這個系列有點久沒更新老赤，最近事情比較多臼膏。后面會繼續(xù)堅持資源整理浦旱。
1 Coding:
1.R語言包ggcorrplot2直奋，ggplot2的拓展包能庆，類似于corrplot包的功能，用于繪制相關系數(shù)圖脚线。在這個系列的第十七篇里有另一個相關的包搁胆，有興趣的同學可以做下比較。
2.R代碼的分析邮绿，可重現(xiàn)研究與審查渠旁。
3.簡化你的ONNX模型，ONNX在本系列的六十二篇里有提到相關的平臺船逮。ONNX是指Open Neural Network Exchange（ONNX顾腊，開放神經(jīng)網(wǎng)絡交換）格式，是一個用于表示深度學習模型的標準挖胃，可使模型在不同框架之間進行轉移杂靶。
4.R語言包quizlite，目標是生成輕量級測驗酱鸭。
5.開放研究網(wǎng)絡（OTN）是一個全球性的吗垮，分散的研究人員和機構團體，歡迎任何致力于標準化和整合所有生物特征數(shù)據(jù)的人員凹髓。 我們以開放科學的原則為指導烁登，特別是開放方法，開放源代碼和開放數(shù)據(jù)蔚舀。
6.其目的是記錄以前在OzUnconf事件中創(chuàng)建的數(shù)據(jù)集饵沧，以及其他有趣且獨特的澳大利亞數(shù)據(jù)集和資源锨络。
7.構建一個模型用于識別衛(wèi)星影像中的作物損失。Python代碼狼牺。
8.機器學習用于全球發(fā)展羡儿。Radiant Earth Foundation是一個非營利組織，其使命是改善開放地理空間資源的發(fā)現(xiàn)锁右，訪問失受，交付和應用，以支持全球開發(fā)社區(qū)（GDC）咏瑟。 通過與開發(fā)社區(qū)拂到，商業(yè)和學術專家合作，Radiant Earth Foundation通過集成和利用最新的Earth Observation（EO）和Machine Learning（ML）技術來實現(xiàn)這些目標码泞。
9.regl通過刪除盡可能多的共享狀態(tài)來簡化WebGL編程兄旬。 為此，它將WebGL API替換為兩個基本抽象余寥，資源和命令领铐。
10.R語言包Metrics，用于評估機器學習算法精度的各類指標計算宋舷。
11.R語言包cgraph绪撵，允許在R中創(chuàng)建，評估和區(qū)分計算圖祝蝠。計算圖是通過其（基本）運算分解的多元函數(shù)的圖形表示音诈。 圖中的節(jié)點表示數(shù)組，而邊表示數(shù)組之間的依存關系绎狭。 將功能表示為計算圖的優(yōu)點在于细溅，這可以通過自動微分來區(qū)分功能。 “ cgraph”軟件包支持各種功能儡嘶，包括基本算術喇聊，三角函數(shù)和線性代數(shù)函數(shù)。 它通過反向自動微分來區(qū)分計算圖蹦狂。 該軟件包的靈活體系結構使其可用于解決各種問題誓篱，包括局部靈敏度分析，基于梯度的優(yōu)化和機器學習凯楔。
12.可以在git提交信息中心插入表情窜骄。
13.R語言包cubelyr，數(shù)據(jù)立方體dplyr后端啼辣。
14.一個實現(xiàn)數(shù)據(jù)和ML管道軟件工程最佳實踐的Python庫。
15.使用樸素貝葉斯御滩，SVM鸥拧，CNN党远，LSTM等對推文進行情感分析。
16.pygeoapi提供了地理空間數(shù)據(jù)的API富弦。
17.pkuseg：一個多領域中文分詞工具包沟娱。
18.R語言包d3.format，R的d3格式接口腕柜。
