我愛你中國，嗯，國慶快樂。資源整理。
1 Coding:
1.Postgresql插件，用于存儲點云數(shù)據(jù)。
2.發(fā)表在Remote Sensing Letters上論文"Geographically weighted correspondence matrices for local error reporting and change analyses: mapping the spatial distribution of errors and change"的代碼和數(shù)據(jù)。
3.Spatial Accuracy 2016的workshop之一，針對遙感數(shù)據(jù)的地理加權方法的精度。很榮幸，筆者今年參加了Spatial Accuracy 2018大會，也參加了一個workshop。Lex comber老師也很榮幸在北京見過一面，而且也就關于尺度和不確定性的問題交流過。
4.開源項目mapbiomass，一個用于多年監(jiān)測全球生物群落變化的工具，并為這些數(shù)據(jù)提供統(tǒng)計分析選項。
5.OpticalRS是一種免費的開源Python實現(xiàn)的無源光學遙感方法，用于推導測深圖和水下棲息地圖。 其中一些實現(xiàn)是我原創(chuàng)的工作，有些是我對期刊論文方法的解釋。 引文將在整個文檔中找到，以表彰原作者。
6.QGIS 2.0的精度評估插件。
7.R語言包Rsenal，適用于多種分析的R魔法命令。
8.用于交叉驗證的測試框架，可以用于遙感應用的精確度指標和地圖產(chǎn)品。
9.R語言包teamlucc，用于熱帶生態(tài)評估和監(jiān)測（TEAM）網(wǎng)絡監(jiān)測點周圍的土地利用和覆蓋變化（LUCC）分析。
10.開源項目Land cover validation，該算法計算許多精度評估指標，Python語言。
11.R語言包c3，javascripts庫c3的R接口。
12.R語言包shinyParallel，在并行模式下運行Shiny并且不需要Shiny Server。
13.R語言包shadow，用于計算幾何圖形陰影。
14.R語言包ryacas，Yacas計算代數(shù)系統(tǒng)的R接口。
15.Pysal的官網(wǎng)。
16.2018年第二屆年度紐約女子機器學習與數(shù)據(jù)科學學習。
17.開源項目ConvNetSent，TensorFlow實現(xiàn)卷積神經(jīng)網(wǎng)絡用于句子分類任務。
18.R語言包emo，便于在Rmarkdown中插入表情。
19.機器學習實踐。
20.上百種預訓練中文詞向量。
21.河流侵蝕模型（REM），一種用于模擬流域尺度的河道演變的中間復雜模型。
22.從USGS網(wǎng)站自動下載LANDSAT數(shù)據(jù)的Python腳本。
23.時空平穩(wěn)性的相關論文。
24.Python庫pyModis，用于MODIS處理的Python庫?？梢赃M行下載、鑲嵌等處理。
25.R語言包ggwordcloud，ggplot2的拓展包，繪制詞云。
26.R語言包nmaINLA，使用集成嵌套拉普拉斯近似的網(wǎng)絡Meta分析。
27.R語言包MetaStan，用Stan做Meta分析。
28.一種輕松自主的Google字體獲取方式。 獲取eot，ttf，svg，woff和woff2文件或者CSS片段。
29.node包mapbox gl controls。
30.R語言包baidugeo，百度地圖地理編碼服務的R語言接口。
31.簡短的“短片”說明統(tǒng)計概念。
32.Python庫flopy，用于創(chuàng)建，運行和后處理基于MODFLOW的模型。
2 Paper:
