资源整理。
1 Coding：
1.近期高光谱遥感的论文和开源代码。
LandcoverClassification_BaselineEvaluation GitHub基于高光谱数据对土地覆被进行分类的代码。
Matlab code for hyperspectral image classification based on JSaCR GitHub发表于IEEE TGRS Letter上论文的源码。
Multiview Marginal Discriminant Projection for Hyperspectral Images Classification
Introduction GitHubNCIG 2018的论文，高光谱影像分类。
Supervised classification of hyperspectral image(HSI) GitHub高光谱影像的监督分类器。
Deep learning library for hyperspectral image classification GitHubPython的开源库hyspeclib，基于高光谱影像分类的深度学习库。
ResNet-for-hyperspectral-image-classification GitHub基于残差神经网络的高光谱分类代码。
Undergraduate thesis work on hyperspectral image classification GitHub研究高光谱影像的毕业论文。
hyperspectral-classification-with-svm GitHub基于SVM的高光谱影像分类。该仓库还提供了与最小二乘法的对比。
Hyperspectral-classification-CNN GitHub基于CNN的高光谱分类。
Hyperspectral-Imagery-Classification GitHub发表于IEEE Remote Sensing Letter的关于高光谱影像分类的文章的代码。
2018 IEEE GRSS Data Fusion Contest GitHubIEEE的数据融合竞赛。主要提供高光谱、LiDAR和高分辨率RGB影像。
Hyperspectral-Image-Classification GitHub高光谱影像分类的代码（Tensorflow）。
hyperspectral_data_classification GitHub高光谱影像分类开源代码。
HSI_Classification GitHub高光谱影像的分类代码。方法包括knn, svm, 1D-CNN, 2D-CNN, 3D-CNN, DPPN, DCPN。
Hyperspectral classification using DNN improved by attention and inception structure GitHub使用DNN改进的高光谱分类开源代码。
spectral GitHubPython用于高光谱影像处理的模块spectral。
Indian_pines_classification GitHub一个使用CNN与keras的简单分类器用于印度松树高光谱图像分类。
Dimensionality reduction and classification on Hyperspectral Image Using Python GitHub基于Python的高光谱图像降维与分类。
Matlab Hyperspectral Image Classification ToolboxMatlab的高光谱影像分类工具箱。
2.激光雷达与高光谱在森林遥感中应用。
DeepForest GitHub利用激光雷达和高光谱数据与卷积神经网络进行树分割和分类。
3.R语言包compareDF。用于比较两个数据框。
4.基于PyQGIS的加权Voronoi算法实现。这个也是比较有意思的一个算法。后面可以来考虑介绍下这个内容。
5.R语言包cartogram，R语言中变形地图的包。后面会针对不同软件实现变形地图做些介绍。
6.R语言包spdplyr。R语言数据清洗与重构神器dplyr的空间拓展。
7.R语言与ArcGIS的桥接库。也先挖坑吧，这个也是想介绍的内容之一。
8.R语言包ggspatial。ggplot2对空间要素的扩展。
9.基于SportUV数据对NBA球员的分析代码。
10.一个NASA开放数据的简单Python接口pyNASA。
11.R语言包rnoaa，可以连接许多NOAA数据的API接口。
12.Markdown中绘制流程图的两种方式。
13.R语言包velox。R语言中快速操作栅格的包，运行速度快于raster等。
2 Paper:
1.Inference in multiscale geographically weighted regression/多尺度GWR的推论
最近的一篇论文（Fotheringham et al.2017）通过允许GWR中的带宽或平滑因子为模型中的每个协变量分别导出，显着扩展了众所周知的地理加权回归（GWR）框架—— 一个称为多尺度GWR的框架（MGWR）。然而，MGWR框架的一个限制是，到目前为止，没有关于局部参数估计的推断是可能的。本文通过将GWR重新设计为广义加法模型（GAM）来解决此限制，将此框架扩展到MGWR，然后导出MGWR中本地参数的标准误差。
多层次（或方差分量）模型已应用于区域科学，流行病学和polimetrics的许多领域。它们最常用于模拟政策制度中的非平稳性处理，这是一种空间过程异质性。具有空间相关分量的多级模型越来越多地用于模拟空间异质性和空间依赖性的存在。在本文中，开发了用于空间相关多层次模型的通用Gibbs采样器，并在癌症筛查模型中检查其性质。
这篇文章使用了波特兰 - 希尔斯伯勒 - 温哥华（美国）的夏季和冬季NO2空间密集观测来建模，并且使用随机森林（一种集合数据学习技术）研究NO2与LULC的空间变化。随机森林模型与BenMAP一起进一步用于更好地理解LULC，环境NO2和呼吸系统健康之间的关系。还使用灵敏度分析研究了土地利用改变对环境NO2的影响，并且如何影响呼吸健康。结果显示与道路和树冠区相关的NO2可能影响4-12岁儿童哮喘急性发作的年发病率。
这项研究使用洗涤和称重方法来量化17种城市植物物种（包括4种灌木和13种树木）叶片表面和叶子蜡质内水溶性离子和不溶性PM的积累。沉积的PM以三种尺寸分数确定：细（0.2-2.5μm），粗（2.5-10μm）和大（>10μm）。在各种物种中检测到PM积累的显着差异。侧柏（Platycladus orientalis）和华山松（Pinus armandi）的叶子是捕获PM的最有效的。在整个物种中，65％和35％的PM平均分别沉积在叶片表面和蜡质中。
网友评论