資源整理。
1 Coding:
1.Python庫heartrate盒粮，用于簡單實(shí)時(shí)地可視化Python程序的執(zhí)行。
2.Python庫clusterpy，空間約束聚類算法庫抵蚊。
3.2020年APS介紹R研討會(huì)的材料。
4.使用空間數(shù)據(jù)的統(tǒng)計(jì)和機(jī)器學(xué)習(xí)模型的超參數(shù)調(diào)整和性能評(píng)估溯革。
5.R語言包NHSRdatasets贞绳，用于培訓(xùn)和學(xué)習(xí)的免費(fèi)NHS和醫(yī)療保健相關(guān)數(shù)據(jù)集R。
6.圖片分類資源集合致稀。
7.關(guān)于人體姿勢(shì)估計(jì)的資源集合冈闭。
8.車道檢測(cè)資源。
9.語義分割資源抖单。
10.R語言包landmap萎攒，提供了用于自動(dòng)映射的方法，即使用Ensemble Machine Learning的空間插值和/或預(yù)測(cè)（擴(kuò)展了mlr包的功能）矛绘。
11.目標(biāo)檢測(cè)資源耍休。
12.分布式爬蟲從零開始教程。
Python crawler tutorial starts from zero
13.這是用R編程語言編寫的腳本集合货矮，以及解釋腳本如何工作的指南羊精。 該腳本是使用圖像分割和隨機(jī)森林分類器編寫的圖像分類。 目的是提供強(qiáng)大的圖像分類方法次屠，可供具有適度遙感體驗(yàn)的人使用园匹。
14.機(jī)器學(xué)習(xí)的交互可視化雳刺。
machine learning interactive visualization
15.機(jī)器學(xué)習(xí)實(shí)驗(yàn)的圖像增強(qiáng)。
16.R語言包bbsBayes裸违，bbsBayes是一個(gè)對(duì)北美育種鳥類調(diào)查（BBS）數(shù)據(jù)進(jìn)行分層貝葉斯分析的軟件包掖桦。 'bbsBayes'將對(duì)您選擇的一個(gè)或多個(gè)物種進(jìn)行完整的模型分析，或者您可以采取更多控制并指定數(shù)據(jù)應(yīng)如何分層供汛，為JAGS準(zhǔn)備或建模枪汪。
17.正在進(jìn)行的研究培訓(xùn)大規(guī)模轉(zhuǎn)換語言模型，包括：BERT怔昨。
18.GeoDist函數(shù)用于估計(jì)樣本之間的測(cè)地距離雀久。
19.rasterio的xarray擴(kuò)展。
20.R north conference 2019會(huì)議演講者材料趁舀。noRth針對(duì)中級(jí)到高級(jí)R用戶赖捌，包括為期半天的Shiny短期課程和一天的互動(dòng)式會(huì)談。
21.來自瑞士聯(lián)邦統(tǒng)計(jì)局（SFSO）的瑞士土地統(tǒng)計(jì)數(shù)據(jù)集的擴(kuò)展pandas界面矮烹。
22.這個(gè)倉庫包含作者(Allison Horst)推特賬戶上共享的#rstats越庇，數(shù)據(jù)科學(xué)和統(tǒng)計(jì)插圖，非常不錯(cuò)的插圖資源奉狈，這里就不放圖片了卤唉，歡迎大家點(diǎn)擊下面的鏈接關(guān)注。
23.教程“用matplotlib創(chuàng)建出版品質(zhì)圖片”的講義仁期。
24.引爆github的華為鴻蒙系統(tǒng)桑驱。
