Coding and Paper Letter（三十五）
资源整理。
1 Coding:
1.Sorensen，Hohenstein和Vasishth论文附带的教程文件。心理学定量研究方法。涉及到贝叶斯模型相关内容。
2.R语言包trinaryMaps，构建三元（非二元）地图，显示物种范围的上限和下限。
3.这是“用R实践编程”的网站。 本书将通过实际操作示例教您如何在R中编程。
4.R语言包rbbt，更好BiBTex Zotero连接器的R接口。
5.一个RStudio Add-in，用于播放分布参数并可视化生成的概率密度和质量函数。
6.在scikit-learn中对单元超球面进行聚类
7.Codis 是一个分布式 Redis 解决方案。
8.Python库Sentinelsat，可以轻松地从哥白尼开放数据中心搜索，下载和检索Sentinel卫星图像的元数据。
9.用于在GTFS源上运行换乘服务，在现代C ++中实现。
10.JavaScript中2D点和矩形的真正快速静态空间索引。
11.用于学习基本SQL和用于opengeocle mtg的postGIS的幻灯片。
12.PostgreSQL和PostGIS介绍教程。以上两个将是PostGIS学习笔记的重点参考。
13.应用于MNIST示例的平衡GAN（BAGAN）的Keras实现。
14.Python库pydap，Pydap是Opendap/ODS协议的一个实现，在纯python中从头开始编写。 您可以使用Pydap访问互联网上的科学数据，而无需下载; 相反，您可以使用特殊的数组和可迭代对象，根据需要即时下载数据，从而节省带宽和时间。 该
15.R语言包belg，Boltzmann熵的景观梯度。
16.R语言包spatialEco，包含支持空间数据操作，查询，采样和建模的实用程序。 功能包括物种种群密度模型，气候和全球森林砍伐空间产品的下载效用，空间平滑，多变量可分性，创建伪缺失和子采样的点过程模型，多边形和点距离景观指标，自动逻辑模型， 抽样模型，集群优化和统计探索工具。
17.旨在用Python可视化个人GPS数据。 我的目标是探索我在纽约逗留期间收集的GPS数据可视化的不同方式。
18.具体到2018年10月4日至5月的“教你关于R”的研讨会。
19.2019太空/空间大数据论文。
20.用于强化学习和机器人研究的高保真模拟器。
21.Python库pyimpute，使用Scikit-learn和Rasterio进行空间分类和回归。
22.R语言包kohonen，有监督和无监督的自适应映射。
23.使用开放工具映射行人基础设施。
24.不同来源的空气质量数据（PM2.5）。
2 Paper:
该调查记录了测量积分（HI）的灵敏度及其与新构造和岩性的关系。我们使用穿梭雷达地形任务（SRTM）和先进的星载热辐射和反射辐射计（ASTER）的30和90米空间分辨率的数字高程模型（DEM）来计算兴都库什及其附近（巴基斯坦西北部）的HI值。和东北阿富汗）。我们使用不同大小的正方形分析网格来计算最大，最小和平均高程。 HI的空间分布没有显示清晰的空间模式以及与平均高度或浮雕幅度的相关性。我们使用局部空间自相关指数（LISA）应用空间模式分析来测量我们的HI分布被聚类，分散或随机化的程度。 LISA分析表明，由于高正z分数，数据是自相关的。热点（具有高HI值的聚类）与构造隆升一致，并且与该区域中的不同结构域显示出强烈的相关性。冷点代表最近的断层附近的沉积，并与该地区的浅层地震群相吻合。 HI值与相对地形位置或岩性没有任何关联。 HI分布的分析表明它们是稳健的并且独立于数字高程模型（DEM）分辨率，但是具有强烈的尺度依赖性。 LISA技术允许提取HI的簇，揭示最近的构造过程;否则很难解释HI值的高变异性。 HI的尺度依赖性可以反映排水网络和坡面过程的不同重要性。这篇文章利用空间自相关分析来分析地质方面的研究，尤其是冷热点分析，可以说回应了最早热点的定义。
