資源整理。

1 Coding:

1.Python庫benchmark rio s3，用于在訪問S3上的文件時對Rasterio / GDAL的多線程性能進行基準測試的工具。

benchmark rio s3

2.Pangeo-Binder Cookiecutter模板。

cookiecutter pangeo binder

3.普渡大學2018年秋季學期的STAT545。

stat545 fall18

4.Google Earth Engine實施LandTrendr譜時分割算法。

LT GEE

5.Python庫pandasql，pandas的sqldf，提供在pandas的數(shù)據(jù)框上使用SQL語句操作數(shù)據(jù)的方法。

pandasql

6.Segnet, FCN, UNet和其他模型在Keras的實現(xiàn)（Python3）。

image segmentation keras py3

7.在tensorflow中建立圖網(wǎng)絡(luò)。

graph nets

8.R語言包naniar，naniar提供了原則性，整潔的方式來匯總，可視化和操作缺失數(shù)據(jù)，與ggplot2和整潔數(shù)據(jù)中的工作流程的偏差最小。

naniar

9.GluonCV提供計算機視覺中最先進（SOTA）深度學習模型的實現(xiàn)。

gluon cv

10.適用于X11的最小OpenGL加載程序。

xogl

11.Python庫SatelliteImage，處理來自各種衛(wèi)星的圖像并返回地理信息，云掩碼，numpy數(shù)組，geotiff。

satellite image

12.衛(wèi)星影像競賽資源。

awesome satellite imagery competitions

13.YOLO/YOLOv2開發(fā)的深度網(wǎng)絡(luò)，用于衛(wèi)星圖像上的物體檢測（Tensorflow，Numpy，Pandas）。

satellite image object detection

14.一些使用python操作和可視化柵格和矢量數(shù)據(jù)的工具。

LSDMappingTools

15.raster vision的相關(guān)項目。raster vision是一個用于衛(wèi)星影像和航拍影像深度學習的開源框架。

raster vision

raster vision的QGIS插件。
raster vision qgis

raster vision的一些例子。
raster vision examples

16.Python庫georaster，使用osgeo和GDAL的Python的地理柵格功能。

georaster

17.Open Data Cube可以分析大陸尺度的對地觀測數(shù)據(jù)。

datacube core

18.Python庫satprocess，地理空間柵格數(shù)據(jù)的多光譜處理。

sat process

19.小波柵格化的Python實現(xiàn)，小波柵格化是一種由Bezier曲線限定的任意多邊形或形狀的抗鋸齒柵格化的分析計算方法。

wavelet rasterization

20.Python腳本演示了Rasterio的用法。

rasterio cookbook

21.用于瓦片柵格影像的高性能Web服務(wù)。NASA全球影像服務(wù)。

onearth

22.Python里的三維渲染軟件。

rasterizer.py

23.基于Python實現(xiàn)的免費地圖下載器。

pyMap

24.ArcGIS的柵格函數(shù)。包含NDVI等指標計算的Python文件。

raster functions

25.Raster Fairy的目的是將任何類型的2D點云轉(zhuǎn)換為常規(guī)柵格，同時試圖保留原始云中存在的鄰域關(guān)系。 一個典型的用例是，如果您有圖像的相似性聚類，并希望以常規(guī)表結(jié)構(gòu)顯示圖像。

RasterFairy

26.GitHub教師課堂指南——這是使用GitHub課堂輔助或運行課程的指南。

github classroom for teachers

27.rOpenSci博客文章的模板。

ropenblog

28.使用ImageNet預訓練模型在Keras中實現(xiàn)密集網(wǎng)絡(luò)。

DenseNet Keras

29.一百層Triamisu的Keras實現(xiàn)：用于語義分割的完全卷積密集網(wǎng)絡(luò)。

One Hundred Layers Tiramisu

30.語義分割資源。

awesome semantic segmentation

31.具有預訓練權(quán)重的Keras實現(xiàn)Deeplab v3 +。

keras deeplab v3 plus

32.Segnet，FCN，UNet和其他模型的Keras實現(xiàn)。

image segmentation keras

33.用于Keras框架圖像分割的卷積神經(jīng)網(wǎng)絡(luò)“UNET”的修改。

ZF UNET 224 Pretrained Model

34.該項目有兩個python包，geoTools和evalTools。 geoTools軟件包旨在幫助將AWS上SpaceNet上托管的SpaceNet衛(wèi)星圖像數(shù)據(jù)語料庫預處理為機器學習算法可以使用的格式。 evalTools包用于評估使用基礎(chǔ)事實的對象檢測算法的有效性。

utilities

35.一個示例項目，演示如何使用語義分段模型從衛(wèi)星圖像中提取建筑物足跡。 來自SpaceNet挑戰(zhàn)賽的數(shù)據(jù)。

SpaceNetExploration

36.具有預訓練骨架的分割模型。Keras。

segmentation models

37.使用U-Net進行圖像分割。

Smoothly Blend Image Patches

2 Paper:

1.Identifying the Impacts of Social, Economic, and Environmental Factors on Population Aging in the Yangtze River Delta Using the Geographical Detector Technique/利用地理探測技術(shù)確定社會，經(jīng)濟和環(huán)境因素對長江三角洲人口老齡化的影響

