谷歌开源交互式可视化 GPS 数据库（附 20+数据集）
谷歌研究院官方博客近日更新，宣布开源与哈佛大学等高校和机构合作完成的一个交互式可视化 GPS 地球地震周期物理学数据库。不仅如此，本文后附 20+ 更多奇异有趣的数据集，万一哪天用上了呢？
谷歌希望借开源产品，打造数据数集生态
（文／Jimbo Wilson，Google Big Picture Team 软件工程师；Brendan Meade，哈佛大学地球与行星科学系教授）为了帮助研究人员更好地了解地震周期并探索相关数据，谷歌研究院发布了一种新的交互式数据可视化方法，通过相对于真实位置放大位置估计值，在地形图顶部绘制大地测量速度线（geodetic velocity lines）。
与现有方法——集中于小段时间或单个观测站位置不同，新的可视化方法可以一次显示整个阵列所有观测站的数据。获取开源代码可以访问 GitHub，用的是 Apache 2 许可证。这种可视化技术是哈佛大学地球与行星科学系与 Google 机器感知（Machine Perception）和大图片（Big Picture）团队之间的合作成果。
这种新的方法可以帮助科学家快速评估地震周期各阶段的变形——包括地震（同震）和（地震）之间的时间。 例如，我们可以到站的方位角（方向）反转，因为它们与地形结构和活动断层有关。挖掘这些运动将帮助科学家审查他们的模型和数据，而这两者是开发准确的计算机表征的关键，有助于预测未来的地震。
将这些数据可视化的一种经典方法大致分为两类：
- 根据固定时间间隔上的速度/位移矢量上生成的地图视图（下图左）；
- 根据每个 GNSS 分量（经纬度和高度）与时间生成的位置图（下图右）。
这次研究人员采用的可视化方法很简单：通过放大每天的经度和纬度位置变化，显示每个站的位置随时间演变的轨道。这些放大的位置轨迹被示为划在阴影浮雕地形顶部上面的轨迹，从而给观看者一种在地理情景中位置演变的感觉。
此外，研究人员还将这些微小差异乘以用户控制的比例因子（因为直接在地图上的这些点之间绘制线段会太小而看不到）。默认情况下，此放大因子为 105.5（约 31.6 万倍）。
然而，这种类型的静态渲染遭受与速度矢量图像相同的问题；在具有高密度 GNSS 站的区域中，轨道彼此重叠显着，造成细节模糊。为了解决这个问题，该可视化允许用户自主选择时间范围、放大矢量和其他设置。此外，通过从开始到结束动画线，用户能够获得静态图像中难以实现的真实的运动感。
选择来自日本 GEONET 阵列大约 20 年的数据。通过它可以看到，在 2011 年日本东北地震前后方向上小而连贯的变化（原文是 .gif 图，下面用截图表示）：
上面这个动图显示了许多可视化的交互功能：
- 修改乘数可调整移动放大的程度；
-
可以调整时间滑块选择特定的关注时间范围；
-
使用 Google Maps Java API 地图控件，可以放大地图中的一个很小的区域；
-
通过启用地图标记，可以看到有关各个 GNSS 站点的信息。
通过关注感兴趣的站点，在这个可视化动图中还可以看到事件前后和当时的曲率变化。
为了实现线段的快速渲染，研究人员使用 THREE.js 创建了一个自定义叠加，以在 WebGL 中渲染线条。GNSS 站点数据以数据纹理（data texture）的形式传到 GPU，使得顶点着色器（vertex shader）基于用户设置和动画，动态地在屏幕上定位每个点。
这项目合作探索了开创性的新地震可视化机会。如果你也想自己试着进行可视化，请按照earthquake.rc.fas.harvard.edu 中的说明进行操作，包括如何完成设置、如何下载可用的数据集。欢迎通过 GitHub 项目页面提交问题。
还有更多你意想不到的数据集大放送
除了谷歌研究院开源的这个数据集，此前新智元就整理过一些开放的数据库列表。鉴于今天的“11·11”，下面就来看更多有趣的数据集~
（文／Oliver Cameron）有人说，在机器学习里，数据的重要性占了 95%，可想而知数据对于机器学习的重要性。
但是，要找到有趣的数据库非常困难，可以说执掌了行业向前发展的关键。因此，我做了大量的搜索，整理出一个奇怪但有趣的数据库的列表：
上图可能看不清晰，可以访问原文点击放大查看（原文地址见文末）。从葡萄酒品质、SMS Spam Collection 到 NBA & MLB Satats，上面这个列表中，作者表示他自己最喜欢是的 UFO Reports，里面有整整 8 万+ 的数据！
此外，Oliver 也很着迷于军事化的数据集，其中包括 200 年的国际威胁和冲突，里面包括采取的行动、敌对程度、死亡率和结果。
如果有任何想要分享的想法、问题或数据集，他表示很乐意以 Tweet 形式听到你的意见。你可以关注 @olivercameron 并给我发消息。
原文地址：
- https://research.googleblog.com/2016/11/open-source-visualization-of-gps.html
-
https://medium.com/@olivercameron/20-weird-wonderful-datasets-for-machine-learning-c70fc89b73d5
转载请注明出处。GIS帝国网站报道中出现的商标及图像版权属于其合法持有人，只供传递信息之用，非商务用途。
