Coding and Paper Letter（三十五）
資源整理。
1 Coding:
1.Sorensen，Hohenstein和Vasishth論文附帶的教程檔案。心理學定量研究方法。涉及到貝葉斯模型相關內容。
2.R語言包trinaryMaps，構建三元（非二元）地圖，顯示物種範圍的上限和下限。
3.這是“用R實踐程式設計”的網站。 本書將通過實際操作示例教您如何在R中程式設計。
4.R語言包rbbt，更好BiBTex Zotero聯結器的R介面。
5.一個RStudio Add-in，用於播放分佈引數並可視化生成的概率密度和質量函式。
6.在scikit-learn中對單元超球面進行聚類
7.Codis 是一個分散式 Redis 解決方案。
8.Python庫Sentinelsat，可以輕鬆地從哥白尼開放資料中心搜尋，下載和檢索Sentinel衛星影象的元資料。
9.用於在GTFS源上執行換乘服務，在現代C ++中實現。
10.JavaScript中2D點和矩形的真正快速靜態空間索引。
11.用於學習基本SQL和用於opengeocle mtg的postGIS的幻燈片。
12.PostgreSQL和PostGIS介紹教程。以上兩個將是PostGIS學習筆記的重點參考。
13.應用於MNIST示例的平衡GAN（BAGAN）的Keras實現。
14.Python庫pydap，Pydap是Opendap/ODS協議的一個實現，在純python中從頭開始編寫。 您可以使用Pydap訪問網際網路上的科學資料，而無需下載; 相反，您可以使用特殊的陣列和可迭代物件，根據需要即時下載資料，從而節省頻寬和時間。 該
15.R語言包belg，Boltzmann熵的景觀梯度。
16.R語言包spatialEco，包含支援空間資料操作，查詢，取樣和建模的實用程式。 功能包括物種種群密度模型，氣候和全球森林砍伐空間產品的下載效用，空間平滑，多變數可分性，建立偽缺失和子取樣的點過程模型，多邊形和點距離景觀指標，自動邏輯模型， 抽樣模型，叢集優化和統計探索工具。
17.旨在用Python視覺化個人GPS資料。 我的目標是探索我在紐約逗留期間收集的GPS資料視覺化的不同方式。
18.具體到2018年10月4日至5月的“教你關於R”的研討會。
19.2019太空/空間大資料論文。
20.用於強化學習和機器人研究的高保真模擬器。
21.Python庫pyimpute，使用Scikit-learn和Rasterio進行空間分類和迴歸。
22.R語言包kohonen，有監督和無監督的自適應對映。
23.使用開放工具對映行人基礎設施。
24.不同來源的空氣質量資料（PM2.5）。
2 Paper:
該調查記錄了測量積分（HI）的靈敏度及其與新構造和巖性的關係。我們使用穿梭雷達地形任務（SRTM）和先進的星載熱輻射和反射輻射計（ASTER）的30和90米空間解析度的數字高程模型（DEM）來計算興都庫什及其附近（巴基斯坦西北部）的HI值。和東北阿富汗）。我們使用不同大小的正方形分析網格來計算最大，最小和平均高程。 HI的空間分佈沒有顯示清晰的空間模式以及與平均高度或浮雕幅度的相關性。我們使用區域性空間自相關指數（LISA）應用空間模式分析來測量我們的HI分佈被聚類，分散或隨機化的程度。 LISA分析表明，由於高正z分數，資料是自相關的。熱點（具有高HI值的聚類）與構造隆升一致，並且與該區域中的不同結構域顯示出強烈的相關性。冷點代表最近的斷層附近的沉積，並與該地區的淺層地震群相吻合。 HI值與相對地形位置或巖性沒有任何關聯。 HI分佈的分析表明它們是穩健的並且獨立於數字高程模型（DEM）解析度，但是具有強烈的尺度依賴性。 LISA技術允許提取HI的簇，揭示最近的構造過程;否則很難解釋HI值的高變異性。 HI的尺度依賴性可以反映排水網路和坡面過程的不同重要性。這篇文章利用空間自相關分析來分析地質方面的研究，尤其是冷熱點分析，可以說迴應了最早熱點的定義。
