資源整理。
1 Coding:
1.mars是一種基于張量的統(tǒng)一框架，用于大規(guī)模數(shù)據(jù)計(jì)算。
2.SVGD是一種通用的變分推理算法，它形成梯度下降的自然對(duì)應(yīng)物以進(jìn)行優(yōu)化。 SVGD通過(guò)應(yīng)用一種最小化KL散度的函數(shù)梯度下降形式，迭代地傳輸一組粒子以匹配目標(biāo)分布。該軟件包包含Matlab和Python語(yǔ)言的SVGD實(shí)現(xiàn)。 還提供演示以在我們的論文中重現(xiàn)結(jié)果。 貝葉斯神經(jīng)網(wǎng)絡(luò)示例基于Theano。
Stein Variational Gradient Descent
3.非官方Python端口的puppeteer JavaScript（無(wú)頭）chrome/chromium瀏覽器自動(dòng)化庫(kù)。puppeteer是谷歌瀏覽器自行開(kāi)發(fā)的js庫(kù)。非常強(qiáng)大。
4.tf-explain將可解釋性方法實(shí)現(xiàn)為T(mén)ensorflow 2.0回調(diào)，以簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)的理解。請(qǐng)參閱tf-explain介紹
5.用于渲染bokeh Python可視化庫(kù)的Jupyter小部件。
6.GDAL/OGR命令行的備忘錄。有很多GDAL/OGR命令行實(shí)現(xiàn)不同功能的demo。
7.geotiff.js是一個(gè)小型庫(kù)，用于解析TIFF文件以進(jìn)行可視化或分析。 它是用純JavaScript編寫(xiě)的，可以在瀏覽器和node.js應(yīng)用程序中使用。從各種不同（Geo）TIFF文件類(lèi)型中讀取（地理空間）元數(shù)據(jù)和原始數(shù)組數(shù)據(jù)。
8.此存儲(chǔ)庫(kù)包含一個(gè)docker容器——GDS環(huán)境。GDS環(huán)境也就是地理數(shù)據(jù)科學(xué)環(huán)境（Geographical Data Science Environment)。其中包括：完整的Python，可用于地理空間分析）。完整的R可用于地理空間分析。IRkernel和rpy2通道都通過(guò)Python與R交互。完整的LaTeX發(fā)行版。其他開(kāi)發(fā)實(shí)用程序（例如pandoc，git，decktape等）。它相當(dāng)沉重（大約10GB），但它旨在提供一個(gè)完全隔離的環(huán)境，可以在各種環(huán)境中部署，并涵蓋幾種情況。
9.Dockerfile用Jupyterhub和RStudio構(gòu)建理想的多用戶(hù)數(shù)據(jù)科學(xué)服務(wù)器，為Python，R和Julia語(yǔ)言做好準(zhǔn)備。
10.斯坦福數(shù)值分析公開(kāi)課學(xué)習(xí)資料，內(nèi)容豐富，介紹了數(shù)值分析常見(jiàn)的內(nèi)容，涵蓋了機(jī)器學(xué)習(xí)中絕大多數(shù)優(yōu)化方法，部分作業(yè)難度較大。
CS205A Mathematical Methods for Robotics Vision and Graphics
11.介紹mlr3的電子書(shū)，由bookdown生成，mlr意為machine learning in R，這在網(wǎng)上已經(jīng)形成一個(gè)良好的開(kāi)源組織，有興趣的可以關(guān)注。
12.R語(yǔ)言包geodistpar，geodist包的并行計(jì)算版本。
