資源整理。
1 Coding:
1.Python庫gee subset常熙，用于Google Earth Engine裁切的庫。
2.適用于WebGL應(yīng)用程序的最快和最小的JavaScript多邊形三角剖分庫。
3.用Google Earth Engine python api探索雷達濕雪地圖垮兑。
4.用于GluonCV模型的PyTorch API诉瓦。
5.R語言包phenocam川队，PhenoCam時間序列是從ROI獲取的給定站點的時間序列數(shù)據(jù)力细。 每個站點都有特定的元數(shù)據(jù)，包括但不限于站點的設(shè)置方式和位置固额，攝像機可以看到的植被類型及其氣候狀況眠蚂。
6.用于同一個Docker容器中的VNC會話中運行Leo，有效地將Leo變成了一個Web應(yīng)用程序斗躏。Leo是Python/PyQt5編輯器/IDE逝慧。
7.R語言包classy，說明了如何使用R和Rcpp中的類和Rcpp :: XPtr對象啄糙。
8.TerriaJS是一個用于構(gòu)建基于Web的豐富地理空間數(shù)據(jù)資源管理器的庫笛臣，用于驅(qū)動國家地圖，AREMI和NEII查看器隧饼。
9.具有每小時人口數(shù)據(jù)的NNF主題模型沈堡。
10.在線教程文檔，內(nèi)容應(yīng)當(dāng)是數(shù)據(jù)處理與R桑李。
11.R語言包ggplus踱蛀，ggplot2的一系列附加函數(shù)。
12.Python庫Click贵白，用于以可組合的方式創(chuàng)建漂亮的命令行界面率拒，并且只需要很少的代碼。 這是“命令行界面創(chuàng)建工具包”禁荒。 它具有高度可配置性猬膨，但具有開箱即用的合理默認(rèn)值。
13.Learning to Reason with Third-Order Tensor Products出版物的代碼呛伴。
14.用于快速貝葉斯推理的大型分層模型的多核BUGS勃痴。
15.模塊化Boost的超級項目。
16.幾個跟米氏散射相關(guān)的Python庫热康。
Python包miescattering沛申，允許您計算空氣中球形顆粒的散射特性。 這對于遙感大氣中的云（和氣溶膠）非常有用姐军。 Mie計算在Michael Mishchenko編寫的FORTRAN代碼中铁材。 這個包允許你從Python運行Michael的計算。
Python庫PyMieScatt奕锌，基于Bohren和Huffman的Mie Theory派生的Python 3正向和反向Mie求解程序的集合著觉。
miepython是一個Python模塊，用于計算實心球體的光散射惊暴。
17.R語言包mapr饼丘，可以更容易地在R中制作地圖。給定一組位置辽话，例如來自標(biāo)記動物的位置肄鸽，mapr將使用rworldmap從Natural Earth數(shù)據(jù)庫加載全局shapefile卫病，并使用ggplot2對其進行繪圖并在INLA中使用。
18.nodejs的資源典徘。
19.R語言的各種多態(tài)忽肛。
20.幾個比較不錯的網(wǎng)站和github資源。
人大數(shù)據(jù)挖掘中心主頁烂斋。
rucdmc.github.io
rjournal主頁。
rjournal.github.io
21.bookdown的中國人民大學(xué)學(xué)位論文模板础废。
22.Python庫pyEOM汛骂，對地觀測監(jiān)測的Python包，用于提取不同MODIS產(chǎn)品和Landsat數(shù)據(jù)以及給定幾何（單個像素或多邊形）的時間序列數(shù)據(jù)评腺。
23.R-Shiny BFAST Explorer帘瞭，使用R和Python開發(fā)，專為分析Landsat Surface Reflectance時間序列數(shù)據(jù)而設(shè)計蒿讥。使用三種變化檢測算法 - bfastmonitor蝶念，bfast01和bfast - 通過斷點檢測來研究趨勢和季節(jié)性成分的時間變化。
24.北緯52°傳感器觀測服務(wù)相關(guān)項目
北緯52°傳感器觀測服務(wù)相關(guān)項目芋绸。
SOS
在THREDDS之上的SOS服務(wù)媒殉。
ncSOS
OGC SOS的R客戶端。
sos4R
25.基于目錄的Web地理空間可視化平臺摔敛。
26.WebGL加速JavaScript庫廷蓉，用于培訓(xùn)和部署ML模型。
27.從球形DEM生成行星马昙，衛(wèi)星等的3D網(wǎng)格桃犬。
28.地方，行星和地球引擎：Hacktober2018行楞。
