資源整理。接上篇，這篇博客主要關注論文。
Paper:
1.Spatial-Spectral Fusion by Combining Deep Learning and Variation Model/結合深度學習和變異模型的空間光譜融合
在空間光譜融合領域，基于模型的方法和基于深度學習（DL）的方法是最先進的。本文提出了一種融合方法，將深度神經網絡結合到基于模型的方法中，用于空間光譜融合中最常見的情況：PAN /多光譜（MS）融合。具體來說，我們首先通過深度殘差將高空間分辨率全色圖像（HR-PAN）和低空間分辨率多光譜圖像（LR-MS）的梯度映射到高空間分辨率多光譜圖像（HR-MS）的梯度卷積神經網絡（CNN）。然后我們通過LR-MS圖像，從梯度網絡學習的梯度和理想的融合圖像構建融合框架。最后，使用迭代優(yōu)化算法來求解融合模型。對來自各種來源的高質量圖像的定量和視覺評估表明，所提出的融合方法在整體融合精度方面優(yōu)于比較中包括的所有主流算法。武漢大學張良培老師團隊的成果，利用深度學習進行空間和光譜融合，光譜級的融合目前還只是初探，是個很不錯的嘗試。之前見過NASA官方在利用MODIS的一些歷史數(shù)據進行類似的工作，這方面的嘗試值得探究。
2.A proportional odds model of human mobility and migration patterns/人類流動和遷移模式的proportional odds模型
由于其重要性，人類流動和遷移模式的建模受到了很多關注。盡管進行了長期努力，我們仍然缺乏一個能夠捕捉流動模式的建?？蚣埽⑦M一步獲得有關各種影響因素的運動趨勢的前瞻性觀點。在這里，我們提出了人類遷移和遷移的比例概率模型（POM-HM），它采用概率方法來模擬人類運動。我們的模型基于遷移概率，在比率概率假設下具有對數(shù) - 邏輯分布。通過重新參數(shù)化概率分布函數(shù)將解釋變量引入到模型中。兩個由此產生的函數(shù)，即遷移強度和累積危險，用于估計旅行流量及其趨勢之間的區(qū)域差異。研究了POM-HM在有效性和準確性方面的性能，并與重力模型和輻射模型進行了比較?；诟怕实慕？蚣苁刮覀兡軌蜓芯恳泼窳髁康膮^(qū)域變化，從而進一步預測潛在的未來模式。簡而言之，我們的建模方法捕捉了人類流動和遷移的概率性質，并進一步加深了我們對人口遷移的時空模式和各種驅動力的影響的理解。地理所馬廷老師的成果，發(fā)表于GIS界Top期刊IJGIS，基于概率統(tǒng)計建模來反映人類的mobility和migration，馬廷老師自在給我們上課的時候就是專攻統(tǒng)計方面的知識，很好的數(shù)理基礎建立的模型。值得細細研究。
我們報告了從北極到熱帶的各種生態(tài)系統(tǒng)中通過物候眼網絡（http://www.pheno-eye.org，2018年5月29日訪問）的延時攝像機拍攝的長期連續(xù)物候和天空圖像。物候圖像可用于記錄開花時間，葉片沖洗，葉子著色和落葉的年度變化，并檢測物種和生態(tài)系統(tǒng)中物候模式和時間敏感性的特征。它們還可以幫助解釋陸地生態(tài)系統(tǒng)中碳，水和熱循環(huán)的變化，并用于獲取衛(wèi)星觀測產品驗證的地面實況數(shù)據。天空圖像可用于連續(xù)記錄大氣條件并獲得地面實況數(shù)據，以驗證衛(wèi)星遙感數(shù)據中存在的云污染和大氣噪聲。我們采用天空，森林樹冠，森林地面，拍攝一系列樹種和景觀的圖像，使用安裝在森林地面，塔樓和屋頂上的延時攝像機。