19.斯坦福地震數(shù)據(jù)集（STEAD）：用于AI的地震信號全球數(shù)據(jù)集济似。
20.AGU 2019秋季會議的研討會材料“Best Practices for Developing and Sustaining Your Open-Source Research Software”。
21.這些課程材料涵蓋了2019年秋季在哥本哈根大學下半年IT課程盏缤。
22.R語言包agroenv砰蠢，使用各種數(shù)據(jù)源從地理坐標中反演土壤和氣候數(shù)據(jù)。
23.PyTorch Elastic（torchelastic）是一個框架唉铜，使分布式培訓作業(yè)能夠以容錯和彈性的方式執(zhí)行台舱。 它提供了原語和接口供您編寫分布式PyTorch作業(yè)，以便可以彈性地在多臺機器上運行潭流； 也就是說竞惋，只要存在最小數(shù)量的工作人員，您的分布式工作就可以啟動灰嫉，并且可以增長到最大數(shù)量的工作人員而無需停止或重新啟動拆宛。
24.R語言包tvthemes，基于您喜歡的電視節(jié)目的ggplot2主題和調色板讼撒。
25.Colby R用戶組午餐會演講浑厚。
26.包含NeurIPS 2019論文《使用貝葉斯原理的實踐深度學習》的代碼。
27.R語言包hdme椿肩，包含針對高維測量誤差問題（變量誤差）的懲罰回歸方法瞻颂。
28.R語言包Polymer，目標是提供靈活且直觀的overlay方法（熟悉GIS工作流）郑象，但具有任意數(shù)量的輸入層贡这。
29.用于深度學習的AutoML工具包。
30.R語言包writexl厂榛，便攜式盖矫，輕量級的數(shù)據(jù)框，用于xlsx導出器以用于R
31.OpenGL教程击奶。
32.R語言包networkdata辈双，該軟件包包含各種不同的網(wǎng)絡數(shù)據(jù)集（全部為igraph格式）。
33.帶有Runcharter for Performance信號項目的Shiny App柜砾。
34.二維碼生成器湃望。
35.本項目用于存放論文：基于遠程監(jiān)督的人物屬性抽取研究 的實驗數(shù)據(jù)。
Distant Supervision for Person Attribute Extraction
36.R語言包googlesheet4，Google Spreadsheets R API（重新啟動googlesheets程序包）证芭。
37.可視化工具箱瞳浦，用于精美且發(fā)表的圖片。
38.柵格數(shù)據(jù)工具废士，包括地球物理應用程序和數(shù)字高程模型叫潦。
39.PySAL項目的Docker容器。
40.為Leaflet提供漂亮的動畫標記聚類功能官硝，Leaflet是用于交互式地圖的JS庫矗蕊。
41.用于Intake的Geopandas插件。
42.libpysal的網(wǎng)絡測試數(shù)據(jù)集氢架。
43.pysal-mgwr的測試數(shù)據(jù)集傻咖。
44.R語言包causalTree，causalTree函數(shù)可建立回歸模型并返回一個rpart對象达箍，該對象是rpart包派生的對象没龙，在由Breiman，F(xiàn)riedman缎玫，Olshen和Stone編寫的CART（分類和回歸樹）中實現(xiàn)了許多想法硬纤。 像rpart一樣，causalTree分兩個階段構建二進制回歸樹模型赃磨，但著重于估計異構因果效應筝家。
