資源整理。
1 Coding:
1.matplotlib的初學(xué)者教程。
2.加州大學(xué)伯克利分校IT研究主頁。
3.最新教程材料的倉庫來自華盛頓大學(xué)2019年ICESat-2 Hack Week。
4.強化學(xué)習(xí)算法的實現(xiàn)。 Python，OpenAI Gym，Tensorflow。 練習(xí)和解決方案。
5.李宏毅機器學(xué)習(xí)筆記。
6.Grid studio是一個基于Web的電子表格應(yīng)用程序，完全集成了Python編程語言。它旨在提供用于加載，清理，操作和可視化數(shù)據(jù)的集成工作流程。 這是通過用Go編寫的電子表格后端實現(xiàn)的，其中集成了Python運行時來操作其內(nèi)容。最近橫空出世的一個神器，號稱可以代替excel。
7.分位數(shù)回歸的回歸診斷與可視化。
8.用于RStudio Server和空間分析包的Dockerfile。
9.R語言包enmSdm，更快，更好，更智能的生態(tài)位模型和物種分布建模工具。
10.Rmarkdown簡介，以及如何使用它來更有效地編寫。
11.密度估計算法的Pytorch實現(xiàn)：BNAF，Glow，MAF，RealNVP，平面流。
12.城市信息學(xué)與可視化課程資料，來自于加州大學(xué)伯克利分校城市與區(qū)域規(guī)劃系，授課教授為Paul Waddell。這是一個實踐課程，培訓(xùn)學(xué)生分析城市數(shù)據(jù)，開發(fā)指標，并使用Python編程語言，開源工具和公共數(shù)據(jù)創(chuàng)建可視化和地圖。 本課程將首先介紹Python編程的基礎(chǔ)知識，然后再進行數(shù)據(jù)分析/可視化工具和技術(shù)的調(diào)查。 課堂會議將包括講座和研討會。 一系列練習(xí)將強化所呈現(xiàn)的技能和主題，最終項目將為學(xué)生提供機會，從開放數(shù)據(jù)門戶收集數(shù)據(jù)到合成和分析這些數(shù)據(jù)以探索問題或問題，從而開發(fā)更完整的項目。 在Web地圖和博客中傳達他們的結(jié)果，以及最終的演示。
urban informatics and visualization
13.用于在Derek M. Jones的“基于證據(jù)的軟件工程：基于公開數(shù)據(jù)”中創(chuàng)建示例的代碼和數(shù)據(jù)。
14.R語言包rcrossref，適用于各種CrossRef API的R客戶端。
15.R語言包openintro，“OpenIntro”資源的補充功能和數(shù)據(jù)，包括openintro.org上的開源教科書和介紹性統(tǒng)計資源。 該軟件包包含我們的開源教科書中使用的數(shù)據(jù)集以及用于復(fù)制書籍圖形的自定義繪圖功能。 該軟件包還包含OpenIntro實驗室中使用的數(shù)據(jù)集。
16.通過Docker和ShinyProxy部署Shiny Apps的模板。
17.link2GI提供了一些功能，使得將常見的開源GIS軟件包直接連接到R-biotop變得容易一些。它支持使用包裝程序包和通過系統(tǒng)調(diào)用直接使用API。它側(cè)重于Linux和WindowsX操作系統(tǒng)，但它也應(yīng)該與OSX一起使用。
18.該軟件包是一組越來越多的工具，用于使用NHDPlus數(shù)據(jù)模型處理水文數(shù)據(jù)。
19.此倉庫包含由Earth Engine用戶社區(qū)提交和/或維護的內(nèi)容。
20.可配置，易于維護的個人網(wǎng)站。
21.R用于可重復(fù)的科學(xué)分析，使用Gapminder數(shù)據(jù)對非程序員的R介紹。
22.Slide：矢量到柵格
