新一期資源整理。
1 Coding:
1.遙感變化檢測相關資源。
awesome remote sensing change detection
2.計算機組成原理流水線資源。
3.R語言包salmix，用極大似然方法擬合時間序列數據的概率分佈。
4.實現地球動圖的代碼與說明。
5.R語言版本rsample，用於創造和綜合不同類型的重採樣對象。
6.使用NGINX在HTTPS (DoH/DoT網關)和GSLB進行域名系統配置的示例。
7.漂亮和好用的Mac系統上的Redis的數據庫管理應用。
8.另一個快速，更好更穩定的redis數據庫桌面應用，可以在Linux，Windows和Mac系統上編譯。
9.Vesper(物種庫可視化)是一個可視化的集合，用於檢查達爾文核心檔案文件(DWCAs)，包括分類、地理和時間視圖。
10.使用Jupyter notebook和Jekyll創建一本在線書籍。
11.文獻引用格式文件。可以用於Latex的CSL文件。
12.Python裏的統計氣候降尺度實現。
13.這是2019年IAML第二次(分級)作業的資料庫。
14.R語言包leafgl，用於leaflet的快速webgl渲染。
15.GhostNet的Pytorch實現。CVPR2020的相關論文代碼。
16.生成大規模的圖結構數據。
17.介紹用Python做地理數據分析。
18.將靜態的超文本標記語言頁面轉換成實時文檔。
19.關於地理計算你必須知道的52件事。
20.輕鬆截圖，併爲glTF 2.0二進制(GLB)文件創建縮略圖，一個命令行工具。
21.GEOS矢量空間庫，可以用rgeos。
22.R語言包geom，地理矢量數據。
23.提供地理矢量處理引擎的庫。
24.在R中使用AppVeyor的工具。
25.爲pangeo依賴項構建conda元數據包。
26.Python的瀏覽器自動化庫。比Selenium更簡單。
27.Python pandas的擴展庫，實現pandas數據庫的describe函數。
28.從pandas數據框架對象創建HTML分析報告。
29.吳秋生老師開發的開源遙感數據處理軟件Whitebox的ArcGIS工具。
30.Xview2挑戰賽的第二名解決方案。
31.R包的系統要求。
32.基於令牌的身份驗證，用於在shiny應用程序和遠程應用程序之間進行通信。
33.2020 MagIC研討會的PmagPy Demag GUI教程。
34.用於優化軟件的帶安全線程的受限和無約束測試環境。
35.掠奪性學術期刊和出版商列表。
stop predatory journals.github.io
36.Python教程的額外材料、練習和示例項目。
37.使用0(1)內存的快速穩定排序算法。
38.最差時間內穩定的排序。
39.Python庫meshio，多種網格格式的輸入輸出。
40.R語言包eplusr，全建築能源模擬工具Engerplus的R工具。
41.記錄自己做的點點滴滴pdf。
42.CVPR 2020會議論文，用圖神經網絡實現點雲數據的3D對象監測。目前還只有README，後續會推出。感興趣的同學可以follow。
43.本教程描述了ICESat-2項目將產生的一些(計劃中的)高級數據產品。這個倉庫是高程變化。
44.R語言包plusraster，plusraster的目標是在ggplot2中快速繪製柵格數據。
45.ICLR 2019會議膠囊神經網絡的PyTorch實現。
46.R語言包amt，amt的目的是通過提供簡化常見任務的功能，使動物測量數據的處理和分析變得更容易，例如數據過濾、路徑特性和起始範圍的計算，以及爲更復雜的分析準備數據(例如，步長選擇功能等)。
47.用ggplot2繪製任何東西的研討會材料。
48.R語言包colorist，野生動物時空分佈的着色和可視化。
49.R語言包unitizer，交互式單元測試。
50.紐約時報今天問什麼問題？受此啓發的Twitter機器人，每隔10分鐘檢查一次Times Wire API是否有新問題。使用Python，tweepy和Heroku。
51.R語言包shinydashboardPlus，shiny儀表盤的拓展工具。
52.用github進行教學的資源。
53.使用spaCy的高級自然語言處理——一門在線課程。
54.漏斗圖實現。
55.部署Ghost最簡單的方法是使用我們官方的Ghost(專業版)託管服務。您只需點擊幾下鼠標，就可以啓動並運行一個全新的實例，全球CDN、備份、安全和維護都可以爲您完成。
56.llvm2graphml是一個工具，它可以幫助您使用圖形數據庫交互式地探索LLVM Bitcode。