13.Terracotta是一個(gè)純Python 瓦片服務(wù)器，在專(zhuān)用網(wǎng)絡(luò)服務(wù)器上作為WSGI應(yīng)用程序運(yùn)行，或作為AWS Lambda上的無(wú)服務(wù)器應(yīng)用程序運(yùn)行。 它基于Python 3.6，由Flask，Zappa和Rasterio等開(kāi)源軟件提供支持。
14.該存儲(chǔ)庫(kù)包含用于“擬合線(xiàn)蟲(chóng)群體對(duì)時(shí)間和溫度的響應(yīng)的線(xiàn)性和二次模型”的Rmd文件，該文件作為02/2018的教學(xué)筆記發(fā)布到開(kāi)放植物病理學(xué)。
15.圖分類(lèi)方法的集合，包括嵌入，深度學(xué)習(xí)，圖形內(nèi)核和分解論文以及參考實(shí)現(xiàn)。
16.在R Shiny app中插入ECharts可交互圖形
17.從無(wú)到有搭建一個(gè)以疾病為中心的一定規(guī)模醫(yī)藥領(lǐng)域知識(shí)圖譜，并以該知識(shí)圖譜完成自動(dòng)問(wèn)答與分析服務(wù)。
18.xarray的數(shù)據(jù)立方。
19.課程“EEwPython”是一系列Jupyter筆記本（colabs）用python學(xué)習(xí)Google Earth Engine（GEE）。 EEwPython分為兩部分。 第一個(gè)是來(lái)自所有Google Earth Engine文檔的改編版，能夠在python中運(yùn)行，第二個(gè)是重新編譯不同的可重現(xiàn)示例。 如果您想?yún)⑴cEEwPython，請(qǐng)不要懷疑與我們保持聯(lián)系。
20.R語(yǔ)言包gratia，優(yōu)雅的'基于ggplot'的圖形和實(shí)用功能，用于使用'mgcv'軟件包安裝的廣義可加模型（GAM）。 為'mgcv'提供的GAM提供plot（）方法的重新實(shí)現(xiàn)
21.具有交互式TLS功能的攔截HTTP代理，適用于滲透測(cè)試人員和軟件開(kāi)發(fā)人員。
22.使用斷軸創(chuàng)建matplotlib圖，brokenaxes使得matplotlib圖在軸上有斷點(diǎn)，用于顯示不連續(xù)范圍內(nèi)的數(shù)據(jù)。
23.mlr3的可視化。
24.由波蘭統(tǒng)計(jì)局編寫(xiě)的'bdl'軟件包是Local Data Bank（Bank Danych Lokalnych - bdl）API的一個(gè)接口，提供一系列有用的工具，如快速繪圖和使用數(shù)據(jù)庫(kù)中的數(shù)據(jù)生成地圖。
25.清華大學(xué)計(jì)算機(jī)系課程攻略。
26.用Pytorch重新實(shí)現(xiàn)RetinaFace
27.RegExr是一個(gè)基于HTML/JS的工具，用于創(chuàng)建，測(cè)試和學(xué)習(xí)正則表達(dá)式。
28.spatial access：大規(guī)模計(jì)算旅行時(shí)間和空間訪問(wèn)指標(biāo)。大規(guī)模計(jì)算旅行時(shí)間和空間訪問(wèn)度量（以分鐘為單位的數(shù)百萬(wàn)個(gè)起始 - 目的地對(duì)）。 三種模式的旅行時(shí)間：步行，騎自行車(chē)，駕駛。 空間訪問(wèn)度量：提供者與人的比率，平均到最近的提供者的時(shí)間，附近提供者的計(jì)數(shù)/屬性總和，加權(quán)訪問(wèn)分?jǐn)?shù)和浮動(dòng)聚集區(qū)。
29.這是OSIG項(xiàng)目，用于發(fā)布開(kāi)放數(shù)據(jù)和開(kāi)放材料開(kāi)放科學(xué)中心徽章，以便在會(huì)議演示和海報(bào)上顯示。該項(xiàng)目的目的是通過(guò)公開(kāi)提供他們的數(shù)據(jù)，代碼和其他研究產(chǎn)品來(lái)認(rèn)可考古學(xué)家為改善考古學(xué)中的學(xué)術(shù)交流所做的努力。
