資源整理。

1 Coding：

1.開源項目openeo api。oponEO開發(fā)了一個開放的API，以簡單統(tǒng)一的方式將R，python和javascript客戶端連接到對地觀測大數(shù)據(jù)云平臺的后臺。 此存儲庫包含此API，即oponEO（核心）API。

openeo api

2.開源項目quantized mesh viewer，在Cesium中渲染自定義量化網(wǎng)格瓦片并使用THREE.js渲染器調(diào)試單個瓦片。

quantized mesh viewer

3.開源項目spade，rust語言的空間數(shù)據(jù)結(jié)構(gòu)。

spade

4.用TensorFlow進行機器學習書籍附帶TensorFlow機器學習的源代碼。有關(guān)代碼說明，請參閱本書。

TensorFlow Book

5.R語言包ggsoccer，ggplot2的拓展包，用于繪制足球場及足球賽事的包。

ggsoccer

6.開源項目firspaper,關(guān)于寫第一篇論文的很多東西。很切實的經(jīng)驗之談。值得關(guān)注。

firspaper

7.R語言包datapasta，一個幫助在不同平臺復制粘貼的包。

datapasta

8.R語言包rgeopat2，支持使用'GeoPAT'2軟件處理的空間數(shù)據(jù)分析。

rgeopat2

9.開源項目weathercontext，twitter上的機器人，每天中午定時發(fā)布天氣信息，同時也可以查詢歷史天氣（來自ECMWF的ERA-interim數(shù)據(jù)）。

weathercontext

10.R語言包geojsonsf，R中GeoJSON和Simple Feature對象之間的簡單，低依賴性和快速轉(zhuǎn)換工具。

geojsonsf

11.R語言包adaptMCMC，通用自適應(yīng)蒙特卡羅馬爾可夫鏈采樣器的R語言實現(xiàn)。

adaptMCMC

12.R語言包usmap，在R中創(chuàng)建包括阿拉斯加和夏威夷在內(nèi)的美國地圖。

usmap

13.R語言包s2，用于橢球體的Google s2庫的R接口。

s2

14.開源項目TheGeolocationManual，R markdown組織的文件，應(yīng)該跟Geolocation相關(guān)的內(nèi)容。詳情見倉庫。

TheGeolocationManual

15.Fotran庫LAPACK，用于解決數(shù)值線性代數(shù)中最常出現(xiàn)的問題。

lapack

16.R語言包pkgdown，用于生成R包的靜態(tài)網(wǎng)頁。

pkgdown

17.node建立的自然語言處理庫，具有實體提取，情感分析，自動語言識別等功能。

nlp.js

18.開源項目KivyMD，Kivy Material Design標準的小部件的集合。

KivyMD

19.用于ODSC介紹貝葉斯工作流的幻燈片和材料。

intro bayesian workflow

20.開源項目NUTS，來自Hoffman＆Gelman的2011年無轉(zhuǎn)換采樣器（NUTS）的python版本。

NUTS

21.R語言包cowsay，R中有更多動物的cowsay。就是用注釋畫出動物的樣子。

cowsay

22.R語言包lato，使用'Lato'字體的最小和靈活的'ggplot2'主題。

lato

23.QGIS的Google Earth Engine插件。

qgis earthengine plugin

2 Paper:

1.Evaluating the Performance of Sentinel-2, Landsat 8 and Pléiades-1 in Mapping Mangrove Extent and Species/評估Sentinel-2，Landsat 8和Pléiades-1在紅樹林范圍和物種制圖方面的表現(xiàn)