57.用QT開發的多平臺Git客戶端。
58.numpy的機器學習。
59.NeurIPS 2019會議論文’Differential Privacy Has Disparate Impact on Model Accuracy’代碼。
differential privacy vs fairness
60.數據工程項目。包括數據建模、雲基礎設施設置、數據倉庫和數據湖開發。
Udacity Data Engineering Projects
61.用於構建數據湖、數據倉庫和分析平臺的端到端數據讀取數據流水線。
62.對於機器學習研究者的輕量級Pytorch接口。
63.多維迭代最近點法的Python實現。
64.DeepSpeed是一個深度學習優化庫，它使分佈式培訓變得簡單、高效和有效。
65.PyData社區中基於引導的sphinx主題。
66.在訓練時使用模板的csv展示每個方法和指標的分類成功率的代碼。
67.爲筆記本和dask工作人員測試運行單獨的鏡像。
68.Google Earth Engine操作的獨立工具。
69.PostgreSQL操作符在數據庫內創建/配置/管理PostgreSQL集羣。
70.Esri.Esri CityEngine的Procedural Runtime的Python接口。
71.Pytorch會議快速代碼指南。
pytorch lightning conference seed
72.數據驅動的天氣預報基準數據集。
73.機器學習的在線數學資源。
74.R語言包runcharter，多個指標或位置的數據分面顯示的自動運行圖分析。
75.R語言包downloadthis，Rmarkdown實現下載按鈕。
76.遙感論文資源。包含機器學習，深度學習，圖像分割，影像目標檢測，指標，變化檢測，地表溫度，時間序列與趨勢分析和工具相關的文章。
77.用PyTorch構建全功能計算機視覺模型。
78.使用Landsat衛星影像和Google Earth Engine爲奧卡萬戈三角洲繪製年度洪水地圖。
2 Paper:
藻華和由此引起的水質惡化已經威脅到內陸湖泊的環境健康。這項研究調查了加利福尼亞州最大的內陸水域薩爾頓海中石膏花的時空動態。根據Terra星的MODIS數據，在2000–2018年期間提出了一種創新的石膏花指數（GI），用於檢測石膏花。在使用色相，飽和度和值（HSV）顏色模型繪製的石膏花的水域中，觀察到了變色（從綠色到紅棕色）。我們發現：（1）地理信息系統能夠以相對較高的準確度（85％）有效地繪製索爾頓海中的石膏花。 （2）在夏季（八月和九月）觀察到最大的石膏花期，在2003年，2005年，2006年，2016年和2018年，石膏花期持續40天以上； （3）2003年至2018年，石膏花富集的水域從湖中心向東南岸轉移，石膏花出現的頻率自2008年以來顯着增加。同時，西北和東南湖之間的時空差異增加在觀察期內； （4）石膏花富集的水域平均發生變色，持續時間爲14天，在2002年，2016年和2018年，變色時間更長（超過20天）。海洋爲索爾頓海的實際管理和修復提供了寶貴的信息。推薦一篇學弟的論文，目前在中科院南京湖泊所湖泊水色遙感團隊攻讀碩士。本篇文章基於MODIS衛星數據提出了一種新的石膏花指數（GI）,可以有效分析和檢測石膏花的時空動態。可以爲水色遙感和湖泊管理修復提供信息。
短期暴露於空氣污染已與哮喘等呼吸系統疾病的惡化相關。在先前的研究之間已經觀察到效果估計存在很大的異質性。本研究旨在量化中等城市哮喘兒童每日哮喘症狀的局部負擔。在荷蘭埃因霍溫市的高分辨率城市空氣質量傳感器網絡中，使用最接近的傳感器估算了空氣污染暴露。暴露響應函數的貝葉斯估計是通過使用每日日記通過來自小組研究的數據更新來自薈萃分析的先驗信息而獲得的。五個孩子參加了小組研究，獲得了總計400條每日日記記錄。觀察到NO2與下呼吸道症狀和藥物使用之間呈正相關。僅使用專門小組研究的數據（先前無信息），任何下呼吸道症狀的當日比值均爲當日NO2濃度每10μggm-3表示的1.07（95％C.I. 0.92，1.28）。乾咳和痰的機率接近1。關聯模式與最新的薈萃分析非常吻合。 LRS的薈萃分析隨機效應彙總估計爲1.05（1.02，1.07）。當添加來自薈萃分析的先驗信息時，可信區間顯着縮小。先天性信息豐富的下呼吸道症狀的比值比是1.06（0.99，1.14）。疾病圖的負擔顯示，從迴歸克里格模型得出的與環境NO2相關的哮喘症狀的數量具有很強的空間變異性。在埃因霍溫市，每天總共有70例哮喘症狀與NO2暴露有關。我們得出結論，貝葉斯估計可用於估計特定的局部空氣污染影響估計以及隨後的局部疾病負擔計算。通過高分辨率的空氣質量網絡，評估了鄰里特定的哮喘症狀負擔。來自目前課題組剛畢業的師姐論文。基於NO2暴露，結合Meta分析，貝葉斯分析分析短期兒童哮喘的疾病負擔。利用貝葉斯在空氣污染的基礎上更進一步估算疾病負擔，是結合空氣污染，時空統計與健康地理的一個不錯的案例研究。