25.python模擬登陸一些大型網(wǎng)站，還有一些簡單的爬蟲跛蛋。
26.儀表板探索美國生態(tài)學(xué)會(huì)2019年會(huì)議的推文（＃ESA2019）熬的。
27.R語言包vapour，R的輕量級(jí)GDAL API包赊级。
2 Paper:
我們提出了一種分析來自“低成本空氣質(zhì)量監(jiān)測(cè)儀”（LCAQM）網(wǎng)絡(luò)的細(xì)顆粒物（PM2.5）數(shù)據(jù)的方法悦析，以獲得精細(xì)分辨的濃度圖。在該方法中此衅，基于擴(kuò)散模型，我們首先識(shí)別源的可能位置亭螟，然后通過將濃度的模型估計(jì)擬合到相應(yīng)的測(cè)量來估計(jì)來自這些源的排放的大小挡鞍。然后使用排放來估計(jì)覆蓋感興趣區(qū)域的網(wǎng)格上的濃度。然后使用克里金法將監(jiān)測(cè)器位置處的模型估計(jì)值與測(cè)量濃度之間的殘差內(nèi)插到網(wǎng)格點(diǎn)预烙。我們通過將其應(yīng)用于位于南加州帝王谷的20個(gè)LCAQM網(wǎng)絡(luò)來說明這種方法墨微。使用擴(kuò)散模型估算潛在的平均濃度場(chǎng)，可以比直接克里金觀測(cè)值更準(zhǔn)確地估算PM2.5濃度的空間分布扁掸。這篇文章實(shí)現(xiàn)空氣質(zhì)量時(shí)空制圖的思路與回歸克里格的思路比較類似翘县，但是又有所不同最域，回歸克里格是利用回歸模型預(yù)測(cè)濃度接著插值觀測(cè)樣本上的殘差。而這篇文章利用了一個(gè)擴(kuò)散模型先預(yù)測(cè)觀測(cè)樣本上的預(yù)測(cè)濃度锈麸，后面那步同樣是插值镀脂。這是個(gè)蠻有意思的思路。事實(shí)上擴(kuò)散模型可以作為一個(gè)重要的輔助模型忘伞。
帶寬是地理加權(quán)回歸模型中的關(guān)鍵參數(shù)薄翅，與正在檢查的基礎(chǔ)空間異構(gòu)過程發(fā)生的空間尺度密切相關(guān)。通常氓奈，基于某些標(biāo)準(zhǔn)（例如Akaike信息準(zhǔn)則（AIC））選擇單個(gè)最佳帶寬（地理加權(quán)回歸）或一組協(xié)變量特定的最佳帶寬（多尺度地理加權(quán)回歸）翘魄，然后參數(shù)估計(jì)和推斷是條件的。這個(gè)帶寬的選擇舀奶。在本文中暑竟，我們發(fā)現(xiàn)帶寬選擇在單尺度和多尺度地理加權(quán)回歸模型中都存在不確定性，并證明可以測(cè)量和計(jì)算這種不確定性育勺〉纾基于模擬研究和鳳凰城肥胖率的經(jīng)驗(yàn)實(shí)例，我們表明可以通過Akaike權(quán)重定量測(cè)量帶寬不確定性怀大，并且可以獲得帶寬的置信區(qū)間纱兑。了解帶寬不確定性可提供有關(guān)不同過程運(yùn)行的規(guī)模的重要見解，尤其是在比較協(xié)變量特定帶寬時(shí)化借。另外潜慎，可以基于Akaike權(quán)重來計(jì)算帶寬選擇不確定性的無條件參數(shù)估計(jì)。來自ASU的Li Ziqi博士的文章蓖康，關(guān)于分析GWR的帶寬及其不確定性文章铐炫。帶寬是GWR非常重要的參數(shù)，也是地理學(xué)尺度效應(yīng)的一種定量化體現(xiàn)蒜焊。
