|||
最近发现需要在快速阅读背景下,对快餐式资源做整理与收集。以Coding(以Github)和Paper(自己看到的一些论文,论文一般主要看题目和摘要做些简单小结)的资源为主。
1.QGIS上的变形地图插件,我后面会专门来介绍变形地图这个主题的内容。
2.火星坐标与地球坐标转换开源代码。
3.空间统计开源软件GeoDa资源。
4.空间统计分析开源Python库——PySAL。
5.GIS资源链接整理。
6.R语言包(rasterVIS)。一个专门针对栅格做可视化的包。十分强大。
7.基于CityEngine开发的地理设计工具箱。这个项目讨论了一系列工具,这些工具旨在使数据驱动设计能够支持大规模方案规划项目。这些工具旨在集成GIS和CityEngine,以支持创建大量3D内容,以支持城市规划/地理设计项目。创建的内容可用于创建图像作为剪切图纸的一部分(与数据驱动页面一起使用),或链接到Web地图中的Web内容(通过提供弹出窗口或Web场景链接到的内容)。这里提出的工作流程的重点是街道,但脚本也支持与建筑物/批次/分区可视化相关的项目。意图:这些工具的目的是通过结合使用GIS和CityEngine,实现大规模的数据驱动设计。
CityEngineToolKit-GeodesignToolkit GitHub
8.深度照片风格转换。基于深度学习的照片风格转换。
9.R语言包(scanstatistics)。时空扫描统计算法的R包实现,这个算法最早由哈佛大学学者提出,用于疾病的空间统计分析。
这是目前比较有意思的一个方向,空气污染的人群暴露、绿色空间与疾病三者的关系。使用的是萨克森州的保健数据(主要研究了口腔和咽喉,皮肤——非黑色素瘤皮肤癌 - NMSC的癌症事件(2010-2014),前列腺癌,乳腺癌和结肠直肠癌等疾病),室外空气污染主要考虑PM10和NO2,绿色空间使用NDVI做表征,模型选用的是多层次泊松回归模型。结论主要是高空气污染会增加癌症患病风险,而增加住宅绿色空间则可以降低。
2.Spatial Morphing Kernel Regression For Feature Interpolation/基于空间变形核回归的高维特征空间插值
针对近年来兴起的带有地理标记的社交媒体数据——也就是志愿者地理信息数据(Volunteer Geographical Information,VGI)。这次用的是Flickr数据。首先是基于卷积神经网络(CNN)提取了Flickr图片的高维特征,然后针对提取的特征进行空间插值。比较了IDW,核回归(高斯核和空间变形核)不同插值方法的结果(以parcel classification结果为例)。
准确预测电力需求对现代电力系统的运行至关重要。不准确的负荷预测将显着影响电网效率。预测一个小区域(如建筑物)的电力需求长期以来一直是众所周知的挑战。这项研究分析了带有地理标记的推文与每小时电力消耗之间的关联。检索所有可用的带有地理标记的推文和电表读数,并在空间上汇总到研究区域中的每个建筑物。人类活动指标(推文所反映的)与电力消耗之间存在高度相关性,相关系数超过0.8。非常有意思的研究。
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-9-4 07:19
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社