資源整理葱轩。
1 Coding：
1.R語言包psychmeta屠阻，用于心理學(xué)方面的的Meta分析宴树。
2.開源項(xiàng)目trug ggplot2策菜， 2018年1月，Tampa的R用戶會(huì)議關(guān)于ggplot2語法的ppt酒贬。
3.開源項(xiàng)目Residual Attention Network做入，
4.Python庫sentinel_api，歐空局哨兵衛(wèi)星數(shù)據(jù)的API接口同衣。
5.R語言開源電子書竟块，有關(guān)創(chuàng)建R建模包的建議。
model implementation principles
6.書籍R for Data Sciences的附錄指南耐齐。
7.Python庫pyny3d浪秘，面向工程的工具，用于交互式構(gòu)建埠况，工作和執(zhí)行具有3D幾何的著色模擬耸携。
8.R語言包geoparser，geoparser.io的R語言接口辕翰。
9.微軟開源項(xiàng)目nni夺衍，用于神經(jīng)架構(gòu)搜索和超參數(shù)調(diào)整的開源AutoML工具包。
10.開源項(xiàng)目Open3D喜命，開源的3D數(shù)據(jù)處理的庫沟沙。
11.開源項(xiàng)目jpmml sparkml lightgbm,JPMML-SparkML插件，用于將LightGBM-Spark模型轉(zhuǎn)換為PMML壁榕。
12.D3插件矛紫，它根據(jù)Voronoi曲面細(xì)分計(jì)算樹形圖。
13.Python庫esridump牌里，esri RESTful的API接口颊咬，將格式轉(zhuǎn)換為更普遍的geojson。
14.R語言包googleLanguageR牡辽，谷歌翻譯的R語言客戶端喳篇。
15.Python的Docker鏡像。
16.開源項(xiàng)目cityengine态辛，分享一些CGA規(guī)則和代碼麸澜。
17.開源項(xiàng)目intro r gis，R語言里的GIS中簡介因妙。
18.開源項(xiàng)目swiss maps痰憎，從swiss top生成topojson數(shù)據(jù)票髓。
19.開源項(xiàng)目NYTaxi,紐約出租車軌跡數(shù)據(jù)分析∠吃牛基于R和Python洽沟。
20.R語言包c(diǎn)ondvis，統(tǒng)計(jì)模型的可視化蜗细。
21.R語言包rangemap裆操，用于構(gòu)建物種分布范圍圖的R包。
22.開源項(xiàng)目opendata炉媒，該項(xiàng)目包含有關(guān)使用R獲取踪区，解析，操作吊骤，創(chuàng)建和共享打開數(shù)據(jù)的信息缎岗。
23.R語言包grcdr，R中圖形的ggplot2擴(kuò)展和腳本的集合白粉。
24.基于Web的附錄和已發(fā)布文章中使用的代碼教程传泊。
25.R語言包geoplumber，從R服務(wù)地理數(shù)據(jù)并使用可擴(kuò)展的前端服務(wù)鸭巴。
26.R語言包gpuR眷细，R語言使用GPU的接口。
27.開源項(xiàng)目awesome quantum machine learning鹃祖，量子機(jī)器學(xué)習(xí)基礎(chǔ)知識溪椎，算法，學(xué)習(xí)資料恬口，項(xiàng)目以及網(wǎng)絡(luò)項(xiàng)目的描述校读。
awesome quantum machine learning
28.R語言包gbm，老的gbm包楷兽，梯度提升模型包地熄。
29.R語言包fts，快速的時(shí)間序列庫芯杀。
30.開源項(xiàng)目FAST，通過有效的時(shí)間序列相似性搜索實(shí)現(xiàn)地震檢測雅潭。
31.R語言包geofacet揭厚，ggplot2的拓展包，地理分面工具扶供。
32.R語言包terra筛圆，空間數(shù)據(jù)處理的R包。
2 Paper：