在社會轉(zhuǎn)型和空間重建的背景下，中國的人口老齡化正變得越來越多樣化和復雜化。 “致富前的老齡化”是人口與經(jīng)濟發(fā)展的概念，對中國的可持續(xù)發(fā)展構(gòu)成嚴重威脅。根據(jù)長江三角洲第五次和第六次全國人口普查的城鎮(zhèn)街區(qū)規(guī)模數(shù)據(jù)，利用全局Moran's I和熱點分析研究了人口老齡化的空間分布特征，并應用地理探測技術(shù)解釋了人口老齡化的空間異質(zhì)性。得出了幾個結(jié)論。 （1）老齡化的促進和替代并存。老化程度集群呈現(xiàn)出增長趨勢。郊區(qū)的人口老齡化比城市地區(qū)更嚴重。 （2）遷移是影響人口老齡化空間異質(zhì)性的主要因素。人均GDP和道路網(wǎng)絡(luò)密度是第二大影響因素。相比之下，地表的緩解程度和空氣質(zhì)量指數(shù)對人口老齡化的影響最小。不同地區(qū)的老齡化機制受到不同發(fā)展水平的影響。 （3）社會，經(jīng)濟和環(huán)境因素之間的相互作用增強了它們的影響，因此，相互作用的因素對人口老齡化的影響比任何單一因素都大。這項研究的結(jié)果對當?shù)鼐用窈蜎Q策者在實現(xiàn)社會，經(jīng)濟和環(huán)境可持續(xù)性方面的人口老齡化挑戰(zhàn)具有重要意義。老齡化地理的研究成果，利用地理探測器進行分析人口老齡化的空間異質(zhì)性，在當前健康地理和老齡化地理研究中是一個不錯的成果。

2.Spatial pattern and influencing factors of landslide casualty events/滑坡災害事件的空間格局及影響因素

對2000年至2012年山體滑坡造成的人員傷亡情況進行分析后發(fā)現(xiàn)，其空間格局受地形和其他自然環(huán)境因素的影響，導致華南地區(qū)的滑坡災害事件分布高于中國北方。四川西部山區(qū)和云貴高原地區(qū)，東南丘陵地區(qū)，黃土丘陵北部，天山，祁連山等地發(fā)生滑坡災害的熱點地區(qū)。然而，當?shù)氐姆植几窬直砻?#xff0c;山體滑坡事故也受到經(jīng)濟活動因素的影響。為了定量分析自然環(huán)境和人 - 經(jīng)濟活動因素的影響，基于Logistic回歸分析建立了中國滑坡災害事件概率模型（LCEC）。結(jié)果表明，相對減緩，GDP增長率，年平均降水量，斷層帶和人口密度與滑坡造成的人員傷亡呈正相關(guān)。值得注意的是，GDP增長率僅次于相對減免，是導致山體滑坡造成人員傷亡概率的主要因素。山體滑坡事故發(fā)生概率增加2.706倍，GDP增長率增長2.72％。相比之下，植被覆蓋與滑坡造成的人員傷亡呈負相關(guān)。然后應用LCEC模型計算中國各縣滑坡事故事件的發(fā)生概率。結(jié)果表明，有27個縣發(fā)生概率高，但傷亡事故為零。 27個縣分為三類：貧困縣，礦產(chǎn)豐富縣，房地產(chǎn)過度開發(fā)縣;這些是減少滑坡風險應該強調(diào)的關(guān)鍵領(lǐng)域。滑坡災害的影響因素分析，考慮了自然與社會相關(guān)因子。并且分出了容易發(fā)生滑坡風險的縣的類型。

3.Assessment of Sustainable Livelihood and Geographic Detection of Settlement Sites in Ethnically Contiguous Poverty-Stricken Areas in the Aba Prefecture, China/中國阿壩州民族貧困地區(qū)的可持續(xù)生計和地理位置檢測