自1999年以來，共有29個站點的84個延時攝像機拍攝了800萬張圖像。我們的圖像提供了（1）植物物候的長期，連續(xù)詳細記錄，這些記錄比指數(shù)樹的原位視覺物候觀測更加定量; （2）解釋生態(tài)系統(tǒng)檐篷及其功能和服務對氣候變化的響應能力，脆弱性和回復力的基本信息; （3）用于驗證衛(wèi)星遙感觀測的地面實況。利用延時攝影數(shù)據，研究不同生態(tài)系統(tǒng)，尤其是植物物候，除了文章本身之外，文章介紹的數(shù)據是關鍵。非常不錯的長期觀測數(shù)據，正如文章提到的，可以為當前很多生態(tài)研究提供數(shù)據包括驗證衛(wèi)星遙感觀測。關于利用照片來進行研究的一些案例在植被物候方面尤其多，當今圖像識別和人工智能如此火爆的時代，相信這個數(shù)據會迸發(fā)出更大的潛力。另外比較有意思的應該是在去年R語言會議分會場上，狗熊會朱雪寧博士分享的一個他們利用手機拍攝天空，獲取可見度和PM2.5校準匹配的研究。
高光譜圖像（HSI）去噪是一種關鍵的預處理程序，用于改善后續(xù)HSI解釋和應用的性能。在本文中，通過組合空間譜深度卷積神經網絡（HSID-CNN）學習噪聲和干凈HSI之間的非線性端到端映射，提出了一種基于深度學習的新方法?？臻g和頻譜信息都同時分配給建議的網絡。此外，多尺度特征提取和多級特征表示分別用于捕獲多尺度空間光譜特征和融合最終恢復的不同特征表示。仿真和實際數(shù)據實驗表明，所提出的HSID-CNN在定量評價指標，視覺效果和HSI分類準確性方面均優(yōu)于許多主流方法。依舊是武大張良培老師團隊的成果，張良培老師團隊最近在利用深度學習處理遙感數(shù)據有不少成果，這里是對高光譜去噪的應用，使用的是深度殘差卷積神經網絡。發(fā)表于遙感界Top期刊IEEE TGRS上。
近年來，中國的一些大城市建立了一些“出租車食堂”，這是一個特殊的自助餐廳，僅供駕駛員用餐和休息。在適當?shù)臅r間用餐和休息是長時間連續(xù)駕駛的駕駛員最關心的問題之一，因為長時間的用餐延誤可能會影響他們的健康和駕駛安全，長途搜索餐館會增加出租車交通和空氣污染和任意停車用餐將被罰款，甚至可能導致危險的交通事故。 “出租車食堂”的建立有望緩解這些問題。然而，使用基于GPS的出租車軌跡數(shù)據檢查和優(yōu)化出租車食堂的選址幾乎沒有做什么。本文介紹了一種在整個城市中分配“出租車食堂”的數(shù)據驅動方法，其主要目標是最小化從出租車軌跡和相應的最近“出租車食堂”位置識別的所有就餐需求位置之間的總距離。我們提出了一種用餐事件檢測方法，該方法使用支持向量機（SVM）考慮四個特征，并進一步識別出駕駛員用餐行為的時空模式，即時間規(guī)律性和周期性以及用餐區(qū)域的空間分布。提出了一種約束優(yōu)化模型來選擇“出租車食堂”的位置。在中國武漢進行了一個案例研究，以評估駕駛員用餐行為模式的識別如何支持“出租車食堂”的選址。結果表明該方法具有優(yōu)越的性能。該方法將為交通管理和規(guī)劃部門提供有用的決策支持，以幫助解決駕駛員的用餐問題。大數(shù)據用在傳統(tǒng)GIS問題的一個典型案例。傳統(tǒng)GIS問題：資源分配或者調配。但是用了出租車軌跡的大數(shù)據以及機器學習算法。同時又是基于時間地理學的研究。我覺得大數(shù)據時代的研究，就應該把這些數(shù)據用到合適的地方。這篇文章提供了一個非常不錯的案例。