29.node js的mapnik橋接庫攒暇。
30.Python庫gp emulator，高斯過程模擬器子房。
31.簡單的物候擬合實用項目形用。
32.R語言包projectimplicit，使用Project Implicit數(shù)據(jù)（此處為Race Implicit Association Test）探索和報告描述性和推論性統(tǒng)計數(shù)據(jù)的最小包池颈。
33.R語言包lognorm尾序，用于對數(shù)正態(tài)分布的相關(guān)函數(shù)。
34.一種快速算法躯砰，用于查找不可訪問的多極點每币，多邊形輪廓中最遠的內(nèi)點（不要與質(zhì)心混淆），實現(xiàn)為JavaScript庫琢歇。
35.R語言包dismo兰怠，物種分布建模工具梦鉴。
36.前端主要處理來自O(shè)penML數(shù)據(jù)的ElasticSearch索引的數(shù)據(jù)。 與OpenML后端的額外交互（例如數(shù)據(jù)集上傳）通過OpenML REST API進行揭保。
37.[神經(jīng)網(wǎng)絡(luò)搜索與強化學(xué)習(xí)]的基本實現(xiàn)
2 Paper:
1.A spatial heterogeneity-based rough set extension for spatial data/基于空間異質(zhì)性的空間數(shù)據(jù)粗糙集擴展
當(dāng)使用經(jīng)典粗糙集（CRS）理論來分析空間數(shù)據(jù)時肥橙，存在一個潛在的假設(shè)，即宇宙中的物體完全隨機分布在空間上秸侣。但是存筏，這種假設(shè)與空間數(shù)據(jù)的實際情況相沖突。通常味榛，空間異質(zhì)性和空間自相關(guān)是空間數(shù)據(jù)的兩個重要特征椭坚。這兩個特征是提高空間數(shù)據(jù)建模精度的重要信息源。本文通過引入空間異質(zhì)性和空間自相關(guān)來擴展CRS理論搏色。這個新的擴展將空間鄰接信息添加到信息表中善茎。通過在這些概念中添加空間鄰接信息，CRS理論中的許多基本概念频轿，例如不可分辨性關(guān)系垂涯，等價類以及下近似和上近似，都得到了改善航邢「福基于這些基本概念，提出了一種新的約簡方法和一種改進的規(guī)則匹配方法膳殷。新的還原在選擇特征子集時結(jié)合了空間異質(zhì)性鞠苟，可以保留所有特征的局部判別能力，新的規(guī)則匹配方法利用空間自相關(guān)來提高基于粗糙集的分類器的分類能力秽之。實驗結(jié)果表明当娱，所提出的擴展顯著提高了分類或分割精度，并且空間縮減比經(jīng)典縮減所需的時間少得多考榨。粗糙集理論的空間化跨细，可以說空間統(tǒng)計算法本身就是對統(tǒng)計學(xué)算法的空間化。所以在方法學(xué)上是非常不錯的文章河质。發(fā)表于IJGIS冀惭。
空氣動力學(xué)直徑小于2.5μm（PM2.5）的顆粒物質(zhì)與各種不利的健康影響有關(guān)。地面測量可以產(chǎn)生高度準(zhǔn)確的PM2.5濃度掀鹅，但在討論PM2.5的時空變化時具有一定的局限性散休。衛(wèi)星遙感可以獲得連續(xù)和長期的覆蓋數(shù)據(jù)，許多先前的研究已經(jīng)從理論分析和觀察中證明了PM2.5與AOD（氣溶膠光學(xué)深度）之間的關(guān)系乐尊。在這項研究中戚丸，使用垂直濕度校正方法獲得了從AHI（Advance Himawari Imager）獲取的具有高時空分辨率的新氣溶膠產(chǎn)品，以估算河北的每小時PM2.5濃度扔嵌。吸濕性生長因子（fRH）適合于每個部位（總共137個匹配部位）限府。同時夺颤，假設(shè)在一定比例下fRH幾乎沒有變化，確定每個像素的最接近的fRH以計算PM2.5濃度胁勺。與AOD和PM2.5之間的相關(guān)性相比世澜，通過垂直濕度校正獲得的“干”質(zhì)量消光效率與地面測量的PM2.5之間的關(guān)系顯著改善。衛(wèi)星估算的每小時PM2.5濃度與地面測量的PM2.5一致署穗，具有高r和低RMSE（值寥裂，以及下午（13：00-16：00）的準(zhǔn)確率高于早晨（09：00-12：00）。最后案疲，分析了污染過程抚恒，分析表明PM2.5數(shù)據(jù)的高時空分辨率可以連續(xù)直觀地反映區(qū)域污染物的特征（如擴散和積累），這對評估區(qū)域空氣質(zhì)量具有重要意義络拌。利用葵花衛(wèi)星產(chǎn)品改善AOD，濕度校正回溺，同時實現(xiàn)小時尺度的產(chǎn)品反演春贸，當(dāng)時間分辨率精細后，更能反映出區(qū)域空氣污染物的特征遗遵，這也是未來的重點研究方向萍恕。