45.“ Python機器學習（第3版）”書代碼存儲庫。
python machine learning book 3rd edition
46.EPFL碩士課程“數(shù)據(jù)科學網(wǎng)絡之旅”的材料邻辉，2019年版溪王。
47.R語言包ggfittext，ggfittext提供了一個ggplot2 geom值骇，用于將文本放入框中莹菱。
48.“使用R學習統(tǒng)計信息”的源文件。
49.Beamer風格的幻燈片模板集吱瘩。包含了PowerPoint和Keynote兩套格式道伟。
50.使用句法依存分析抽取事實三元組。
51.這實現(xiàn)了用于NLU任務的聯(lián)合意圖檢測和空缺填充的循環(huán)模型使碾。
52.基于法律裁判文書的事件抽取及其應用蜜徽。
2 Paper:
揮發(fā)性有機化合物（VOC）的土地使用回歸（LUR）模型通常關注土地使用（例如工業(yè)區(qū)）或運輸設施（例如道路）；在這里票摇，我們結合了城市許可數(shù)據(jù)和Google Point of Interest（POI）數(shù)據(jù)中的區(qū)域來源（例如加油站）拘鞋，以比較模型的效果。我們使用了來自美國明尼蘇達州明尼阿波利斯市的50個基于社區(qū)的采樣地點（2013-2015年）的測量結果矢门，為60個VOC建立了LUR模型盆色。我們使用了三組自變量：（1）具有土地利用和運輸變量的基本案例模型灰蛙；（2）從本地營業(yè)許可數(shù)據(jù)中添加區(qū)域源變量的模型；（3）使用Google POI數(shù)據(jù)作為區(qū)域源的模型隔躲。帶有Google POI數(shù)據(jù)的模型效果最好缕允；例如，與許可數(shù)據(jù)模型（0.42; 0.37）相比蹭越，總VOC（TVOC）模型具有更好的擬合優(yōu)度和基本模型。在小規(guī)模緩沖區(qū)大薪探臁（例如25 m–500 m）的60個VOC中响鹃，在超過三分之二的模型中選擇了區(qū)域源變量。我們的工作表明案训，可以使用基于社區(qū)的抽樣來開發(fā)VOC LUR模型买置，并且可以通過添加根據(jù)業(yè)務許可和Google POI數(shù)據(jù)衡量的區(qū)域來源來改進模型。分析VOC的LUR模型强霎，VOC事實上是很難進行遙感反演和站點監(jiān)測忿项，但是同時VOC又是各類空氣污染的來源之一，這篇文章基于當前的地圖大數(shù)據(jù)結合城市許可（這里沒有詳細看具體數(shù)據(jù)城舞，猜測可能類似國內(nèi)的規(guī)劃許可）進行LUR建模轩触。對于未來的空氣污染制圖研究很有意義。
新興的近地光探測和測距（LiDAR）平臺[例如家夺，地面脱柱，背包，移動和無人機（UAV）]已顯示出巨大的森林資源潛力拉馋。但是榨为，不同的LiDAR平臺在數(shù)據(jù)覆蓋范圍或捕獲樹冠下信息方面都有局限性。多平臺LiDAR數(shù)據(jù)的融合是該問題的潛在解決方案煌茴。由于森林的復雜性和不規(guī)則性以及森林林冠下的定位信息不準確随闺，當前的多平臺數(shù)據(jù)融合仍需要大量的人工工作。在本文中蔓腐，我們基于每個森林都有唯一的樹分布模式的假設矩乐，提出了一個自動的多平臺LiDAR數(shù)據(jù)校正框架。提議的框架包括五個步驟合住，即绰精，單個樹分割，不規(guī)則三角網(wǎng)（TIN）生成透葛，TIN匹配笨使，粗校正和精校正。 