地理加權(quán)回歸（GWR）是一種廣泛使用的工具太援，用于探索地理空間上的過程的空間異質(zhì)性闽晦。 GWR計(jì)算特定于位置的參數(shù)估計(jì)，這使得其校準(zhǔn)過程計(jì)算密集提岔。當(dāng)前開源GWR軟件可以處理的最大數(shù)據(jù)點(diǎn)數(shù)在標(biāo)準(zhǔn)桌面上大約為15,000個(gè)觀測值仙蛉。在大數(shù)據(jù)時(shí)代，這嚴(yán)重限制了GWR的使用碱蒙。為了克服這一限制荠瘪，我們提出了一種基于Python和消息傳遞接口（MPI）的高度可擴(kuò)展的開源FastGWR實(shí)現(xiàn)，可以擴(kuò)展到數(shù)百萬次觀察赛惩。 FastGWR優(yōu)化了內(nèi)存使用以及并行化哀墓，從而顯著提升了性能。為了說明FastGWR的性能喷兼，從洛杉磯市的Zillow數(shù)據(jù)集中篮绰，對大約130萬個(gè)單戶住宅物業(yè)進(jìn)行了特征房價(jià)模型的校準(zhǔn)，這是首次將GWR應(yīng)用于此大小的數(shù)據(jù)集季惯。結(jié)果表明阶牍，隨著高性能計(jì)算（HPC）環(huán)境中核心數(shù)量的增加，F(xiàn)astGWR呈線性擴(kuò)展星瘾。它還優(yōu)于目前可用的開源GWR軟件包走孽，在標(biāo)準(zhǔn)桌面上具有極快的速度降低速度 - 快達(dá)數(shù)千倍。很有幸琳状，筆者在5月份北京的空間精度2018會(huì)議上見過作者的匯報(bào)磕瓷，當(dāng)時(shí)的題目是比較不同GWR的結(jié)果是否有差異性？同時(shí)也簡要介紹了他開發(fā)的FastGWR軟件∧畛眩現(xiàn)在已經(jīng)在IJGIS發(fā)表了困食，GWR算法在大數(shù)據(jù)上的擴(kuò)展。之前筆者在暑期學(xué)校的時(shí)候有幸聽過Fothingham的匯報(bào)翎承，他也曾說過原來的GWR運(yùn)算規(guī)模大約在8w條左右數(shù)據(jù)硕盹。因此這個(gè)FastGWR的出現(xiàn)將會(huì)為GWR領(lǐng)域的研究帶來更多的活力與生機(jī)。
PM2.5的準(zhǔn)確空間信息對于空氣污染控制和流行病學(xué)研究至關(guān)重要叨咖。土地利用回歸（LUR）模型已被廣泛用于預(yù)測地面PM2.5的空間分布瘩例。然而，由于有限的地面觀測甸各，LUR模型的預(yù)測PM2.5空間模式尚未得到充分研究垛贤。增加的氣溶膠光學(xué)厚度（AOD）產(chǎn)品可能是大面積空間連續(xù)觀測的近似值。本研究建立了北京季節(jié)1 km×1 km MAIAC AOD與觀測地PM2.5之間的關(guān)系趣倾，并根據(jù)AOD預(yù)測了季節(jié)性PM2.5地圖聘惦。還開發(fā)了季節(jié)性LUR模型，AOD和LUR模型均通過保持監(jiān)測站點(diǎn)進(jìn)行驗(yàn)證儒恋。最后善绎，通過上述AOD PM2.5圖黔漂，全面驗(yàn)證了LUR模型的空間模式。結(jié)果表明禀酱，單獨(dú)AOD可以直接用于預(yù)測地面PM2.5濃度在季節(jié)水平的空間分布炬守，與LUR模型的能力相當(dāng)。源自這兩種方法的PM2.5地圖在交通道路附近顯示出相似的空間趨勢和協(xié)調(diào)變化比勉。在土地利用特征變化很快的城鄉(xiāng)過渡地區(qū)劳较，可以觀察到很大的差異。變量和緩沖區(qū)大小選擇對于LUR模型至關(guān)重要浩聋，因?yàn)樗鼈冎鲗?dǎo)了預(yù)測PM2.5的空間模式观蜗。將AOD納入LUR模型可以提高春季的模型性能，并在測試過程中提供更可靠的結(jié)果衣洁。LUR模型和AOD產(chǎn)品的對比研究墓捻，PM2.5的制圖是當(dāng)前大氣遙感的一大研究重點(diǎn)，LUR和AOD的研究是比較普遍的兩種方式坊夫。這個(gè)比較還是比較有意思的砖第。
