资源整理。
1 Coding:
1.强化学习算法的实现。 Python，OpenAI Gym，Tensorflow练习和解决方案。
2.网页上基于LaTex的数学公式js库。
3.通过分组极端点和中心点进行自下而上的物体检测。
4.用于场景分割的双重注意力网络。
5.一种有效的卷积神经网络结构。
6.从xarray到机器学习的简单数据管道示例。
7.各种简历（resume CV）。
8.R中的数据模型流程。
9.Rstudio拼写检查的addin。
10.R中的漂亮，可定制和可发布的模型总结。
11.包含各种生态和流行病学模型的shiny应用。
12.Rstudio 2018年会上，tweet explorer和FOMO reducer。
13.Rstudio 2019年会幻灯片链接。
14.R用于科学数据分析和可视化的网站，面向加州大学戴维斯分校的生态学研究生的课程（更新了四分之一）
15.R语言包isoband，生成等值线和多边形。
16.OReilly报告的Jupyter笔记本。
17.GDAL 2.4和HTTP2基准测试。
18.R语言包haven，用于R读取SPSS,STATA和SAS的数据。
19.R语言包coefplot，绘制模型系数。
20.R语言包rmd，轻松安装和加载R Markdown系列。
21.shiny应用案例。
22.R语言包posterdown，使用RMarkdown生成Latex PDF会议海报。
23.R语言包ConsTarget，用于计算保护网络的保护目标实现。
24.使用GNU Make自动化工作流程的教程。
25.大规模直接单眼SLAM ANDROID。
26.3D模型重建。
27.使用Jupyter Notebook在Python中使用Google Earth Engine的各种示例。
Google Earth Engine Python Example
28.我们在软件开发中使用排队论，用于项目管理看板，进程间通信消息队列和devops连续部署管道等目的。
29.一种用来学习和使用机器学习的实践方法。
30.基于土壤样本的野外活动的高光谱和土壤湿度数据。 卡尔斯鲁厄（德国），2017年。
hyperspectral soilmoisture dataset
31.高光谱图像分析简介-Jupyter Notebook。
HyperspectralAnalysisIntroduction
32.R语言包ggResidpanel，用于为模型中的残差创建一组诊断图。
33.使用Sentinel的ESDL数据立方体。
34.ESDL多维数据集生成和访问API。
35.用于运行美国宇航局大气研究中心的4STAR数据分析的代码。
36.已发表论文的数据集。
37.HyperRail和HyperPole项目。
38.稀疏性促进迭代约束的端元
39.Matlab实现MI-ACE和MI-SMF目标表征算法。
40.R语言包gbm，对Freund和Schapire的AdaBoost算法以及Friedman的梯度增强机器的扩展。 它包括最小二乘回归方法，绝对损失，t分布损失，分位数回归，逻辑，多项逻辑，Poisson，Cox比例风险部分可能性，AdaBoost指数损失，Huberized铰链损失和学习到秩度量。
41.R语言包letsR，宏观生态学中的数据处理和分析工具。
2 Paper:
管理不善的农林复合区域不断增加，造成严重的环境问题，如土壤侵蚀。有必要在大面积内快速预测这种侵蚀风险的空间分布，但缺乏适合山区的方法。这项研究的目的是开发一种方法，可以有效地利用遥感和辅助数据，绘制山区农林复合生态系统中的土壤侵蚀风险。该研究采用了野外调查数据，土壤类型地图，数字高程模型数据，气象站数据和Landsat图像，用于提取潜在变量。采用随机森林方法确定了8个关键变量 - 坡度，坡度，叶片季节归一化差异绿度指数，土壤有机质，叶片季节分数，落叶季节土壤，降水量。 6月，土壤粘土百分比 - 用于绘制中国浙西山核桃人工林土壤侵蚀风险分布图。结果表明，三个水平的土壤侵蚀风险的总体准确率为89.8％。大约四分之一的山核桃种植园处于高风险状态，要求业主或决策者采取适当措施减少土壤侵蚀问题。该研究提供了一种预测土壤侵蚀风险的新方法，该方法基于可直接从遥感数据和辅助数据中提取的主要变量。这种提议的方法对其他农林业和种植园很有价值，例如香榧，桉树和橡胶树，它们在改善当地农民的经济条件方面发挥着重要作用，但却面临着土壤侵蚀问题，利用遥感等辅助数据结合机器学习分析土壤侵蚀。