城市發展伴隨着嚴重的變暖影響以及空氣污染濃度的相應增加，因此許多城市都實施了增長管理，以最大程度地減少“蔓延”及其對環境的影響。但是，控制增長量是昂貴的。因此，在本文中，我們將重點放在城市變暖上，並研究具有氣候意識的城市增長規劃（CUGP），即規模相同但空間佈局優化的城市增長是否帶來了顯着的緩解效果。首先，經典的空間多目標土地利用優化（SMOLA）模型是通過整合土地利用及其變暖影響之間空間，晝夜和成分變化的關聯來改進的。然後，我們使用非支配的遺傳算法（NSGA-II）求解改進的模型，以在不減少城市增長量的情況下，以最小的變暖影響和最小的變化成本生成城市增長計劃。結果表明，與中國深圳的無計劃城市發展相比，具有氣候意識的城市發展帶來的變暖影響減少了33.3±4.6％，並暗示了一種緊湊且空間均等的發展模式。這項研究提供的證據表明，諸如CUGP之類的空間規劃工具可以幫助減輕人類對環境的影響。同時，改進的SMOLA模型可用於平衡城市發展和其他環境後果，例如空氣污染。來自香港中文大學黃波老師團隊的研究成果，利用模型結合城市增長模型模擬在考慮氣候變化影響下的城市發展規劃是否能夠緩解城市變暖的問題，這是一項在深圳進行的案例研究。這是一個非常有意思的研究，糅合了多個時空GIS模型，包含土地利用優化，城市增長以及環境模擬。同時這個方法也可以應用到其他環境問題上。
4.Digital Earth 2020: Towards the vision for the next decade/Digital Earth 2020：邁向下一個十年的願景
該立場文件是由國際數字地球協會（ISDE）於2011年3月在北京舉辦的集思廣益研討會的成果。該論據認爲，13年前副總統阿爾·戈爾（Al Gore）提出的數字地球（DE）願景需要 此後，我們將根據信息技術，數據基礎結構和對地觀測領域中的許多發展情況，對它們進行重新評估。 本文確定了DE發展的主要政策，科學和社會驅動因素，並以一些潛在的應用示例說明了DE奠定基礎的新願景的多面性。 由於沒有任何一個組織能夠獨自開發DE的所有方面，因此至關重要的是在全球範圍內開展一系列合作以使本文概述的願景變爲現實。研討會成果，對於數字地球的未來提出了一些關鍵性的方向和相關內容，對於數字地球研究者和從業者有非常好的導向作用。數字地球自提出到現在已經是12年了，按中國人的說法就是一個生肖輪迴。從數字地區走向智慧城市，可能是目前衆多研究者的共識。但是從目前來看ICT信息基礎設施以及集成數據的數據處理中心，仍然有很多缺口。同時真正落地的智慧城市項目十分有限。
樹木結構參數（如胸高（DBH）直徑，身高和樹冠描述符）對於評估森林生態系統中的樹木材積和生物量至關重要。破壞性測量是估計樹木高度和材積的最準確方法。但是，在最近的過去，LiDAR技術的進步使我們能夠以精確的3D描述看待樹木。這項研究的主要目的是從3D地面LiDAR（TLS）數據中提取不同的樹木參數（即DBH，高度和樹木體積），然後根據手動破壞性測量評估其準確性。在多掃描模式下掃描大約五棵樹，並進行破壞性採樣測量。使用基於圓的隨機樣本共識（RANSAC）和基於圓柱的定量結構模型（QSM）等擬合方法分別從3D點雲中提取DBH和材積。結果表明，基於TLS的變量，例如DBH（R2 = 0.995），高度（R2 = 0.998）和體積（R2 = 0.958）與手動測量非常吻合。平均而言，五棵樹的樹木材積偏差爲手動測量的約5.13％。研究結果表明，基於TLS的測量是獲得樹參數而不破壞樹的便捷方法之一，並且精度相同。LiDAR在森林材積和生物量估算的意義說明。方法看起來稍微比較不同，結果比較平淡。
來自新推出的傳感器的合成孔徑雷達（SAR）圖像的空間分辨率的提高促進了在城市監測中更頻繁地使用分佈式散射體（DS）干涉測量（DSI），以進行足夠詳細的測量。然而，通過探索幅度信息進行均質像素聚類的常用統計方法首先是計算量大；此外，在文獻中很少討論將它們應用於高連貫建築場景的必要性。本文探討了使用相位信息檢測建築表面上均勻像素的潛力。我們提出了一個簡單的相位相關像素（PCP）聚類，並引入了相干加權相位鏈接（WPL），即PCPWPL，以追求更快地處理干涉圖相位去噪。我們不依賴振幅特性的統計檢驗，而是利用複數域中的向量相關來識別具有相似相位觀測值的PCP，從而避免了深入的假設檢驗。相干加權相位鏈接應用於DS相位重建。使用永久散射體（PS）和DS的集成網絡可完成地球物理參數（例如變形）的估算。綜合和真實數據實驗均充分說明了該方法的效率。通過與使用X波段CosmoSkyMed數據集的傳統基於幅度的策略進行比較，分析了所提議PCPWPL的優缺點。結果表明，使用相位相關足以在已建方案中進行DS監視，並且具有等效的測量量和較便宜的計算成本。還是港中文黃波老師團隊的成果，關於InSAR的應用研究。由於筆者不太懂SAR方面的研究，就不多加評論，感興趣的同學歡迎點開鏈接自行查看。