30.將任何草圖轉(zhuǎn)換為單個(gè)數(shù)學(xué)公式。
31.SpaceNet道路檢測(cè)和導(dǎo)航挑戰(zhàn)競(jìng)賽的優(yōu)勝解決方案。
2 Paper:
流行病學(xué)研究需要準(zhǔn)確預(yù)測(cè)空氣污染物的濃度。在這項(xiàng)研究中，基于衛(wèi)星的估計(jì)（OMI NO2），距離加權(quán)模型（DWMs）和普通克里金法（UK）被應(yīng)用于土地利用回歸（LUR），以預(yù)測(cè)美國(guó)大陸的年平均和每月平均NO2濃度。此外，為了評(píng)估環(huán)境風(fēng)險(xiǎn)，在377個(gè)大都市統(tǒng)計(jì)區(qū)（MSAs）中探討了NO2濃度與城市地區(qū)可能暴露于NO2的人之間的關(guān)系。該研究的結(jié)果表明，將OMI NO2，UK和DWM組合應(yīng)用于LUR，這個(gè)模型有最高的交叉驗(yàn)證（CV）R2值和最低預(yù)測(cè)均方根誤差（RMSEP）：82.9％和0.392。在年度模型中，ppb的平方根尺度和ppb的平方根尺度分別為70.4-83.5％和0.408-0.518。此外，該模型提出了CV誤差項(xiàng)的空間無(wú)偏分布?；贚UR的模型提供了更準(zhǔn)確的NO2預(yù)測(cè)，城市地區(qū)的RMSEP低于農(nóng)村地區(qū)。此外，本研究發(fā)現(xiàn)生活在城市地區(qū)的MSA人口較多，18歲以下兒童比例較高，可能會(huì)暴露于較高的NO2濃度。相比之下，居住在城市地區(qū)的人群中，65歲以上老年人的百分比較高，可能會(huì)暴露于較低的二氧化氮濃度。這篇文章不僅構(gòu)建了一個(gè)二氧化氮濃度空間分布LUR模型，并且考量了空氣污染對(duì)于脆弱性人群的暴露影響。
中國(guó)的目標(biāo)是到2020年結(jié)束絕對(duì)貧困。為實(shí)現(xiàn)這一目標(biāo)，已經(jīng)提出了一系列減貧政策和措施。作為減貧的重要組成部分，中國(guó)貧困地區(qū)的土地利用也發(fā)生了相應(yīng)的巨大變化。但是，這些地區(qū)的土地利用變化模式尚不清楚。有必要分析時(shí)空土地利用變化模式，以提供支持扶貧計(jì)劃的數(shù)據(jù)。在這項(xiàng)研究中，我們提出了一個(gè)框架，用于繪制2013年至2018年中國(guó)貧困地區(qū)土地利用年度變化的圖表。2013年至2018年的Landsat 8地表反射率數(shù)據(jù)集（可在Google Earth Engine上獲得）用于檢測(cè)耕地的變化土地，建筑用地，水，植被和未利用的土地。計(jì)算土地利用轉(zhuǎn)移矩陣以描述轉(zhuǎn)變的特征，并采用貝葉斯分層模型來(lái)研究時(shí)空土地利用變化模式。我們的研究結(jié)果表明，在研究期間，耕地面積不斷減少，而建成的土地和植被逐漸擴(kuò)大。主要的土地利用轉(zhuǎn)變發(fā)生在耕地和植被之間。各縣的地方趨勢(shì)表明土地利用變化存在明顯的區(qū)域差異。此外，重度貧困縣和普通貧困縣之間在耕地和土地變更方面存在顯著差異，表明正常貧困地區(qū)的人類(lèi)建設(shè)活動(dòng)更為激烈。為貧困地區(qū)產(chǎn)生的年度土地利用制圖結(jié)果，以及對(duì)總體時(shí)間變化和地方變化趨勢(shì)的進(jìn)一步分析，可以更好地了解中國(guó)貧困地區(qū)的土地利用變化和區(qū)域差異，促進(jìn)減貧和這些領(lǐng)域的可持續(xù)發(fā)展。地理所葛詠老師團(tuán)隊(duì)的成果，發(fā)表于遙感頂刊環(huán)境遙感上，基于GEE分析中國(guó)貧困地區(qū)土地利用變化。在做土地利用分類(lèi)的基礎(chǔ)上使用了貝葉斯分層模型來(lái)分析土地利用時(shí)空變化模式。同時(shí)對(duì)地觀測(cè)對(duì)于扶貧研究的作用可見(jiàn)一斑。
