資源整理。
1 Coding:
1.Python庫gee subset，用于Google Earth Engine裁切的庫。
gee subset2.适用于WebGL應用程式的最快和最小的JavaScript多邊形三角剖分庫。
earcut3.用Google Earth Engine python api探索雷達濕雪地圖。
gee python snowmelt4.用于GluonCV模型的PyTorch API。
gluoncv torch5.R語言包phenocam，PhenoCam時間序列是從ROI擷取的給定站點的時間序列資料。 每個站點都有特定的中繼資料，包括但不限于站點的設定方式和位置，錄影機可以看到的植被類型及其氣候狀況。
phenocam6.用于同一個Docker容器中的VNC會話中運作Leo，有效地将Leo變成了一個Web應用程式。Leo是Python/PyQt5編輯器/IDE。
leo docker7.R語言包classy，說明了如何使用R和Rcpp中的類和Rcpp :: XPtr對象。
classy8.TerriaJS是一個用于建構基于Web的豐富地理空間資料資料總管的庫，用于驅動國家地圖，AREMI和NEII檢視器。
terrajs9.具有每小時人口資料的NNF主題模型。
urban activity topics10.線上教程文檔，内容應當是資料處理與R。
tutorials11.R語言包ggplus，ggplot2的一系列附加函數。
ggplus12.Python庫Click，用于以可組合的方式建立漂亮的指令行界面，并且隻需要很少的代碼。 這是“指令行界面建立工具包”。 它具有高度可配置性，但具有開箱即用的合理預設值。
click13.Learning to Reason with Third-Order Tensor Products出版物的代碼。
TPR RNN14.用于快速貝葉斯推理的大型分層模型的多核BUGS。
MultiBUGS15.子產品化Boost的超級項目。
boost16.幾個跟米氏散射相關的Python庫。
Python包miescattering，允許您計算空氣中球形顆粒的散射特性。 這對于遙感大氣中的雲（和氣溶膠）非常有用。 Mie計算在Michael Mishchenko編寫的FORTRAN代碼中。 這個包允許你從Python運作Michael的計算。
wgm mie scatteringPython庫PyMieScatt，基于Bohren和Huffman的Mie Theory派生的Python 3正向和反向Mie求解程式的集合。
PyMieScattmiepython是一個Python子產品，用于計算實心球體的光散射。
miepython17.R語言包mapr，可以更容易地在R中制作地圖。給定一組位置，例如來自标記動物的位置，mapr将使用rworldmap從Natural Earth資料庫加載全局shapefile，并使用ggplot2對其進行繪圖并在INLA中使用。
mapr18.nodejs的資源。
awesome nodejs19.R語言的各種多态。
poly R20.幾個比較不錯的網站和github資源。
人大資料挖掘中心首頁。
rucdmc.github.iorjournal首頁。
rjournal.github.io21.bookdown的中國人民大學學位論文模闆。
bookdown ruc22.Python庫pyEOM，對地觀測監測的Python包，用于提取不同MODIS産品和Landsat資料以及給定幾何（單個像素或多邊形）的時間序列資料。
pyEOM23.R-Shiny BFAST Explorer，使用R和Python開發，專為分析Landsat Surface Reflectance時間序列資料而設計。使用三種變化檢測算法 - bfastmonitor，bfast01和bfast - 通過斷點檢測來研究趨勢和季節性成分的時間變化。
bfast explorer24.北緯52°傳感器觀測服務相關項目
北緯52°傳感器觀測服務相關項目。
SOS在THREDDS之上的SOS服務。
ncSOSOGC SOS的R用戶端。
sos4R25.基于目錄的Web地理空間可視化平台。
TerriaMap26.WebGL加速JavaScript庫，用于教育訓練和部署ML模型。
tfjs27.從球形DEM生成行星，衛星等的3D網格。
demsphere28.地方，行星和地球引擎：Hacktober2018。
hacktober201829.node js的mapnik橋接庫。
node mapnik30.Python庫gp emulator，高斯過程模拟器。
gp emulator31.簡單的物候拟合實用項目。
phenology32.R語言包projectimplicit，使用Project Implicit資料（此處為Race Implicit Association Test）探索和報告描述性和推論性統計資料的最小包。
projectimplicit33.R語言包lognorm，用于對數正态分布的相關函數。
lognorm34.一種快速算法，用于查找不可通路的多極點，多邊形輪廓中最遠的内點（不要與質心混淆），實作為JavaScript庫。
polylabel35.R語言包dismo，物種分布模組化工具。
dismo36.前端主要處理來自OpenML資料的ElasticSearch索引的資料。 與OpenML後端的額外互動（例如資料集上傳）通過OpenML REST API進行。
openml.org37.[神經網絡搜尋與強化學習]的基本實作
neural architecture search2 Paper:
1.