生態系統資產提供的生態效益在改善人類福祉方面發揮着重要作用。但是，幾乎沒有可行的方法可以結合有關生態系統資產的數量和質量的數據來描述其狀態和趨勢。在這裏，我們通過綜合生態系統資產數量和質量數據以在區域或國家範圍內進行有效評估，開發了一種新的基於遙感的指標。新指標包括類型生態系統資產指數（TEAI）（例如森林生態系統資產指數）和綜合生態系統資產指數（IEAI）。 TEAI和IEAI可以分別用於評估特定生態系統或一組區域生態系統的狀態和趨勢。我們在三河源地區（TRSR）的生態保護政策中應用了這一新指標，該地區被稱爲“中國水塔”。從2000年到2015年，由於生態系統資產面積的增加（0.2％）和生態系統資產質量的提高（優秀和良好水平的生態系統資產分別增加0.66％和0.02％），IEAI增長了4.02％。實施生態保護和生態恢復計劃是區域生態資產改善的主要直接動力。我們的結果表明，該新指標對於快速，準確地評估生態系統資產的狀態和趨勢是可行的，並可用於指導大範圍的生態系統管理。生態中心歐陽志雲老師團隊的成果，基於遙感的生態系統資產指數指標。由於生態系統資產覈算直接與生態系統服務，生態效益相關，並且是生態補償或者說轉移支付的基礎依據，但是過去的核算體系大部分需要大量的指標體系或者無法實現空間異質性運算，這篇文章提供了一個快速測算的方法，但是指標的普適性、校準以及調整仍然是後續需要進行的研究工作。
由於在許多地區，特別是中國，小於1公頃的小農戶是主要農業形式，因此異質作物識別一直是備受關注的問題。通過空中平臺（例如無人機）進行高光譜和空間分辨率的遙感提供了一種潛在的替代技術，用於監測小農農業中的異種作物。儘管這種具有高光譜和空間分辨率的新型遙感數據提供了精細分類的可能性，但它也帶來了一些挑戰，例如受嚴重噪聲污染的波段，可辨別的光譜信息的分佈不均勻以及農作物的光譜變異性。在這項研究中，我們嘗試通過開發基於條件隨機場（SCRF）的魯棒的光譜空間農作物製圖方法來解決這些問題，該方法通過光譜加權核來學習農作物的敏感光譜信息，並利用空間相互作用像素以提高分類性能。選擇了來自有人駕駛飛機平臺和無人機平臺的數據，以驗證所提出算法的有效性。實驗結果表明，該算法可以有效地利用各個光譜帶的相對效用，檢測出嚴重噪聲污染的頻帶，並利用光譜加權核考慮農作物的敏感光譜信息。與傳統的支持向量機和隨機森林方法相比，僅具有頻譜加權核的算法顯示出超過4％的改進。此外，空間信息被證明對於作物分類至關重要，面向對象的方法和所提出的SCRF方法都可以通過考慮空間信息而在可視化和定量指標方面提高分類性能。與面向對象的方法相比，SCRF可以提供更好的分類性能，準確性提高超過2％。來自武漢大學鍾燕飛和張良培老師團隊的成果，基於無人機高空間分辨率與高光譜遙感影像實現農作物的識別。從結果來看，方法具有不錯的魯棒性，較高的精度。核心算法是基於條件隨機場，同時考慮了光譜加權核等技術。
超高分辨率遙感影像中的道路檢測是一個熱門的研究課題。但是，高分辨率會導致高度複雜的數據分佈，從而導致道路檢測產生大量噪聲，例如，由路邊干擾引起的陰影和遮擋會導致難以準確識別道路。在本文中，提出了一種新穎的邊緣增強卷積神經網絡，並結合了多尺度特徵提取和邊緣增強，以緩解這一問題。首先，在所提出的網絡的中心部分使用多尺度特徵提取來提取多尺度上下文信息。然後，使用簡化的U-Net來學習其他邊緣信息的邊緣加固技術可用於還原道路信息。這兩個操作可以與不同的卷積神經網絡一起使用。最後，通過兩個公共道路數據集來驗證該方法的有效性，實驗結果證明了其優越性。來自武漢大學鍾燕飛和張良培老師團隊的成果，利用邊緣增強的卷積神經網絡實現超高分辨率遙感影像中的道路檢測。主要是識圖解決道路檢測分析時高分辨率遙感影像的複雜數據分佈以及造成的噪聲問題。核心應該是用U-Net和多尺度特徵提取。