本研究提出了一种新的方法（剖面面积变化，PAC），使用火灾前和火灾后的激光雷达数据量化单个树木和树木群落的火灾引起的森林结构变化。 PAC测量从火灾前和火灾后的激光雷达点汇总的剖面面积差异。我们应用PAC方法评估2013年美国火灾在美国加利福尼亚州内华达山脉的影响。我们将LiDAR PAC指标与树级常用的LiDAR衍生冠层覆盖度和树高度指标的变化进行比较，并与30m像素级的Landsat-8图像衍生相对差异归一化燃烧比（RdNBR）进行比较。使用田间测量的基础面积和叶面积指数（LAI）变化进行定量验证，证实PAC指标与田间测量值（R2≥0.67）之间的相关性显着高于冠层覆盖度或树高指标（R2≤0.43） ，比RdNBR（R2≤0.26）强得多。根据大部分生物量损失是否发生在树冠基部高度之上或之下，PAC度量还可用于推断由火灾引起的树冠扰动的程度。冠层干扰的映射表明，美国火区的一半以上（57.0％）有火灾造成的树冠损失，22.5％的树木有冠层损失，而其余区域没有可检测到的树冠变化。总的来说，LiDAR PAC指标作为一种简单的综合方法，在表征森林结构细粒度变化方面具有很大潜力。该方法可以有利于森林经营者评估火灾引起的环境和经济损失，并为森林恢复设计提供有用的信息。利用激光雷达评估林火灾害，从这个方法而言，可以定量化树木更精细的林火灾害评估，但是相对而言是一个比较费钱的方法，个人觉得应该结合Landsat来评估大范围的林火可以更好地降低成本同时提升精度。
农村人口向城市迁移和城市犯罪都是中国研究的主题。但很少有研究试图探讨两者之间可能存在的关系。利用2014年第六次人口普查数据调查ZG城市的服务数据，本研究利用结构方程模型检验了迁徙与犯罪之间的关系。测试了两个假设：（1）迁徙的分布对盗窃的空间分布有直接影响，（2）迁徙还通过调解住宅流动性和居民社区的社会经济劣势等变量间接影响入室盗窃率。结果表明，迁徙对盗窃有明显的直接和间接影响，但间接影响远大于直接影响，表明社区特征比迁徙本身发挥更重要的作用。基于SEM分析迁徙和犯罪的研究，结果说明社区特征可能更重要。还是比较不错的分析。
4.Detecting and Evaluating Urban Clusters with Spatiotemporal Big Data/利用时空大数据检测和评估城市群
城市群的设计在城市规划中发挥了重要作用，但实现这些城市规划的建设是一个漫长的过程。因此，评估进展对城市管理者在城市建设过程中的重要性。用于检测城市群的传统方法是不准确的，因为原始数据通常是从居民旅行的小样本调查问卷而不是大规模研究中收集的。时空大数据为以自然和细粒度的方式理解城市群提供了新的视角。在本文中，我们提出了一种新的检测和评估城市群的方法（DEUC）与出租车轨迹和新浪微博签到数据。首先，DEUC采用凝聚层次聚类方法，根据城市居民日常出行空间的相似性来检测城市群。其次，DEUC使用朴素贝叶斯定理推断居民对土地利用功能的需求，并采用三个指标来评估检测到的集群中土地利用功能的合理性 - 即跨区域旅行指数，通勤方向指数和满足需求指数。第三，DEUC通过计算拟议的一致性指标来评估城市群建设的进展。在案例研究中，我们应用我们的方法对2009年，2014年和2015年中国武汉城市群进行检测和分析。结果表明该方法的有效性，可为城市建设提供科学依据。基于时空大数据对城市群评估，基于出租车轨迹和新浪微博签到数据做的分析，三个指数值得借鉴和评估。
降水极值与热带和亚热带地区的气温之间的负缩放率仍然是一个令人费解的问题。本研究从风暴特征（类型）和基于事件过程的温度变化两个方面研究了缩放率。华南地区的暴风雨是由不同的气象系统发展起来的，每个季节都有独特的气象特征，如暖锋风暴（1月），冷锋风暴（4月至5月中旬），季风风暴（5月下旬至6月），对流风暴和台风风暴（7月至9月）。本研究使用1990年至2017年的每小时降雨量数据分析风暴特征;比较2008-2017年间一分钟降雨量数据得出的风暴湿度计;并研究了2015-2017年广州42个气象站的强风暴与气象因素之间的相互作用，包括气温，相对湿度，地面压力和风速。