中國城市空氣污染程度和程度的增加已經(jīng)成為公眾關(guān)注的主要問題和政府的負(fù)擔(dān)倒信。雖然有大量文獻(xiàn)關(guān)注空氣污染的現(xiàn)狀，變化和原因（特別是PM 2.5和PM 10）泳梆，但人們對(duì)它們的影響卻知之甚少鳖悠。在這項(xiàng)研究中，我們使用中國杭州作為我們的測(cè)試平臺(tái)來評(píng)估PM 2.5對(duì)更容易受到污染的年輕人群的直接影響优妙。我們使用中等分辨率成像光譜儀（MODIS）的氣溶膠光學(xué)厚度（AOT）產(chǎn)品和空氣質(zhì)量的地面監(jiān)測(cè)數(shù)據(jù)乘综，對(duì)2015年P(guān)M 2.5的時(shí)空變化進(jìn)行了研究。我們進(jìn)一步探討了這些分布的土地覆蓋套硼，人口密度和學(xué)校（幼兒園卡辰，小學(xué)和中學(xué)）探索尋求潛在緩解方案的潛在影響。我們發(fā)現(xiàn)PM 2.5濃度的季節(jié)變化是冬季>春季>秋季>夏季。在杭州九妈，暴露于PM 2.5>50μgm-3的土地面積占冬季的59.86％反砌，春季的56.62％，秋季的40.44％和夏季的0％萌朱，而PM 2.5的土地面積<35μg夏季宴树，冬季，秋季和春季的m -3分別為70.01％嚷兔，5.28％森渐，5.17％，4.16％冒晰。至于土地覆蓋同衣，森林的PM 2.5為35-50μgm-3（即低于其他覆蓋類型），可能是由于森林的潛在過濾和吸收功能壶运。更重要的是耐齐，基于人口加權(quán)暴露水平（pwel）的定量指數(shù)表明，只有9.06％的人口生活在符合國家空氣質(zhì)量標(biāo)準(zhǔn)的地區(qū)蒋情。只有1.66％（14,055）的嬰兒和青少年生活在PM 2.5 <35μgm-3的區(qū)域埠况。考慮到PM 2.5長期的遺留影響棵癣，我們強(qiáng)烈建議改善空氣質(zhì)量和人員（即健康狀況）的監(jiān)測(cè)系統(tǒng)辕翰，特別注意嬰兒和青少年”芬辏基于MODIS的AOD數(shù)據(jù)和地面監(jiān)測(cè)站點(diǎn)分析喜命，分析了不同土地利用以及人口暴露情況『尤埃可以作為后續(xù)分析的先驗(yàn)知識(shí)壁榕。
本文的目的是通過交通監(jiān)控視頻和圖像識(shí)別中收集的實(shí)時(shí)交通數(shù)據(jù)，探討不同城市功能區(qū)內(nèi)車輛類型和數(shù)量的時(shí)空格局與交通相關(guān)的大氣污染物排放之間的關(guān)系赎瞎。使用基于視頻的檢測(cè)技術(shù)分析數(shù)據(jù)牌里，同時(shí)通過污染物排放系數(shù)量化空氣污染。結(jié)果表明：（1）交通污染物排放順序?yàn)楦咚俟?gt;商業(yè)區(qū)>工業(yè)區(qū)>居住區(qū)>港口; （2）每個(gè)污染物的日最大排放量發(fā)生在工作日和周末的不同功能區(qū)务甥。除高速公路外牡辽，商業(yè)區(qū)平日排放的CO，HC和VOC排放量最高敞临，而所有污染物（CO催享，HC，NOx哟绊，PM2.5，PM1.0和VOC）排放量最高的是周末。工業(yè)區(qū)平日排放的NOx票髓，PM2.5和PM1.0排放量最高; （3）除港口地點(diǎn)外攀涵，所有功能區(qū)的污染物排放（CO，HC洽沟，NOx以故，PM2.5，PM1.0和VOC）在早晚峰值達(dá)到峰值; （4）汽車和摩托車是與交通有關(guān)的污染物排放的主要來源裆操。