中國政府的目標是到2020年為生活在少數(shù)民族和農(nóng)村地區(qū)的人們解決貧困問題，包括貧困和長期貧困最集中的山區(qū)民族地區(qū)。在可持續(xù)生計框架的基礎(chǔ)上，建立了五個首都和33個民生評估指標，比較了阿壩藏族羌族自治州的13個縣的資源，以計算貧困程度。利用8個地形因子構(gòu)建了定居點地形因子指數(shù)（TFIS），利用地理探測器模型計算了2699個定居點區(qū)分主導因子的診斷，建立了不同地區(qū)的扶貧政策和模型。結(jié)果表明，民生資本評估指標不同（0.56-1.88），自然資本（平均值1.56）具有明顯優(yōu)勢，但物理（平均值0.56），金融（平均值0.78）和人力資本較低（平均值0.93），限制了生態(tài)資源優(yōu)勢轉(zhuǎn)化為經(jīng)濟的速度。在TFIS中，沉降點表示自然斷點分類疊加的地形因子，包括高程，坡度，浮雕幅度，表面切口，高程方差系數(shù)，表面粗糙度，到道路的距離以及到河流的距離。它們在8-34范圍內(nèi)，并且它們對TFIS的功率決定因素值是0.02,0.70,0.77,0.76,0.51,0.66,0.06和0.09。生計資本評估指數(shù)與TFIS分類一（8-14）呈正相關(guān)，負相關(guān)（22-26和27-34）處于0.05水平。該縣在不同民生指標和TFIS下的扶貧措施和發(fā)展表明，生態(tài)旅游產(chǎn)業(yè)已成為促進民族地區(qū)經(jīng)濟，社會和環(huán)境快速協(xié)調(diào)發(fā)展的必然選擇。針對精準扶貧的研究，利用地理探測器分析得到不同的因子，可以發(fā)現(xiàn)貧困地區(qū)的自然資本具有明顯優(yōu)勢，這讓我想起有一個測度貧困區(qū)域的方式，是計算GDP與生態(tài)系統(tǒng)服務(wù)價值進行比較。

4.Local Retail Food Environment and Consumption of Fruit and Vegetable among Adults in Hong Kong/香港成年人的本地零售食物環(huán)境及水果及蔬菜消費

在西方國家之外，對當?shù)厥澄锃h(huán)境的研究以及與飲食行為相關(guān)的證據(jù)是有限的。本文的目的是研究香港成年人當?shù)亓闶凼澄锃h(huán)境與水果和蔬菜（FV）消費之間的關(guān)系。本地零售食物環(huán)境是通過使用地理信息系統(tǒng)（GIS）在個人家庭周圍1000米歐幾里德緩沖區(qū)內(nèi)的不同類型的零售食品店（雜貨店，便利店和快餐店）的密度來衡量的。零售食物環(huán)境指數(shù)（RFEI）是根據(jù)快餐店和便利店與雜貨店的相對密度計算的。使用1977年成年人（18歲或以上）的橫斷面數(shù)據(jù)進行邏輯回歸以檢查關(guān)聯(lián)。總體而言，生活在具有最高RFEI（Q4，> 5.76）的區(qū)域的人在協(xié)變量調(diào)整后不常見的FV消耗（<7天/周）的可能性（不經(jīng)常的水果消耗：OR = 1.36,95％CI 1.04-1.78） ;不經(jīng)常的蔬菜消費：OR = 1.72,95％CI 1.11-2.68）與最低RFEI（Q1，<2.25）相比。最高密度的快餐店（第4季度，> 53）也與不常見的水果消費（<7天/周）（未調(diào)整模型：OR = 1.34,95％CI 1.04-1.73）相比最低密度顯著相關(guān)快餐店（Q1，<13）。無論模型中包含的協(xié)變量如何，在不常見的FV消耗下沒有觀察到雜貨店或便利店密度的顯著關(guān)聯(lián)。我們的研究結(jié)果表明，快餐店和便利店與人們家附近的雜貨店的比例是滿足水果和蔬菜消費指南的重要環(huán)境因素。 “食物沼澤”（含有大量不健康食物的地區(qū)）而不是“食物沙漠”（健康食品獲取途徑有限的地區(qū)）似乎在香港的城市地區(qū)更為嚴重。我們通過在非西方環(huán)境中提供證據(jù)來推進國際文獻。食品消費與飲食行為的研究，當今的健康以及相關(guān)的資源生態(tài)研究里，這也是重要一環(huán)。

5.Climate Control on Net Primary Productivity in the Complicated Mountainous Area: A Case Study of Yunnan, China/復雜山區(qū)凈初級生產(chǎn)力的氣候控制 - 以云南為例

在這項研究中，通過中國云南山區(qū)的凈初級生產(chǎn)力（NPP）研究了海拔高度對植被與氣候關(guān)系的影響。為了進行長期的詳細空間分析，從多源遙感數(shù)據(jù)集構(gòu)建了1982年至2014年的每月1公里NPP時間序列。 NPP和氣候因子之間關(guān)系的海拔變化分別在年度，季節(jié)和月度尺度上公布。結(jié)果表明，NPP與降水的相關(guān)性逐漸從正變?yōu)樨?#xff0c;隨年升降高，與溫度完全相反。季節(jié)和月度尺度的關(guān)系也是一致的，但由于氣候不平衡，發(fā)現(xiàn)了顯著的季節(jié)性異質(zhì)性。還得出結(jié)論，向下流失是造成海拔高度異質(zhì)性的原因，因為高海拔地區(qū)不易保留水，只有低海拔地區(qū)受益于降水增加。更重要的是，我們還發(fā)現(xiàn)氣候干旱對NPP的影響與地形有關(guān)。大河谷有助于干旱，但在坡度波動的崎嶇地區(qū)可以減輕對NPP的負面影響。通過多源遙感數(shù)據(jù)的NPP時間序列分析NPP的時間異質(zhì)性及空間影響因素。季節(jié)變化較強的一個研究。

總結(jié)

以上是生活随笔為你收集整理的Coding and Paper Letter（三十九）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。