Slide是一種將矢量數(shù)據(jù)與柵格數(shù)據(jù)混合的算法/方法。 我們的想法是對柵格數(shù)據(jù)進行粗略近似，并讓算法將折線滑動到“圖像”。 結(jié)果是正確采樣的矢量折線與柵格數(shù)據(jù)的輪廓匹配。
23.2019年美國環(huán)保局R用戶組研討會議程。
24.R語言包expss，expss計算并顯示支持“SPSS”樣式標簽，多個/嵌套橫幅，權(quán)重，多響應(yīng)變量和顯著性測試的表格。
25.從Dockerfile為R 3.5.3構(gòu)建mxnet框架。
26.使用所有可用的Landsat數(shù)據(jù)為土地覆蓋的連續(xù)變化檢測和分類（CCDC）開發(fā)的算法。
27.Microsoft Cognitive Toolkit（CNTK），一個開源的深度學(xué)習(xí)工具包。
28.U-GAT-IT的官方Tensorflow和Pytorch實現(xiàn)：具有自適應(yīng)層實例規(guī)范化的無監(jiān)督生成注意網(wǎng)絡(luò)，用于圖像到圖像的轉(zhuǎn)換。
29.現(xiàn)代統(tǒng)計圖形書籍。
30.R語言包moveability，可移動性：全球城市的可步行性和自行車可達性性指標。
31.分布式系統(tǒng)資源。
32.深入淺出分布式基礎(chǔ)架構(gòu)。
Distributed Infrastructure Series
2 Paper:
退化土地的造林顯著影響土壤有機碳（SOC）和總氮（STN）的封存。種植年齡和氣候梯度對造林后SOC和STN變化的相互作用尚不清楚。在本研究中，黃土高原沿著降水梯度（410~600 mm yr-1）選擇了5個地點。在不同種植年齡的農(nóng)田和刺槐（Robinia pseudoacacia L.）森林中測量了0-200cm深度的SOC和STN儲量，即幼林（<15年），中年森林（15-25）年）和老森林（> 25年）。幼林，中齡林和農(nóng)田0-200 cm剖面的SOC和STN庫存均顯著增加，年平均降水量（p <0.05），而老林SOC庫存增加趨勢不明顯，表明降水梯度中SOC和STN儲量隨年齡變化的變化。造林后的SOC庫變化（ΔSOC）隨著年輕森林年平均降水量的增加而增加，但在中老齡森林中呈下降趨勢。三個森林的STN庫變化（ΔSTN）在大多數(shù)地點都是負的，并且它們都沿著降水梯度下降。 ΔSOC與ΔSTN之間存在顯著正相關(guān)（p <0.01），1 g STN庫存積累分別伴有8.40 g，6.10 g和10.48 g幼齡林，中齡林和老林的SOC累積。 SOC和STN庫變化的不同模式應(yīng)納入土壤C和N建模和估算。分析退化土地造林后，人工林年齡和降水梯度對土壤碳氮庫的影響，傅伯杰院士團隊成果，發(fā)表于LDD。森林不僅僅本身是一個重要的碳庫和氮庫，同時影響土壤的碳庫和氮庫。
“城市多中心”已成為捕捉新興經(jīng)驗現(xiàn)實的概念框架和歐洲，美國以及最近中國城市采用的空間規(guī)劃愿景。盡管關(guān)于多中心的學(xué)術(shù)文獻正在蓬勃發(fā)展，但只有有限的嘗試來探討不同空間尺度的多中心城市發(fā)展是否以及如何影響城市經(jīng)濟。在本文中，我們實證分析了中國不同空間尺度的城市多中心是否以及如何與城市經(jīng)濟績效相關(guān)聯(lián)。為此，我們擴展了Cobb-Douglas生產(chǎn)函數(shù)，并包括城市間和城市內(nèi)多中心的度量，以解釋勞動生產(chǎn)率的差異。該分析將城市內(nèi)單中心和城市間多中心與勞動生產(chǎn)率水平聯(lián)系起來。此外，分析指出了聚集溢出效應(yīng)，以及城市內(nèi)和城市間多中心之間潛在的弱正相互作用效應(yīng)。本文最后總結(jié)了對中國空間發(fā)展的政策含義。城市多中心的多尺度分析研究，分析城市多中心性與城市經(jīng)濟的關(guān)系。