通過基于視頻的車輛檢測(cè)以更精細(xì)的時(shí)空分辨率收集數(shù)據(jù)怒详，是一種經(jīng)濟(jì)有效的方法，可以映射與交通相關(guān)的空氣污染的時(shí)空模式踪区，從而有助于城市規(guī)劃和氣候變化研究昆烁。在當(dāng)前深度學(xué)習(xí)大熱背景下的一篇文章，利用視頻識(shí)別技術(shù)來分析交通數(shù)據(jù)從而推斷出PM2.5等大氣污染物缎岗，得到區(qū)域大氣污染物排放的時(shí)空格局静尼。
中國于2013年頒布了“大氣污染防治行動(dòng)計(jì)劃”（行動(dòng)計(jì)劃），并制定了嚴(yán)格的控制措施传泊，以減輕細(xì)顆粒物（PM2.5）的污染鼠渺。在這里，我們使用基于衛(wèi)星的PM2.5化學(xué)成分?jǐn)?shù)據(jù)眷细，使用CMAQ模擬和衛(wèi)星輸入拦盹，研究了2013-2017期間與中國東部相關(guān)的PM2.5化學(xué)成分變化。由于PM2.5中所有化學(xué)物質(zhì)的減少溪椎，PM2.5濃度在此期間顯著下降普舆。中國東部的人口加權(quán)平均濃度從SO42-的11.1降至6.7μgm-3，NO3-為13.8-13.1μgm-3池磁，NH4 +為7.4-5.8μgm-3,9.9-8.4μgm-3對(duì)于OM奔害，對(duì)于BC為4.6-3.8μgm-3，對(duì)于PM2.5中的其他物種為12.9-9.6μgm-3地熄。 SO42-的降幅最大华临，為40％，而NO3-的降低幅度最小端考，為5％雅潭，導(dǎo)致PM3.5中NO3-的比例較大，SO42-的比例較小却特。在三個(gè)主要地區(qū)中扶供，京津冀的PM2.5及其化學(xué)成分減少幅度最大。 SO4 2濃度的下降與二氧化硫排放量的減少一致裂明，二氧化硫減排的主要驅(qū)動(dòng)因素是工業(yè)部門椿浓。 NO3-濃度的降低是有限的，因?yàn)镾O2排放的減少和穩(wěn)定的NH3排放促進(jìn)了HNO3形成NO3-，這部分地抵消了電力部門驅(qū)動(dòng)的NOx排放的減少扳碍。為了更有效地減輕PM2.5污染提岔，未來需要努力減少NH3排放。分析大氣行動(dòng)政策政策對(duì)PM2.5化學(xué)成分的影響笋敞。結(jié)合了CMAQ模擬和衛(wèi)星數(shù)據(jù)碱蒙。式中來說工業(yè)部門仍舊是排放的主要源頭。但是從評(píng)估結(jié)果而言夯巷，政策執(zhí)行后赛惩，PM2.5濃度整體是下降的。當(dāng)然這篇文章利用的化學(xué)傳輸模式與衛(wèi)星結(jié)合的方法是值得我們關(guān)注的趁餐。
準(zhǔn)確動(dòng)態(tài)測(cè)量青藏高原（TP）的積雪深度（SD）對(duì)于了解當(dāng)?shù)貧夂蛳到y(tǒng)和地表水文循環(huán)具有重要意義喷兼。目前，被動(dòng)微波遙感是用于監(jiān)測(cè)SD中時(shí)空變化的最有效方法澎怒。然而褒搔，現(xiàn)有SD產(chǎn)品的大的不確定性和低空間分辨率導(dǎo)致在具有復(fù)雜地形條件，強(qiáng)季節(jié)轉(zhuǎn)換和大的時(shí)空異質(zhì)性的區(qū)域（例如TP）中不太令人滿意的被動(dòng)微波遙感喷面。在這項(xiàng)研究中星瘾，評(píng)估了地理位置，地形惧辈，積雪天數(shù)和亮度溫度琳状。