--- title: "中文报告模板" author: "苏命" institute: "中国科学院生态环境研究中心" date: "today" subject: "Markdown" keywords: [Markdown, Example] isbook: true top-level-division: chapter classoption: - fntef - UTF8 - zihao=-4 # 正文字号小四 - lang=cn # - chinesefont=founder # founder|ctexfont|nofont - scheme=chinese - color=blue # blue|green| - titlestyle=hang # classoption: [oneside] titlepage: true keep-tex: false titlepage-rule-color: "360049" titlepage-text-color: "360049" titlepage-rule-height: 0 titlepage-background: "_extensions/drwater/dwev/inst/cover1.pdf" titlepage-halign: "center" # flushleft | flushright title-vskip: -30em title-size: "Huge" author-vskip: -4em date-vskip: -1em caption-justification: centering numbersections: true parindent: true # titlepage-logo: "inst/rceeslogo.pdf" # logo-width: 20mm # logo-vskip: -8em # logo-hskip: "-6em" lang: zh-CN # 不能改为cn,否则目录等不是中文 CJK: true fig-pos: "!t" colorlinks: true urlcolor: blue header-left: "\\leftmark" header-center: "\\hspace{1cm}" header-right: "第\\thepage 页" footer-left: "\\hspace{1cm}" # \\thetitle footer-center: "\\includegraphics[height=1.5em]{_extensions/drwater/dwev/inst/drwater-gray1.pdf}" footer-right: "\\hspace{1cm}" toc: true toc-own-page: true fig-toc: true CJKmainfont: "Noto Serif CJK SC" CJKmainboldfont: "NotoSerifCJKsc-Bold" CJKmainitalicfont: "NotoSansCJKsc-Light" CJKsansfont: "Noto Sans CJK SC" CJKmonofont: "Noto Sans Mono CJK SC" CJKoptions: | AutoFakeBold=true # include-in-header: header.tex # watermark: "drwater" # watermark-color: "gray!3" format: dwev-pdf --- ```{r} #| label: setup #| include: false #| cache: false lang <- "cn" RM <- "F" # global rendermode, L: load pdata; F: fast load pdf isRendering <- !isTRUE(getOption('knitr.in.progress')) require(lubridate) require(tidyverse) require(patchwork) require(drwateR) rmdify::rmd_init() ``` # 摘要 # 项目背景与国内外现状介绍 ::: callout-warning Book in early development. Planned release in 202X. ::: *asdfsd* *你好* 阿斯顿发 **你好** asdf。本书分三大部分,分别是机器学习、贝叶斯建模和空间分析。三个部分分别依据任务类型、模型种类和数据类型展开,不同的写作出发点将呈现不一样的写作风格。应用机器学习首先需要确定任务类型,根据不同的任务选用不同的算法。贝叶斯建模从简单到复杂分频率和贝叶斯方法介绍主流的统计模型。应用空间分析方法需要根据空间数据类型(生成机理)而定,不同的生成机理将对应不同的建模和分析方法。机器学习根据任务类型分聚类、分类、回归和排序四个章节。贝叶斯建模根据模型种类分概率推理框架、线性模型、广义线性模型、分层正态模型、混合效应模型、广义可加模型、高斯过程回归、时间序列回归等八个章节。空间分析部分根据空间数据类型分点模式数据分析、点参考数据分析和区域数据分析三个章节。如[@fig-fig1]所示。 ```{r} #| label: fig-fig1 #| fig-cap: "asdf" plot(1) ``` ## 环境信息 本书采用科学和技术写作排版系统 [Quarto](https://quarto.org/) 编写,所有代码和文本混编在 qmd 格式的纯文本文件中,具有计算可重复性,即内含的 R 语言、Stan 语言和 Python 语言代码都可运行,并将计算结果插入到最终的文档中,本书使用的主要 R 包及版本信息如[@eq-eq1]所示: $$ x^2+y^2+z^2=a^2 $$ {#eq-eq1} # 主要进展1 ## 主要进展2 本书分三大部分,分别是机器学习、贝叶斯建模和空间分析。