繪制紅樹林的范圍和物種對于了解它們對環(huán)境變化的反應(yīng)以及觀察其提供商品和服務(wù)的完整性非常重要。然而，準確繪制紅樹林范圍和物種是遙感的持續(xù)挑戰(zhàn)。新推出的可自由使用的Sentinel-2（S2）傳感器為這些挑戰(zhàn)提供了新的機會。本研究首次開展了一項研究，旨在研究中國東寨港第一個國家紅樹林自然保護區(qū)紅樹林范圍和物種的原始條帶，光譜指數(shù)和紋理信息。為了繪制紅樹林的范圍和物種，利用和修改了基于紅樹林生態(tài)系統(tǒng)的空間結(jié)構(gòu)和基于地理對象的圖像分析的三級層次結(jié)構(gòu)。在實驗過程中，為了克服優(yōu)化高維和相關(guān)特征空間的挑戰(zhàn)，引入了遞歸特征消除（RFE）算法。最后，基于隨機森林算法，來自RFE的所選特征被用于紅樹林物種鑒別。將結(jié)果與Landsat 8（L8）和Pléiades-1（P1）數(shù)據(jù)進行了比較，結(jié)果表明S2和L8可以準確地提取紅樹林的范圍，但P1顯然高估了它。關(guān)于紅樹林物種群落水平，S2的總體分類準確度為70.95％，低于P1圖像（78.57％），略高于L8數(shù)據(jù)（68.57％）。同時，前者差異具有統(tǒng)計顯著性，后者則不然。優(yōu)勢物種基本上是在S2和P1圖像中提取的，這些特征對于紅樹林物種鑒別是最重要的。最重要的特征是紅光波段，其次是短波紅外，近紅外，藍光和其他可見光波段。這項研究表明S2傳感器可以準確地繪制紅樹林的范圍，并基本上區(qū)分紅樹林物種群落，但對于后者，由于紅樹林物種的復雜性，應(yīng)該謹慎。遙感影像在紅樹林提取方面的成果。事實證明哨兵的數(shù)據(jù)在提取范圍上準確度較高，而提取物種上卻效果不佳。從與Landsat 8和Pléiades-1的比較來看，相信未來紅樹林遙感制圖的關(guān)鍵是這幾個多源衛(wèi)星的信息融合。

2.National scale spatiotemporal land-use regression model for PM2.5, PM10 and NO2 concentration in China/中國PM2.5，PM10和NO2濃度的全國尺度時空土地利用回歸模型

空氣污染流行病學研究越來越依賴于高分辨率暴露預測模型。但是，到目前為止，很少有這種類型分辨率的數(shù)據(jù)可供在中國使用。目標：我們制定了國家土地利用回歸模型（LUR），以估算中國2014年至2016年的月平均PM2.5，PM10和NO2。方法：我們使用廣義加性混合模型開發(fā)了時空半?yún)?shù)模型。模型中包括各種預測變量：時變氣象數(shù)據(jù)，Globaland 30的高分辨率土地覆蓋數(shù)據(jù)，氣溶膠光學深度的衛(wèi)星測量和地理信息系統(tǒng)（GIS）衍生的預測變量。我們使用兩種交叉驗證（CV）方法評估模型性能，包括保持CV和10折CV。結(jié)果：在1382個監(jiān)測點進行了超過22,000次月度觀測，以估算空氣污染暴露情況。時變空間項解釋了87％，71％和69％的變異性，PM2.5，PM10和NO2模型的保持交叉驗證R2分別為0.85,0.62和0.62。模型顯示，氣象變量，人口密度，海拔，道路距離和土地覆蓋類型是空氣污染暴露的重要預測因子。結(jié)論：我們開發(fā)了一種新的全國范圍的模型來估算居住水平的空氣污染暴露，可用于研究空氣污染的慢性不利影響。LUR的全國尺度上的研究，并且涵蓋了三大關(guān)鍵大氣污染物，比較扎實的研究。且是比較高時間分辨率（月）的LUR。

3.Spatializing Segregation Measures: An Approach To Better Depict Social Relationships/空間化隔離措施：一種更好地描繪社會關(guān)系的方法

隔離涉及一個以上的人口群體，隔離措施量化了不同人口群體在空間中的分布方式。隔離研究的關(guān)鍵概念和方法論基礎(chǔ)之一是考慮跨地區(qū)單位的兩個或更多人口群之間空間相互作用的潛力。這個基礎(chǔ)意味著需要一種空間方法來描繪鄰居之間的空間（以及社會）互動。通常，簡單的百分比（例如，黑色百分比）不是隔離的量度。由于地方空間隔離措施直到最近才出現(xiàn)，本文的目標有三個：（1）解釋用于測量鄰域（或地方）層面隔離水平的空間方法，（2）證明不足之處。使用一定比例的種族/族裔群體作為隔離措施，以及（3）澄清兩種常用的不同和多樣性指數(shù)的適當性。來自密蘇里州圣路易斯和伊利諾伊州芝加哥的數(shù)據(jù)用于討論這三點。一個偏向社會學的GIS應(yīng)用，似乎是涉及到種族隔離方面的研究。

4.National PM2.5 and NO2 Exposure Models for China Based on Land Use Regression, Satellite Measurements, and Universal Kriging/基于土地利用回歸，衛(wèi)星測量和通用克里格法的中國國家PM2.5和NO2暴露模型