然后，關(guān)鍵因素被用于開發(fā)先進(jìn)的微波掃描輻射計(jì)2（AMSR2）SD降尺度模型盒齿。結(jié)果表明：（1）SD受地理位置念逞，積雪天數(shù)，地形參數(shù)和亮度溫差的影響很大边翁。表面粗糙度與地面觀測(cè)結(jié)果具有最佳相關(guān)性翎承，反映了SD的變化的44％; （2）結(jié)合AMSR2亮溫?cái)?shù)據(jù)和其他輔助數(shù)據(jù)的新型多因素功率SD降尺度模型，具有更高的精度和穩(wěn)定性符匾，與SD地面觀測(cè)密切相關(guān)叨咖，反映了80％的SD變化; （3）與日本宇宙航空研究開發(fā)機(jī)構(gòu)（JAXA）發(fā)布的AMSR2上升和下降軌道SD產(chǎn)品以及中國西部環(huán)境與生態(tài)科學(xué)數(shù)據(jù)中心（WESTDC）的SD數(shù)據(jù)集相比，提出的縮減SD數(shù)據(jù)集為TP大大提高啊胶，均方根誤差（RMSE）和平均絕對(duì)誤差（MAE）大大降低（分別為2.00 cm和0.25 cm）; （4）TP的縮小SD數(shù)據(jù)集在SD 小于3cm的區(qū)域顯示出良好的準(zhǔn)確度（RMSE = 0.58 cm）; （5）縮小的SD產(chǎn)品的最差監(jiān)測(cè)精度是草原甸各，RMSE為2.07厘米。降尺度SD產(chǎn)品的最佳精度是在裸地覆蓋條件下發(fā)現(xiàn)的焰坪，RMSE僅為0.41cm趣倾。青藏高原的積雪深度產(chǎn)品的降尺度算法研究，發(fā)表于RSE上某饰，分析了多個(gè)不同因子對(duì)于積雪深度的影響儒恋，然后利用這些因子構(gòu)建降尺度模型善绎，從結(jié)果而言還是很不錯(cuò)的。
7.基于眾源數(shù)據(jù)挖掘的中國飲食口味 與慢性病的空間關(guān)聯(lián)
慢性病是全球最主要的死亡原因,在所有慢性病風(fēng)險(xiǎn)因素中,不健康飲食因素居于首位,也是影響最廣泛的風(fēng)險(xiǎn)因素诫尽。盡管已有許多關(guān)于飲食行為的研究,但在飲食口味與慢性病關(guān)聯(lián)方面尚缺乏定量研究涂邀。鑒于此,利用眾源網(wǎng)絡(luò)菜譜數(shù)據(jù),提取菜系中多維口味信息,結(jié)合不同地區(qū)分類的餐飲類興趣地點(diǎn)（POI）數(shù)據(jù),定量分析不同地區(qū)人群口味偏好;使用地理探測(cè)器方法,從空間分異性角度建立7種口味與出血性卒中、胰腺癌箱锐、上呼吸道感染3種慢性病的關(guān)聯(lián),得到飲食口味對(duì)慢性病空間分布的解釋能力度量值。結(jié)果表明：在7種口味中,過咸是出血性卒中的首要口味風(fēng)險(xiǎn)因子;一定程度的甜是胰腺癌的首要口味風(fēng)險(xiǎn)因子,且甜的程度與胰腺癌風(fēng)險(xiǎn)并非呈簡單線性關(guān)系;過辛是上呼吸道感染的首要口味風(fēng)險(xiǎn)因子,三者在統(tǒng)計(jì)上均表現(xiàn)顯著劳较。本文首次提出了基于眾源數(shù)據(jù)挖掘的潛在健康風(fēng)險(xiǎn)因素定量研究方法,可以應(yīng)用于病因的探索性分析,并有助于公共衛(wèi)生部門制定相應(yīng)的干預(yù)措施驹止。來自于團(tuán)隊(duì)的成果，分析當(dāng)前新興的POI大數(shù)據(jù)與慢性病的空間關(guān)聯(lián)观蜗，使用了地理探測(cè)器進(jìn)行分析臊恋，發(fā)表于地理學(xué)報(bào)。