1.Integrating Aerial and Street View Images for Urban Land Use Classification/融合航拍和街景圖像用于城市土地利用分類
城市土地利用是理性城市規(guī)劃和管理的關鍵。傳統(tǒng)的土地利用分類方法嚴重依賴于領域?qū)＜?，這既昂貴又低效。在本文中，提出了基于深度神經(jīng)網(wǎng)絡的方法，使用高分辨率航拍圖像和地面街景圖像標記像素級城市土地利用。我們使用深度神經(jīng)網(wǎng)絡從稀疏分布的街景圖像中提取語義特征，并在空間域內(nèi)插入它們以匹配航空圖像的空間分辨率，然后通過深度神經(jīng)網(wǎng)絡將其融合在一起以對土地利用類別進行分類。我們的方法在紐約市的大型公共空中和街景圖像數(shù)據(jù)集上進行了測試，結果表明單獨使用航拍圖像可以獲得相對較高的分類精度，地面街景圖像包含城市土地利用的有用信息。分類，融合街景圖像特征與航拍圖像可以提高分類的準確性。此外，我們提出實驗研究表明，當航拍圖像的分辨率較低時，街景圖像增加了更多的值，我們還提供了案例研究，以說明街景圖像如何為航拍圖像提供有用的輔助信息以提高性能?；诋斀窳餍械拇髷?shù)據(jù)：無人機航拍和街景影像融合用于城市土地利用分類傳統(tǒng)問題的一個典型案例，利用的是深度學習的方法和語義特征提取。非常不錯的研究。
本研究建立了一個綜合系統(tǒng)來評估黃淮海平原農(nóng)田利用強度和農(nóng)田利用演變。采用Delphi熵方法確定指標的權重，建立GeoDetector模型以探索影響因素。結果總結如下：（1）投入強度，利用程度和產(chǎn)量持續(xù)增加，但連續(xù)條件的強度總體下降，隨后在研究期結束時反彈。從1996年到2011年，中高強度縣的數(shù)量分別增加了56.8％和14.6％。中低強度縣的數(shù)量分別下降了35.9％和11.9％。強度顯著增加的地區(qū)主要分布在河北省東北部，山東省西北部和江蘇省北部。蘇北和安徽的強度很高;產(chǎn)量效應仍然高于中等強度，主要靠近北京，天津，唐山和石家莊郊區(qū)的縣。 （2）自然災害，海拔，坡度和路網(wǎng)是影響該地區(qū)耕地利用強度的主要因素，影響值分別為0.158,0.143,0.129和0.054。中等高度和高強度的地區(qū)分布在低洼地區(qū)。降水分布不均，季節(jié)性干旱和洪澇災害直接影響耕地穩(wěn)定性指數(shù)，降低耕地利用強度。發(fā)達的道路網(wǎng)絡具有中等強度。我們的研究結果提出了諸如促進農(nóng)業(yè)集約化和大規(guī)模管理，促進道路網(wǎng)絡建設，改善干旱和洪澇災害預警系統(tǒng)，促進適度和集約利用耕地等建議，并重點關注恢復和可持續(xù)利用農(nóng)田。利用地理探測器探究某一地理現(xiàn)象影響因素的研究。
在過去的幾十年中，城市增長邊界（UGBs）被認為是規(guī)劃者和地方政府應用的有效工具，用于遏制城市擴張和引導城市智能增長。 UGB有助于將城市發(fā)展限制在適當?shù)膮^(qū)域，并保護周圍的農(nóng)業(yè)和生態(tài)景觀。目前，中國的城鄉(xiāng)規(guī)劃法正式要求在城市總體規(guī)劃綱要和中心城區(qū)規(guī)劃中劃定UGB。然而，中國在UGB方面的做法通常由城市規(guī)劃者和地方當局決定，缺乏合理的分析依據(jù)。因此，中國的UGB經(jīng)常被證明在控制城市擴張方面效率低下。本文以快速發(fā)展的中國東部常熟市莘莊鎮(zhèn)為例，基于土地利用變化模型（土地利用變化及其在小區(qū)域范圍內(nèi)的影響，提出了建立UGBs的新方法CLUE-S）。研究結果表明，CLUE-S模型的土地利用變化和城市增長模擬精度較高。建設用地的擴大和稻田的減少將成為當?shù)赝恋乩玫闹饕兓厔荩?009 - 2011年將大量的耕地和生態(tài)用地轉(zhuǎn)變?yōu)榻ㄔO用地?；贑LUE-S模型的模擬UGB與基于傳統(tǒng)方法的計劃UGB之間的空間分布存在顯著的不一致，其中模擬結果可以更接近地反映城市增長規(guī)律的實際情況。因此，我們認為我們的方法可以成為中國城市UGB劃分的有用規(guī)劃工具?；贑LUE-S模型的UGB劃分工具，CLUE-S是一個比較經(jīng)典的土地利用模擬模型。劃分UGB的規(guī)劃工具是比較具有工程實踐意義的成果。
