Coding and Paper Letter（十四）
2019獨角獸企業(yè)重金招聘Python工程師標(biāo)準(zhǔn)>>>
資源整理。
1 Coding:
1.R語言包ungeviz，ggplot2的拓展包，專門用來作不確定性的可視化。
ungeviz
2.計算機圖形學(xué)相關(guān)開源項目。
計算機圖形學(xué)光線追蹤開源項目C++源碼。
computer graphics ray tracing
計算機圖形學(xué)格網(wǎng)開源項目C++源碼。
computer graphics meshes
計算機圖形學(xué)介紹開源項目。
computer graphics
3.R語言包GLMMadaptive，基于自適應(yīng)高斯積分的廣義線性混合模型。
GLMMadaptive
4.R語言包walkr，在n-simplex和hyperplanes的交集中實現(xiàn)了MCMC隨機遍歷。
walkr
5.最全的中華古典文集數(shù)據(jù)庫, 包含5.5萬首唐詩、26萬首宋詩和2.1萬首宋詞. 唐宋兩朝近1.4萬古詩人, 和兩宋時期1.5K詞人. 數(shù)據(jù)來源于互聯(lián)網(wǎng)。
chinese poetry
6.R語言包rworldmap，繪制全球數(shù)據(jù)的R包。
rworldmap
7.基于Go的快速生成delaunay三角的算法實現(xiàn)。
delaunay
8.R語言包sigmaNet，在R中用sigma.js渲染igraph的對象。
sigmaNet
9.Pysal里的廣義線性回歸模型模塊。
spglm
10.Giddy是一個開源python庫，用于分析緯向空間數(shù)據(jù)的動態(tài)。 源于PySAL（Python空間分析庫）中的空間動力學(xué)模塊，正在積極開發(fā)包含新提出的分析，這些分析考慮了空間在分布演變中的作用。
griddy
11.用于可視化數(shù)據(jù)的代碼和教程。
RainCloudPlots
12.R語言包collections，R的高性能容器數(shù)據(jù)類型。
collections
13.Python項目pangeo example notebooks，用于pangeo-data / helm-chart的jupyternotebook。
pangeo example notebooks
14.Pythone庫pyGeostatistics，python里的地統(tǒng)計學(xué)包。
pyGeostatistics
15.Python項目landsat ingestor，用于將Landat數(shù)據(jù)提取到Amazon公共托管中的腳本和其他工具。
landsat ingestor
16.R語言包vctrs，vctrs的短期目標(biāo)指定了組合不同類型向量的函數(shù)。
vctrs
17.R語言包worldtilegrid,ggplot2的拓展包，專門針對世界瓦片格網(wǎng)。
worldtilegrid
18.Geostat18完整的資料鏈接。詳情可以見官網(wǎng)。
geostat18 links
19.Python庫keras工具箱，深度學(xué)習(xí)框架。
keras toolbox
20.R語言包GSIF，全球土壤信息數(shù)據(jù)庫。
GSIF
21.ECPR暑期學(xué)校：社會科學(xué)的大數(shù)據(jù)分析。
ECPR SC105
22.Python庫radarpy，處理radar的Python工具。
radarpy
23.R語言包uavRst，無人機相關(guān)遙感工具箱。
uavRst
2 Paper:
1.Spatial association detector (SPADE)/空間關(guān)聯(lián)探測器
發(fā)表于IJGIS上的一篇論文，介紹了由地理探測器改進(jìn)而來的空間關(guān)聯(lián)探測器，是針對地理探測器的一些問題做的改進(jìn)。主要是羅衛(wèi)老師和他的團隊提出的，我后面會詳細(xì)解讀此文。
2.Using Google Earth Engine for Landsat NDVI time series analysis to indicate the present status of forest stands/利用Google Earth Engine做Landsat NDVI的時間序列分析來分析林分的現(xiàn)狀
這篇文章是國外本科生的畢業(yè)設(shè)計。該研究使用了GEE與Landsat 5和8圖像一起用于研究德國三個研究區(qū)域的歸一化差異植被指數(shù)（NDVI）隨時間的變化。
3.Land-cover mapping using Random Forest classification and incorporating NDVI time-series and texture: a case study of central Shandong/利用隨機森林分類結(jié)合NDVI時間序列和紋理進(jìn)行土地覆蓋制圖 - 以山東中部為例
復(fù)雜農(nóng)業(yè)區(qū)的土地覆蓋制圖是一項艱巨的任務(wù)，因為植被復(fù)雜，山體湍急，河流快速流動，需要一種精確分類復(fù)雜土地覆蓋的方法。隨機森林分類（RFC）具有分類準(zhǔn)確率高和在土地覆蓋制圖中測量變量重要性的能力。本研究使用RFC對復(fù)雜農(nóng)業(yè)區(qū)域的土地覆蓋制圖進(jìn)行了歸一化差異植被指數(shù)（NDVI）時間序列和灰度共生矩陣（GLCM）紋理變量的加法評估。在此基礎(chǔ)上，選擇最佳分類模型，提取山東中部的土地覆蓋分類信息。為了探索哪些輸入變量為復(fù)雜農(nóng)業(yè)區(qū)的土地覆蓋分類提供最佳準(zhǔn)確度，我們評估隨機森林變量的重要性。結(jié)果表明，不僅加入多時相圖像和地形變量，而且加入GLCM紋理變量和NDVI時間序列變量。對隨機森林分類器重要性的評估表明，關(guān)鍵輸入變量為夏季NDVI，隨后是夏季近紅外波段和海拔，以及GLCM均值，GLCM對比度。中山大學(xué)劉小平老師團隊的成果，針對土地覆被的分類研究，主要是在特征工程上增加了NDVI時間序列和灰度共生矩陣的一些紋理變量。
4.A Forest Attribute Mapping Framework: A Pilot Study in a Northern Boreal Forest, Northwest Territories, Canada/森林屬性制圖框架：加拿大西北地區(qū)北方北方森林的樣地研究
提出了一種方法框架，利用樣地，機載光探測和測距（LiDAR）以及星載地球科學(xué)激光高度計系統(tǒng)（GLAS）數(shù)據(jù)來估算加拿大北部20 Mha地區(qū)的森林屬性。實施該框架是為了將森林屬性模型從現(xiàn)場數(shù)據(jù)擴展到交叉的機載LiDAR數(shù)據(jù)，然后擴展到GLAS足跡。 GLAS數(shù)據(jù)被順序過濾并提交給k-最近鄰（k-NN）插補算法，以產(chǎn)生30米分辨率的林分高度和樹冠閉合的區(qū)域估計。根據(jù)獨立的機載LiDAR數(shù)據(jù)評估得到的輸出，以評估林分高度的平均估計值和冠閉合。作為主要植被類型和生態(tài)區(qū)域的函數(shù)進(jìn)行了額外的評估，以進(jìn)一步評估區(qū)域產(chǎn)品。這些屬性構(gòu)成了森林清查繪圖程序典型的主要描述性結(jié)構(gòu)屬性，并提供了在北方寒帶地區(qū)如何得出這些屬性的信息。機載和星載激光雷達(dá)數(shù)據(jù)的耦合研究。關(guān)于不確定性制圖的思路值得借鑒。
轉(zhuǎn)載于:https://my.oschina.net/u/2424163/blog/1935331
總結(jié)
以上是生活随笔為你收集整理的Coding and Paper Letter（十四）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 升级MariaDB为10.1版本
- 下一篇： 【tomcat】servlet原理及其生