农田土壤环境质量对农田管理具有重要意义。为了对农田土壤的环境质量等级进行精确分类，可能需要额外的样本进行多阶段抽样或补充调查。与用于映射或估计全局均值的抽样优化方法相比，环境质量等级分类主要集中在估计非抽样位置的值与对环境质量等级进行分类的阈值之间的关系。此类分类必须使用抽样布局优化方法将其他抽样单位分配到具有高错误分类风险的区域。为了解决这些问题，本文提供了一种额外的采样布局优化方法，该方法通过构建具有非采样位置的预测值和误差方差的多高斯模型，然后计算阈值出现的概率，从而最初建立分类误差指数。标准化高斯分布。然后将研究区域中所有位置的平均误差指数设置为附加采样布局优化的客观性函数，并采用空间模拟退火通过最小化客观性函数来获得优化的采样布局。在使用中国湖南省铬浓度数据的案例研究中，证明了误差指数采样布局优化方法的性能。结果表明，与最小距离和空间随机样本方法的最小化相比，通过所提出的方法生成的附加样本产生更低且更稳定的分类错误率。该方法可用于提高农田土壤环境质量等级分类的附加取样效率。基于模拟退火算法优化空间抽样。事实上空间抽样分析一直是空间分析逃不开的话题。从数据质量和相关研究来看，会影响到最后的结果，王劲峰老师在这一方面做了很多工作。
已经使用光谱解混和子像素映射来估计子像素尺度下混合像素中的不同地面覆盖类别的比例和空间分布。在过去的几十年中，两个类别都提出了几种算法;然而，这两种技术通常被认为是独立的程序，大多数子像素映射方法使用由光谱分离技术产生的丰度图。应注意，所使用的丰度图对后续子像素映射过程的性能具有强烈影响。最近，我们结合线性光谱混合模型建立了一种新颖的亚像素映射模型。因此，建立了联合子像素映射模型，其将原始（较粗糙分辨率）遥感图像与最终子像素结果直接连接。然而，该方法着重于结合原始图像中包含的光谱信息，而不解决由可见光和环境条件引起的光谱端元可变性。为了解决这个重要问题，在本文中，我们设计了一种新的联合稀疏子像素映射方法，假设每个端元的各种代表性光谱是先验已知的并且在库中可用。此外，还采用了总变差（TV）正则化来开发空间信息。所提出的方法是使用合成和真实高光谱图像进行实验评估，并且获得的结果表明，与其他子像素映射方法相比，通过考虑端元变异性的影响，该方法可以获得更好的结果。混合像元分解的一个新进展，耦合两种常用的混合像元分解方式，从而为新的分解提供了新的思路。
近几十年来，中国经历了快速的城市化和重度空气污染，未来十年，城市化的快速发展趋势将持续下去。已经表明湿地在去除颗粒方面是有效的，主要通过干沉积和叶子积累。因此，在城市化进程中更全面地了解湿地去除PM2.5可以为城市规划提供信息。在目前的研究中，根据建筑物的比例，分别选择了三个湿地，翠湖公园（CL），颐和园（SP）和奥林匹克公园（OP）作为低，中，高度的城市化地点。交通区域比较去除效率。结果表明，OP的平均干沉降速度显着高于CL和SP。干沉降主要受气象条件的影响。建筑物和其他基础设施使得气象条件有利于沉积，从而导致更高的风速，更高的温度以及建筑物之间更强烈的湍流。叶片积累的变化在三个地块之间没有统计学意义，并且植物物种是影响积累量的主要因素。干沉降对颗粒去除的贡献随着城市化程度的增加而增加。低，中，高三级平均干沉降分别占39.74％，52.55％和62.75％。因此，城市化程度较高的湿地主要通过加速干沉降过程来提高PM2.5的去除效率。结果强调湿地在高度城市化地区去除颗粒的重要性，因此在城市扩张期间应保留和/或创造更多的湿地。湿地对于消纳PM2.5的研究，城市化程度较高的湿地却能够更好地消纳PM2.5，非常有意思的结论。