在許多大城市，自行車共享系統(tǒng)（BSS）和出租車在運輸服務(wù)中發(fā)揮著關(guān)鍵作用。它們都提供按需運輸選項，并允許靈活的騎行計劃和路線。以前的文獻已將BSS和出租車與其他交通方式（如公共交通和私人汽車）進行了比較，但對影響這兩種方案之間旅行選擇的時空因素知之甚少。了解BSS和出租車的出行模式對于交通需求分析和可持續(xù)交通規(guī)劃至關(guān)重要。此外，深入研究旅行行為的模式，特別是當(dāng)人們選擇出租車上的BSS時，將提供有關(guān)人類流動性和積極生活研究的寶貴見解。在這項研究中，我們調(diào)查了2014年至2016年芝加哥BSS和出租車行程的時空模式。為了模擬BSS和出租車之間的出行選擇，我們應(yīng)用機器學(xué)習(xí)技術(shù)來模擬基于環(huán)境和時間因素的交通工具。結(jié)果顯示了BSS的季節(jié)性旅行變化和出租車行程的下降趨勢。 BSS速度相對穩(wěn)定，而滑行速度的變化主要是由于時間和地點?；陔S機森林模型，其已證明最適合高處理速度，行程距離和公園和娛樂設(shè)施的數(shù)量似乎是旅行選擇的關(guān)鍵空間預(yù)測因素。根據(jù)任何時間和地點，該模型可以為用戶推薦BSS和出租車之間的出行選擇。這項研究表明了機器學(xué)習(xí)技術(shù)在城市交通研究中的重要性。研究結(jié)果可能有助于人們的交通決策，并促進可持續(xù)的交通規(guī)劃。使用機器學(xué)習(xí)來模擬芝加哥城市居民出行模式的選擇，分析人類流動時空模式的文章。
4.Energy and air pollution benefits of household fuel policies in northern China/中國北方家庭燃料政策的能源和空氣污染效益
除了最近為減少能源生產(chǎn)，工業(yè)和交通運輸產(chǎn)生的排放而采取的許多措施外，還在北京，天津和中國北方的其他26個城市開展了以住宅固體燃料替代電力或天然氣的新活動，旨在解決該地區(qū)嚴重的環(huán)境空氣污染。定量分析表明，該活動可以顯著加快住宅能源轉(zhuǎn)型，如果能夠?qū)崿F(xiàn)計劃目標，預(yù)計到2021年將有超過60％的家庭去除固體燃料，相比之下，沒有這項活動的人數(shù)不到20％。主要空氣污染物的排放量將大幅減少。實現(xiàn)了60％的替代，2021年初級PM 2.5的排放和環(huán)境PM 2.5濃度的貢獻預(yù)計分別為30％和41％。通過60％的替代，冬季客廳平均室內(nèi)PM 2.5濃度預(yù)計將從209（190到230）μg/m3降低到125（99到150）μg/m3?？紤]到可以實現(xiàn)60％或100％的替代，人口加權(quán)的PM 2.5濃度可以從2014年的140μg/m3降低到2021的78μg/m3或61μg/m3。盡管該活動最初的重點是解決環(huán)境空氣質(zhì)量問題，但減少暴露的原因更多來自室內(nèi)空氣質(zhì)量的改善，因為農(nóng)村人口每日暴露的90％可歸因于室內(nèi)空氣污染。女性比男性受益更多。PNAS上的文章，研究北京、天津和中國北方的其他26個城市關(guān)于家庭燃料政策實施下的能源和空氣污染效益。這是自大氣十條以及大氣治理開始后，中國北方重要的一項政策，評估政策的環(huán)境和經(jīng)濟效益是非常重要的。這篇文章做了一個很有意義的研究。
幾十年來，空氣質(zhì)量對公共健康，環(huán)境以及最終對各國經(jīng)濟產(chǎn)生了重大影響。有效減輕城市地區(qū)的空氣污染需要準確的空氣質(zhì)量暴露信息。傳感器技術(shù)的最新進展以及志愿地理信息（VGI）的日益普及為城市空氣質(zhì)量暴露評估開辟了新的可能性。然而，公民及其傳感器被放置在被認為主觀感興趣的區(qū)域（例如，公民居住的地方，他們的孩子的學(xué)?；蚬ぷ骺臻g），并且這導(dǎo)致在最佳空氣質(zhì)量暴露評估方面錯失機會。此外，雖然目前有關(guān)VGI的文獻已經(jīng)廣泛討論了數(shù)據(jù)質(zhì)量和公民參與問題，但很少有工作，如果有的話，提供微調(diào)VGI貢獻的技術(shù)，以進行最佳的空氣質(zhì)量暴露評估。