使用機(jī)載LiDAR（光探測和測距）數(shù)據(jù)自動(dòng)提取電力線一直是電力管理最重要的主題之一。然而环凿，這對于復(fù)雜的城市地區(qū)來說非常具有挑戰(zhàn)性梧兼，因?yàn)殡娏€靠近建筑物和樹木。在本文中智听，我們提出了一個(gè)新的羽杰，半自動(dòng)化和通用的框架，包括四個(gè)步驟：（i）電力線候選點(diǎn)過濾到推，（ii）局部鄰域選擇考赛，（iii）空間結(jié)構(gòu)特征提取，以及（iv）SVM分類莉测。我們介紹了候選點(diǎn)過濾和多尺度斜圓柱鄰域的電力線走廊方向颜骤，用于空間結(jié)構(gòu)特征提取。在詳細(xì)評估涉及七個(gè)尺度和四種類型的局部鄰域選擇捣卤，26個(gè)結(jié)構(gòu)特征和兩個(gè)數(shù)據(jù)集忍抽，我們證明了使用多尺度斜圓柱鄰域的單個(gè)3D點(diǎn)顯著改善了電力線分類。實(shí)驗(yàn)表明腌零，電力線分類的精度梯找，召回率和質(zhì)量率分別超過98％，98％和97％益涧。此外展示了該方法可以減少整個(gè)處理時(shí)間，同時(shí)實(shí)現(xiàn)高精度驯鳖。激光雷達(dá)遙感的一個(gè)新應(yīng)用闲询，電力線規(guī)劃久免。激光雷達(dá)遙感近年來的興起，使得遙感方面有了很多新的應(yīng)用扭弧。
在跨越不同科學(xué)領(lǐng)域的深度學(xué)習(xí)和計(jì)算機(jī)視覺的迅速發(fā)展中鸽捻，在城市發(fā)展方面呼巴，深度學(xué)習(xí)和計(jì)算機(jī)視覺應(yīng)用仍然局限于智能城市和自動(dòng)駕駛汽車的概念。實(shí)際上御蒲，在欠發(fā)達(dá)國家的城市和城市地區(qū)出現(xiàn)了很大的知識差距衣赶，其中非正規(guī)性的混亂是主導(dǎo)方案。深度學(xué)習(xí)和人工智能（AI）如何解決非正規(guī)性的復(fù)雜性厚满，以推進(jìn)城市建模和我們對城市的理解府瞄？在人工智能和計(jì)算機(jī)視覺的范例中，可以提出關(guān)于北方和南方城市未來的各種問題和爭論碘箍。在本文中遵馆，我們介紹了一種依靠深度學(xué)習(xí)和計(jì)算機(jī)視覺的多用途現(xiàn)實(shí) - 動(dòng)態(tài)城市建模的新方法，使用深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）丰榴，從空中和街景圖像中感知和檢測城市場景中的非正規(guī)性和貧民窟货邓。除了檢測行人和運(yùn)輸模式。該模型已經(jīng)在全球城市的城市場景圖像上進(jìn)行了培訓(xùn)四濒。該模型很好地驗(yàn)證了計(jì)劃區(qū)域和非計(jì)劃區(qū)域之間的各種細(xì)微差別换况，包括非正規(guī)區(qū)域和貧民區(qū)。我們嘗試推進(jìn)城市建模峻黍，以更好地了解城市發(fā)展的動(dòng)態(tài)复隆。我們還旨在舉例說明人工智能在城市中的重要影響，超越了主流中智能城市的討論和感知姆涩。 URBAN-i模型的算法在Python編程中完全編碼挽拂，使用預(yù)先訓(xùn)練的深度學(xué)習(xí)模型，用作地球各個(gè)角落的地圖和城市建模工具骨饿，包括非正式住區(qū)和貧民窟區(qū)域亏栈。計(jì)算機(jī)視覺和深度學(xué)習(xí)在城市規(guī)劃中的應(yīng)用。