TIN匹配是從多平臺LiDAR數(shù)據(jù)中找到相應樹對的必要步驟僚害，它使用基于由單個樹位置組成的三角形相似度的投票策略硫椰。通過融合背包和無人機LiDAR數(shù)據(jù)以及融合針葉林中的多掃描陸地LiDAR數(shù)據(jù)來驗證所提出的框架繁调。結果表明，兩種配準實驗均可以達到令人滿意的數(shù)據(jù)配準精度靶草。此外蹄胰，當單個樹的分割精度高于80％時，提出的框架對單個樹的分割錯誤不敏感奕翔。我們認為裕寨，提出的框架有可能提高在森林環(huán)境中準確注冊多平臺LiDAR數(shù)據(jù)的效率。索引-森林派继，多平臺光檢測和測距（LiDAR）宾袜，校正，樹木位置驾窟。植物所郭慶華老師團隊的成果庆猫，關于新的多平臺LiDAR數(shù)據(jù)融合校正。LiDAR數(shù)據(jù)將在未來發(fā)揮更多作用绅络。
背景：肺癌是中國最常見的癌癥月培。先前的研究表明，肺癌的發(fā)病率表現(xiàn)出顯著的空間異質性恩急，并且肺癌與室外空氣污染有關杉畜。然而，中國室外空氣污染與肺癌發(fā)病率之間的非線性空間聯(lián)系仍不清楚衷恭。方法：本研究分析了2013年中國207個縣市男性和女性肺癌發(fā)病率與每年PM2.5寻行，PM10，SO2匾荆，NO2拌蜘，CO和O3濃度之間的關系。 GeoDetector q統(tǒng)計量用于檢查室外空氣污染與肺癌發(fā)生率之間的非線性空間關聯(lián)牙丽。結果：在室外空氣污染與肺癌發(fā)病率之間的空間關聯(lián)中發(fā)現(xiàn)了明顯的空間和人口性別異質性简卧。在六種選定的污染物中，二氧化硫對華北地區(qū)的肺癌影響最大（女性為q = 0.154）烤芦。在南部举娩，每種污染物對男性或女性的影響均顯著，南部的平均q值為0.181，大于北部的平均q值（q = 0.154）。此外乘陪，污染物對肺癌有明顯的非線性相互作用泻仙。在華北地區(qū)聚唐，SO2和PM2.5之間的相互作用是主要的相互作用，男性的q值為0.207，女性的q值為0.334。在南部纹烹，主要的交互作用因子在男性的SO2和O3之間以及在女性的SO2和CO之間页滚，q值分別為0.45、0.232铺呵。在華南或華北地區(qū)裹驰，吸煙是導致男性肺癌的重要因素，其q值分別為0.143和0.129片挂，吸煙與空氣污染物之間的相互作用增加了這種風險幻林。結論：這項研究表明，在中國北方應該關注SO2和PM2.5對肺癌的影響音念，而在南方滋将，應該更加關注O3和CO的影響以及它們與SO2的相互作用。在華北和華南地區(qū)症昏，吸煙（尤其是男性）仍然是肺癌的重要危險因素。地理所王勁峰老師團隊的成果父丰，分析了空氣污染與肺癌發(fā)病率的研究肝谭。交互因子以及性別對于肺癌的影響有明顯的異質性。
淮河流域（位于中國東部）擁有1.8億人口蛾扇，是中國食道癌（EC）死亡的最高風險攘烛。一些研究發(fā)現(xiàn)，飲用水中的污染物是消化系統(tǒng)癌癥的主要危險因素镀首。但是坟漱，歷史時期的水污染對當前歐共體死亡率的影響尚不清楚。收集了2004年淮河流域11個縣的EC死亡率數(shù)據(jù)更哄，并使用了1987年至2004年該地區(qū)的地表水質量數(shù)據(jù)芋齿。分別從線性和非線性角度，采用Pearson相關性和GeoDetector q統(tǒng)計量來探討不同滯后時段水污染與EC死亡率之間的關系成翩。該研究表明該地區(qū)EC死亡率的空間異質性觅捆。