本文介紹了一種有效的無人機（UAV）攝影測量點云的地震破壞制圖分類方法。分類方法包括三個主要部分：（a）構建關于光譜，紋理和幾何特征的點特征描述符，（b）通過主動學習（AL）方法收集信息訓練樣本的優(yōu)化，以及（c）使用上下文信息微調(diào)基于點的分類結果。除了利用現(xiàn)有的光譜和幾何特征外，我們還設計了一種基于分形理論的紋理特征，通過線性組合構造了一個點特征描述子?；谑褂弥С窒蛄繖C分類器的分類不確定性，提出了稱為邊緣采樣和多類級別不確定性（MS-MCLU）的批量模型AL方法。我們使用多標簽馬爾可夫隨機場來使用成對模型微調(diào)基于點的分類結果。在2012年，意大利以及2013年和2008年中國，分別使用Mirabello，Lushan和汶川地震情景中的無人機圖像生成的三組點云測試了該方法。將所提出的分類方法與另外兩個特征描述符進行比較，即光譜與紋理特征（Spe Tex）和幾何特征（Geo）相結合。結果表明，利用所提出的點特征描述符可以提高分類精度。結果還表明，與隨機抽樣策略相比，所提出的MS-MCLU AL方法顯然節(jié)省了收集信息性訓練樣本的成本并產(chǎn)生了更高的分類準確度。此外，背景信息有助于改進基于點的分類結果，并建議在地震破壞制圖應用中加以考慮。無人機遙感以及激光雷達遙感為遙感和災害制圖帶來了新的生機，這篇文章就是很好的體現(xiàn)。
衛(wèi)星導出的氣溶膠光學厚度（AOD）和臺站測量的整合已被廣泛用于獲得空間PM2.5數(shù)據(jù)。已經(jīng)開發(fā)了幾種通常基于線性假設的時空模型來建立AOD-PM2.5關系。除了AOD-PM2.5關系的局部線性假設之外，本研究還開發(fā)了地理和時間加權神經(jīng)網(wǎng)絡（GTWNN），用于基于衛(wèi)星的地面PM2.5估計。通過同時使用局部時間和空間觀測，GTWNN能夠捕獲AOD-PM2.5關系的時空變化。使用衛(wèi)星AOD產(chǎn)品，NDVI數(shù)據(jù)和中國的氣象因素作為輸入，GTWNN使用PM2.5臺站測量標簽進行訓練。然后可以獲得沒有地面站的那些位置的空間PM2.5數(shù)據(jù)。與先前的時空模型相比，所提出的GTWNN已經(jīng)實現(xiàn)了更好的性能，即，每日地理加權回歸以及地理和時間加權回歸。 GTWNN的基于樣本和基于站點的交叉驗證R平方值分別為0.80和0.79。在此基礎上，在中國生成了分辨率為0.1度的空間PM2.5數(shù)據(jù)。該研究實現(xiàn)了地理加權方法和神經(jīng)網(wǎng)絡的結合，提高了基于衛(wèi)星的PM2.5估計的準確性?；贏OD，NDVI和氣象數(shù)據(jù)的PM2.5近地面制圖，GTWNN的這個方法值得關注。目前PM2.5的時空制圖做了很多研究。
Landsat數(shù)據(jù)是獲得精細分辨率土地覆蓋圖的理想數(shù)據(jù)源，并且從時間序列歸一化差異植被指數(shù)（NDVI）數(shù)據(jù)中提取的時間特征的整合實現(xiàn)了更好的性能。本文比較了NDVI統(tǒng)計特征和物候特征在土地覆蓋分類中的不同作用。具有精細分辨率的時間序列NDVI首先通過融合Landsat-8操作陸地成像儀和中等分辨率成像光譜儀（MODIS）NDVI通過時空融合算法獲得。然后從融合數(shù)據(jù)中提取統(tǒng)計和物候特征并將其添加到隨機森林（RF）分類器中。