許多復(fù)雜的城市排水質(zhì)量模型計(jì)算量很大。當(dāng)這些模型用于長(zhǎng)時(shí)間序列的蒙特卡羅（MC）不確定性分析時(shí)，復(fù)雜性和計(jì)算時(shí)間可能變得過(guò)高，特別是對(duì)于從業(yè)者。計(jì)算可擴(kuò)展且快速的“替代”模型可以減少實(shí)際應(yīng)用的總計(jì)算時(shí)間，在實(shí)際應(yīng)用中通常需要大數(shù)據(jù)集。我們開(kāi)發(fā)了一個(gè)簡(jiǎn)化的半分布式城市水質(zhì)模型EmiStatR，它為從業(yè)者提供了城市排水水質(zhì)模型的不確定性和敏感性分析。其對(duì)輸入數(shù)據(jù)的較低需求及其可擴(kuò)展性允許快速有效地模擬多個(gè)集水區(qū)的下水道溢流中的水量和污染負(fù)荷。在EmiStatR中實(shí)現(xiàn)的可伸縮代碼顯著減少了計(jì)算時(shí)間（使用32個(gè)內(nèi)核時(shí)減少了大約24倍）。通過(guò)使用MC不確定性研究或長(zhǎng)期模擬，可以有效地應(yīng)用EmiStatR來(lái)檢驗(yàn)假設(shè)。一個(gè)面向業(yè)界的城市水質(zhì)模型，可以模擬聯(lián)合污水管溢流，也可以做模型不確定性分析和敏感性分析。事實(shí)上空間數(shù)據(jù)的不確定性、精度在未來(lái)都是非常重要的研究，過(guò)去由于數(shù)據(jù)匱乏，在這方面研究較少，但是大數(shù)據(jù)時(shí)代提供的各種海量數(shù)據(jù)為我們提供了這方面研究的數(shù)據(jù)基礎(chǔ)。
在森林中，土壤水分平衡受樹(shù)種組成的強(qiáng)烈影響。例如，蒸騰速率的差異導(dǎo)致土壤水儲(chǔ)存（SWS）的差異，并且冠層截留的差異導(dǎo)致滲透的差異。為了分析樹(shù)種組成對(duì)森林尺度的SWS的影響，我們比較了植被和SWS的時(shí)空模式。地質(zhì)統(tǒng)計(jì)時(shí)空模型為從點(diǎn)觀測(cè)中繪制SWS提供了概率框架。通過(guò)結(jié)合有關(guān)蒸發(fā)蒸騰過(guò)程的知識(shí)，可以提高這些模型的準(zhǔn)確性。在本文中，我們將物理確定性蒸散模型與時(shí)空地質(zhì)統(tǒng)計(jì)插值結(jié)合起來(lái)，預(yù)測(cè)土壤上部30 cm土壤（SWS30）的土壤蓄水量，在挪威云杉（Picea abies（L。 Karst。）和歐洲山毛櫸（Fagus sylvatica L.）在下奧地利州Kreisbach。通過(guò)永久安裝的波導(dǎo)在198個(gè)位置測(cè)量土壤儲(chǔ)水量。在2000年和2001年的生長(zhǎng)季節(jié)中，大約每?jī)芍苤貜?fù)28次。在SWS30的時(shí)空預(yù)測(cè)中加入基于過(guò)程的模型降低了降水對(duì)降水前SWS30預(yù)測(cè)的影響。 SWS30在永久萎point點(diǎn)和田間持水量之間的空間格局取決于受植被影響的降水和干燥歷史。在生長(zhǎng)季節(jié)的早期，云杉開(kāi)始明顯蒸發(fā)，這在針葉樹(shù)中很常見(jiàn)。在干燥期間，云杉比山毛櫸更早地減少蒸騰。在生長(zhǎng)季節(jié)，整個(gè)山毛櫸的蒸騰比云杉更多。山毛櫸的較大蒸騰速率可通過(guò)降水后更大的土壤水補(bǔ)給得到補(bǔ)償，因?yàn)榻孬@的降雨量較少。