暴雨被廣泛認(rèn)為是世界上最具破壞性的自然災(zāi)害之一，因此對暴發(fā)洪水易發(fā)區(qū)域的預(yù)測對公共安全和應(yīng)急管理至關(guān)重要车要。本研究基于Sentinel-1 SAR圖像和一種新的混合機器學(xué)習(xí)技術(shù)允粤，提出了一種新的山洪預(yù)測方法。 SAR圖像用于檢測山洪洪水淹沒區(qū)域翼岁，而新機器學(xué)習(xí)技術(shù)是螢火蟲算法（FA）类垫，Levenberg-Marquardt（LM）反向傳播和人工神經(jīng)網(wǎng)絡(luò)（稱為FA-LM-ANN）的雜交），用于構(gòu)建預(yù)測模型琅坡。以越南西北部的Bac Ha Bao Yen（BHBY）為例進行了案例研究悉患。因此，使用12個輸入變量（海拔榆俺，坡度售躁，坡向，曲率茴晋，地形濕度指數(shù)陪捷，河流功率指數(shù)，toposhade诺擅，河流密度市袖，降雨量，歸一化差異植被指數(shù)烁涌，土壤類型和巖性）構(gòu)建地理信息系統(tǒng)（GIS）數(shù)據(jù)庫凌盯。并隨后繪制了洪水淹沒區(qū)域的輸出付枫。使用數(shù)據(jù)庫和FA-LM-ANN，對暴洪模型進行了培訓(xùn)和驗證驰怎。模型性能通過各種性能指標(biāo)進行驗證阐滩，包括分類準(zhǔn)確率，曲線下面積县忌，精度和召回率掂榔。然后，將產(chǎn)生最高性能的閃電洪水模型與基準(zhǔn)進行比較症杏，表明FA和LM反向傳播的組合被證明是非常有效的装获，并且所提出的FA-LM-ANN是用于預(yù)測閃電洪水敏感性的新的有用工具。利用不同算法組合成新的機器學(xué)習(xí)混合算法厉颤，并且用于暴雨洪水預(yù)測穴豫，非常不錯的研究。
作為土壤學(xué)和地理學(xué)學(xué)科的分支,土壤地理學(xué)是地球表層系統(tǒng)科學(xué)的重要組成部分,其核心研究內(nèi)容是土壤的時空變化逼友。土壤地理學(xué)研究對象從傳統(tǒng)的土體向地球表層系統(tǒng)視角下的關(guān)鍵帶轉(zhuǎn)變,研究方法上全面走向數(shù)字化精肃。本文綜述了近20年來土壤地理學(xué)分支學(xué)科包括土壤發(fā)生、土壤形態(tài)帜乞、土壤分類司抱、土壤調(diào)查與數(shù)字土壤制圖等領(lǐng)域的研究進展,指出其發(fā)展趨勢為：基礎(chǔ)理論研究不斷拓展、調(diào)查技術(shù)正經(jīng)歷變革黎烈、時空演變從過程觀測走向模擬,同時探討了土壤地理學(xué)的未來發(fā)展契機與面臨的挑戰(zhàn)习柠。土壤地理學(xué)研究的綜述研究。對土壤相關(guān)的研究感興趣的可以自行閱讀照棋。
5.土壤圖更新中基于土壤類型面積分級的訓(xùn)練樣點選擇方法
基于數(shù)據(jù)挖掘模型的土壤圖更新是一項重要的研究资溃。數(shù)據(jù)挖掘模型構(gòu)建中訓(xùn)練樣點的質(zhì)量不僅決定其對研究區(qū)土壤-環(huán)境關(guān)系表達的充分程度，而且會對推理制圖的結(jié)果產(chǎn)生至關(guān)重要的影響烈炭。本文提出一種基于土壤類型面積分級的典型訓(xùn)練樣點選擇方法肉拓，即依據(jù)土壤面積對土壤類型分級，并按照等級之間的比例關(guān)系基于典型點選擇訓(xùn)練樣點梳庆。將方法應(yīng)用于更新美國威斯康星州Raffelson流域的傳統(tǒng)土壤圖暖途，并與另外兩種訓(xùn)練樣點選擇方法對比，以驗證該方法的有效性膏执。結(jié)果表明驻售，500次重復(fù)實驗中，本研究方法與另外兩種訓(xùn)練樣點選擇方法相比更米，能夠更新傳統(tǒng)土壤圖的比例分別為79.5%欺栗、71.8%和63.6%，而且其推理制圖結(jié)果更符合研究區(qū)土壤分布的特征。本研究所提方法是一種有效的訓(xùn)練樣點選擇方法迟几。事實上根據(jù)先驗知識對空間數(shù)據(jù)樣本進行挖掘能夠有效提高空間制圖精度以及降低人力物力和采樣成本消请。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(chǎn)量及啤酒市場的影響
這篇文章CEADs推送過类腮，這里不詳述臊泰，值得關(guān)注的是，這是一個多模型耦合的研究蚜枢。相信也是未來研究的趨勢缸逃。