本文介紹并測試了一種最小化公民貢獻數(shù)據(jù)的土地利用回歸預(yù)測誤差的方法。使用來自德國斯圖加特市的數(shù)據(jù)集（N = 116個傳感器）評估該方法?，F(xiàn)有網(wǎng)絡(luò)設(shè)計與優(yōu)化方法選擇的位置組合之間的比較表明空間平均預(yù)測誤差下降了52％。本文中提出的想法對于系統(tǒng)部署VGI空氣質(zhì)量傳感器非常有用，可以幫助創(chuàng)建更高分辨率，更真實的城市空氣質(zhì)量監(jiān)測地圖。空氣污染始終是一個很重要的環(huán)境問題，無論是國內(nèi)或者是發(fā)達國家，VGI數(shù)據(jù)為城市空氣污染制圖提供了新的數(shù)據(jù)集，本文就是考量VGI數(shù)據(jù)如何優(yōu)化的問題。非常有意思的一篇文章，也預(yù)示著公眾科學(xué)這類研究越來越受到重視。
個性化路線推薦（PRR）旨在響應(yīng)用戶的路線查詢生成用戶特定的路線建議。早期研究將PRR任務(wù)作為圖表上的尋路問題，并通過整合啟發(fā)式策略采用自適應(yīng)搜索算法。雖然這些方法在某種程度上是有效的，但它們需要通過啟發(fā)式設(shè)置成本函數(shù)。另外，在搜索過程中難以利用有用的上下文信息。為了解決這些問題，我們建議使用神經(jīng)網(wǎng)絡(luò)自動學(xué)習(xí)PRR任務(wù)的經(jīng)典啟發(fā)式算法的成本函數(shù)，即A星算法。我們的模型由兩部分組成。首先，我們采用基于注意力的遞歸神經(jīng)網(wǎng)絡(luò)（RNN），通過結(jié)合有用的上下文信息來模擬從源位置到候選位置的成本。 RNN組件不是學(xué)習(xí)單個成本值，而是能夠?qū)W習(xí)用戶的移動狀態(tài)的時變矢量化表示。其次，我們建議使用價值網(wǎng)絡(luò)來估算從候選地點到目的地的成本。為了捕獲結(jié)構(gòu)特征，通過結(jié)合用戶的移動狀態(tài)和其他上下文信息，在改進的圖注意網(wǎng)絡(luò)之上構(gòu)建價值網(wǎng)絡(luò)。這兩個組件以原則方式集成，以獲得候選位置的更準確成本。三個真實世界數(shù)據(jù)集的廣泛實驗結(jié)果表明了該模型的有效性和魯棒性。
后分類比較（PCC）已被廣泛用作變化檢測方法。 PCC算法直觀且易于應(yīng)用于所有衛(wèi)星圖像，無論它們是從相同的傳感器獲取還是在相同的環(huán)境條件下獲取。但是，PCC容易出現(xiàn)累積錯誤，這是由分類錯誤引起的?；蛘?，后驗概率空間中的變換向量分析（CVAPS），其基于比較像素的后驗概率向量來解釋變化，可以減輕PCC中存在的分類誤差累積。 CVAPS根據(jù)變化向量的方向識別變更類型。但是，變換向量可以轉(zhuǎn)換為特征空間內(nèi)的新位置;因此，CVAPS可以使用相同的方向測量來描述多種類型的變化，這是不可想象的。我們提出的方法通過使用CVAPS和PCC的融合來識別土地覆蓋過渡。在提出的算法中，與CVAPS相反，不需要指定閾值以提取變化。此外，所提出的方法使用隨機森林作為可訓(xùn)練的融合方法，以便直接在從CVAPS和PCC獲得的特征空間中獲得變化圖。換句話說，不需要指定閾值以通過CVAPS方法獲得變化圖，然后將其與從PCC方法獲得的變化圖組合。與其他關(guān)注融合多種變化檢測方法的變化檢測方法相比，這是一個優(yōu)勢。此外，所提出的方法基于CVAPS和PCC的融合識別不同類型的土地覆蓋轉(zhuǎn)變，以改善變化類型確定的結(jié)果。該方法適用于Landsat和Quickbird采集的圖像。得到的圖確認了所提出的方法作為變化檢測/標記工具的效用。例如，在確定不同類型的變化時，新方法在CVAPS和PCC上的總體準確度和kappa系數(shù)相對改善平均分別為7％和9％。來自黃波老師團隊的成果，。