城市化和工業(yè)化在很大程度上代表了從生物圈和巖石圈到人類圈的材料轉(zhuǎn)化過程宏赘。因此绒北，了解這種人為物質(zhì)庫存積累的模式是評估和維持人類如何改變地球周圍資源的生物物理運(yùn)動(dòng)的基本先決條件。然而察署，由于較高空間分辨率的數(shù)據(jù)缺口闷游，以前關(guān)于這些人為種群的研究往往局限于全球和國家尺度。在此基礎(chǔ)上，本研究基于一套新的國家材料庫存數(shù)據(jù)和夜間光圖像脐往，開發(fā)了一個(gè)回歸模型休吠，用于繪制1 km×1 km水平的三種基本建筑材料（鋼，混凝土和鋁）的全球人為庫存业簿。 1992年至2008年瘤礁，本研究發(fā)現(xiàn)了一種分布不均勻的模式，其中超過40％來自三條帶：從英格蘭穿越海峽到西歐;從中國東部沿海到韓國和日本;從美國東海岸的五大湖到佛羅里達(dá)州梅尤。較小空間尺度的全球人為種群的時(shí)空動(dòng)態(tài)反映了自然地理柜思，建筑和建筑規(guī)范以及社會(huì)經(jīng)濟(jì)發(fā)展的綜合影響。本研究的結(jié)果提供了有用的數(shù)據(jù)巷燥，可以為區(qū)域和城市規(guī)模的政策制定者和行業(yè)提供資源效率赡盘，廢物管理，城市采礦矾湃，空間規(guī)劃和環(huán)境可持續(xù)性方面的支持亡脑。夜間燈光用于產(chǎn)業(yè)生態(tài)方面的研究，長時(shí)間序列的產(chǎn)業(yè)生態(tài)學(xué)人為資源積累的高分辨率制圖邀跃。
提高二氧化碳排放效率對實(shí)現(xiàn)節(jié)能減排目標(biāo)霉咨，實(shí)現(xiàn)低碳發(fā)展具有重要意義。雖然人們越來越認(rèn)識到城市形態(tài)可以顯著影響城市地區(qū)的二氧化碳排放拍屑，但很少有研究能夠量化城市形態(tài)對二氧化碳排放效率的影響途戒。因此，本文的目的是通過實(shí)證量化城市形態(tài)如何影響二氧化碳排放效率來為現(xiàn)有文獻(xiàn)做出貢獻(xiàn)僵驰。本研究中的二氧化碳排放效率以二氧化碳經(jīng)濟(jì)效率（CEE）和二氧化碳社會(huì)效率（CSE）表示喷斋。首先，本研究利用1990 - 2013年期間當(dāng)?shù)刂匾纳鐣?huì)經(jīng)濟(jì)變量蒜茴，計(jì)算了珠江三角洲（廣州星爪，深圳，珠海粉私，佛山顽腾，江門，肇慶诺核，惠州抄肖，東莞和中山）九個(gè)城市的相關(guān)數(shù)據(jù)。然后窖杀，選擇了七個(gè)景觀指標(biāo)漓摩，以便使用遙感數(shù)據(jù)量化城市形態(tài)的三個(gè)維度（擴(kuò)展，不規(guī)則和緊湊）入客。最后管毙，利用面板數(shù)據(jù)模型來估計(jì)城市形態(tài)與二氧化碳排放效率之間的關(guān)聯(lián)腿椎。本研究發(fā)現(xiàn)城市擴(kuò)張與CEE和CSE之間存在負(fù)相關(guān)關(guān)系，這一發(fā)現(xiàn)表明城市增長會(huì)降低二氧化碳的經(jīng)濟(jì)效率锅风。此外酥诽，發(fā)現(xiàn)城市形式的不規(guī)則性增加會(huì)降低CEE和CSE-更大程度的不規(guī)則性鞍泉，換句話說皱埠，導(dǎo)致更低的二氧化碳排放效率。相反咖驮，城市緊湊性被確定為對CEE和CSE都有顯著的積極影響边器，這表明城市的緊湊發(fā)展實(shí)際上可以幫助提高二氧化碳排放效率。這項(xiàng)研究的結(jié)果對于建設(shè)中國的低碳城市具有重要意義托修。一直關(guān)注城市形態(tài)對于二氧化碳排放的影響忘巧，這篇文章是一篇很不錯(cuò)的參考論文。
長時(shí)間暴露于空氣動(dòng)力學(xué)直徑10μm（PM10）和2.5μm（PM2.5）的顆粒物質(zhì)（PM）對人體健康具有負(fù)面影響睦刃。雖然在全球范圍內(nèi)進(jìn)行了基于站點(diǎn)的PM監(jiān)測砚嘴，但在高空間分辨率下為大面積區(qū)域提供空間連續(xù)的PM信息仍然具有挑戰(zhàn)性。衛(wèi)星衍生的氣溶膠信息涩拙，如氣溶膠光學(xué)深度（AOD）际长，經(jīng)常被用來研究地面PM濃度。在這項(xiàng)研究中兴泥，我們將多個(gè)衛(wèi)星衍生產(chǎn)品（包括AOD）與基于模型的氣象參數(shù)（即露點(diǎn)溫度工育，風(fēng)速，表面壓力搓彻，行星邊界層高度和相對濕度）和排放參數(shù)（即NO如绸，NH3， SO2旭贬，POA和HCHO）估算韓國的表面PM濃度怔接。