室外空氣污染是全球的主要殺手，也是中國疾病負擔的第四大因素。中國是世界上人口最多的國家，每年空氣污染死亡人數(shù)最多，但中國現(xiàn)有國家空氣污染估算的空間分辨率普遍較低。我們通過開發(fā)和評估中國的國家經(jīng)驗模型（包括土地利用回歸（LUR），衛(wèi)星測量和普遍克里金法（UK））來解決這一research gap。我們用幾種方法測試得到的模型，包括（1）比較使用前向逐步回歸與偏最小二乘（PLS）回歸開發(fā)的模型，（2）比較使用和不使用衛(wèi)星測量開發(fā)的模型，使用和不使用UK，以及（ 3）10倍交叉驗證（CV），以省為單元的留一交叉驗證（LOPOCV）和以城市為單元的留一交叉驗證（LOCOCV）。衛(wèi)星數(shù)據(jù)和克里金法在使預測更準確方面具有互補性：克里金法改進了良好采樣區(qū)域的模型;衛(wèi)星數(shù)據(jù)大大提高了遠離監(jiān)視器的位置的性能。逐步前向選擇與10倍CV中的PLS類似地執(zhí)行，但是優(yōu)于LOPO-CV中的PLS。我們的最佳模型采用前向選擇和UK，我們?yōu)橹袊哪昶骄鶟舛戎谱髁说谝粋€高分辨率國家LUR模型。模型應(yīng)用于1 km網(wǎng)格以支持未來的研究。 2015年，超過80％的中國人口居住在超過中國國家PM2.5標準的地區(qū)，這里的結(jié)果將公開，可能對環(huán)境健康研究有用。類似于上面第二篇的土地利用回歸模型。不過這篇增加了和人口相關(guān)的研究，切實地做到了暴露的研究。

5.Thermal evaluation of urbanization using a hybrid approach/使用混合方法對城市化進行熱評估

城市發(fā)展增加了建筑物和路面的徑流溫度，這可能對水生生物有害。但是，我們根據(jù)土地利用預測徑流溫度的能力有限。本文探討了可用于模擬徑流溫度的工具，這是一種敏感物種溪鱒（Salvelinus sp。）。明尼蘇達城市熱量輸出工具（MINUHET）和暴雨水管理模型（SWMM）被應(yīng)用于弗吉尼亞州布萊克斯堡附近的Stroubles Creek流域的14.1平方公里的部分，持續(xù)兩個夏天。流量，水溫和天氣數(shù)據(jù)來自Virginia Tech StREAM實驗室（流研究，教育和管理）監(jiān)測站。 SWMM和MINUHET分別針對流量和流溫度進行校準和驗證。模型對不透水性（SWMM預測的流量）和露點溫度（MINUHET預測的水溫）敏感。雖然模型輸出時間步長為15分鐘，但使用Nash-Sutcliffe效率（NSE）按小時時間步長評估模擬流量流中的模型性能。 SWMM的NSE值分別為0.67和0.65，校準和驗證期間的MINUHET分別為0.62和0.57，表明SWMM在流量模擬中的表現(xiàn)優(yōu)于MINUHET。在驗證期間使用MINUHET模擬流溫度，NSE值為0.58，證明了令人滿意的水溫模擬。由于SWMM不能進行簡單混合以外的溫度模擬。 SWMM和MINUHET的水文和熱輸出以混合方式組合，強調(diào)每個相應(yīng)模型的強度，即SWMM用于徑流和徑流，MINUHET用于水溫。使用MINUHET和Hybrid模型模擬熱負荷;混合模型（0.56）單獨使用比MINUHET（0.45）更大的NSE。 MINUHET預測表明，在校準和驗證期分別為39％和38％的情況下，水溫將超過21°C的鱒魚毒性閾值。由于觀察到的溫度分別超過了校準和驗證期的59％和53％的毒性閾值，因此MINUHET不是溫度持續(xù)時間超過毒性閾值的保守預測因子。小尺度城市化與徑流溫度對物種危害的研究，耦合了兩個模型。

6.An Analytical Framework for Integrating the Spatiotemporal Dynamics of Environmental Context and Individual Mobility in Exposure Assessment: A Study on the Relationship between Food Environment Exposures and Body Weight/在暴露評估中整合環(huán)境背景和個體流動的時空動態(tài)的分析框架：食物環(huán)境暴露與體重之間關(guān)系的研究