A spatial heterogeneity-based rough set extension for spatial data/基于空間異質性的空間資料粗糙集擴充當使用經典粗糙集（CRS）理論來分析空間資料時，存在一個潛在的假設，即宇宙中的物體完全随機分布在空間上。但是，這種假設與空間資料的實際情況相沖突。通常，空間異質性和空間自相關是空間資料的兩個重要特征。這兩個特征是提高空間資料模組化精度的重要資訊源。本文通過引入空間異質性和空間自相關來擴充CRS理論。這個新的擴充将空間鄰接資訊添加到資訊表中。通過在這些概念中添加空間鄰接資訊，CRS理論中的許多基本概念，例如不可分辨性關系，等價類以及下近似和上近似，都得到了改善。基于這些基本概念，提出了一種新的約簡方法和一種改進的規則比對方法。新的還原在選擇特征子集時結合了空間異質性，可以保留所有特征的局部判别能力，新的規則比對方法利用空間自相關來提高基于粗糙集的分類器的分類能力。實驗結果表明，所提出的擴充顯着提高了分類或分割精度，并且空間縮減比經典縮減所需的時間少得多。粗糙集理論的空間化，可以說空間統計算法本身就是對統計學算法的空間化。是以在方法學上是非常不錯的文章。發表于IJGIS。
2.
Satellite-Based Estimation of Hourly PM2.5 Concentrations Using a Vertical-Humidity Correction Method from Himawari-AOD in Hebei/基于衛星的河北Himawari-AOD垂直濕度校正法估算PM2.5小時濃度空氣動力學直徑小于2.5μm（PM2.5）的顆粒物質與各種不利的健康影響有關。地面測量可以産生高度準确的PM2.5濃度，但在讨論PM2.5的時空變化時具有一定的局限性。衛星遙感可以獲得連續和長期的覆寫資料，許多先前的研究已經從理論分析和觀察中證明了PM2.5與AOD（氣溶膠光學深度）之間的關系。在這項研究中，使用垂直濕度校正方法獲得了從AHI（Advance Himawari Imager）擷取的具有高時空分辨率的新氣溶膠産品，以估算河北的每小時PM2.5濃度。吸濕性生長因子（fRH）适合于每個部位（總共137個比對部位）。同時，假設在一定比例下fRH幾乎沒有變化，确定每個像素的最接近的fRH以計算PM2.5濃度。與AOD和PM2.5之間的相關性相比，通過垂直濕度校正獲得的“幹”品質消光效率與地面測量的PM2.5之間的關系顯着改善。衛星估算的每小時PM2.5濃度與地面測量的PM2.5一緻，具有高r和低RMSE（值，以及下午（13：00-16：00）的準确率高于早晨（09：00-12：00）。最後，分析了污染過程，分析表明PM2.5資料的高時空分辨率可以連續直覺地反映區域污染物的特征（如擴散和積累），這對評估區域空氣品質具有重要意義。利用葵花衛星産品改善AOD，濕度校正，同時實作小時尺度的産品反演，當時間分辨率精細後，更能反映出區域空氣污染物的特征，這也是未來的重點研究方向。
3.