雖然住宅煤/生物質(zhì)燃燒可能是PM2.5的一個(gè)主要且未被充分認(rèn)識(shí)的排放源墓捻，特別是在冬季抖仅，但燃燒的固體燃料是否對(duì)環(huán)境揮發(fā)性有機(jī)化合物（VOCs）有很大影響，后者是二次有機(jī)氣溶膠的前體砖第。 （冬季霧霾事件中通常對(duì)顆粒物質(zhì)有較高貢獻(xiàn)的（SOA）撤卢。在本研究中，環(huán)境空氣樣本于2014年10月25日至12月31日在北京東北部中國科學(xué)院（UCAS）校園的農(nóng)村地點(diǎn)進(jìn)行收集梧兼，用于VOCs分析放吩。由于11月3日至12日實(shí)施了臨時(shí)干預(yù)措施，以改善11月5日至11日在北京舉行的亞太經(jīng)濟(jì)合作組織（APEC）峰會(huì)的空氣質(zhì)量羽杰，11月15日亞太經(jīng)合組織峰會(huì)后渡紫，北京集中供暖于11月15日開始實(shí)施。這個(gè)樣品采集期提供了一個(gè)很好的機(jī)會(huì)來研究臨時(shí)控制措施和冬季加熱對(duì)環(huán)境VOCs的影響考赛。由于11月3日至12日（第二階段）實(shí)施的臨時(shí)干預(yù)措施惕澎，非甲烷碳?xì)浠衔锏目偦旌媳绕骄鶠?1.25ppb，比第一期（10月25日）的23.41ppb低約50％颜骤。 11月）和第三期（11月13日至12月31日）的21.71ppb唧喉。在相對(duì)于時(shí)期I的時(shí)段II期間，臭氧和SOA形成電位分別降低50％和70％复哆，SOA形成電位的較大降低歸因于主要來自溶劑使用的對(duì)芳烴的更有效控制欣喧。后向軌跡分析表明，在I梯找，II和III期唆阿，南風(fēng)氣團(tuán)中VOCs的平均混合比分別是北方氣團(tuán)的2.3,2.3和2.9倍;所有的VOC事件都是在南風(fēng)的影響下發(fā)生的，這表明南部城市化地區(qū)的排放強(qiáng)于北部農(nóng)村地區(qū)锈锤⊙北睿基于正矩陣分解（PMF）受體模型闲询，交通排放和溶劑使用的改變貢獻(xiàn)可分別解釋周期II中相對(duì)于時(shí)期I的環(huán)境VOC減少的47.9％和37.6％，表明臨時(shí)控制車輛排放和溶劑使用的措施可有效降低VOC的環(huán)境水平浅辙。煤炭/生物質(zhì)燃燒扭弧，汽油廢氣和工業(yè)排放是主要來源之一，它們?cè)诘谝患怯撸诙偷谌诜謩e貢獻(xiàn)了60.3％鸽捻，78.6％和78.7％的揮發(fā)性有機(jī)化合物。煤炭/生物質(zhì)燃燒泽腮，主要是住宅燃煤御蒲，成為主要來源，占冬季采暖期間揮發(fā)性有機(jī)化合物的45.1％诊赊，南風(fēng)氣候的平均貢獻(xiàn)百分比（38.2％）明顯低于北方氣團(tuán)（48.8）厚满。 ％）。結(jié)果表明碧磅，工業(yè)和交通部門的排放控制在降低非采暖季節(jié)的環(huán)境活性VOC方面更為有效;然而碘箍，在冬季采暖季節(jié)，減少固體燃料的住宅燃燒產(chǎn)生的排放將更加重要鲸郊，并且可以通過降低室內(nèi)和室外空氣污染來獲得健康的共同利益丰榴。分析了北京農(nóng)村地區(qū)VOCs受臨時(shí)排放控制（如APEC之類的大型活動(dòng)）以及冬季取暖的影響。本研究采用的是當(dāng)前大氣污染溯源比較主流的幾個(gè)關(guān)鍵方法严望，后向軌跡分析多艇，正交矩陣分解（PMF）。結(jié)果上表明住宅燃煤是主要來源像吻，尤其在冬季供暖期間峻黍。工業(yè)和交通部門排放則是非供暖季節(jié)的重要控制源頭。