8.Origin-Destination Flow Maps in Immersive Environments/沉浸環(huán)境中的OD流向圖
沉浸式虛擬和增強現(xiàn)實頭戴式耳機可以將平面圖像覆蓋在任何表面上，或者在用戶周圍的空間中懸掛虛擬對象。該技術(shù)正在迅速改進，并且從長遠來看，可以在許多情況下取代傳統(tǒng)的平板顯示器。當(dāng)顯示器不再是固有的平面時，我們應(yīng)該如何使用用戶周圍的空間進行抽象數(shù)據(jù)可視化？在本文中，我們就全球地理環(huán)境中的OD流量數(shù)據(jù)提出這個問題。我們報告了三項研究的結(jié)果，這些研究探索了流向圖的不同空間編碼。第一個實驗側(cè)重于平面地圖上流動的不同2D和3D編碼。我們發(fā)現(xiàn)，參與者對于升高的流動路徑更加準確，其高度與流動距離成比例，但對于傳統(tǒng)的直線2D流動而言最快。在我們的第二和第三個實驗中，我們比較了平面地圖，3D地球儀和我們稱之為MapsLink的新穎交互式設(shè)計，涉及一對鏈接的平面地圖。我們發(fā)現(xiàn)參與者使用MapsLink所花費的時間遠遠多于其他流向圖，而具有凸起流量的3D地球是最快，最準確且最受歡迎的方法。我們的工作表明，仔細使用第三個空間維度可以解決復(fù)雜流向圖中的視覺混亂。關(guān)于OD流向地圖可視化的一篇文章，講述了目前新興的VR，AR技術(shù)所營造的沉浸環(huán)境可視化與2D可視化的比較。
9.Many-to-Many Geographically-Embedded Flow Visualisation: An Evaluation/多對多地理嵌入式流程可視化：評估
顯示多個地理位置之間的人員和資源流是一個具有挑戰(zhàn)性的可視化問題。 我們進行了兩項定量用戶研究，以評估這種密集的多對多流的不同視覺表示。 在我們的第一項研究中，我們將捆綁的節(jié)點鏈接流圖表示和OD映射與我們稱之為MapTrix的新可視化進行了比較。 與OD Maps一樣，MapTrix克服了與傳統(tǒng)流圖相關(guān)的混亂，同時提供了標準OD矩陣表示中缺少的地理嵌入。 我們發(fā)現(xiàn)OD Maps和MapTrix具有相似的性能，而捆綁的節(jié)點鏈接流圖表示完全沒有擴展。 我們的第二項研究將參與者表現(xiàn)與OD Maps和MapTrix在較大的數(shù)據(jù)集上進行了比較。 表現(xiàn)再次非常相似。這篇文章依舊是可視化相關(guān)的論文，并且提到了一個新的OD流向圖可視化方法MapTrix方法，這個方法詳見本文作者前面的論文，是一個很不錯的可視化方法，結(jié)合了OD圖和相關(guān)矩陣熱圖方法。
10.Maps and Globes in Virtual Reality/虛擬現(xiàn)實中的地圖和地球儀
本文探討了在虛擬現(xiàn)實（VR）中渲染全球地理地圖的不同方法。我們比較：（a）3D外星球，用戶的觀點在全球范圍之外; （b）平面地圖（渲染至VR中的飛機）; （c）以自我為中心的三維地球儀，以及全球范圍內(nèi)的觀點; （d）曲線圖，通過將地圖投影到圍繞用戶彎曲的球體部分而創(chuàng)建。在所有四個可視化中，可以使用標準手持VR控制器平滑地調(diào)整地理中心，并且用戶通過頭部跟蹤的耳機可以在可視化中物理移動。對于距離比較，exocentric globe比egocentric globe和flat map更準確。對于區(qū)域比較，與平面和曲線地圖相比，外心和自我中心地球需要更多時間。對于方向估計，exocentric globe比其他視覺呈現(xiàn)更準確，更快速。我們的研究參與者對外星中心的偏好較弱。通常，彎曲地圖比平面地圖有益處。幾乎在所有情況下，自我中心地球被發(fā)現(xiàn)是效率最低的可視化?？偟膩碚f，我們的結(jié)果支持在混合現(xiàn)實中使用外心地球可視化進行地理可視化。基于VR的全球地圖可視化方法對比，VR技術(shù)很好地改變了當(dāng)前數(shù)據(jù)可視化方面的方式。
