1 Coding:
1.Python库gee subset，用于Google Earth Engine裁切的库。
2.适用于WebGL应用程序的最快和最小的JavaScript多边形三角剖分库。
3.用Google Earth Engine python api探索雷达湿雪地图。
4.用于GluonCV模型的PyTorch API。
5.R语言包phenocam，PhenoCam时间序列是从ROI获取的给定站点的时间序列数据。 每个站点都有特定的元数据，包括但不限于站点的设置方式和位置，摄像机可以看到的植被类型及其气候状况。
6.用于同一个Docker容器中的VNC会话中运行Leo，有效地将Leo变成了一个Web应用程序。Leo是Python/PyQt5编辑器/IDE。
7.R语言包classy，说明了如何使用R和Rcpp中的类和Rcpp :: XPtr对象。
8.TerriaJS是一个用于构建基于Web的丰富地理空间数据资源管理器的库，用于驱动国家地图，AREMI和NEII查看器。
9.具有每小时人口数据的NNF主题模型。
10.在线教程文档，内容应当是数据处理与R。
11.R语言包ggplus，ggplot2的一系列附加函数。
12.Python库Click，用于以可组合的方式创建漂亮的命令行界面，并且只需要很少的代码。 这是“命令行界面创建工具包”。 它具有高度可配置性，但具有开箱即用的合理默认值。
13.Learning to Reason with Third-Order Tensor Products出版物的代码。
14.用于快速贝叶斯推理的大型分层模型的多核BUGS。
15.模块化Boost的超级项目。
16.几个跟米氏散射相关的Python库。
Python包miescattering，允许您计算空气中球形颗粒的散射特性。 这对于遥感大气中的云（和气溶胶）非常有用。 Mie计算在Michael Mishchenko编写的FORTRAN代码中。 这个包允许你从Python运行Michael的计算。
Python库PyMieScatt，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。
miepython是一个Python模块，用于计算实心球体的光散射。
17.R语言包mapr，可以更容易地在R中制作地图。给定一组位置，例如来自标记动物的位置，mapr将使用rworldmap从Natural Earth数据库加载全局shapefile，并使用ggplot2对其进行绘图并在INLA中使用。
18.nodejs的资源。
19.R语言的各种多态。
20.几个比较不错的网站和github资源。
人大数据挖掘中心主页。
rucdmc.github.io
rjournal主页。
rjournal.github.io
21.bookdown的中国人民大学学位论文模板。
22.Python库pyEOM，对地观测监测的Python包，用于提取不同MODIS产品和Landsat数据以及给定几何（单个像素或多边形）的时间序列数据。
23.R-Shiny BFAST Explorer，使用R和Python开发，专为分析Landsat Surface Reflectance时间序列数据而设计。使用三种变化检测算法 - bfastmonitor，bfast01和bfast - 通过断点检测来研究趋势和季节性成分的时间变化。
24.北纬52°传感器观测服务相关项目
北纬52°传感器观测服务相关项目。
SOS
在THREDDS之上的SOS服务。
ncSOS
OGC SOS的R客户端。
sos4R
25.基于目录的Web地理空间可视化平台。
26.WebGL加速JavaScript库，用于培训和部署ML模型。
27.从球形DEM生成行星，卫星等的3D网格。
28.地方，行星和地球引擎：Hacktober2018。
29.node js的mapnik桥接库。
30.Python库gp emulator，高斯过程模拟器。
31.简单的物候拟合实用项目。
32.R语言包projectimplicit，使用Project Implicit数据（此处为Race Implicit Association Test）探索和报告描述性和推论性统计数据的最小包。
33.R语言包lognorm，用于对数正态分布的相关函数。
34.一种快速算法，用于查找不可访问的多极点，多边形轮廓中最远的内点（不要与质心混淆），实现为JavaScript库。
35.R语言包dismo，物种分布建模工具。
36.前端主要处理来自OpenML数据的ElasticSearch索引的数据。 与OpenML后端的额外交互（例如数据集上传）通过OpenML REST API进行。
37.[神经网络搜索与强化学习]的基本实现
2 Paper:
1.A spatial heterogeneity-based rough set extension for spatial data/基于空间异质性的空间数据粗糙集扩展