量化城市範圍的時空變化對於理解新興的城市化過程非常重要。已經有很多使用夜間燈光數據來檢測城市變化性能良好的方法來繪製城市區域圖，但是其中許多方法都假定城市區域等同於不透水錶面或發達土地所佔百分比較高的區域。我們提出了一種在區域尺度上有效繪製城市區域圖的方法，它還提供了從不同理論角度認識城市範圍的機會。在我們的方法中，基於對研究區域城市化現狀的瞭解，選擇了適當的劃界標準和城市指標。在基於對象的分割和初始城市中心的檢測之後，通過使用分組算法從這些初始城市中心擴展來識別城市斑塊，描繪出城市區域的相對邊緣。我們使用2010年DMSP/OLS夜間燈光數據和縣級行政部門對這種新方法進行了測試。我們發現市區總面積爲分佈在2489個縣中，佔中國大陸土地的1.5％。根據斑塊方向，城市斑塊的劃定邊界具有不同的值。條紋的平均值和不同城市斑塊的大小在不同地區之間差異很大。我們檢測了所有省會城市，97.3％的地級市和91.0％的縣級市。因此，這種方法能夠在區域範圍內以可靠的精度識別城市斑塊。生態中心周偉奇老師團隊的成果，基於夜間燈光遙感數據的一種新的城市區域繪製的方法。核心思路是面向對象分割技術結合初始城市中心來識別城市斑塊，這也是周偉奇老師一直在做的內容。提兩個點，從城市斑塊劃分的思路而言，這篇文章的思想接近於BCL龍瀛老師之前一篇重新定義中國城市系統體系的論文——即核心概念爲，城市區域並非是行政邊界內的實體，它有自己邊界所在。因此這篇論文重新劃分了城市斑塊，並且分析了分佈面積和區域。另外從技術方法思路，基於夜間燈光遙感影像的面向對象分割讓筆者想起了之前參與翻譯的港中文黃波老師團隊的一篇RSE文章，思路是比較類似的。也是基於夜間燈光遙感影像做面向對象分析。下面是論文鏈接，感興趣的同學也可以查看。
有GIS有意思︱運用夜燈與社交數據一眼識破北上渝三城多中心結構
手足口病（HFMD）主要發生在嬰兒和兒童中。先前的研究表明，合適，穩定的溫度有利於HFMD病毒繁殖。然而，溫度波動也會影響病毒的傳播，到目前爲止，還沒有關於這種波動與手足口病發病率之間關係的研究。這項研究的目的是繪製手足口病發病率的時空分佈圖，並量化溫度波動對兒童手足口病發病率的長期影響。本研究使用了2009年1月至2013年12月在中國北京，天津和河北省五歲以下兒童的手足口病病例。使用GeoDetector和貝葉斯時空層次模型來探索溫度波動和HFMD發生率之間的時空關聯。結果表明，手足口病的發病率具有顯着的空間分層異質性（GeoDetector q-statistic = 0.83，p <0.05），高風險地區主要出現在大都市及其附近地區。 HFMD傳播與溫度波動呈負相關。最高和最低溫度標準偏差每升高1°C，手足口病發病風險分別降低8.22％和11.87％。研究表明，較大的溫度波動會影響病毒的生長或繁殖，從而抑制病毒的活性，甚至可能導致其滅絕，進而影響手足口病的時空分佈。該發現可作爲對該疾病的實際控制的參考，併爲合理分配醫療資源提供幫助。王勁峯老師團隊的成果基於周蘇口病數據分析溫度對於病徵發病的時空影響。基於地理探測器與貝葉斯時空層次模型的研究。
12.haracterizing the dynamics underlying global spread of epidemics/表徵流行病全球傳播的潛在動力
在過去的幾十年中，利用全球航空運輸數據構建的全球人羣流行病模擬已經成爲研究流行病如何從起源向世界其他地區傳播的主要工具（例如大流行性流感，SARS和埃博拉病毒）。然而，目前尚不清楚疾病的流行病學和航空運輸網絡的結構如何決定全球不同人羣的流行病到達。在這裏，我們通過開發和驗證僅需要來自隨機過程的基本分析的分析框架來填補這一知識空白。我們將該框架追溯應用於2009年的流感大流行和2014年的埃博拉疫情，以表明可以以非常低的計算成本從本地和全球傳播的公共數據實時可靠地估算關鍵的流行參數。我們的框架不僅闡明瞭流行病在全球範圍內傳播的動態，而且還提高了我們對流行病進行臨近預報和預測的能力。基於全球航空運輸數據的流行病全球傳播動力學建模。這是一個基於隨機過程的分析框架，可以提供流行病學參數的估算。
13.Impacts of snow and cloud covers on satellite-derived PM2.5 levels/雪和雲層對衛星反演的PM2.5水平的影響
衛星氣溶膠光學深度（AOD）已被廣泛用於評估地面細顆粒（PM2.5）的水平，而雪/雲層覆蓋常常導致很大一部分非隨機丟失的AOD。結果，將很難生成完全覆蓋且無偏見的PM2.5估計值。在當前解決數據缺口問題的方法中，很少有人考慮雲AOD關係，而沒有人考慮雪AOD關係。這項研究檢查了雪和雲層對AOD和PM2.5的影響，並在考慮到這些影響的情況下做出了全覆蓋PM2.5的預測。爲了估計缺失的AOD，使用隨機森林算法開發了具有雪/雲分數和氣象協變量的每日空白填充模型。通過在紐約州使用這些模型，生成了具有1 km分辨率的每日AOD數據集，並具有完整的覆蓋範圍。差距填充模型的“袋外” R2平均爲0.93，四分位數範圍爲0.90至0.95。