Coding and Paper Letter(三十八)
資源整理。
1 Coding:
1.Python庫gee subset,用於Google Earth Engine裁切的庫。
2.適用於WebGL應用程式的最快和最小的JavaScript多邊形三角剖分庫。
3.用Google Earth Engine python api探索雷達溼雪地圖。
4.用於GluonCV模型的PyTorch API。
5.R語言包phenocam,PhenoCam時間序列是從ROI獲取的給定站點的時間序列資料。 每個站點都有特定的元資料,包括但不限於站點的設定方式和位置,攝像機可以看到的植被型別及其氣候狀況。
6.用於同一個Docker容器中的VNC會話中執行Leo,有效地將Leo變成了一個Web應用程式。Leo是Python/PyQt5編輯器/IDE。
7.R語言包classy,說明了如何使用R和Rcpp中的類和Rcpp :: XPtr物件。
8.TerriaJS是一個用於構建基於Web的豐富地理空間資料資源管理器的庫,用於驅動國家地圖,AREMI和NEII檢視器。
9.具有每小時人口資料的NNF主題模型。
10.線上教程文件,內容應當是資料處理與R。
11.R語言包ggplus,ggplot2的一系列附加函式。
12.Python庫Click,用於以可組合的方式建立漂亮的命令列介面,並且只需要很少的程式碼。 這是“命令列介面建立工具包”。 它具有高度可配置性,但具有開箱即用的合理預設值。
13.Learning to Reason with Third-Order Tensor Products出版物的程式碼。
14.用於快速貝葉斯推理的大型分層模型的多核BUGS。
15.模組化Boost的超級專案。
16.幾個跟米氏散射相關的Python庫。
Python包miescattering,允許您計算空氣中球形顆粒的散射特性。 這對於遙感大氣中的雲(和氣溶膠)非常有用。 Mie計算在Michael Mishchenko編寫的FORTRAN程式碼中。 這個包允許你從Python執行Michael的計算。
Python庫PyMieScatt,基於Bohren和Huffman的Mie Theory派生的Python 3正向和反向Mie求解程式的集合。
miepython是一個Python模組,用於計算實心球體的光散射。
17.R語言包mapr,可以更容易地在R中製作地圖。給定一組位置,例如來自標記動物的位置,mapr將使用rworldmap從Natural Earth資料庫載入全域性shapefile,並使用ggplot2對其進行繪圖並在INLA中使用。
18.nodejs的資源。
19.R語言的各種多型。
20.幾個比較不錯的網站和github資源。
人大資料探勘中心主頁。 rucdmc.github.io
rjournal主頁。 rjournal.github.io
21.bookdown的中國人民大學學位論文模板。
22.Python庫pyEOM,對地觀測監測的Python包,用於提取不同MODIS產品和Landsat資料以及給定幾何(單個畫素或多邊形)的時間序列資料。
23.R-Shiny BFAST Explorer,使用R和Python開發,專為分析Landsat Surface Reflectance時間序列資料而設計。使用三種變化檢測演算法 - bfastmonitor,bfast01和bfast - 通過斷點檢測來研究趨勢和季節性成分的時間變化。
24.北緯52°感測器觀測服務相關專案
北緯52°感測器觀測服務相關專案。 SOS
在THREDDS之上的SOS服務。 ncSOS
OGC SOS的R客戶端。 sos4R
25.基於目錄的Web地理空間視覺化平臺。
26.WebGL加速JavaScript庫,用於培訓和部署ML模型。
27.從球形DEM生成行星,衛星等的3D網格。
28.地方,行星和地球引擎:Hacktober2018。
29.node js的mapnik橋接庫。
30.Python庫gp emulator,高斯過程模擬器。
31.簡單的物候擬合實用專案。
32.R語言包projectimplicit,使用Project Implicit資料(此處為Race Implicit Association Test)探索和報告描述性和推論性統計資料的最小包。
33.R語言包lognorm,用於對數正態分佈的相關函式。
34.一種快速演算法,用於查詢不可訪問的多極點,多邊形輪廓中最遠的內點(不要與質心混淆),實現為JavaScript庫。
35.R語言包dismo,物種分佈建模工具。
36.前端主要處理來自OpenML資料的ElasticSearch索引的資料。 與OpenML後端的額外互動(例如資料集上傳)通過OpenML REST API進行。
37.[神經網路搜尋與強化學習]的基本實現
2 Paper:
1.A spatial heterogeneity-based rough set extension for spatial data/基於空間異質性的空間資料粗糙集擴充套件
