資源整理夹孔。
1 Coding：
1.開源項目openeo api笋粟。oponEO開發(fā)了一個開放的API怀挠，以簡單統(tǒng)一的方式將R，python和javascript客戶端連接到對地觀測大數(shù)據(jù)云平臺的后臺害捕。 此存儲庫包含此API绿淋，即oponEO（核心）API。
2.開源項目quantized mesh viewer尝盼，在Cesium中渲染自定義量化網格瓦片并使用THREE.js渲染器調試單個瓦片吞滞。
3.開源項目spade，rust語言的空間數(shù)據(jù)結構盾沫。
4.用TensorFlow進行機器學習書籍附帶TensorFlow機器學習的源代碼裁赠。有關代碼說明，請參閱本書赴精。
5.R語言包ggsoccer佩捞，ggplot2的拓展包，用于繪制足球場及足球賽事的包蕾哟。
6.開源項目firspaper,關于寫第一篇論文的很多東西一忱。很切實的經驗之談。值得關注谭确。
7.R語言包datapasta帘营，一個幫助在不同平臺復制粘貼的包。
8.R語言包rgeopat2逐哈，支持使用'GeoPAT'2軟件處理的空間數(shù)據(jù)分析芬迄。
9.開源項目weathercontext，twitter上的機器人昂秃，每天中午定時發(fā)布天氣信息禀梳，同時也可以查詢歷史天氣（來自ECMWF的ERA-interim數(shù)據(jù)）。
10.R語言包geojsonsf肠骆，R中GeoJSON和Simple Feature對象之間的簡單算途，低依賴性和快速轉換工具。
11.R語言包adaptMCMC哗戈，通用自適應蒙特卡羅馬爾可夫鏈采樣器的R語言實現(xiàn)郊艘。
12.R語言包usmap，在R中創(chuàng)建包括阿拉斯加和夏威夷在內的美國地圖唯咬。
13.R語言包s2纱注，用于橢球體的Google s2庫的R接口。
14.開源項目TheGeolocationManual胆胰，R markdown組織的文件狞贱，應該跟Geolocation相關的內容。詳情見倉庫蜀涨。
15.Fotran庫LAPACK瞎嬉，用于解決數(shù)值線性代數(shù)中最常出現(xiàn)的問題蝎毡。
16.R語言包pkgdown，用于生成R包的靜態(tài)網頁氧枣。
17.node建立的自然語言處理庫沐兵，具有實體提取，情感分析便监，自動語言識別等功能扎谎。
18.開源項目KivyMD，Kivy Material Design標準的小部件的集合烧董。
19.用于ODSC介紹貝葉斯工作流的幻燈片和材料毁靶。
20.開源項目NUTS，來自Hoffman＆Gelman的2011年無轉換采樣器（NUTS）的python版本逊移。
21.R語言包cowsay预吆，R中有更多動物的cowsay。就是用注釋畫出動物的樣子胳泉。
22.R語言包lato拐叉，使用'Lato'字體的最小和靈活的'ggplot2'主題。
23.QGIS的Google Earth Engine插件胶背。
2 Paper:
繪制紅樹林的范圍和物種對于了解它們對環(huán)境變化的反應以及觀察其提供商品和服務的完整性非常重要喘先。然而钳吟，準確繪制紅樹林范圍和物種是遙感的持續(xù)挑戰(zhàn)。新推出的可自由使用的Sentinel-2（S2）傳感器為這些挑戰(zhàn)提供了新的機會窘拯。本研究首次開展了一項研究红且，旨在研究中國東寨港第一個國家紅樹林自然保護區(qū)紅樹林范圍和物種的原始條帶，光譜指數(shù)和紋理信息涤姊。為了繪制紅樹林的范圍和物種暇番，利用和修改了基于紅樹林生態(tài)系統(tǒng)的空間結構和基于地理對象的圖像分析的三級層次結構。在實驗過程中思喊，為了克服優(yōu)化高維和相關特征空間的挑戰(zhàn)壁酬，引入了遞歸特征消除（RFE）算法。最后恨课，基于隨機森林算法舆乔，來自RFE的所選特征被用于紅樹林物種鑒別。