二十一 Coding and Paper Letter( 二 ) _coding

2.Using MAIAC AOD tothe PM2.5of a land usemodel/使用MAIAC AOD验证土地利用回归模型的PM2.5空间模式
PM2.5的准确空间信息对于空气污染控制和流行病学研究至关重要。土地利用回归（LUR）模型已被广泛用于预测地面PM2.5的空间分布。然而，由于有限的地面观测， LUR模型的预测PM2.5空间模式尚未得到充分研究。增加的气溶胶光学厚度（AOD）产品可能是大面积空间连续观测的近似值。本研究建立了北京季节1 km×1 km MAIAC AOD与观测地PM2.5之间的关系，并根据AOD预测了季节性PM2.5地图。还开发了季节性LUR模型， AOD和LUR模型均通过保持监测站点进行验证。最后，通过上述AOD PM2.5图，全面验证了LUR模型的空间模式。结果表明，单独AOD可以直接用于预测地面PM2.5浓度在季节水平的空间分布，与LUR模型的能力相当。源自这两种方法的PM2.5地图在交通道路附近显示出相似的空间趋势和协调变化。在土地利用特征变化很快的城乡过渡地区，可以观察到很大的差异。变量和缓冲区大小选择对于LUR模型至关重要，因为它们主导了预测PM2.5的空间模式。将AOD纳入LUR模型可以提高春季的模型性能，并在测试过程中提供更可靠的结果。LUR模型和AOD产品的对比研究， PM2.5的制图是当前大气遥感的一大研究重点， LUR和AOD的研究是比较普遍的两种方式。这个比较还是比较有意思的。
3.of Power Lines fromLiDAR Data in Urban Areas/基于机载激光雷达数据的城市电力线监督分类
使用机载LiDAR（光探测和测距）数据自动提取电力线一直是电力管理最重要的主题之一。然而，这对于复杂的城市地区来说非常具有挑战性，因为电力线靠近建筑物和树木。在本文中，我们提出了一个新的，半自动化和通用的框架，包括四个步骤：（i）电力线候选点过滤，（ii）局部邻域选择，（iii）空间结构特征提取，以及（iv）SVM分类。我们介绍了候选点过滤和多尺度斜圆柱邻域的电力线走廊方向，用于空间结构特征提取。在详细评估涉及七个尺度和四种类型的局部邻域选择， 26个结构特征和两个数据集，我们证明了使用多尺度斜圆柱邻域的单个3D点显着改善了电力线分类。实验表明，电力线分类的精度，召回率和质量率分别超过98％， 98％和97％。此外展示了该方法可以减少整个处理时间，同时实现高精度。激光雷达遥感的一个新应用，电力线规划。激光雷达遥感近年来的兴起，使得遥感方面有了很多新的应用。
4.URBAN-i: From urbantoslums,modes, andinusing deepand/URBAN-i：从城市场景到城市中的贫民窟，交通方式和行人，使用深度学习和计算机视觉
在跨越不同科学领域的深度学习和计算机视觉的迅速发展中，在城市发展方面，深度学习和计算机视觉应用仍然局限于智能城市和自动驾驶汽车的概念。实际上，在欠发达国家的城市和城市地区出现了很大的知识差距，其中非正规性的混乱是主导方案。深度学习和人工智能（AI）如何解决非正规性的复杂性，以推进城市建模和我们对城市的理解？在人工智能和计算机视觉的范例中，可以提出关于北方和南方城市未来的各种问题和争论。在本文中，我们介绍了一种依靠深度学习和计算机视觉的多用途现实 - 动态城市建模的新方法，使用深度卷积神经网络（CNN），从空中和街景图像中感知和检测城市场景中的非正规性和贫民窟。除了检测行人和运输模式。该模型已经在全球城市的城市场景图像上进行了培训。该模型很好地验证了计划区域和非计划区域之间的各种细微差别，包括非正规区域和贫民区。我们尝试推进城市建模，以更好地了解城市发展的动态。我们还旨在举例说明人工智能在城市中的重要影响，超越了主流中智能城市的讨论和感知。URBAN-i模型的算法在编程中完全编码，使用预先训练的深度学习模型，用作地球各个角落的地图和城市建模工具，包括非正式住区和贫民窟区域。计算机视觉和深度学习在城市规划中的应用。