當使用經典粗糙集(CRS)理論來分析空間資料時,存在一個潛在的假設,即宇宙中的物體完全隨機分佈在空間上。但是,這種假設與空間資料的實際情況相沖突。通常,空間異質性和空間自相關是空間資料的兩個重要特徵。這兩個特徵是提高空間資料建模精度的重要資訊源。本文通過引入空間異質性和空間自相關來擴充套件CRS理論。這個新的擴充套件將空間鄰接資訊新增到資訊表中。通過在這些概念中新增空間鄰接資訊,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,都得到了改善。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,可以保留所有特徵的區域性判別能力,新的規則匹配方法利用空間自相關來提高基於粗糙集的分類器的分類能力。實驗結果表明,所提出的擴充套件顯著提高了分類或分割精度,並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,可以說空間統計演算法本身就是對統計學演算法的空間化。所以在方法學上是非常不錯的文章。發表於IJGIS。
空氣動力學直徑小於2.5μm(PM2.5)的顆粒物質與各種不利的健康影響有關。地面測量可以產生高度準確的PM2.5濃度,但在討論PM2.5的時空變化時具有一定的侷限性。衛星遙感可以獲得連續和長期的覆蓋資料,許多先前的研究已經從理論分析和觀察中證明了PM2.5與AOD(氣溶膠光學深度)之間的關係。在這項研究中,使用垂直溼度校正方法獲得了從AHI(Advance Himawari Imager)獲取的具有高時空解析度的新氣溶膠產品,以估算河北的每小時PM2.5濃度。吸溼性生長因子(fRH)適合於每個部位(總共137個匹配部位)。同時,假設在一定比例下fRH幾乎沒有變化,確定每個畫素的最接近的fRH以計算PM2.5濃度。與AOD和PM2.5之間的相關性相比,通過垂直溼度校正獲得的“幹”質量消光效率與地面測量的PM2.5之間的關係顯著改善。衛星估算的每小時PM2.5濃度與地面測量的PM2.5一致,具有高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,分析了汙染過程,分析表明PM2.5資料的高時空解析度可以連續直觀地反映區域汙染物的特徵(如擴散和積累),這對評估區域空氣質量具有重要意義。利用葵花衛星產品改善AOD,溼度校正,同時實現小時尺度的產品反演,當時間解析度精細後,更能反映出區域空氣汙染物的特徵,這也是未來的重點研究方向。
暴雨被廣泛認為是世界上最具破壞性的自然災害之一,因此對暴發洪水易發區域的預測對公共安全和應急管理至關重要。本研究基於Sentinel-1 SAR影象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影象用於檢測山洪洪水淹沒區域,而新機器學習技術是螢火蟲演算法(FA),Levenberg-Marquardt(LM)反向傳播和人工神經網路(稱為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)為例進行了案例研究。因此,使用12個輸入變數(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,歸一化差異植被指數,土壤型別和巖性)構建地理資訊系統(GIS)資料庫。並隨後繪製了洪水淹沒區域的輸出。使用資料庫和FA-LM-ANN,對暴洪模型進行了培訓和驗證。模型效能通過各種效能指標進行驗證,包括分類準確率,曲線下面積,精度和召回率。然後,將產生最高效能的閃電洪水模型與基準進行比較,表明FA和LM反向傳播的組合被證明是非常有效的,並且所提出的FA-LM-ANN是用於預測閃電洪水敏感性的新的有用工具。利用不同演算法組合成新的機器學習混合演算法,並且用於暴雨洪水預測,非常不錯的研究。
作為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。土壤地理學研究物件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,指出其發展趨勢為: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未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可以自行閱讀。
基於資料探勘模型的土壤圖更新是一項重要的研究。資料探勘模型構建中訓練樣點的質量不僅決定其對研究區土壤-環境關係表達的充分程度,而且會對推理製圖的結果產生至關重要的影響。本文提出一種基於土壤型別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型別分級,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。結果表明,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,能夠更新傳統土壤圖的比例分別為79.5%、71.8%和63.6%,而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資料樣本進行挖掘能夠有效提高空間製圖精度以及降低人力物力和取樣成本。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
這篇文章CEADs推送過,這裡不詳述,值得關注的是,這是一個多模型耦合的研究。相信也是未來研究的趨勢。