將結果與Landsat 8（L8）和Pléiades-1（P1）數(shù)據(jù)進行了比較剂公，結果表明S2和L8可以準確地提取紅樹林的范圍希俩，但P1顯然高估了它。關于紅樹林物種群落水平纲辽，S2的總體分類準確度為70.95％颜武，低于P1圖像（78.57％）璃搜，略高于L8數(shù)據(jù)（68.57％）。同時鳞上，前者差異具有統(tǒng)計顯著性这吻，后者則不然。優(yōu)勢物種基本上是在S2和P1圖像中提取的篙议，這些特征對于紅樹林物種鑒別是最重要的橘原。最重要的特征是紅光波段，其次是短波紅外涡上，近紅外趾断，藍光和其他可見光波段。這項研究表明S2傳感器可以準確地繪制紅樹林的范圍吩愧，并基本上區(qū)分紅樹林物種群落芋酌，但對于后者，由于紅樹林物種的復雜性雁佳，應該謹慎脐帝。遙感影像在紅樹林提取方面的成果。事實證明哨兵的數(shù)據(jù)在提取范圍上準確度較高糖权，而提取物種上卻效果不佳堵腹。從與Landsat 8和Pléiades-1的比較來看，相信未來紅樹林遙感制圖的關鍵是這幾個多源衛(wèi)星的信息融合星澳。
空氣污染流行病學研究越來越依賴于高分辨率暴露預測模型。但是禁偎，到目前為止腿堤，很少有這種類型分辨率的數(shù)據(jù)可供在中國使用。目標：我們制定了國家土地利用回歸模型（LUR）如暖，以估算中國2014年至2016年的月平均PM2.5笆檀，PM10和NO2。方法：我們使用廣義加性混合模型開發(fā)了時空半參數(shù)模型盒至。模型中包括各種預測變量：時變氣象數(shù)據(jù)酗洒，Globaland 30的高分辨率土地覆蓋數(shù)據(jù)，氣溶膠光學深度的衛(wèi)星測量和地理信息系統(tǒng)（GIS）衍生的預測變量枷遂。我們使用兩種交叉驗證（CV）方法評估模型性能樱衷，包括保持CV和10折CV。結果：在1382個監(jiān)測點進行了超過22,000次月度觀測登淘，以估算空氣污染暴露情況箫老。時變空間項解釋了87％，71％和69％的變異性黔州，PM2.5耍鬓，PM10和NO2模型的保持交叉驗證R2分別為0.85,0.62和0.62阔籽。模型顯示，氣象變量牲蜀，人口密度笆制，海拔，道路距離和土地覆蓋類型是空氣污染暴露的重要預測因子涣达。結論：我們開發(fā)了一種新的全國范圍的模型來估算居住水平的空氣污染暴露在辆，可用于研究空氣污染的慢性不利影響。LUR的全國尺度上的研究度苔，并且涵蓋了三大關鍵大氣污染物匆篓，比較扎實的研究。且是比較高時間分辨率（月）的LUR寇窑。
隔離涉及一個以上的人口群體鸦概，隔離措施量化了不同人口群體在空間中的分布方式。隔離研究的關鍵概念和方法論基礎之一是考慮跨地區(qū)單位的兩個或更多人口群之間空間相互作用的潛力甩骏。這個基礎意味著需要一種空間方法來描繪鄰居之間的空間（以及社會）互動窗市。通常，簡單的百分比（例如饮笛，黑色百分比）不是隔離的量度咨察。由于地方空間隔離措施直到最近才出現(xiàn)，本文的目標有三個：（1）解釋用于測量鄰域（或地方）層面隔離水平的空間方法福青，（2）證明不足之處摄狱。使用一定比例的種族/族裔群體作為隔離措施，以及（3）澄清兩種常用的不同和多樣性指數(shù)的適當性素跺。來自密蘇里州圣路易斯和伊利諾伊州芝加哥的數(shù)據(jù)用于討論這三點二蓝。一個偏向社會學的GIS應用誉券，似乎是涉及到種族隔離方面的研究指厌。