農田土壤環境質量對農田管理具有重要意義。為了對農田土壤的環境質量等級進行精確分類，可能需要額外的樣本進行多階段抽樣或補充調查。與用於對映或估計全域性均值的抽樣優化方法相比，環境質量等級分類主要集中在估計非抽樣位置的值與對環境質量等級進行分類的閾值之間的關係。此類分類必須使用抽樣佈局優化方法將其他抽樣單位分配到具有高錯誤分類風險的區域。為了解決這些問題，本文提供了一種額外的取樣佈局優化方法，該方法通過構建具有非取樣位置的預測值和誤差方差的多高斯模型，然後計算閾值出現的概率，從而最初建立分類誤差指數。標準化高斯分佈。然後將研究區域中所有位置的平均誤差指數設定為附加取樣佈局優化的客觀性函式，並採用空間模擬退火通過最小化客觀性函式來獲得優化的取樣佈局。在使用中國湖南省鉻濃度資料的案例研究中，證明了誤差指數取樣佈局優化方法的效能。結果表明，與最小距離和空間隨機樣本方法的最小化相比，通過所提出的方法生成的附加樣本產生更低且更穩定的分類錯誤率。該方法可用於提高農田土壤環境質量等級分類的附加取樣效率。基於模擬退火演算法優化空間抽樣。事實上空間抽樣分析一直是空間分析逃不開的話題。從資料質量和相關研究來看，會影響到最後的結果，王勁峰老師在這一方面做了很多工作。
已經使用光譜解混和子畫素對映來估計子畫素尺度下混合畫素中的不同地面覆蓋類別的比例和空間分佈。在過去的幾十年中，兩個類別都提出了幾種演算法;然而，這兩種技術通常被認為是獨立的程式，大多數子畫素對映方法使用由光譜分離技術產生的丰度圖。應注意，所使用的丰度圖對後續子畫素對映過程的效能具有強烈影響。最近，我們結合線性光譜混合模型建立了一種新穎的亞畫素對映模型。因此，建立了聯合子畫素對映模型，其將原始（較粗糙解析度）遙感影象與最終子畫素結果直接連線。然而，該方法著重於結合原始影象中包含的光譜資訊，而不解決由可見光和環境條件引起的光譜端元可變性。為了解決這個重要問題，在本文中，我們設計了一種新的聯合稀疏子畫素對映方法，假設每個端元的各種代表性光譜是先驗已知的並且在庫中可用。此外，還採用了總變差（TV）正則化來開發空間資訊。所提出的方法是使用合成和真實高光譜影象進行實驗評估，並且獲得的結果表明，與其他子畫素對映方法相比，通過考慮端元變異性的影響，該方法可以獲得更好的結果。混合像元分解的一個新進展，耦合兩種常用的混合像元分解方式，從而為新的分解提供了新的思路。
近幾十年來，中國經歷了快速的城市化和重度空氣汙染，未來十年，城市化的快速發展趨勢將持續下去。已經表明溼地在去除顆粒方面是有效的，主要通過幹沉積和葉子積累。因此，在城市化程序中更全面地瞭解溼地去除PM2.5可以為城市規劃提供資訊。在目前的研究中，根據建築物的比例，分別選擇了三個溼地，翠湖公園（CL），頤和園（SP）和奧林匹克公園（OP）作為低，中，高度的城市化地點。交通區域比較去除效率。結果表明，OP的平均幹沉降速度顯著高於CL和SP。幹沉降主要受氣象條件的影響。建築物和其他基礎設施使得氣象條件有利於沉積，從而導致更高的風速，更高的溫度以及建築物之間更強烈的湍流。葉片積累的變化在三個地塊之間沒有統計學意義，並且植物物種是影響積累量的主要因素。幹沉降對顆粒去除的貢獻隨著城市化程度的增加而增加。低，中，高三級平均幹沉降分別佔39.74％，52.55％和62.75％。因此，城市化程度較高的溼地主要通過加速幹沉降過程來提高PM2.5的去除效率。結果強調溼地在高度城市化地區去除顆粒的重要性，因此在城市擴張期間應保留和/或創造更多的溼地。溼地對於消納PM2.5的研究，城市化程度較高的溼地卻能夠更好地消納PM2.5，非常有意思的結論。