近年來拨匆，空氣污染每年在中國造成100多萬人死亡姆涩，成為公共衛(wèi)生工作的重點(diǎn)。然而惭每，未來的氣候變化可能會(huì)通過增加增加空氣污染暴露的天氣條件的頻率和持續(xù)時(shí)間來加劇這種對(duì)人類健康的影響骨饿。在此，我們結(jié)合氣候台腥，空氣質(zhì)量和流行病學(xué)模型宏赘，在代表性濃度路徑4.5（RCP4.5）下評(píng)估氣候變化中的未來空氣污染死亡。我們發(fā)現(xiàn)黎侈，假設(shè)污染排放和人口保持在當(dāng)前水平不變察署，到本世紀(jì)中葉，氣候變化將對(duì)中國85％以上的人口（約占土地面積的55％）的未來空氣質(zhì)量產(chǎn)生不利影響峻汉，并且會(huì)增加細(xì)顆粒物（PM 2.5）和臭氧的人口加權(quán)平均濃度分別為3％和4％贴汪。因此脐往，我們估計(jì)每年將增加12,100和8,900中國人（95％置信區(qū)間：分別為10,300至13,800和2,300至14,700），分別來自PM 2.5和臭氧暴露扳埂。重要的潛在氣候機(jī)制是極端條件的變化业簿，如大氣停滯和熱浪（分別對(duì)死亡率的增加貢獻(xiàn)了39％和6％）。此外阳懂，中國人口老齡化的脆弱性將進(jìn)一步增加2050年P(guān)M2.5和臭氧的死亡人數(shù)梅尤，分別為1和3倍。我們的研究結(jié)果表明岩调，氣候變化和更加劇烈的極端事件可能會(huì)增加中國嚴(yán)重污染事件的風(fēng)險(xiǎn)克饶。因此，在氣候變化中管理中國的空氣質(zhì)量將變得更具挑戰(zhàn)性誊辉。發(fā)表于PNAS的一篇論文，分析氣候變化對(duì)空氣質(zhì)量以及人類健康的影響亡脑。結(jié)合了氣候堕澄、空氣質(zhì)量和流行病學(xué)模型的集成研究，非常不錯(cuò)的一篇文章霉咨。
在某些自然環(huán)境條件下蛙紫，地貌演化通常呈現(xiàn)“年輕到老”分布的空間格局，從而對(duì)空間序列中的地貌類型和特征進(jìn)行采樣可以為個(gè)體地貌的演變和變化提供證據(jù)途戒。這種所謂的時(shí)空替代一直是地貌研究的一種方法論坑傅。本文首先介紹了時(shí)空替代的基本概念和背景，然后對(duì)基于時(shí)空替代的地貌演化的近期研究進(jìn)展進(jìn)行了全面回顧喷斋，如河流地貌唁毒，結(jié)構(gòu)地貌，河口地貌和沿海地貌星爪。最后浆西，開發(fā)了地貌中時(shí)空替代的基本原理。本綜述旨在介紹使用時(shí)空替代方法進(jìn)行地貌演化研究的成果顽腾，并指出關(guān)鍵的研究需求近零，以便更好地理解和預(yù)測(cè)未來的地貌演化。湯國安老師團(tuán)隊(duì)的成果抄肖，分析地貌演化的綜述和概念框架久信。