室外空氣污染是全球的主要殺手踊跟，也是中國疾病負擔的第四大因素踩验。中國是世界上人口最多的國家，每年空氣污染死亡人數(shù)最多商玫，但中國現(xiàn)有國家空氣污染估算的空間分辨率普遍較低箕憾。我們通過開發(fā)和評估中國的國家經驗模型（包括土地利用回歸（LUR），衛(wèi)星測量和普遍克里金法（UK））來解決這一research gap拳昌。我們用幾種方法測試得到的模型袭异，包括（1）比較使用前向逐步回歸與偏最小二乘（PLS）回歸開發(fā)的模型，（2）比較使用和不使用衛(wèi)星測量開發(fā)的模型炬藤，使用和不使用UK御铃，以及（ 3）10倍交叉驗證（CV）碴里，以省為單元的留一交叉驗證（LOPOCV）和以城市為單元的留一交叉驗證（LOCOCV）。衛(wèi)星數(shù)據(jù)和克里金法在使預測更準確方面具有互補性：克里金法改進了良好采樣區(qū)域的模型;衛(wèi)星數(shù)據(jù)大大提高了遠離監(jiān)視器的位置的性能上真。逐步前向選擇與10倍CV中的PLS類似地執(zhí)行咬腋，但是優(yōu)于LOPO-CV中的PLS毛肋。我們的最佳模型采用前向選擇和UK当编，我們?yōu)橹袊哪昶骄鶟舛戎谱髁说谝粋€高分辨率國家LUR模型。模型應用于1 km網格以支持未來的研究猖任。 2015年就珠，超過80％的中國人口居住在超過中國國家PM2.5標準的地區(qū)寇壳，這里的結果將公開，可能對環(huán)境健康研究有用妻怎。類似于上面第二篇的土地利用回歸模型九巡。不過這篇增加了和人口相關的研究，切實地做到了暴露的研究蹂季。
5.Thermal evaluation of urbanization using a hybrid approach/使用混合方法對城市化進行熱評估
城市發(fā)展增加了建筑物和路面的徑流溫度冕广，這可能對水生生物有害。但是偿洁，我們根據(jù)土地利用預測徑流溫度的能力有限撒汉。本文探討了可用于模擬徑流溫度的工具，這是一種敏感物種溪鱒（Salvelinus sp涕滋。）睬辐。明尼蘇達城市熱量輸出工具（MINUHET）和暴雨水管理模型（SWMM）被應用于弗吉尼亞州布萊克斯堡附近的Stroubles Creek流域的14.1平方公里的部分，持續(xù)兩個夏天宾肺。流量溯饵，水溫和天氣數(shù)據(jù)來自Virginia Tech StREAM實驗室（流研究，教育和管理）監(jiān)測站锨用。 SWMM和MINUHET分別針對流量和流溫度進行校準和驗證丰刊。模型對不透水性（SWMM預測的流量）和露點溫度（MINUHET預測的水溫）敏感。雖然模型輸出時間步長為15分鐘增拥，但使用Nash-Sutcliffe效率（NSE）按小時時間步長評估模擬流量流中的模型性能啄巧。 SWMM的NSE值分別為0.67和0.65，校準和驗證期間的MINUHET分別為0.62和0.57掌栅，表明SWMM在流量模擬中的表現(xiàn)優(yōu)于MINUHET秩仆。在驗證期間使用MINUHET模擬流溫度，NSE值為0.58猾封，證明了令人滿意的水溫模擬澄耍。由于SWMM不能進行簡單混合以外的溫度模擬。 SWMM和MINUHET的水文和熱輸出以混合方式組合，強調每個相應模型的強度齐莲，即SWMM用于徑流和徑流卿城，MINUHET用于水溫。使用MINUHET和Hybrid模型模擬熱負荷;混合模型（0.56）單獨使用比MINUHET（0.45）更大的NSE铅搓。 MINUHET預測表明瑟押，在校準和驗證期分別為39％和38％的情況下，水溫將超過21°C的鱒魚毒性閾值星掰。由于觀察到的溫度分別超過了校準和驗證期的59％和53％的毒性閾值多望，因此MINUHET不是溫度持續(xù)時間超過毒性閾值的保守預測因子。小尺度城市化與徑流溫度對物種危害的研究氢烘，耦合了兩個模型怀偷。
