言包cartogram,R語言中變形地圖的包。後面會針對不一樣軟件實現變形地圖作些介紹。
6.R語言包spdplyr。R語言數據清洗與重構神器dplyr的空間拓展。
7.R語言與ArcGIS的橋接庫。也先挖坑吧,這個也是想介紹的內容之一。
8.R語言包ggspatial。ggplot2對空間要素的擴展。
9.基於SportUV數據對NBA球員的分析代碼。
10.一個NASA開放數據的簡單Python接口pyNASA。
11.R語言包rnoaa,能夠鏈接許多NOAA數據的API接口。
12.Markdown中繪製流程圖的兩種方式。
13.R語言包velox。R語言中快速操做柵格的包,運行速度快於raster等。
1.Inference in multiscale geographically weighted regression/多尺度GWR的推論
最近的一篇論文(Fotheringham et al.2017)經過容許GWR中的帶寬或平滑因子爲模型中的每一個協變量分別導出,顯着擴展了衆所周知的地理加權迴歸(GWR)框架—— 一個稱爲多尺度GWR的框架(MGWR)。然而,MGWR框架的一個限制是,到目前爲止,沒有關於局部參數估計的推斷是可能的。本文經過將GWR從新設計爲廣義加法模型(GAM)來解決此限制,將此框架擴展到MGWR,而後導出MGWR中本地參數的標準偏差。
多層次(或方差份量)模型已應用於區域科學,流行病學和polimetrics的許多領域。它們最經常使用於模擬政策制度中的非平穩性處理,這是一種空間過程異質性。具備空間相關份量的多級模型愈來愈多地用於模擬空間異質性和空間依賴性的存在。在本文中,開發了用於空間相關多層次模型的通用Gibbs採樣器,並在癌症篩查模型中檢查其性質。
這篇文章使用了波特蘭 - 希爾斯伯勒 - 溫哥華(美國)的夏季和冬季NO2空間密集觀測來建模,而且使用隨機森林(一種集合數據學習技術)研究NO2與LULC的空間變化。隨機森林模型與BenMAP一塊兒進一步用於更好地理解LULC,環境NO2和呼吸系統健康之間的關係。還使用靈敏度分析研究了土地利用改變對環境NO2的影響,而且如何影響呼吸健康。結果顯示與道路和樹冠區相關的NO2可能影響4-12歲兒童哮喘急性發做的年發病率。
這項研究使用洗滌和稱重方法來量化17種城市植物物種(包括4種灌木和13種樹木)葉片表面和葉子蠟質內水溶性離子和不溶性PM的積累。沉積的PM以三種尺寸分數肯定:細(0.2-2.5μm),粗(2.5-10μm)和大(>10μm)。在各類物種中檢測到PM積累的顯着差別。側柏(Platycladus orientalis)和華山鬆(Pinus armandi)的葉子是捕獲PM的最有效的。在整個物種中,65%和35%的PM平均分別沉積在葉片表面和蠟質中。