当使用经典粗糙集（CRS）理论来分析空间数据时，存在一个潜在的假设，即宇宙中的物体完全随机分布在空间上。但是，这种假设与空间数据的实际情况相冲突。通常，空间异质性和空间自相关是空间数据的两个重要特征。这两个特征是提高空间数据建模精度的重要信息源。本文通过引入空间异质性和空间自相关来扩展CRS理论。这个新的扩展将空间邻接信息添加到信息表中。通过在这些概念中添加空间邻接信息，CRS理论中的许多基本概念，例如不可分辨性关系，等价类以及下近似和上近似，都得到了改善。基于这些基本概念，提出了一种新的约简方法和一种改进的规则匹配方法。新的还原在选择特征子集时结合了空间异质性，可以保留所有特征的局部判别能力，新的规则匹配方法利用空间自相关来提高基于粗糙集的分类器的分类能力。实验结果表明，所提出的扩展显着提高了分类或分割精度，并且空间缩减比经典缩减所需的时间少得多。粗糙集理论的空间化，可以说空间统计算法本身就是对统计学算法的空间化。所以在方法学上是非常不错的文章。发表于IJGIS。
空气动力学直径小于2.5μm（PM2.5）的颗粒物质与各种不利的健康影响有关。地面测量可以产生高度准确的PM2.5浓度，但在讨论PM2.5的时空变化时具有一定的局限性。卫星遥感可以获得连续和长期的覆盖数据，许多先前的研究已经从理论分析和观察中证明了PM2.5与AOD（气溶胶光学深度）之间的关系。在这项研究中，使用垂直湿度校正方法获得了从AHI（Advance Himawari Imager）获取的具有高时空分辨率的新气溶胶产品，以估算河北的每小时PM2.5浓度。吸湿性生长因子（fRH）适合于每个部位（总共137个匹配部位）。同时，假设在一定比例下fRH几乎没有变化，确定每个像素的最接近的fRH以计算PM2.5浓度。与AOD和PM2.5之间的相关性相比，通过垂直湿度校正获得的“干”质量消光效率与地面测量的PM2.5之间的关系显着改善。卫星估算的每小时PM2.5浓度与地面测量的PM2.5一致，具有高r和低RMSE（值，以及下午（13：00-16：00）的准确率高于早晨（09：00-12：00）。最后，分析了污染过程，分析表明PM2.5数据的高时空分辨率可以连续直观地反映区域污染物的特征（如扩散和积累），这对评估区域空气质量具有重要意义。利用葵花卫星产品改善AOD，湿度校正，同时实现小时尺度的产品反演，当时间分辨率精细后，更能反映出区域空气污染物的特征，这也是未来的重点研究方向。
暴雨被广泛认为是世界上最具破坏性的自然灾害之一，因此对暴发洪水易发区域的预测对公共安全和应急管理至关重要。本研究基于Sentinel-1 SAR图像和一种新的混合机器学习技术，提出了一种新的山洪预测方法。 SAR图像用于检测山洪洪水淹没区域，而新机器学习技术是萤火虫算法（FA），Levenberg-Marquardt（LM）反向传播和人工神经网络（称为FA-LM-ANN）的杂交），用于构建预测模型。以越南西北部的Bac Ha Bao Yen（BHBY）为例进行了案例研究。因此，使用12个输入变量（海拔，坡度，坡向，曲率，地形湿度指数，河流功率指数，toposhade，河流密度，降雨量，归一化差异植被指数，土壤类型和岩性）构建地理信息系统（GIS）数据库。并随后绘制了洪水淹没区域的输出。使用数据库和FA-LM-ANN，对暴洪模型进行了培训和验证。模型性能通过各种性能指标进行验证，包括分类准确率，曲线下面积，精度和召回率。然后，将产生最高性能的闪电洪水模型与基准进行比较，表明FA和LM反向传播的组合被证明是非常有效的，并且所提出的FA-LM-ANN是用于预测闪电洪水敏感性的新的有用工具。利用不同算法组合成新的机器学习混合算法，并且用于暴雨洪水预测，非常不错的研究。
作为土壤学和地理学学科的分支,土壤地理学是地球表层系统科学的重要组成部分,其核心研究内容是土壤的时空变化。土壤地理学研究对象从传统的土体向地球表层系统视角下的关键带转变,研究方法上全面走向数字化。本文综述了近20年来土壤地理学分支学科包括土壤发生、土壤形态、土壤分类、土壤调查与数字土壤制图等领域的研究进展,指出其发展趋势为：基础理论研究不断拓展、调查技术正经历变革、时空演变从过程观测走向模拟,同时探讨了土壤地理学的未来发展契机与面临的挑战。土壤地理学研究的综述研究。对土壤相关的研究感兴趣的可以自行阅读。
基于数据挖掘模型的土壤图更新是一项重要的研究。数据挖掘模型构建中训练样点的质量不仅决定其对研究区土壤-环境关系表达的充分程度，而且会对推理制图的结果产生至关重要的影响。本文提出一种基于土壤类型面积分级的典型训练样点选择方法，即依据土壤面积对土壤类型分级，并按照等级之间的比例关系基于典型点选择训练样点。将方法应用于更新美国威斯康星州Raffelson流域的传统土壤图，并与另外两种训练样点选择方法对比，以验证该方法的有效性。结果表明，500次重复实验中，本研究方法与另外两种训练样点选择方法相比，能够更新传统土壤图的比例分别为79.5%、71.8%和63.6%，而且其推理制图结果更符合研究区土壤分布的特征。本研究所提方法是一种有效的训练样点选择方法。事实上根据先验知识对空间数据样本进行挖掘能够有效提高空间制图精度以及降低人力物力和采样成本。这篇文章就是一篇很不错的案例。
6.Decreases in global beer supply due to extreme drought and heat/气候变化对全球大麦产量及啤酒市场的影响
这篇文章CEADs推送过，这里不详述，值得关注的是，这是一个多模型耦合的研究。相信也是未来研究的趋势。