在過去的研究中，個人環(huán)境暴露主要是以靜態(tài)方式測量的播玖。在這項研究中椎工，我們開發(fā)并實施一個動態(tài)表示環(huán)境背景（環(huán)境背景立方體）的分析框架，并有效地整合個人日常運動（行為時空軌跡）蜀踏，以準確地推導出個人環(huán)境暴露（環(huán)境背景暴露指數(shù)）维蒙。該框架用于檢查食物環(huán)境暴露與46名參與者的超重狀態(tài)之間的關系，使用俄亥俄州哥倫布市的全球定位系統(tǒng)（GPS）收集的數(shù)據(jù)和二元邏輯回歸模型果覆。結果表明颅痊，與其他廣泛使用的方法相比，所提出的框架可以對個體食物環(huán)境暴露產生更可靠的測量局待“呦欤考慮到個體環(huán)境暴露的復雜空間和時間動態(tài)，擬議的框架也有助于緩解不確定的地理環(huán)境問題（UGCoP）钳榨。它可用于其他環(huán)境健康研究舰罚，涉及環(huán)境影響廣泛的健康行為和結果。關美寶老師團隊的新文章薛耻，關注的是個體食物環(huán)境暴露與時空軌跡相關的研究营罢。近期連續(xù)看到兩篇關美寶老師團隊相關的文章。食物環(huán)境暴露是一個比較新的話題昭卓，值得關注愤钾。屬于環(huán)境健康方面的另一個研究，但是之前見過一些做城市代謝研究的似乎也略有涉及候醒。
矩陣分解是推薦系統(tǒng)中最常用的方法之一。但是杂瘸，它面臨著與興趣點（POI）建議中的登記數(shù)據(jù)相關的兩個挑戰(zhàn)：數(shù)據(jù)稀缺性和隱式反饋倒淫。為解決這些問題，本文提出了一種特征空間分離因子分解模型（FSS-FM）败玉。該模型將POI要素空間表示為單獨的切片敌土，每個切片代表一種特征镜硕。因此，可以容易地添加空間和時間信息以及其他上下文以補償稀缺數(shù)據(jù)返干。此外兴枯，將因子分解模型的兩個常用目標函數(shù)（加權最小二乘和成對排序函數(shù)）組合以構建混合優(yōu)化函數(shù)。對兩個真實數(shù)據(jù)集進行了廣泛的實驗：Gowalla和Foursquare矩欠，并將結果與基線方法的結果進行比較以評估模型财剖。結果表明，F(xiàn)SS-FM在兩種數(shù)據(jù)集的精確度和召回率方面均優(yōu)于最先進的方法癌淮。具有單獨特征空間的模型可以改善推薦的性能躺坟。包含空間和時間上下文進一步利用了性能，空間上下文比時間上下文更有影響力乳蓄。此外咪橙，還證明了混合優(yōu)化在改進POI推薦方面的能力。推薦系統(tǒng)算法和VGI數(shù)據(jù)的結合虚倒，事實上POI作為關鍵的地圖導航點美侦，對模糊搜索之類的功能有很高的要求，因此這個研究是相對具有較大工程意義的魂奥。來自于地理所裴韜老師團隊的成果音榜。
PM1可能比PM2.5（空氣動力學直徑≤1μm且≤2.5μm的顆粒物質）更危險捧弃。然而赠叼，由于缺乏PM1監(jiān)測數(shù)據(jù)，PM1濃度及其健康影響的研究受到限制违霞。目標：利用衛(wèi)星遙感嘴办，氣象和土地利用信息，估算2005 - 2014年中國PM1濃度的時空變化买鸽。兩種類型的中分辨率成像光譜儀（MODIS）產品6氣溶膠光學深度（AOD）數(shù)據(jù)（基于暗目標（DT）和深藍色（DB）反演的）涧郊。開發(fā)廣義相加模型（GAM）以將地面監(jiān)測的PM1數(shù)據(jù)與AOD數(shù)據(jù)和其他空間和時間預測因子（例如，城市覆蓋眼五，森林覆蓋和日歷月）聯(lián)系起來妆艘。進行10折交叉驗證以評估預測能力。結果表明看幼，PM1水平在冬季最高批旺，而在夏季最低∷薪總的來說汽煮，整個中國的PM1水平在過去十年中并未發(fā)生實質性變化。對于當?shù)刂匚廴镜貐^(qū)，河北西南部和京津地區(qū)的PM1水平大幅上升暇赤。結論：具有衛(wèi)星反演AOD心例，氣象和土地利用信息的GAM具有較高的預測能力來估計地面PM1。在過去十年中鞋囊，環(huán)境PM1在中國達到了很高的水平止后。估計結果可用于評估PM1的健康影響。在見慣了大量PM2.5各類反演研究后溜腐，這一篇確實耳目一新译株，因為做的是PM1《喊牵可以說細顆粒物將在未來對人類健康產生持續(xù)的影響古戴，也是需要重點關注的大氣污染物。