空氣污染是當今城市面臨的最大挑戰(zhàn)之一，改善空氣質量是減少負面健康影響的迫切需要。為了有效地評估哪些是減少城市污染源（如道路交通）影響的最合適的政策，必須進行嚴格的人口暴露評估。與這些研究相關的主要限制之一是缺乏有關當天城市人口分布的信息（人口動態(tài)）。移動設備在我們日常生活中的普遍使用為收集大量匿名和被動收集的地理定位數(shù)據提供了新的機會，可以分析人口活動和移動模式。本研究提出了一種基于以用戶為中心的移動模型方法估算手機數(shù)據的人口動態(tài)的新方法。該方法在馬德里市（西班牙）進行了測試，以評估人口暴露于NO2。與傳統(tǒng)的基于人口普查的方法進行比較，顯示出按分類水平存在的相關差異，并強調了將流動模式納入人口暴露評估的必要性。這個研究與之前眾山小翻譯的一篇很像，我差點以為是同一篇，不過后面發(fā)現(xiàn)似乎略有差異。首先來說關于手機數(shù)據和人口暴露評估，是近年來大數(shù)據興起健康地理一個很熱的研究方向。也值得我們關注。總的來說，考慮細時間粒度，高精細空間分辨率的人口分布模式，是未來也是智慧城市的關鍵點。
Coding and Paper Letter（十）的第11篇論文可以對比。
中國西部只剩下大約1000只大熊貓和29500平方公里的大熊貓棲息地，這是拯救這種瀕臨滅絕的動物物種并保護其棲息地的迫切問題。為了有效保護大熊貓及其棲息地，必須對每只大熊貓自然保護區(qū)的大熊貓棲息地和熊貓棲息地關系進行全面評估。制圖一直是野生動物棲息地評估和監(jiān)測的有效方法。因此，制圖也是評估大熊貓棲息地的一個重要步驟，并進一步用于分析熊貓棲息地關系。只有佛坪自然保護區(qū)專注于這項研究。本研究的目標是：（1）開發(fā)一種高精度的制圖方法，可以利用GIS中的多類型數(shù)據（遙感數(shù)據，數(shù)字地形數(shù)據，無線電跟蹤數(shù)據和實地調查的地塊數(shù)據）繪制大熊貓棲息地; （2）研究熊貓運動模式; （3）分析大熊貓棲息地的使用和選擇。清華大學劉雪華老師的成果，看著似乎像是學位論文或報告。劉雪華老師一直專注于分析大熊貓棲息地，目前在這方面取得了很多成果，目前利用GIS在這方面，結合景觀生態(tài)有很多研究。InVEST之類的提供了生境風險的一些模型。
開發(fā)了一類線性模型，其中活動源自彼此的變換和外源活動。 使用人口和就業(yè)的空間分布來說明模型。 推導出簡化形式，并通過外生和內生變量的平衡以及通過對特征結構的分析來探索不同變換對空間模型解的影響。 包括傳統(tǒng)Lowry模型和Coleman社會交換模型在內的十種模型類型應用于墨爾本的八區(qū)表示，分析用于顯示模型解決方案如何在空間上獨立于其輸入。Michael Batty院士83年的成果，Batty院士是GIS空間分析和城市規(guī)劃科學方面的大牛，一手創(chuàng)立了UCL的CASA。而這個模型讓我想起了前一段看到的一個模型變式，我想科學進步應該是化繁為簡，而不是逐步復雜。
空間和時間分辨率之間的權衡限制了Landsat圖像密集時間序列的采集，并限制了及時正確監(jiān)測地表動態(tài)的能力。時空圖像融合方法為需要高空間和時間分辨率圖像的應用生成密集時間序列的類似Landsat的圖像提供了成本有效的替代方案。時空反射解混模型（STRUM）是一種基于空間解混的時空圖像融合方法。由STRUM導出的時間變化圖像缺乏光譜可變性和空間細節(jié)。本研究提出了一種改進的STRUM（ISTRUM）結構，通過考慮地表空間異質性并綜合Landsat圖像的光譜混合分析來解決該問題。在ISTRUM中也考慮了具有多個Landsat和粗分辨率圖像對（L-C對）的傳感器差異和適用性。