在永久萎point點(diǎn)附近的低水含量下，SWS30在空間上非常均勻。這也是水含量近場(chǎng)容量的情況，可能是因?yàn)橥寥牢锢韰?shù)變化很小。 SWS30的時(shí)空插值以及干燥和濕潤(rùn)期間土壤水分排放和土壤水分補(bǔ)給的預(yù)測(cè)證明了植被對(duì)SWS30空間格局的重要作用。這篇文章基于長(zhǎng)期點(diǎn)觀測(cè)數(shù)據(jù)、物理確定性過(guò)程蒸散模型和時(shí)空地統(tǒng)計(jì)插值結(jié)合，預(yù)測(cè)森林生態(tài)系統(tǒng)的土壤水時(shí)空分布。盡管是篇很早的研究，但事實(shí)上是一篇非常有意義的研究，將地面觀測(cè)數(shù)據(jù)、過(guò)程模型與空間統(tǒng)計(jì)結(jié)合起來(lái)進(jìn)行探究，是一個(gè)非常有意思的研究，這個(gè)研究的結(jié)論同時(shí)也可以為森林生態(tài)系統(tǒng)的生態(tài)系統(tǒng)模型提供很多關(guān)于碳水平衡、循環(huán)的先驗(yàn)知識(shí)。
在過(guò)去幾十年中，荷蘭地下水依賴(lài)的生態(tài)系統(tǒng)受到地下水位下降的威脅。但是，關(guān)于水位深度和水位深度變化的信息是不充分和過(guò)時(shí)的。對(duì)于政策評(píng)估，需要有關(guān)水位深度的空間明確和詳細(xì)信息，特別是在具有地下水依賴(lài)性生態(tài)系統(tǒng)（包括濕地）的地區(qū)。自1980年以來(lái)，在土壤調(diào)查期間，對(duì)自然保護(hù)區(qū)的水位深度的季節(jié)性波動(dòng)特征進(jìn)行了大約35,000次觀測(cè)。這些觀測(cè)結(jié)果來(lái)自土壤剖面的特征或鉆孔中的測(cè)量結(jié)果。這些觀測(cè)結(jié)果用于時(shí)空地質(zhì)統(tǒng)計(jì)分析，以繪制1980年至2007年間水位深度的季節(jié)性波動(dòng)。首先，糾正了多年來(lái)使用的不同估算模式之間的系統(tǒng)差異。接下來(lái)，使用多元線(xiàn)性回歸將觀察與區(qū)域范圍內(nèi)的可用輔助數(shù)據(jù)相關(guān)聯(lián)。使用簡(jiǎn)單克里金法來(lái)插值得到的時(shí)空殘差。預(yù)測(cè)的平均泉水位深度的地圖和這些預(yù)測(cè)的準(zhǔn)確性被用于識(shí)別水位深于有利的區(qū)域。評(píng)估了過(guò)去25年來(lái)全國(guó)范圍內(nèi)水位深度的變化，并提出了建議，以提高未來(lái)預(yù)測(cè)的準(zhǔn)確性。利用時(shí)空地統(tǒng)計(jì)方法與長(zhǎng)期觀測(cè)數(shù)據(jù)來(lái)分析全國(guó)范圍內(nèi)水位深度變化研究，本文的思想實(shí)際是回歸克里格。
公共交通對(duì)人們的日常出行至關(guān)重要，公共汽車(chē)調(diào)度在公共交通系統(tǒng)中發(fā)揮著重要作用。隨著深度學(xué)習(xí)的廣泛應(yīng)用，并在許多領(lǐng)域取得了巨大的成功，相繼提出了基于深度學(xué)習(xí)的公交調(diào)度方法。目前，許多公交調(diào)度模型假設(shè)公交出發(fā)時(shí)刻表是固定的，并根據(jù)客流優(yōu)化公交出發(fā)時(shí)刻表間隔。但是，巴士出發(fā)時(shí)間表一般是可變的，只考慮到巴士到達(dá)時(shí)間不足。針對(duì)上述挑戰(zhàn)，我們提出了一種基于到達(dá)時(shí)間和客流預(yù)測(cè)（D-ATPF）的新型動(dòng)態(tài)公交調(diào)度模型。