隨機(jī)森林（RF）機(jī)器學(xué)習(xí)用于估算PM10和PM2.5濃度，2015-2016共有32個(gè)參數(shù)稀轨。結(jié)果表明扼脐，基于RF的模型產(chǎn)生了良好的性能，導(dǎo)致R10值分別為0.78和0.73靶端，PMMS和PM2.5的RMSE分別為17.08μg/m3和8.25μg/m3谎势。特別是，所提出的模型成功地估計(jì)了高PM濃度杨名。 AOD被認(rèn)為是估算地面PM濃度最重要的因素脏榆，其次是風(fēng)速，太陽輻射和露點(diǎn)溫度台谍。使用來自對地靜止衛(wèi)星傳感器（即GOCI）的氣溶膠信息導(dǎo)致估算PM濃度的精度略高于來自極軌道傳感器系統(tǒng)（即MODIS）的精度须喂。所提出的RF模型產(chǎn)生了更好的性能，特別是在改進(jìn)低估基于過程的模型（即GEOS-Chem和CMAQ）方面。融合過程模型與衛(wèi)星影像的PM污染物制圖坞生，多源數(shù)據(jù)融合用在PM制圖上的工作仔役，發(fā)表在歐洲地學(xué)旗艦刊物。
地方當(dāng)局要求提供有關(guān)土地使用決策的海岸線變更信息是己。監(jiān)測海岸線變化對于更新沿海規(guī)劃和管理中使用的海岸線地圖非常有用又兵。通過分析一段時(shí)間內(nèi)的數(shù)據(jù)，可以確定海岸變化的位置和速度卒废。因此沛厨，我們可以防止高風(fēng)險(xiǎn)區(qū)域的任何發(fā)展。這項(xiàng)研究調(diào)查了海岸線變化的模糊分類的可轉(zhuǎn)移性摔认，并向更大的區(qū)域進(jìn)行了升級逆皮。使用六個(gè)子區(qū)域，使用了三種策略：（i）基于參考子集的主要土地利用/覆蓋優(yōu)化兩個(gè)FCM（模糊c-均值）參數(shù)参袱，（ii）采用類別平均值和由參考子集的分類以在目標(biāo)子集上執(zhí)行FCM电谣，以及（iii）估計(jì)目標(biāo)子集的模糊性的最佳水平。這種方法應(yīng)用于一系列圖像抹蚀，以確定印度尼西亞中爪哇省北部一段三十年來海岸線位置發(fā)生嚴(yán)重變化的海岸線位置剿牺。通過覆蓋海岸線圖像估算海岸線變化的程度。突出顯示海岸線位置以推斷沿海岸的侵蝕和吸積區(qū)域况鸣，并計(jì)算海岸線的變化牢贸。從實(shí)驗(yàn)結(jié)果來看，我們獲得了分析的7個(gè)土地利用/覆蓋等級的m（模糊度）值在1.3到1.9的范圍內(nèi)镐捧。此外潜索，對于本研究中使用的十個(gè)圖像，我們獲得了最優(yōu)m = 1.8懂酱。對于類似的沿海特征竹习，可以采用該m值，并且土地利用/覆蓋與兩個(gè)FCM參數(shù)之間的關(guān)系可以縮短優(yōu)化參數(shù)所需的時(shí)間列牺。所提出的用于將分類方法放大并轉(zhuǎn)移到更大或不同區(qū)域的方法是有希望的整陌，顯示κ（kappa）值> 0.80。結(jié)果還顯示參考和目標(biāo)子集之間的水隸屬度值的一致性由κ> 0.82表示瞎领。在研究期間泌辫，該地區(qū)表現(xiàn)出侵蝕和吸積。通過水的變化表明侵蝕九默，并且觀察到從非水到海岸線的變化大約78平方公里震放。增加的原因是非水的變化以及從水變?yōu)楹０毒€的變化為19.5平方公里。研究區(qū)東段的侵蝕嚴(yán)重驼修，而中段通過填旱钏欤活動(dòng)獲得土地诈铛。這些侵蝕和吸積過程在海岸線的變化中發(fā)揮了積極作用。我們得出結(jié)論墨礁，該方法適用于當(dāng)前的研究領(lǐng)域幢竹。可以采用土地利用/覆蓋等級與本研究中產(chǎn)生的FCM參數(shù)值之間的關(guān)系恩静。海岸線的遙感提取的研究焕毫，基于模糊分類的方法。近年來海平面上升一直是全球變暖關(guān)鍵的關(guān)注問題蜕企，海岸線的遙感提取可以快速幫助這方面的深入研究咬荷。