隨後，建立了一個基於森林的基於PM2.5的隨機預測模型，該模型具有空缺AOD和協變量，以預測完全覆蓋的PM2.5估計值。預測模型的十倍交叉驗證顯示出良好的性能，R2爲0.82。在間隙填充模型中，雪季中的雪分比一年中其他月份具有更高的意義。裝有/不裝有積雪分數的預測模型還提出了PM2.5模式的明顯變化，進一步證實了該參數的重要性。與不考慮雪和雲層的方法相比，我們的PM2.5預測面顯示了更多的空間細節，並反映了小規模地形驅動的PM2.5模式。所提出的方法可以推廣到大範圍的雪/雲覆蓋和大量缺少衛星AOD的區域，從而以高分辨率和完整覆蓋範圍預測PM2.5水平。發表在環境遙感上的一篇文章，關於AOD的插補分析，以及雪和雲層對AOD缺失的影響。同時提出了一個用於填補的關鍵參數。
幾個即將到來的衛星任務具有核心科學要求，以產生用於精確地上森林生物量測繪的數據。很大程度上由於這些任務數據集，在未來十年中，可用生物量產品的數量預計將大大增加。儘管生物質製圖對於廣泛的科學，政策和管理應用具有公認的重要性，但對於基於衛星的生物質圖驗證，仍然沒有社區認可的標準。地球觀測衛星委員會（CEOS）正在開發一種協議，以在下一代與生物量有關的衛星之前滿足這一需求，本文從CEOS的角度對生物量驗證實踐進行了綜述。我們概述了預期的用戶對產品準確性評估的各種要求，並提供了有關生物質產品驗證的建議。這些建議包括收集新的高質量原位數據，以及使用機載激光雷達生物量圖作爲實現透明多分辨率驗證的工具。採用社區認可的驗證標準和做法將促進採用下一代生物量產品。重點提到了未來生物量衛星的期待和要求。與之前郭華東院士提出的Biomass衛星思想一致。當前AGB估算仍然具有極大的不確定性。
背景：巴西亞馬遜河森林包含大量碳，這些碳可能由於土地使用和覆蓋變化而釋放到大氣中。爲了量化碳儲量，巴西提供了來自不同來源的森林清單，但是它們沒有標準化，科學界並不總是可以得到。考慮到巴西亞馬遜地區的擴展，結合遙感和森林清單圖的使用，是估算森林地上生物量（AGB）的最佳選擇之一。然而，有限的森林清查數據和不同的遙感產品的結合導致了AGB估計值的空間分佈上的顯着差異。這項研究評估了巴西亞馬遜未受干擾森林中AGB數據（森林清單，AGB地圖和遙感產品）的空間覆蓋率。此外，我們分析了這些數據與AGB利益相關者之間的相互關係。具體來說，我們提供了現有田地圖的大小，頻率和空間分佈方面的第一個基準。結果：我們合成了巴西亞馬遜森林清單區，AGB地圖以及機載光檢測和測距（LiDAR）樣條的覆蓋範圍。儘管已實施了多個廣泛的森林清單，但這些AGB數據覆蓋了該地區的一小部分（例如，亞馬遜中部仍未發現）。儘管機載LiDAR等新技術的使用大大擴展了AGB調查的範圍，但這些數據和森林圖僅佔巴西亞馬遜整個森林面積的1％。結論：考慮到涉及巴西亞馬遜森林清單的幾家機構具有不同的森林調查目標，協議和時間框架，因此巴西亞馬遜森林清單數據仍未標準化。研究資助機構在建立明確的共享政策以使數據自由開放方面以及協調收集程序方面發揮着非常重要的作用。儘管如此，將新舊森林清單區劃與機載LiDAR數據和衛星圖像結合使用，可能會減少巴西亞馬遜AGB分佈的不確定性。分析亞馬遜森林目前AGB數據集覆蓋範圍與代表性。爲後續全區域森林AGB製圖以及抽樣提供前期調研基礎。
以高時空分辨率準確估算直徑≤2.5μm（PM2.5）的細小顆粒物質對於評估其健康影響至關重要。先前的研究面臨着多種挑戰，包括有限的地面測量和時空協變量的可用性。儘管MAIAC數據集實現以較高的時空分辨率反演了衛星氣溶膠光學深度（AOD），但是大量的非隨機缺失極大地限制了其在PM2.5估算中的應用。在此，開發了一種深度學習方法，即基於自動編碼器的殘留深層網絡的引導聚合（裝袋），以對MAIAC AOD進行魯棒的估算，並進一步在高空間（1 km）和時間（每日）估計PM2.5。基本模型由基於自動編碼器的殘差網絡組成，其中引入了殘差連接以提高學習性能。殘差網絡的裝袋用於生成整體預測，以實現更好的準確性和不確定性估計。作爲案例研究，該方法被應用於估算每日衛星AOD並隨後估算了2015年中國京津冀都市圈的每日PM2.5。所提出的方法在AOD估算中具有競爭性（均值測試R2： 0.96；平均測試RMSE：0.06）和PM2.5估算值（測試R2：0.90；測試RMSE：22.3μg/ m3）。在美國駐北京大使館監控站使用地面AERONET AOD和PM2.5進行的其他獨立測試中，此方法獲得了較高的R2（0.82-0.97）。與最新的機器學習方法XGBoost相比，該方法爲預測的PM2.5表面生成了更合理的空間變化。公開使用的協變量包括氣象，MERRA2 PBLH和AOD，座標和海拔。由於不可用，未使用其他協變量，例如雲量或土地利用。驗證和獨立測試的結果表明，所提出的方法在使用衛星AOD（具有巨大缺失值）的PM2.5暴露評估中的有用性。一個魯棒的深度學習方法用於AOD和PM2.5的估算。可以得到高時空分辨率PM2.5，同時精度很高。