首先，通過(guò)處理公交車(chē)軌跡數(shù)據(jù)和乘客刷卡記錄獲得歷史起點(diǎn) - 目的地（OD）數(shù)據(jù)和傳輸數(shù)據(jù)，并通過(guò)分析GPS軌跡來(lái)提取公交車(chē)到達(dá)時(shí)間。其次，采用基于長(zhǎng)短期記憶（P-LSTM）的公交到達(dá)時(shí)間和客流預(yù)測(cè)的組成部分來(lái)預(yù)測(cè)未來(lái)的客流量和公交車(chē)到達(dá)時(shí)間。第三，基于遺傳算法的公交調(diào)度模型（GABD模型）通過(guò)使用停留策略搜索乘客的最小等待時(shí)間。通過(guò)使用中國(guó)廣州市的5條線(xiàn)路，124條公交車(chē)站和902,509條記錄的數(shù)據(jù)，我們的實(shí)驗(yàn)結(jié)果表明：a）乘客預(yù)測(cè)的平均MAPE和RMSE分別為14％和7.5。 b）公交車(chē)到達(dá)時(shí)間的平均MAPE和RMSE分別為7.5％和13.5。 c）關(guān)于客流量和到達(dá)時(shí)間預(yù)測(cè)，擬議的DATPF模型減少了等待時(shí)間829.68分鐘，占總等待時(shí)間的25.19％。 d）與實(shí)時(shí)停留策略相比，該方法的等待時(shí)間減少了5.94％。因此，D-ATPF模型為公交車(chē)調(diào)度提供了更實(shí)用的模型。深圳大學(xué)李清泉老師團(tuán)隊(duì)成果，深度學(xué)習(xí)（典型模型長(zhǎng)短期記憶LSTM）、公交軌跡數(shù)據(jù)、乘客刷卡記錄數(shù)據(jù)、遺傳算法的耦合下的公交調(diào)度模型。從模型結(jié)果表現(xiàn)也很不錯(cuò)。
我們比較了用于分層定量數(shù)據(jù)的三種常見(jiàn)可視化：樹(shù)圖，冰柱圖和旭日形圖，以及我們稱(chēng)之為日落圖的旭日?qǐng)D表的半圓形變體。 在一項(xiàng)試點(diǎn)研究中，我們發(fā)現(xiàn)旭日形圖是最不受歡迎的。 在一項(xiàng)有12名參與者的對(duì)照研究中，我們比較了樹(shù)圖，冰柱圖和日落圖。 Treemap是最不受歡迎的，在基本導(dǎo)航任務(wù)上性能較慢，在層次結(jié)構(gòu)理解任務(wù)中性能和準(zhǔn)確性較低。 冰柱圖和日落圖具有類(lèi)似的性能，用戶(hù)對(duì)冰柱圖的偏好較小。一篇關(guān)于可視化方式的論文，同一個(gè)數(shù)據(jù)不同可視化方式對(duì)于讀者的觀感是不同的。這也是可視化逐漸在這個(gè)時(shí)間成為了一門(mén)重要的分支學(xué)科的原因。
花卉物候，開(kāi)花的時(shí)間和強(qiáng)度，與生物的繁殖和生存密切相關(guān)，對(duì)氣候變化高度敏感。然而，開(kāi)花的觀測(cè)記錄非常稀少，限制了我們對(duì)從地方到區(qū)域尺度的花卉物候的時(shí)空動(dòng)態(tài)的理解。衛(wèi)星遙感提供了獨(dú)特的機(jī)會(huì)，以經(jīng)濟(jì)有效的方式通過(guò)空間和時(shí)間監(jiān)測(cè)花卉。在這里，我們開(kāi)發(fā)了一個(gè)增強(qiáng)的水華指數(shù)（EBI），基于多光譜遙感數(shù)據(jù)來(lái)量化加利福尼亞中央山谷杏仁（Prunus dulcis）果園的開(kāi)花狀況。我們對(duì)2.6-5.2厘米無(wú)人機(jī)（UAV）多光譜圖像的測(cè)試研究表明，EBI增強(qiáng)了花的信號(hào)，減少了土壤和綠色植被的背景噪聲，并與監(jiān)督分類(lèi)得到的花朵覆蓋率一致， R2為0.72。 