在過去的研究中，個人環(huán)境暴露主要是以靜態(tài)方式測量的。在這項研究中，我們開發(fā)并實施一個動態(tài)表示環(huán)境背景（環(huán)境背景立方體）的分析框架，并有效地整合個人日常運動（行為時空軌跡），以準確地推導出個人環(huán)境暴露（環(huán)境背景暴露指數(shù)）。該框架用于檢查食物環(huán)境暴露與46名參與者的超重狀態(tài)之間的關(guān)系，使用俄亥俄州哥倫布市的全球定位系統(tǒng)（GPS）收集的數(shù)據(jù)和二元邏輯回歸模型。結(jié)果表明，與其他廣泛使用的方法相比，所提出的框架可以對個體食物環(huán)境暴露產(chǎn)生更可靠的測量。考慮到個體環(huán)境暴露的復雜空間和時間動態(tài)，擬議的框架也有助于緩解不確定的地理環(huán)境問題（UGCoP）。它可用于其他環(huán)境健康研究，涉及環(huán)境影響廣泛的健康行為和結(jié)果。關(guān)美寶老師團隊的新文章，關(guān)注的是個體食物環(huán)境暴露與時空軌跡相關(guān)的研究。近期連續(xù)看到兩篇關(guān)美寶老師團隊相關(guān)的文章。食物環(huán)境暴露是一個比較新的話題，值得關(guān)注。屬于環(huán)境健康方面的另一個研究，但是之前見過一些做城市代謝研究的似乎也略有涉及。

7.Integrating spatial and temporal contexts into a factorization model for POI recommendation/將空間和時間上下文集成到POI推薦的因子分解模型中

矩陣分解是推薦系統(tǒng)中最常用的方法之一。但是，它面臨著與興趣點（POI）建議中的登記數(shù)據(jù)相關(guān)的兩個挑戰(zhàn)：數(shù)據(jù)稀缺性和隱式反饋。為解決這些問題，本文提出了一種特征空間分離因子分解模型（FSS-FM）。該模型將POI要素空間表示為單獨的切片，每個切片代表一種特征。因此，可以容易地添加空間和時間信息以及其他上下文以補償稀缺數(shù)據(jù)。此外，將因子分解模型的兩個常用目標函數(shù)（加權(quán)最小二乘和成對排序函數(shù)）組合以構(gòu)建混合優(yōu)化函數(shù)。對兩個真實數(shù)據(jù)集進行了廣泛的實驗：Gowalla和Foursquare，并將結(jié)果與基線方法的結(jié)果進行比較以評估模型。結(jié)果表明，F(xiàn)SS-FM在兩種數(shù)據(jù)集的精確度和召回率方面均優(yōu)于最先進的方法。具有單獨特征空間的模型可以改善推薦的性能。包含空間和時間上下文進一步利用了性能，空間上下文比時間上下文更有影響力。此外，還證明了混合優(yōu)化在改進POI推薦方面的能力。推薦系統(tǒng)算法和VGI數(shù)據(jù)的結(jié)合，事實上POI作為關(guān)鍵的地圖導航點，對模糊搜索之類的功能有很高的要求，因此這個研究是相對具有較大工程意義的。來自于地理所裴韜老師團隊的成果。

8.Estimating spatiotemporal distribution of PM 1 concentrations in China with satellite remote sensing, meteorology, and land use information/利用衛(wèi)星遙感，氣象和土地利用信息估算中國PM 1濃度的時空分布

PM1可能比PM2.5（空氣動力學直徑≤1μm且≤2.5μm的顆粒物質(zhì)）更危險。然而，由于缺乏PM1監(jiān)測數(shù)據(jù)，PM1濃度及其健康影響的研究受到限制。目標：利用衛(wèi)星遙感，氣象和土地利用信息，估算2005 - 2014年中國PM1濃度的時空變化。兩種類型的中分辨率成像光譜儀（MODIS）產(chǎn)品6氣溶膠光學深度（AOD）數(shù)據(jù)（基于暗目標（DT）和深藍色（DB）反演的）。開發(fā)廣義相加模型（GAM）以將地面監(jiān)測的PM1數(shù)據(jù)與AOD數(shù)據(jù)和其他空間和時間預測因子（例如，城市覆蓋，森林覆蓋和日歷月）聯(lián)系起來。進行10折交叉驗證以評估預測能力。結(jié)果表明，PM1水平在冬季最高，而在夏季最低。總的來說，整個中國的PM1水平在過去十年中并未發(fā)生實質(zhì)性變化。對于當?shù)刂匚廴镜貐^(qū)，河北西南部和京津地區(qū)的PM1水平大幅上升。結(jié)論：具有衛(wèi)星反演AOD，氣象和土地利用信息的GAM具有較高的預測能力來估計地面PM1。在過去十年中，環(huán)境PM1在中國達到了很高的水平。估計結(jié)果可用于評估PM1的健康影響。在見慣了大量PM2.5各類反演研究后，這一篇確實耳目一新，因為做的是PM1。可以說細顆粒物將在未來對人類健康產(chǎn)生持續(xù)的影響，也是需要重點關(guān)注的大氣污染物。