17.Assessment of Bias in Pan-Tropical Biomass Predictions/泛熱帶生物量預測中的偏見評估
地上生物量（AGB）是森林的基本描述，可用於生態和氣候相關研究。在樹木和林分尺度上，AGB的破壞性但直接的測量值被異速測量模型的預測所代替，該預測模型表徵了AGB與包括胸徑，樹高和木材密度的預測變量之間的相關關係。這些模型通常是通過線性迴歸從收穫的校準數據中構建的。在這裏，我們評估了在測量，彙編和建模樣本內校準數據期間引入的AGB樣本外預測中的系統誤差。從熱帶森林的開放獲取數據構建各種常規的雙變量和多變量模型。元數據分析，擬合診斷和交叉驗證結果表明存在幾種模型規格不正確的情況：首先，無法解釋樣本內和樣本外數據之間的預測變量中不一致的測量誤差。仿真表明，保守的不一致可能會在樹狀和標準規模的AGB預測中引入明顯的偏差。如果將樹木的高度和木材的密度作爲預測指標，則應修改模型以糾正偏差。最後，我們探索了常規異速測量法的基本假設，即模型參數與樹的大小無關。也就是說，相同的模型可以提供一致真實性的預測，而與大小級別無關。當前校準數據集中的大多數觀察結果來自較小的樹木，這意味着大小相關性的存在會使較大樹木的預測產生偏差。我們確定當前由於模型規格不正確和校準數據不平衡而無法檢測到大小相關性的存在或不存在。我們呼籲收集更多的收穫數據，特別是代表性不足的大樹。這篇文章分析的是樹木和林分尺度的偏差（異速生長模型）產生的後續偏差評估，說明了這個部分模型的重要性。因爲過去，這一塊往往是採用默認的異速生長模型估算的。
衛星圖像分類是一個具有挑戰性的問題，它位於遙感，計算機視覺和機器學習的十字路口。由於衛星數據固有的高可變性，大多數當前的對象分類方法都不適合處理衛星數據集。缺少具有多個類別標籤的單個標籤的高分辨率數據集也阻礙了衛星圖像分析的進展。在這項工作的初步版本中，我們引入了兩個新的高分辨率衛星圖像數據集（SAT-4和SAT-6），並提出了DeepSat框架，用於基於“手工”特徵和深度信念網絡（DBN）進行分類。本文是擴展版本，我們提出了一個端到端框架，該框架利用改進的體系結構增強了具有手工特徵的卷積神經網絡（CNN）（而不是使用基於DBN的體系結構）進行分類。我們的框架可以訪問從手工特徵以及CNN特徵圖獲得的融合空間信息，在SAT-4和SAT-6上分別達到了99.90％和99.84％的準確率，超過了所有其他最新狀態藝術成果。基於分佈可分離性準則的統計分析證實了我們的方法在學習更好的衛星圖像表示中的魯棒性。一個衛星影像深度學習的框架改進版的應用分析。
地表溫度（LST）是高溫和乾旱監測以及氣候和生態環境研究的關鍵變量。由於地面觀測站的稀疏分佈，熱紅外遙感技術已成爲在大範圍內快速獲取地面溫度的重要手段。但是，每天由於雲覆蓋超過全球地面的60％而導致的基於衛星的LST數據中存在許多缺失和低質量的值。本文介紹了中國2003-2017年唯一的LST數據集，該數據集可以從原始LST圖像中過濾並刪除被雲污染的缺失值和劣質LST像素值，並通過重建模型反演雲覆蓋下的實際表面溫度。我們具體描述了重建模型，該模型使用MODIS每日數據，月度數據和氣象站數據的組合來重建雲覆蓋下的真實LST，然後通過建立迴歸分析模型進一步改善數據性能。驗證表明，新的LST數據集與原位觀測值高度一致。對於中國六個具有不同氣候條件的自然分區，RMSE的範圍爲1.24 C至1.58 C，MAE的範圍爲1.23 C至1.37 1.C，R2的範圍爲0.93至0.99。新的數據集可以在年度，季節和月度尺度上充分捕獲LST的時空變化。從2003年至2017年，中國的整體LST年度平均值呈現微弱的增長。此外，中國的變暖趨勢明顯不均勻。最顯着的變暖發生在西北地區的內蒙古高原中西部地區（坡度> 0.10，R> 0.71，P <0.05），並且在東北地區的某些地區也觀察到強烈的降溫趨勢。季節性而言，冬季西部地區顯着變暖，其中12月最爲明顯。重建的數據集顯示出顯着的改進，可用於LST的時空評估以及高溫和乾旱監測研究。數據在Zenodo中發佈，網址爲https://doi.org/10.5281/zenodo.3378912(Zhao等，2019）。結合MODIS地表溫度產品和氣象站數據實現有云覆蓋情況下地表溫度的重建。工作量極大，數據多且時間跨度長。
20.Ground Data are Essential for Biomass Remote Sensing Missions/地面數據對於生物量遙感任務至關重要