在過去幾十年中，許多國家致力于減少空氣污染。然而，人們對空氣質(zhì)量改善如何影響健康知之甚少。因此，我們進行了當(dāng)前的研究，以調(diào)查大型縱向隊列中長期暴露于環(huán)境顆粒物（PM2.5）和高血壓發(fā)病率的動態(tài)變化。我們在2001年至2014年期間招募了134 978名18歲或以上的成年人。所有參與者都接受了一系列標準體檢，包括血壓測量。使用基于衛(wèi)星的時空模型以高分辨率（1×1km 2）估算PM2.5濃度。長期暴露于PM2.5（ΔPM2.5）的變化定義為隨訪期間和前一次訪視期間測量值之間的差異，負值表示PM2.5空氣質(zhì)量的改善。時變Cox模型用于檢查ΔPM2.5與高血壓發(fā)展之間的關(guān)聯(lián)。結(jié)果表明，2002,2003和2004年P(guān)M2.5濃度增加，但2005年開始下降。接觸PM2.5時每5μg/ m3變化（即ΔPM2.5為5μg/ m3）與高血壓發(fā)病率變化16％相關(guān)（風(fēng)險比，0.84; 95％CI，0.82-0.86）。分層和敏感性分析通常產(chǎn)生類似的結(jié)果。我們發(fā)現(xiàn)PM2.5暴露的改善與高血壓發(fā)病率降低有關(guān)。我們的研究結(jié)果表明，減少空氣污染是降低心血管疾病風(fēng)險的有效策略。PM2.5暴露對于高血壓發(fā)病率的影響研究一直在醫(yī)學(xué)地理和健康地理是有縣里的，這篇文章結(jié)合了大型縱向隊列醫(yī)學(xué)調(diào)查數(shù)據(jù)分析得到的PM2.5暴露對高血壓發(fā)病率的影響。
12.Projecting impacts of climate change on global terrestrial ecoregions/預(yù)測氣候變化對全球陸地生態(tài)區(qū)的影響
世界自然基金會（WWF）利用陸地生態(tài)區(qū)，包括關(guān)鍵生態(tài)區(qū)（CE），脆弱的生態(tài)區(qū)（VEs）和完整的生態(tài)區(qū)（IE）對全球生物多樣性進行分類，并受到氣候變化的影響，氣候變化被認為是一個對生物多樣性保護的主要威脅。然而，未來氣候變化對代表性濃度路徑（RCP 2.6,4.5和8.5）下的溫度，降水和云層覆蓋的變化均值和極端影響對這些生態(tài)區(qū)域的特征尚未完全了解。本研究采用動態(tài)全球植被模型以及當(dāng)前和未來氣候情景設(shè)計，研究溫度，降水和云量變化的平均值和極值對五種生態(tài)指標的影響，包括凈初級生產(chǎn)力（NPP），碳儲量生態(tài)區(qū)域的徑流，野火風(fēng)險和棲息地轉(zhuǎn)換。對整個地面生態(tài)區(qū)以及CE，VE和IE的特定子集進行了分析。結(jié)果表明，當(dāng)將2071-2100的值與基線進行比較時，未來的氣候情景（無論是RCP 2.6,4.5或8.5）是否會增加所有生態(tài)區(qū)域類型的平均NPP，徑流，野火風(fēng)險和棲息地轉(zhuǎn)換（1971-2000年）期間。相反，估計TEW，VE和CE中的平均碳儲存量從基線降至RCP 2.6和RCP 4.5下的值，然后增加到RCP 8.5下的最大值。估計在RCP 8.5下IE中的平均碳儲存量仍然低于基線期值。在RCP 2.6，RCP 4.5和RCP 8.5下，溫度，降水和云量覆蓋的變化均值和極值的氣候變化通常是NPP，碳儲存，徑流，野火風(fēng)險和棲息地轉(zhuǎn)型變化的重要驅(qū)動因素。氣候變化指標和五個生態(tài)指標的動態(tài)對氣候變化中的生物多樣性保護具有重要意義。分析氣候變化對于全球陸地生態(tài)區(qū)的英雄愛能夠，分析了主要的幾個驅(qū)動因素。全球生態(tài)區(qū)劃是一個很重要的研究。