Novel Hybrid Swarm Optimized Multilayer Neural Network for Spatial Prediction of Flash Flood at Tropical Area Using Sentinel-1 SAR Imagery and Geospatial data/利用Sentinel-1 SAR圖像和地理空間資料進行熱帶地區山洪暴雨空間預測的新型混合群優化多層神經網絡暴雨被廣泛認為是世界上最具破壞性的自然災害之一，是以對暴發洪水易發區域的預測對公共安全和應急管理至關重要。本研究基于Sentinel-1 SAR圖像和一種新的混合機器學習技術，提出了一種新的山洪預測方法。 SAR圖像用于檢測山洪洪水淹沒區域，而新機器學習技術是螢火蟲算法（FA），Levenberg-Marquardt（LM）反向傳播和人工神經網絡（稱為FA-LM-ANN）的雜交），用于建構預測模型。以越南西北部的Bac Ha Bao Yen（BHBY）為例進行了案例研究。是以，使用12個輸入變量（海拔，坡度，坡向，曲率，地形濕度指數，河流功率指數，toposhade，河流密度，降雨量，歸一化差異植被指數，土壤類型和岩性）建構地理資訊系統（GIS）資料庫。并随後繪制了洪水淹沒區域的輸出。使用資料庫和FA-LM-ANN，對暴洪模型進行了教育訓練和驗證。模型性能通過各種性能名額進行驗證，包括分類準确率，曲線下面積，精度和召回率。然後，将産生最高性能的閃電洪水模型與基準進行比較，表明FA和LM反向傳播的組合被證明是非常有效的，并且所提出的FA-LM-ANN是用于預測閃電洪水敏感性的新的有用工具。利用不同算法組合成新的機器學習混合算法，并且用于暴雨洪水預測，非常不錯的研究。
4.
土壤地理學的進展與展望作為土壤學和地理學學科的分支,土壤地理學是地球表層系統科學的重要組成部分,其核心研究内容是土壤的時空變化。土壤地理學研究對象從傳統的土體向地球表層系統視角下的關鍵帶轉變,研究方法上全面走向數字化。本文綜述了近20年來土壤地理學分支學科包括土壤發生、土壤形态、土壤分類、土壤調查與數字土壤制圖等領域的研究進展,指出其發展趨勢為：基礎理論研究不斷拓展、調查技術正經曆變革、時空演變從過程觀測走向模拟,同時探讨了土壤地理學的未來發展契機與面臨的挑戰。土壤地理學研究的綜述研究。對土壤相關的研究感興趣的可以自行閱讀。
5.
土壤圖更新中基于土壤類型面積分級的訓練樣點選擇方法基于資料挖掘模型的土壤圖更新是一項重要的研究。資料挖掘模型建構中訓練樣點的品質不僅決定其對研究區土壤-環境關系表達的充分程度，而且會對推理制圖的結果産生至關重要的影響。本文提出一種基于土壤類型面積分級的典型訓練樣點選擇方法，即依據土壤面積對土壤類型分級，并按照等級之間的比例關系基于典型點選擇訓練樣點。将方法應用于更新美國威斯康星州Raffelson流域的傳統土壤圖，并與另外兩種訓練樣點選擇方法對比，以驗證該方法的有效性。結果表明，500次重複實驗中，本研究方法與另外兩種訓練樣點選擇方法相比，能夠更新傳統土壤圖的比例分别為79.5%、71.8%和63.6%，而且其推理制圖結果更符合研究區土壤分布的特征。本研究所提方法是一種有效的訓練樣點選擇方法。事實上根據先驗知識對空間資料樣本進行挖掘能夠有效提高空間制圖精度以及降低人力物力和采樣成本。這篇文章就是一篇很不錯的案例。
6.
Decreases in global beer supply due to extreme drought and heat/氣候變化對全球大麥産量及啤酒市場的影響 CEADs推文這篇文章CEADs推送過，這裡不詳述，值得關注的是，這是一個多模型耦合的研究。相信也是未來研究的趨勢。
![vue搭建過程及出現問題[圖]](data:image/gif;base64,R0lGODlhAQABAIAAAP///wAAACwAAAAAAQABAAACAkQBADs=)