幾個遙感任務將很快繪製出所有陸地生態系統的詳細碳地圖。這些任務取決於準確而有代表性的原位數據集，以訓練其算法和進行產品驗證。但是，長期的基於地面的森林監測系統是有限的，尤其是在熱帶地區，並且爲了對驗證有用，至少在計劃任務的整個生命週期中，都需要定期重新檢查和維護這種基於地面的觀測系統。在這裏，我們提出了一種協調的全球原位數據網絡的戰略，該戰略將從生物量遙感任務中受益。我們建議在現有的長期熱帶森林監測網絡基礎上發展。爲了產生準確的地面生物量估算值，必須爲用戶保證嚴格的數據質量。在目前可以確保在當地做出長期承諾並已獲得一組核心數據的站點上投資地面資源會更加有益。我們稱這些爲“超級站點”。爲這種機構間努力提供長期資金仍然是一個重要的挑戰，我們在這裏提供成本估算，以促進利益相關者之間的對話。一項關鍵要求是確保在遙感任務的整個生命週期中就地數據可用性。爲此，在森林觀測系統內提出了有關超級地點選擇和管理的一致指導方針，應確保長期資助，並應積極參與這些地點的主要調查員。提出了地面數據對於生物量遙感製圖的重要性，地面數據是遙感生物量估算的重要數據基礎及驗證數據。
21.Deep learning in environmental remote sensing: Achievements and challenges/環境遙感深度學習：成就與挑戰
歷史上，各種形式的機器學習（ML）方法在環境遙感研究中都發揮了重要作用。隨着來自對地觀測的“大數據”數量的增加以及機器學習的迅速發展，出現了更多新方法來協助地球環境監測的機會。在過去的十年中，由傳統神經網絡（NN）開發的名爲深度學習（DL）的典型，最新的ML框架在性能上有了相當大的提高，其性能已超越傳統模型。在開發用於各種地球科學應用的DL方法學方面已經取得了實質性進展。因此，本綜述將集中於使用傳統的NN和DL方法來推進環境遙感過程。首先，將分析DL在環境遙感中的潛力，包括土地覆蓋圖，環境參數反演，數據融合和降尺度以及信息重建和預測。然後將介紹一種典型的網絡結構。之後，將對DL環境監測在大氣，植被，水文學，空氣和陸地表面溫度，蒸散量，太陽輻射和海洋顏色中的應用進行專門的綜述。最後，將對挑戰和未來前景進行全面分析和討論。環境遙感上的一篇綜述類文章，介紹深度學習在環境遙感中取得的成果及未來挑戰，適合剛入門研究者閱讀。
濃雲及其陰影嚴重降低了光學衛星遙感數據的數據可用性。儘管已經提出了許多用於去除雲和雲陰影的方法，但是這些方法中的大多數仍然不足以解決以下三個問題：（1）覆蓋有大面積區域的厚雲層；（2）包括了所有時間圖像雲或陰影，以及（3）僅對單個時間圖像的利用不足。爲了克服這些問題，提出了一種新穎的時空斑塊羣深度學習框架，用於通過多個時空陰天圖像填補空白。考慮到全局一致性和局部特殊性，提出了全局局部損失函數以通過雲覆蓋的自由區域優化訓練模型。另外，加權聚合和漸進迭代被用於重構整體結果。然後進行一系列的模擬和真實實驗，以驗證所提出方法的有效性。特別是在Sentinel-2 MSI和Landsat-8 OLI上分別具有小/大尺度區域的單/多時間圖像。利用深度學習方法來實現衛星遙感影像的去雲和去陰影處理。從結果來看，效果還不錯。
森林在應對氣候變化中發揮着核心作用，準確地估計森林碳對於制定減少森林排放並最大程度地隔離森林的行動至關重要。在如何最好地估算與監管有關的規模上森林碳儲量和通量方面，方法學上仍然存在挑戰。以美國加利福尼亞州爲例，我們比較了兩種方法來估算地上活樹的林木碳儲量差異：一種基於地面清單，另一種基於遙感數據的土地覆蓋分類。先前使用森林清單和分析計劃（FIA）的地面清單數據進行的工作表明，加利福尼亞森林中的活樹對地上淨碳（AGC）的隔離，而使用景觀火和資源管理規劃工具（Landfire）的土地覆蓋分類進行的估算顯示相似時間段內活動樹AGC的淨減少量。我們通過基於Landfire的類別更改分析的鏡頭重新分析了FIA庫存數據，從而檢查了差異。這項分析表明，在不到4％的“地火當量”類別中，有超過50％的活樹AGC，並且絕大多數森林面積（> 80％）在測量期間之間沒有改變高度類別。儘管缺少分類更改，但大多數FIA地塊的樹木樹高95％和活動樹AGC均增加。這些發現表明，基於觀察到的類別變化的方法可能會低估由增長導致的AGC隔離，從而高估了由干擾導致的AGC減少的相對重要性。這會使AGC通量估算值向下偏移，從而使我們驗證以下結論：在2016年結束的十年中，加利福尼亞的活樹是地上碳的淨匯。我們的研究結果表明，基於清單的方法或混合方法比依賴易受干擾的森林生態系統中AGC的分類箱。分析林火是碳源還是碳匯，最終結果表明是碳匯，是一個比較有意思的研究和不同的認知。當前公認的碳匯僅有森林。