摘要：尺度或空间分辨率在解释遥感图像或其他地理空间相关数据的空间结构中起着关键作用。这些数据是在不同的空间尺度上提供的。确定最佳样本或像素大小可以有利于需要不同分辨率的多个数据集的信息提取的地理空间模型和环境算法。为了解决这个问题，对空间分辨率的多个比例因子进行了分析，以确定地理空间数据集的最佳样本大小。在 ERDC-GRL 的 NET-CMO 项目下，开发并实施了一种新方法，用于确定具有不同和异构空间结构的图像的最佳像素大小。局部空间色散的应用被研究为在重采样图像空间中优化的三维函数。图像被重新采样到逐渐变粗的空间分辨率并堆叠以创建一个图像空间，在该图像空间内映射像素级色散最大值。计算与局部
PUBLICATION NOTICE: Spatial Downscaling Disease Risk Using Random Forests Machine Learning
链接：http://dx.doi.org/10.21079/11681/35618报告编号：ERDC/GRL TN-20-1标题：使用随机森林机器学习空间降尺度疾病风险 作者：Sean P. Griffin 已批准公开发布；分发不受限制 2020 年 2 月目的：对于国防部 (DoD) 以及更广泛的国内和国际公共卫生界来说，蚊媒疾病都是一个重大的公共卫生问题。需要彻底掌握这些疾病的空间分布、模式和决定因素，才能真正了解它们对公共卫生造成的威胁（Pages et al. 2010）。这些信息即使有，通常也只是在次国家到区域范围内。当疾病表现出较高的局部变异时，此类数据无法满足战术级应用（Rytk