下游的EC死亡率顯著高于其他地區(qū)。在中游麻敌，主流以北地區(qū)的平均死亡率低于該地區(qū)以南地區(qū)栅炒。在上游，主流以北地區(qū)的死亡率高于南部地區(qū)术羔。歷史格局是在水污染的影響下形成的赢赊。 1996年，1997年和1998年對EC死亡率具有最強的線性或非線性影響级历，其中Pearson相關系數(shù)和q統(tǒng)計量最高释移，分別為0.79和0.89。在過去的20年中寥殖，快速的工業(yè)化已經(jīng)引起了環(huán)境問題秀鞭，并帶來了相關的健康風險趋观。研究表明，目前的EC死亡率主要是由前8年的水污染引起的锋边。這些發(fā)現(xiàn)提供了關于污染對EC死亡率造成影響的滯后時間的知識皱坛，并且可以有助于控制和預防食道癌。地理所王勁峰老師團隊的成果豆巨，分析了污染對健康和死亡率的滯后效應剩辟，是一個非常有意思的研究。
空間生命過程流行病學是一個跨學科領域往扔，它利用先進的空間贩猎，基于位置的人工智能技術來研究環(huán)境，行為萍膛，社會心理和生物學因素對健康相關狀態(tài)和事件及其潛在機制的長期影響吭服。隨著越來越多的研究報告來自該領域的研究結果，以及迫切需要基于最強科學的公共衛(wèi)生和政策決策蝗罗，在空間生命周期流行病學研究報告中的透明度和清晰度至關重要艇棕。由國際空間生命歷程流行病學倡議（ISLE）支持的工作隊確定了在這一領域的指導需求，并制定了《空間生命歷程流行病學報告標準》（ISLE-ReSt）聲明串塑。目的是提供一份建議清單沼琉，以改善和更一致地報告空間生命歷程流行病學研究。加強針對隊列研究的流行病學觀察研究報告（STROBE）聲明被確定為提供考慮納入的初始項目的適當起點桩匪。然后整合了空間數(shù)據(jù)和方法的報告標準打瘪，以形成報告建議的單個綜合清單。我們的方法的優(yōu)勢在于傻昙，我們的國際和跨學科團隊由內(nèi)容專家和貢獻者組成闺骚，他們代表各種相關的科學慣例，并且我們遵守制定報告準則的國際準則妆档。隨著在空間生命過程流行病學中使用的基于空間葛碧，基于位置的人工智能技術的迅速發(fā)展，從發(fā)布之日起至少每隔2至3年就要重新審視和適應ISLE-ReSt过吻。團隊的成果进泼，關于ISLE的標準聲明。
全球城市化速度正在加快纤虽； 然而乳绕，數(shù)據(jù)限制遠遠不能對全球城市擴張或其對地面凈初級生產(chǎn)力（NPP）的影響做出可靠的估計。 在此逼纸，我們使用高分辨率的全球土地利用/覆蓋數(shù)據(jù)集（GlobeLand30）洋措，顯示了2000年至2010年期間，全球城市區(qū)域平均每年以5694 km2的速度增長杰刽。過去十年中菠发，城市的快速擴張反過來又減少了全球 陸地NPP王滤，每年凈損失22.4 Tg碳（Tg C year-1）。 盡管與全球陸地NPP和化石燃料碳的總排放量相比很小滓鸠，但城市化導致的NPP減少抵消了同期氣候驅動的增加（73.6 Tg C year-1）的30％雁乡。 我們的發(fā)現(xiàn)突出表明，迫切需要制定全球戰(zhàn)略來應對城市擴張糜俗，增加自然碳匯和提高農(nóng)業(yè)生產(chǎn)率踱稍。中山大學劉小平教授團隊成果，分析了城市化對于NPP影響的分析悠抹，這一塊也是全球變化生態(tài)學的重點研究對象珠月。發(fā)表在NC上的牛文。后期有機會將詳細介紹楔敌。