通過不同的時(shí)間漓摩，空間和生態(tài)系統(tǒng)測(cè)量（例如裙士，森林結(jié)構(gòu)與土壤有機(jī)碳）協(xié)調(diào)數(shù)據(jù)來源以創(chuàng)建陸地碳基線的能力對(duì)于改進(jìn)陸地碳儲(chǔ)量和庫變化的監(jiān)測(cè)至關(guān)重要。在這項(xiàng)研究中幌甘，我們開發(fā)并研究了矩陣模型的短期（5年）和長期（30年）性能潮售，用于結(jié)合光探測(cè)和測(cè)距（LiDAR）條帶樣品和時(shí)間序列Landsat表面反射高級(jí)數(shù)據(jù)產(chǎn)品通過現(xiàn)場(chǎng)清查測(cè)量來預(yù)測(cè)美國東部 - 明尼蘇達(dá)州（MN）痊项，緬因州（ME），賓夕法尼亞州 - 新澤西州（PANJ）和南卡羅來納州（SC）的研究地點(diǎn)的地上生物量（AGB）動(dòng)態(tài)酥诽。矩陣的行和列是根據(jù)庫存圖和物種組和直徑等級(jí)分類的林分密度（即每單位面積的樹木數(shù)量）鞍泉。通過短期模型比較，我們發(fā)現(xiàn)三個(gè)矩陣模型預(yù)測(cè)的平均林分基面積（B）均落在觀測(cè)值的95％置信區(qū)間內(nèi)肮帐。三個(gè)矩陣模型基于（i）僅實(shí)地清查變量（清單）咖驮，（ii）LiDAR和Landsat衍生的指標(biāo)與現(xiàn)場(chǎng)庫存變量（LiDAR + Landsat +清查）相結(jié)合，以及（iii）僅Landsat衍生的指標(biāo)相結(jié)合實(shí)地清查變量（Landsat +清查）分別為训枢。從長期來看托修，使用LiDAR + Landsat +庫存和Landsat +庫存變量的預(yù)測(cè)AGB具有與2015年至2045年僅清查變量的矩陣模型預(yù)測(cè)的AGB模式（7.2 Mg ha-1之間的差異）相似迹缀。從模糊集中吧碾，到2045年，所有三個(gè)矩陣模型都具有相似的AGB（在7.6 Mg ha-1之間的差異）檬输。因此十酣，矩陣模型的使用使得LiDAR涩拙，Landsat和現(xiàn)場(chǎng)數(shù)據(jù)的各種組合，特別是Landsat數(shù)據(jù)耸采，能夠估算大-scale AGB動(dòng)態(tài)（即碳儲(chǔ)量監(jiān)測(cè)的核心組成部分）兴泥，僅使用森林清單中的變量而不會(huì)降低準(zhǔn)確性。這些研究結(jié)果表明單獨(dú)使用Landsat數(shù)據(jù)包括海拔（E）虾宇，地塊坡度（S）和方位（A）以及場(chǎng)地生產(chǎn)力（C）可以產(chǎn)生適當(dāng)?shù)腁GB動(dòng)態(tài)估計(jì)（范圍從67.1到105.5 Mg ha-1）在2045年）使用矩陣模型實(shí)際的AGB動(dòng)態(tài)搓彻。這樣的框架可以提供對(duì)陸地碳儲(chǔ)量和清單變化的精確監(jiān)測(cè)和估計(jì)，從空間明確到空間顯性和空間連續(xù)估計(jì)嘱朽，并提供時(shí)間靈活性和Landsat時(shí)間序列的連續(xù)性旭贬。構(gòu)建了一個(gè)矩陣模型結(jié)合LiDAR，清查數(shù)據(jù)以及Landasta數(shù)據(jù)來實(shí)現(xiàn)森林AGB的估計(jì)搪泳。從結(jié)果證明骑篙，效果最好的還是三種數(shù)據(jù)的組合，事實(shí)上這也是當(dāng)前的一個(gè)重點(diǎn)森书，結(jié)合LiDAR靶端，衛(wèi)星遙感和地面調(diào)查的AGB估計(jì)。