除台风和暖锋风暴外，大多数风暴的持续时间较短（3小时），而华南广州的风速较大（约13毫米/小时）。对流风暴在发生时占主导地位（50％），强度最强（15.8 mm / h）。城市地区的风暴与气象因素的相互作用更强，并且显示出来自郊区的不同的hyetograph。与白天发生的风暴相比，气象因素变化较大。在夏季和夏季风暴之前，空气温度可升高6°C并降至4°C，以抵抗昼夜平均状态。风暴前的24小时平均气温产生比自然日平均气温更可靠的缩放率。极端降水与24小时平均气温呈现峰值比例关系，断裂温度为28°C。低于28℃，相对湿度为80％-100％，显示出正的结垢率。高于28°C，负比例关系可能是由于大气中缺乏水分造成的，其中相对湿度随着空气温度的升高而降低。分析一次暴雨特征分析和气温的尺度分析，气象学方面的尺度分析。
分析和监测空间和时间城市化对于更好地理解地表温度（LST）变化至关重要。只有少数研究检验了大城市中长期空间和时间尺度的LST变化。首先，本研究比较了德黑兰整个特大城市的城市和郊区（以下称为区域尺度）之间的热量差异以及德黑兰境内22个地区的城市热量变化（以下称为当地规模）在过去的三十年里。其次，我们研究了土地覆盖，气候和海拔数据如何与德黑兰特大城市区域和地方尺度的城市热量相关联。 1986年，1991年，1994年，2001年，2008年和2011年，德黑兰的一系列六幅Landsat TM图像被分为四种土地覆盖类别（建筑物，作物，开放空间和绿地）。这些图像还用于计算地表温度（LST）和归一化差异植被指数（NDVI）。我们使用了Shuttle Radar地形测量任务中的30米高程数据。我们还下载了1公里气候数据，包括温度，降水，太阳辐射，蒸气压和全球气候的风速。在区域范围内，我们发现德黑兰特大城市的城市化在过去三十年中翻了一番，从2001年的21％增加到2011年的43％。此外，不同土地覆盖类别的平均LST差异平均为5.70°C在每个时间点。此外，从1986年到2011年，各种土地覆盖类别的平均LST平均增加了6.46°C。我们还发现平均NDVI，平均海拔和平均气候在降低德黑兰境内的平均LST方面比在德黑兰以外更有效。在当地范围内，德黑兰北部地区的平均LST值最低，而德黑兰南部和西南部地区的平均LST值从1986年到2011年最高。此外，观察到的每个时间点22个地区的平均LST差异为6.77平均°C。此外，从1986年到2011年，所有地区的平均LST平均增加3.75°C。随着平均LST增加，平均NDVI成为减轻所有22个地区的平均LST的更强因素。最后，22个地区的平均NDVI，平均海拔和平均气候对控制德黑兰内部的LST变化起到了重要作用。我们的结论是，长期的时空分析可以为决策者提供更好的规划，以减轻和控制德黑兰特大城市的城市热量变化。城市化与地表温度的影响，用了大量的数据和多个城市来进行分析。
快速和大规模的城市化导致土地使用的大量转变和对生态系统服务的影响。城市化与生态系统服务之间的关系不仅取决于研究区域的特征，而且与选定的生态系统服务类型和衡量城市化水平的指标密切相关。探索特定研究领域的关系对于支持可持续性的区域规划是必要的。在这项研究中，我们分析了2000年至2010年城市化对中国京津冀城市大区的生态系统服务的影响。我们量化了四个关键的生态系统服务，粮食生产，碳固存和氧气生产，水资源保护和土壤保持，并确定了生态系统服务提供的热点。我们从人口增长，经济发展和土地扩张等三个方面来衡量城市化水平。在热点规模和城市巨型区域规模上研究了城市化对选定生态系统服务的影响。我们发现BTH地区的生态系统服务和城市化水平都有所提高。生态系统服务热点存在明显的空间异质性，南部平原地区的粮食生产热点聚集分布，调节服务热点主要分布在森林茂密的北部山区。人口增长，经济发展和粮食生产之间的关系用倒U型曲线表示，而随着调节服务呈现下降趋势。随着城市土地扩张，粮食生产和调节服务都急剧下降。此外，城市化与生态系统服务之间的关系在各个尺度上都是一致的。应针对不同类型生态系统服务的热点实施有效措施，以缓解快速城市化过程中生态系统服务的丧失。这些结果可以为提升BTH地区的城市可持续性以及世界各地具有类似特征的其他城市巨型区域提供见解。城市大区域的生态系统服务与城市化水平关系。京津冀城市群，关系也是倒U型，值得关注。
网友评论