復雜的人類-自然系統(tǒng)的雙向耦合可以稱為水-土壤-空氣-植物-人類的聯(lián)系，并且這種聯(lián)系的綜合研究已經(jīng)在世界許多流域中進行氛谜。 本期專刊報道了在流域尺度上對水区端，土壤值漫，空氣，植物织盼，人的關系的建模杨何，觀察和理解的貢獻，特別是來自“黑河流域生態(tài)水文過程綜合研究”計劃的貢獻沥邻。 本文重點介紹了主要結果危虱，作為對本期特刊的介紹。西北院唐全、青藏所李新老師團隊的成果埃跷，分析多要素耦合的流域尺度地表系統(tǒng)建模分析。是一個很不錯的樣例研究邮利。
本文介紹了一種新的算法（BUNTUS-累積延届，夜間照明和城市規(guī)模出行時間）剪勿，該算法使用遙感技術來劃定城市邊界。該論文是對城市化在改變化石燃料排放中的作用的更大研究的一部分方庭。該方法結合了土地覆蓋厕吉，夜間照明和行進時間的估計酱固，以對連續(xù)的城市區(qū)域進行分類。該方法是自動的头朱，全局的运悲，并使用具有足夠持續(xù)時間的數(shù)據(jù)集來建立趨勢。使用來自Landsat-8 OLI圖像的地面真實場進行的驗證顯示髓窜，總體準確度為60％至95％扇苞。因此，這種方法能夠描述空間分布并給出城市范圍的詳細信息寄纵。我們以澳大利亞布里斯班鳖敷，澳大利亞墨爾本和中國北京為例演示了該方法。新方法符合研究城市排放總體趨勢的標準程拭。ASU的Gurney團隊的研究定踱，利用工農(nóng)多源遙感數(shù)據(jù)來進行城市分類，以支撐后續(xù)的碳排放研究恃鞋。
在考慮到減少溫室氣體排放的機會時崖媚，除了向決策者提供相關信息外，在精細的空間和時間尺度上量化的溫室氣體排放估算已經(jīng)成為新的多約束通量信息系統(tǒng)的重要組成部分恤浪。 Vulcan項目致力于估算整個美國景觀在空間和時間尺度上自下而上的化石燃料排放量和水泥生產(chǎn)中的CO2排放量（FFCO2）同時滿足科學和政策需求畅哑。在這里，我們報告了Vulcan排放的3.0版水由，該版本量化了美國在FFCO2的排放量荠呐，其空間分辨率為1 km×1 km，每小時的時間分辨率為2010-2015年砂客。我們提供了更新方法泥张，數(shù)據(jù)源，結果以及與全局網(wǎng)格化FFCO2數(shù)據(jù)產(chǎn)品的比較的完整描述鞠值。我們估計2011年的FFCO2排放為1589.3 TgC媚创，95％的置信區(qū)間為1299/1917 TgC（+18.3％/ ? 20.6％），這意味著~~ 10的單西格瑪不確定性％彤恶。我們發(fā)現(xiàn)钞钙，在以電力生產(chǎn)和工業(yè)為主的州，人均FFCO2排放較大声离，而在以道路和住宅/商業(yè)建筑為主的州歇竟，人均FFCO2排放較小。美國FFCO2排放的質心（CoM）位于密蘇里州抵恋，其平均季節(jié)性沿NE / SW近橢圓路徑移動焕议。與ODIAC相比，全球有網(wǎng)格的FFCO2排放量估算值顯示出總排放量（2011年為100.1 TgC）和空間格局都有很大差異。兩個數(shù)據(jù)乘積之間的空間相關性為0.38盅安，單個網(wǎng)格單元規(guī)模的平均絕對差為80.04％唤锉。 Vulcan v3.0 FFCO2排放數(shù)據(jù)產(chǎn)品可立即對美國每個城市的排放進行高分辨率估算，為計劃開發(fā)自我報告的城市節(jié)省了大量時間和精力城市清單别瞭×椋可以從Oak Ridge國家實驗室的數(shù)據(jù)存儲庫下載Vulcan v3.0年度網(wǎng)格化排放數(shù)據(jù)產(chǎn)品（https://doi.org/10.3334/ORNLDAAC/1741，Gurney等蝙寨，2019）晒衩。ASU的Gurney團隊的研究，知名碳排放產(chǎn)品Vulcan的3.0版本墙歪，并進行了大量分析听系。數(shù)據(jù)是開放的，同時這套數(shù)據(jù)質量非常高虹菲，以后有機會來介紹靠胜。