實驗結果表明，與STRUM得到的圖像相比，ISTRUM得到的圖像包含更多的光譜變異性和空間細節(jié)，提高了融合Landsat樣圖像的準確性。端元可變性和滑動窗口尺寸是影響ISTRUM精度的因素。通過將它們設置為不同的值來評估因子。結果表明，ISTRUM對于端部變異是穩(wěn)健的，并且可以應用Landsat圖像的公開發(fā)布的終端成員（全球SVD）。只有滑動窗口大小對ISTRUM的準確性有很大影響。此外，將ISTRUM與空間時間數(shù)據融合方法（STDFA），增強型空間和時間自適應反射融合模型（ESTARFM），混合色彩映射（HCM）和靈活時空數(shù)據融合（FSDAF）方法進行了比較。 ISTRUM優(yōu)于STDFA，在時間變化顯著，與ESTARFM相當且略遜于FSDAF的情況下略優(yōu)于HCM。然而，ISTRUM的計算效率遠高于ESTARFM和FSDAF。 ISTRUM可以在全球范圍內合成類似Landsat的圖像。一種新的時空影像融合模型。
用于確定時空鄰近路徑的時空鄰近分析是許多移動分析方法的關鍵步驟。然而，在文獻中已經開發(fā)了幾種用于移動數(shù)據的時空鄰近度分析的有效方法。因此，本研究提出了一種時空綜合方法，用于同時考慮空間和時間維度的時空鄰近度分析。所提出的方法基于時空緩沖區(qū)，這是傳統(tǒng)空間緩沖操作對空間和時間維度的自然延伸。給定時空路徑和空間容差，空時緩沖通過為沿時空路徑的任何位置連續(xù)生成空間緩沖區(qū)來構建時空區(qū)域。構造的時空區(qū)域可以界定到目標軌跡的空間距離小于給定公差的所有時空位置。根據時空路徑的不同時空鄰近度量，例如Fréchet距離和最長公共子序列，提出了基于此時空緩沖的五個時空重疊操作來檢索所有時空近端軌跡到目標時空路徑。該方法擴展到分析道路網絡中受限的時空路徑。采用壓縮線性參考技術實現(xiàn)所提出的大運動數(shù)據集中的時空鄰近分析方法。使用真實世界運動數(shù)據的案例研究驗證了所提出的方法可以有效地從大型運動數(shù)據庫中檢索在道路網絡中受約束的時空鄰近路徑，并且與傳統(tǒng)的時空分離方法相比具有顯著的計算優(yōu)勢。將二維空間分析拓展到時空間分析的一個嘗試和方法，緩沖區(qū)的思想結合上時間維創(chuàng)造出的時空緩沖區(qū)，是一個很有意思的點。
導致人口變化的城市化將對人類健康產生深遠影響，并為城市可持續(xù)發(fā)展帶來挑戰(zhàn)。我們回顧了目前在中國，東南亞和東亞地區(qū)對此問題的研究。東亞國家的城市化為改善人口健康提供了許多機會。然而，它也與健康風險有關，包括空氣污染，職業(yè)危害和交通傷害，以及飲食和社會變化引起的風險。東南亞是新發(fā)傳染病的熱點，中國也因其人口規(guī)模而成為全球傳染病負擔的主要來源。農村 - 城市移民與城際或國際旅行相結合，可能導致農村和城市地區(qū)之間，甚至全世界城市之間更廣泛的傳染病蔓延。從城市環(huán)境規(guī)劃的角度來看，塑造城市走向健康的未來可以幫助實現(xiàn)可持續(xù)發(fā)展目標。日本提供了許多關于公民如何保持健康的例子，例如全民醫(yī)療保險覆蓋面，不同社會經濟群體之間的差距減少以及強大的社區(qū)關系。由于地理和歷史的不同，健康狀況和衛(wèi)生系統(tǒng)往往在東南亞國家內部和內部發(fā)生分歧。比較早的城市可持續(xù)發(fā)展與人類健康的綜述性文章。