CERES天線(xiàn)（0.2米），PlanetScope（3米），Sentinel-2（10米）和Landsat（30米）衛(wèi)星圖像的多尺度遙感觀測(cè)實(shí)驗(yàn)測(cè)試進(jìn)一步顯示了EBI捕獲花的穩(wěn)健性信息。我們發(fā)現(xiàn)PlanetScope和Sentinel-2圖像的相對(duì)密集的時(shí)間序列能夠捕獲杏仁果園的綻放動(dòng)態(tài)。預(yù)計(jì)衛(wèi)星衍生的EBI將跟蹤開(kāi)花信息，從而提高我們對(duì)花和授粉對(duì)天氣的響應(yīng)以及最終產(chǎn)量的理解和預(yù)測(cè)。發(fā)表于攝影測(cè)量Top雜志的ISPRS Journal of of Photogrammetry and Remote Sensing?；诠鈱W(xué)遙感、多光譜、無(wú)人機(jī)等多尺度遙感觀測(cè)實(shí)驗(yàn)，利用一個(gè)增強(qiáng)的水華指數(shù)來(lái)監(jiān)測(cè)花卉物候變化。植被物候的一個(gè)研究，多尺度研究一直是地學(xué)很需要的研究。這篇文章在無(wú)人機(jī)的新型遙感技術(shù)下支撐起的多尺度多衛(wèi)星監(jiān)測(cè)實(shí)驗(yàn)分析很有意義。
目的：本研究旨在描述戶(hù)外運(yùn)動(dòng)者中直徑為2.5μm或更?。≒M2.5）的環(huán)境顆粒物的風(fēng)險(xiǎn)降低行為，并探討影響中國(guó)南京城區(qū)行為的潛在因素。方法：2015年5月對(duì)302名戶(hù)外運(yùn)動(dòng)員進(jìn)行了橫斷面便利抽樣調(diào)查。描述性分析用于描述人口統(tǒng)計(jì)學(xué)，戶(hù)外體育活動(dòng)模式，PM2.5知識(shí)和風(fēng)險(xiǎn)降低行為。然后使用多變量邏輯回歸分析來(lái)探索影響風(fēng)險(xiǎn)降低行為采用的因素。結(jié)果：減少PM2.5暴露的最常見(jiàn)行為是在朦朧日（75.5％）最小化打開(kāi)窗戶(hù)的時(shí)間，最不常見(jiàn)的是使用空氣凈化器（19.3％）。三分之二的受訪者表示，他們?cè)陉庼仓型獬鰰r(shí)戴著口罩（59.5％），但只有13.6％的人會(huì)戴專(zhuān)業(yè)的防靜電口罩。采用PM2.5暴露風(fēng)險(xiǎn)降低行為的參與者往往是女性，50-60歲，PM2.5知識(shí)水平較高的人和有孩子的人。結(jié)論：這些發(fā)現(xiàn)表明了提高戶(hù)外運(yùn)動(dòng)員對(duì)PM2.5知識(shí)的重要性。在高PM2.5污染地區(qū)進(jìn)行戶(hù)外運(yùn)動(dòng)時(shí)，還必須采取教育干預(yù)措施，引導(dǎo)公眾采取適當(dāng)?shù)念A(yù)防措施。利用一個(gè)戶(hù)外運(yùn)動(dòng)員的斷面抽樣調(diào)查來(lái)分析PM2.5的暴露風(fēng)險(xiǎn)。從目前來(lái)看，很多PM2.5的預(yù)防和控制措施知識(shí)十分欠缺。
Suomi國(guó)家極地軌道合作伙伴關(guān)系（NPP）上的可見(jiàn)紅外成像輻射計(jì)套件（VIIRS）是新一代極軌衛(wèi)星成像傳感器。它產(chǎn)生了與廣泛使用的中分辨率成像光譜儀（MODIS）產(chǎn)品類(lèi)似的各種操作產(chǎn)品。然而，基于先前的驗(yàn)證，官方VIIRS氣溶膠產(chǎn)品存在很大的不確定性，需要減少這些不確定性才能充滿(mǎn)信心地使用。為此，我們開(kāi)發(fā)了一種經(jīng)過(guò)修訂的高空間分辨率氣溶膠反演算法，該算法可以顯著提高氣溶膠光學(xué)厚度（AOD）估計(jì)值。