許多學者主張使用經(jīng)驗證據(jù)來評估跨尺度和隨時間變化的恢復力毕源。因此浪漠，我們使用2015年尼泊爾地震發(fā)生后不久從2015年8月至2015年12月每月收集的有關個人對救災觀念的調查數(shù)據(jù)進行案例研究。我們基于一組變量構建了特定尺度的恢復力指數(shù)（SSRI）霎褐，這些變量在不同的空間規(guī)模上以及隨時間推移針對調查數(shù)據(jù)進行了單獨驗證址愿。回歸結果表明冻璃，與家庭結構响谓，產(chǎn)業(yè)多樣性，社區(qū)資本俱饿，可及性和緊急服務相關的變量均已通過地區(qū)和街道兩級的調查數(shù)據(jù)歌粥，與種族多樣性和應急能力相關的變量進行了驗證塌忽。營地僅在地區(qū)級別得到驗證拍埠，地震經(jīng)歷變量僅在分區(qū)級別得到驗證。因此土居，為了獲得最佳模型枣购，我們使用六個經(jīng)過驗證的變量在地區(qū)一級構建SSRI，并使用七個變量（包括與家庭財產(chǎn)的脆弱性和平均海拔高度相關的變量）在分區(qū)一級構建SSRI擦耀。通過2015年尼泊爾地震后調查的救濟分數(shù)棉圈，通過多級回歸模型驗證了SSRI分數(shù)。結果表明眷蜓，基于已驗證變量的SSRI得分與地區(qū)和分區(qū)級別的調查數(shù)據(jù)具有良好的相關性和預期關系分瘾，并且勝過綜合應變能力指數(shù)，后者考慮了所有變量吁系，無論其單獨的驗證結果如何德召。用于構造SSRI的方法有助于在實際案例中識別跨空間尺度和隨時間變化的多維彈性指標的貢獻白魂，還提供易于理解并適用于多尺度決策過程的特定尺度的彈性的指標得分∩细冢恢復力是近些年來生態(tài)學和災害學方面一個重要的理念福荸，可以理解為從受破壞狀態(tài)恢復到常規(guī)狀態(tài)所需要的時間或者相關指標。這是一個典型的案例研究肴掷，對這個恢復力的測算敬锐，有相關的研究可以進行參考。
一個可持續(xù)發(fā)展的城市依賴可再生能源呆瞻，從而促進了電動汽車的發(fā)展台夺。為了支持電動車輛，提出了在行駛時對車輛充電的概念栋烤。在這種情況下谒养，在城市道路上建造太陽能電池板是一項具有巨大益處的創(chuàng)新選擇，而準確計算道路光伏發(fā)電量是前提明郭。在本文中买窟，我們提出了一種新穎的框架，用于預測和計算可從道路收集的太陽輻射和電能薯定。收集Google街景圖像以測量道路的天空障礙始绍，并將其與太陽輻射模型集成在一起以估計輻射接收能力。除天空障礙外话侄，我們在計算中還考慮了交通狀況和天氣情況的影響亏推。根據(jù)我們的工作，可以得出一年中不同時間的輻射圖年堆，以分析道路的光伏分布吞杭。為了測試我們框架的可行性，我們以波士頓為例变丧。結果表明芽狗，波士頓的道路可以為城市中所有未來的電動汽車產(chǎn)生大量的電力。而且痒蓬，穿過波士頓的主要道路具有更好的發(fā)電潛力童擎，并且交通狀況的影響是有限的。我們的計算框架證實攻晒，將太陽能電池板用作路面是城市電力的巨大補充顾复，并具有為行駛中的汽車充電的獨特功能。街景圖像分析的一個應用鲁捏，估算光伏道路的可行性芯砸。非常有意思的研究。
