从今天开始，每天至少阅读两篇文献，并且记录。
采用以下格式记录：
题 目：
期 刊：
作 者：
摘 要：
关键词：
总 结：
希望自己可以长久的坚持下去，之所以整理成这样的文章并且发布出来，也是为了监督自己，希望自己可以养成阅读文献的习惯。
题 目：深度学习在城市感知的应用可能——基于卷积神经网络的图像判别分析
期 刊：国际城市规划(Urban Planning International)
作 者：何宛余； 李春； 聂广洋；杨良崧； 王楚裕。
摘要：作为人工智能领域的研究重点,机器学习近年衍生出了各式各样的智能化应用,例如图像判别、语音助手和智能翻译等。尤其是图像判别技术已在各行业进行了大量的研究和实践,城市领域也不例外,这很大程度上是因为深度学习的卷积神经网络在计算机视觉领域取得了令人瞩目的成果。这也使得训练计算机判别建筑风格、城市肌理等城市特征的准确率大幅提升。本研究立足于深度学习图像判别技术,探索卷积神经网络在城市感知方面的应用。鉴于直接利用现成开源的带标签图像数据集训练个性化图像判别模型可能带来局限性和误差,本研究探索了从收集数据到自定义训练数据集,到搭建满足特定需求的图像判别模型的整体流程,并通过三个实验案例:城市风貌分析、城市问题侦测和城市肌理评估,阐明深度学习在城市感知和城市规划中的应用可能性及潜力。
关键词：人工智能; 深度学习; 卷积神经网络; 图像判别; 城市感知。
总 结：
1、城市感知是什么？
城市感知是一种人性化的城市建设思路，旨在激励研究者及设计师以辨识和利用人们多维度的感官体验为出发点，强化城市空间的感知力度，拓宽感知城市的方式方法，促进更具社会意义的城市设计。（http://www.sohu.com/a/243858118_656470）
【可阅读文献：邵钰涵,刘滨谊.城市感知——历史与记忆角度的探索[J].景观设计学,2016,4(04):56-63.】
2、两个专门研究土地利用而设的数据集：
Deep Sat：https://csc.lsu.edu/~saikat/deepsat/
UC Merced：http://weegee.vision.ucmerced.edu/datasets/landuse.html
3、城市肌理：指城市的特征，与其他城市的差异，包括形态、地质、功能等方面。具体而言，包含了城市的形态，质感色彩，路网形态，街区尺度，建筑尺度，组合方式等方面。从宏观尺度，是建筑的平面形态;从微观尺度，是空间环境场所。城市肌理的演化受到自然、经济、政策三方面的共同影响。（https://baike.so.com/doc/6996081-7218958.html）
4、利用神经网络对图像判别可提高工作效率，本文利用Keras搭建神经网络。
题 目：大气污染区域合作治理策略选择:基于加权DEA的博弈分析
期 刊：系统科学与数学(Journal of Systems Science and Mathematical Sciences)
作 者：叶菲菲 王应明
摘 要：在废气排放总量控制目标下,进行中国各省区的大气污染治理责任的分摊,是实现中国大气污染治理的首要问题.文章首先根据大气污染物的空间分布状况与省区分布差异,构建考虑地方环境治理偏好的加权DEA模型对污染最为严重的北方地区进行合作治理效率改进,并建立基于成本分配的合作博弈模型,提出各省份的环境治理占优策略.最后,根据分配结果提出区域生态补偿机制.研究结果显示,中国大气污染最严重的区域主要集中于河北、内蒙古、山西以及山东等地,从区域合作治理角度而言,合作治理有利于环境治理效率提升,但却不利于个别省份的成本降低,例如北京、山西以及黑龙江等地的占优策略是采取不合作形式.因此,区域合作补偿机制是大气污染合作治理的关键与保证.
关键词：大气污染; 区域合作; 数据包络分析; 博弈。
总 结：
1、污染治理责任分摊，生态补偿机制。
2、当资源或财产有许多拥有者，他们每一个人都有权使用资源，但没有人有权阻止他人使用，由此导致资源的过度使用，即为“公地悲剧”。
3、DEA模型主要应用于多投入多产出指标的决策单元效率评价，通过构建决策单元的生产前沿面来判定决策单元的有效性．主要的优点包括：无需对数据进行无量纲化处理、无需权重假设、具有很强的客观性等。
4、理清参与人，以及他们在博弈过程中的不同决策条件下的收益问题。