三个部分分别依据任务类型、模型种类和数据类型展开,不同的写作出发点将呈现不一样的写作风格。应用机器学习首先需要确定任务类型,根据不同的任务选用不同的算法。贝叶斯建模从简单到复杂分频率和贝叶斯方法介绍主流的统计模型。应用空间分析方法需要根据空间数据类型(生成机理)而定,不同的生成机理将对应不同的建模和分析方法。机器学习根据任务类型分聚类、分类、回归和排序四个章节。贝叶斯建模根据模型种类分概率推理框架、线性模型、广义线性模型、分层正态模型、混合效应模型、广义可加模型、高斯过程回归、时间序列回归等八个章节。空间分析部分根据空间数据类型分点模式数据分析、点参考数据分析和区域数据分析三个章节。 ## 主要进展2 本书分三大部分,分别是机器学习、贝叶斯建模和空间分析。三个部分分别依据任务类型、模型种类和数据类型展开,不同的写作出发点将呈现不一样的写作风格。应用机器学习首先需要确定任务类型,根据不同的任务选用不同的算法。贝叶斯建模从简单到复杂分频率和贝叶斯方法介绍主流的统计模型。应用空间分析方法需要根据空间数据类型(生成机理)而定,不同的生成机理将对应不同的建模和分析方法。机器学习根据任务类型分聚类、分类、回归和排序四个章节。贝叶斯建模根据模型种类分概率推理框架、线性模型、广义线性模型、分层正态模型、混合效应模型、广义可加模型、高斯过程回归、时间序列回归等八个章节。空间分析部分根据空间数据类型分点模式数据分析、点参考数据分析和区域数据分析三个章节。 # 主要进展2 ## 主要进展2 本书分三大部分,分别是机器学习、贝叶斯建模和空间分析。三个部分分别依据任务类型、模型种类和数据类型展开,不同的写作出发点将呈现不一样的写作风格。应用机器学习首先需要确定任务类型,根据不同的任务选用不同的算法。贝叶斯建模从简单到复杂分频率和贝叶斯方法介绍主流的统计模型。应用空间分析方法需要根据空间数据类型(生成机理)而定,不同的生成机理将对应不同的建模和分析方法。机器学习根据任务类型分聚类、分类、回归和排序四个章节。贝叶斯建模根据模型种类分概率推理框架、线性模型、广义线性模型、分层正态模型、混合效应模型、广义可加模型、高斯过程回归、时间序列回归等八个章节。空间分析部分根据空间数据类型分点模式数据分析、点参考数据分析和区域数据分析三个章节。 ## 主要进展2 本书分三大部分,分别是机器学习、贝叶斯建模和空间分析。三个部分分别依据任务类型、模型种类和数据类型展开,不同的写作出发点将呈现不一样的写作风格。应用机器学习首先需要确定任务类型,根据不同的任务选用不同的算法。贝叶斯建模从简单到复杂分频率和贝叶斯方法介绍主流的统计模型。应用空间分析方法需要根据空间数据类型(生成机理)而定,不同的生成机理将对应不同的建模和分析方法。机器学习根据任务类型分聚类、分类、回归和排序四个章节。贝叶斯建模根据模型种类分概率推理框架、线性模型、广义线性模型、分层正态模型、混合效应模型、广义可加模型、高斯过程回归、时间序列回归等八个章节。空间分析部分根据空间数据类型分点模式数据分析、点参考数据分析和区域数据分析三个章节。 ## 主要进展2 本书分三大部分,分别是机器学习、贝叶斯建模和空间分析。三个部分分别依据任务类型、模型种类和数据类型展开,不同的写作出发点将呈现不一样的写作风格。应用机器学习首先需要确定任务类型,根据不同的任务选用不同的算法。贝叶斯建模从简单到复杂分频率和贝叶斯方法介绍主流的统计模型。应用空间分析方法需要根据空间数据类型(生成机理)而定,不同的生成机理将对应不同的建模和分析方法。机器学习根据任务类型分聚类、分类、回归和排序四个章节。贝叶斯建模根据模型种类分概率推理框架、线性模型、广义线性模型、分层正态模型、混合效应模型、广义可加模型、高斯过程回归、时间序列回归等八个章节。空间分析部分根据空间数据类型分点模式数据分析、点参考数据分析和区域数据分析三个章节。 ## 主要进展2 本书分三大部分,分别是机器学习、贝叶斯建模和空间分析。三个部分分别依据任务类型、模型种类和数据类型展开,不同的写作出发点将呈现不一样的写作风格。应用机器学习首先需要确定任务类型,根据不同的任务选用不同的算法。贝叶斯建模从简单到复杂分频率和贝叶斯方法介绍主流的统计模型。应用空间分析方法需要根据空间数据类型(生成机理)而定,不同的生成机理将对应不同的建模和分析方法。机器学习根据任务类型分聚类、分类、回归和排序四个章节。贝叶斯建模根据模型种类分概率推理框架、线性模型、广义线性模型、分层正态模型、混合效应模型、广义可加模型、高斯过程回归、时间序列回归等八个章节。空间分析部分根据空间数据类型分点模式数据分析、点参考数据分析和区域数据分析三个章节。 # 结论与下一步计划 本书分三大部分,分别是机器学习、贝叶斯建模和空间分析。三个部分分别依据任务类型、模型种类和数据类型展开,不同的写作出发点将呈现不一样的写作风格。应用机器学习首先需要确定任务类型,根据不同的任务选用不同的算法。贝叶斯建模从简单到复杂分频率和贝叶斯方法介绍主流的统计模型。应用空间分析方法需要根据空间数据类型(生成机理)而定,不同的生成机理将对应不同的建模和分析方法。机器学习根据任务类型分聚类、分类、回归和排序四个章节。贝叶斯建模根据模型种类分概率推理框架、线性模型、广义线性模型、分层正态模型、混合效应模型、广义可加模型、高斯过程回归、时间序列回归等八个章节。空间分析部分根据空间数据类型分点模式数据分析、点参考数据分析和区域数据分析三个章节。 # 参考文献{-}