所謂的聚集因子（Ω）量化了植被冠層中材料的隨機3D分布的偏差，因此表征了冠層內空隙的空間分布。 Ω對于將有效的植物或葉面積指數(shù)轉換為實際的LAI或PAI是必不可少的，之前已經證明這對于在森林，林地和稀樹草原中使用光學遙感技術的生物物理參數(shù)反演具有顯著影響。在這里，應用仿真框架來評估現(xiàn)有的原位聚集反演方法在具有高度建筑現(xiàn)實性的3D虛擬森林冠層中的性能。使用來自澳大利亞東部Box Ironbark桉樹林的經驗數(shù)據重建虛擬冠層。半球形攝影（HP）由于其無處不在的間接LAI和結構反演而被評估。使用基于不同莖分布和LAI的一系列結構配置來評估角結束反演方法性能。具有15°的區(qū)段尺寸的CLX聚集反演方法（Leblanc等，2005）是表現(xiàn)最佳的聚集方法，將參考值與平均近頂點的0.05Ω相匹配。對于所有結構配置，在75°時，結塊誤差與天頂角線性增加至>0.3Ω（相當于30％PAI誤差）。在較大的天頂角處，當從55-60°天頂角導出時，PAI誤差平均為約25-30％。因此，建議仔細考慮HP使用的天頂角范圍。我們建議制圖或場地聚集因子應該伴隨用于從空隙尺寸和空隙尺寸分布方法推導出它們的天頂角。此外，在1米的非代表性大樹莖中捕獲的HP中發(fā)現(xiàn)了更大的誤差和偏差，因此在實踐中應盡可能避免這些情況。這個事實上是在定量遙感和遙感物理中目前仍然很難從光學遙感攻克的難點，事實上涉及到光學幾何模型，屬于定量遙感的光學幾何模型學派，而非輻射傳輸模型學派。但是光學幾何模型通常在進行假設時對實際地物的幾何模型做了大量簡化，導致很多時候與地表的實際情況差異巨大，這里就是一個很典型的例子了，這篇文章做了非常不錯的工作，因此也發(fā)在了農林領域Top期刊Agricultural and Forest Meteorology上。
從三維地面激光掃描（TLS）數(shù)據中準確分離森林冠層中的光合作用和非光合作用成分是一項挑戰(zhàn)，但對于了解森林的輻射狀況，光合作用過程以及碳和水交換的空間分布至關重要。篷。本文的目的是通過僅根據其幾何信息添加兩個額外的過濾器來改進目前在森林冠層TLS數(shù)據中分離光合和非光合成分的方法。通過比較所提出的方法與特征值加上基于顏色信息的方法，我們發(fā)現(xiàn)所提出的方法可以有效地將整體生產者的準確度從62.12％提高到95.45％，并且整體分類生產者的準確性將從84.28％增加到97.80％。森林葉面積指數(shù)（LAI）從4.15降至3.13。此外，樹種的變異對最終分類準確性的影響可以忽略不計，如針葉樹（93.09％）和闊葉樹（94.96％）的整體生產者準確性所示。為了定量地去除森林冠層中木質材料對改進基于TLS的LAI估計的影響，我們還基于來自單個樹的分類線性類點計算“木質與總面積比”。森林點云數(shù)據集的自動分類將有助于TLS在反演三維森林冠層結構參數(shù)（包括LAI和葉片和木質面積比）方面的應用。比較少見的在激光雷達當中結合了森林生態(tài)特征做了分析的一篇文章。目前比較公認的是激光雷達更多是獲取森林的幾何結構特征，個人覺得SAR也偏向于幾何結構特征，而高光譜則是獲取森林的生物物理參數(shù)（光譜敏感性）。所以目前基于激光雷達數(shù)據的文章，大部分都是從如何提高提取幾何結構特征的精度進行的，尤其在各類算法上，當然也已經有不少論文結合了多類數(shù)據進行融合，從而提升精度。而這篇文章很有意思的點就是利用LiDAR數(shù)據以及對森林生理結構的了解，人工設置了一種方法來提升提取精度。我覺得這是一個非常關鍵的學科交叉的成果。發(fā)表于遙感界Top期刊IEEE TGRS。