這些改進(jìn)主要來(lái)自（i）使用RossThick-LiSparse模型校正表面雙向反射，其中參數(shù)來(lái)自MODIS雙向反射分布函數(shù)（BRDF）/反照率產(chǎn)品; （ii）根據(jù)歷史AERONET光學(xué)特性測(cè)量假設(shè)的更精細(xì)定制的每月氣溶膠類(lèi)型; （iii）利用修正的動(dòng)態(tài)閾值云檢測(cè)算法改進(jìn)像素選擇。新的750米分辨率AOD反演經(jīng)過(guò)氣溶膠觀測(cè)網(wǎng)絡(luò)（AERONET）第3版AOD測(cè)量驗(yàn)證，并與2014年至2017年在中國(guó)京津冀地區(qū)的官方VIIRS AOD產(chǎn)品進(jìn)行了比較。結(jié)果表明，反演與地面觀測(cè)結(jié)果高度一致（R = 0.926），其中約72％在區(qū)域范圍內(nèi)落在[±（0.05 + 20％）]的預(yù)期誤差范圍內(nèi)。平均絕對(duì)誤差為0.082，均方根誤差為0.120。與官方氣溶膠產(chǎn)品相比，修正后的算法可以顯著降低過(guò)度估計(jì)并改善異質(zhì)城市表面的氣溶膠估算，特別是在冬季。因此，這種新的VIIRS AOD產(chǎn)品將更適用于城市地區(qū)等異質(zhì)表面的空氣污染研究。發(fā)表于IEEE TGRS的一篇AOD反演的文章，提出了一種改進(jìn)的算法，可以適用于城市地區(qū)異質(zhì)性較強(qiáng)的地區(qū)的空氣污染研究。
準(zhǔn)確定量分析氣候變化（CC）和人類(lèi)活動(dòng)（HA）對(duì)草地生產(chǎn)力的貢獻(xiàn)對(duì)于闡明相關(guān)的驅(qū)動(dòng)機(jī)制至關(guān)重要。在這項(xiàng)研究中，分析了中國(guó)北方的草原。我們選擇凈初級(jí)生產(chǎn)力（NPP）作為草地生產(chǎn)力的評(píng)估指標(biāo)，并確定了氣候和人為因素在NPP變化中的相對(duì)作用。基于偏導(dǎo)數(shù)的定量方法用于評(píng)估氣候因子對(duì)NPP變化的貢獻(xiàn)，NPP的年際變化率與氣候因子貢獻(xiàn)之間的差異被認(rèn)為是HA貢獻(xiàn)。然后，設(shè)計(jì)了不同的情景來(lái)評(píng)估CC和HA對(duì)草地恢復(fù)和退化的相對(duì)貢獻(xiàn)比例。結(jié)果表明，2000?2015年，中國(guó)北方平均草地NPP呈顯著增加趨勢(shì)。溫度，降水和太陽(yáng)輻射對(duì)草地NPP變化的貢獻(xiàn)為0.06，0.50和0.52gCm-2。太陽(yáng)輻射在所有氣候因素中起到了最大的積極作用，其次是降水。 CC和HA對(duì)草地NPP變化的貢獻(xiàn)分別為1.08和0.58gCm-2。此外，HA在草地恢復(fù)和退化中的作用大于CC?？傮w而言，HA對(duì)草地生產(chǎn)力的積極影響可能會(huì)被其負(fù)面影響大大抵消，因此HA對(duì)草地NPP變化的積極貢獻(xiàn)小于CC。因此，應(yīng)進(jìn)一步加強(qiáng)用于控制草地退化的有效措施和政策，以保護(hù)草原資源。氣候變化和人類(lèi)活動(dòng)對(duì)NPP的研究，我想應(yīng)該來(lái)說(shuō)還是一個(gè)比較通用的topic，幾個(gè)關(guān)鍵的因素從生態(tài)模型方面的先驗(yàn)知識(shí)也是比較準(zhǔn)確的，同時(shí)人類(lèi)活動(dòng)的影響對(duì)草地NPP的影響還是比較顯著的。這幾年草地NPP增加應(yīng)該與國(guó)家退耕還林還草政策有很大相關(guān)，這跟前段時(shí)間Nature Sustainability的雄文結(jié)果還是比較一致的。