進一步討論了不同分類器下的性能和物候特征的重要性。結果表明，NDVI統(tǒng)計特征和物候特征在將其加入Landsat光譜帶后對提高分類精度有很大影響。總體準確度提高了約3％和5％。物候特征包含統(tǒng)計特征的大部分信息，更好地反映了時間序列NDVI的季節(jié)變化，特別是對于植被類型。此外，神經(jīng)網(wǎng)絡分類器實現(xiàn)了類似的RF結果趨勢，但精度較低，而支持向量機分類器在處理高維時間特征方面似乎較差，特別是在植被豐富的地區(qū)。在物候特征中，最大值，大積分值和基值具有最高的重要性分數(shù)，而季節(jié)的開始，結束和中間時間提供了識別草地和非草地的額外信息。NDVI在精細土地覆蓋分類中的影響。這個文章首先是融合了Landsat和MODIS得到新的NDVI，統(tǒng)計了相關內(nèi)容和物候特征來作為新的特征進行分類。可以說，這個新增的特征相信應該在其他區(qū)域也是很重要的一個分類特征之一。
7.Visualizing Aggregate Movement in Cities/可視化城市中的總體流動
我們在這里爭論說，盡管城市關注地點和地點，但是越來越清楚的是，對城市如何演變和變化的必要理解取決于對總體規(guī)模的人類流動的透徹理解，我們可以觀察網(wǎng)絡和流動系統(tǒng)中的緊急模式。我們認為活動的位置必須被理解為運動或流動的總結或綜合，流動，活動和攜帶和支持它們的網(wǎng)絡之間有更清晰的聯(lián)系。為此，我們引入了一個通用的模型類，它可以實現(xiàn)許多不同類型的社會和經(jīng)濟活動的匯總流，從工作之旅到電子郵件流量，可以使用經(jīng)濟學中離散選擇理論的思想進行預測。我們還認為可視化是理解流動的基本構造，但是說明具有數(shù)百萬個組成部分的圖形系統(tǒng)存在重要的局限性。為了演示這些，我們介紹了一類通用空間交互模型，并提供了兩個插圖。我們的第一個應用程序是基于高頻率城市內(nèi)的過境流量，在極短的時間內(nèi)分鐘和小時來自倫敦地鐵的數(shù)據(jù)。我們的第二個應用程序?qū)⑦@些模型從地區(qū)和城市擴展到全國，我們展示了人們從家到工作的流量，反之亦然，在更粗略的范圍內(nèi)定義了城市和相關的定居點。我們將這種方法與城市流動系統(tǒng)的更多細分的個體研究進行對比，我們認為這是對這里提出的思想的重要補充。強調(diào)mobility在城市研究中的重要性，來自于Michael Batty院士的大作。
近30年來，中國經(jīng)濟實力發(fā)生了翻天覆地的變化，對世界經(jīng)濟產(chǎn)生了深遠的影響。這引出了一個問題：中國經(jīng)濟實力的變化是否會改變中國與周邊國家的地緣經(jīng)濟關系？為了回答這個問題，我們研究了中國與東南亞國家聯(lián)盟（ASEAN）國家之間地緣經(jīng)濟關系的演變。利用歐幾里德距離法，我們探討了1980年至2014年中國與東盟國家地緣經(jīng)濟關系的變化。我們的研究結果得出五個結論：（1）隨著時間的推移，中國與東盟國家的地緣經(jīng)濟關系仍然相對較穩(wěn)定。 （2）從地域上看，中國與東盟大陸國家的主要地緣經(jīng)濟關系是互補的，而中國與東盟國家之間的主要地緣經(jīng)濟關系具有競爭性。 （3）地緣政治和地緣文化歸因于地緣經(jīng)濟關系的變化。 （4）地緣經(jīng)濟關系的演變以路徑依賴為特征。 （5）中國與東盟國家的地緣經(jīng)濟關系可分為四類：博弈類型，高度合作與競爭;互補型，合作高，競爭激烈;戰(zhàn)斗類型，合作低，競爭激烈;和松散的類型，低合作和競爭。我們的研究結果有助于提高對地緣經(jīng)濟關系的理解。定量化地緣政治分析的文章，再分出類型后，如果考慮博弈論類進行推演分析，將是一個更為突出的研究，但是這類研究政治上可能也較為敏感。
