本书中城市空间数据分析方法理论研究框架系统化的建立，正是试图明确跨学科关联知识广度和深度上认知，促进分科知识融通发展为完整的知识体系，强化城市空间数据分析方法发展的深度，推动研究者从工具的使用者转变为工具的创造者，摆脱传统软件工具的束缚，增加城市空间数据分析方法的创造性。本书内容共4章，包括：准备；理论工具；基础试验；附：Python基础核心，为城市空间数据分析方法的基础试验部分。本书的读者群体主要是风景园林、城乡规划、建筑学专业，以数字化规划设计、大数据、机器学习和深度学习、智能化规划设计、城市空间数据分析处理为目的，相关的高等院校、规划设计院等的技术人员、科研人员以及相关专业人士、学者和学生等。

1 准备
1.1 代码的整洁之道
1.2 Python解释器和笔记，与GitHub代码托管
1.3 数据库与数据分析基本流程组织
2 理论工具
2.1 城市空间数据分析方法理论集成研究框架
2.2 USDA工具包和科学计算工具构建
3 基础试验
3-A 编程统计学及数据统计分析
3.1 POI数据与描述性统计和正态分布
3.2 OSM数据与核密度估计
3.3 基本统计量与公共健康数据的相关性分析
3.4 简单回归与多元回归
3.5 公共健康数据的线性回归与梯度下降法
3-B 编程线性代数及遥感影像数据处理
3.6 编程线性代数
3.7 主成分分析与Landsat遥感影像
3.8 基于NDVI指数解译影像与建立采样工具
3-C 编程微积分及SIR空间传播模型
3.9 编程微积分
3.10 卷积与SIR空间传播模型
3-D 计算机视觉及城市街道空间
3.11 图像特征提取与动态街景视觉感知
3.12 Sentinel-2及超像素级分割下高空分辨率特征尺度界定
3-E 机器学习试验
3.13 聚类与城市色彩
3.14 图像分类器、识别器与机器学习模型网络实验应用平台部署
3-F 深度学习试验
3.15 从解析解到数值解，从机器学习到深度学习
3.16 逻辑回归二分类到SoftMax回归多分类
3.17 卷积神经网络
3.18 对象检测、实例分割与人流量估算和对象统计
3.19 Cityscapes数据集、图像分割与城市空间对象统计
3.20 高分辨率遥感影像解译
3.21 NAIP航拍影像与分割模型库及Colaboratory和iPlanetary Computer Hub
3-G 点云数据处理与内存管理
3.22 点云数据处理
3.23 天空视域因子计算与内存管理
4 附：Python基础核心
PCS-1.善用print()，基础运算，变量及赋值
PCS-2.数据结构（Data Structure）-list，tuple，dict，set
PCS-3.数据结构（Data Structure）-string
PCS-4.基本语句_条件语句（if、elif、else），循环语句（for、while）和列表推导式（comprehension）
PCS-5.函数（function）、作用域（scope）与命名空间（namespace）、参数（arguments）
PCS-6.recursion（递归）、lambda（Anonymous Function，匿名函数）、generator（生成器）
PCS-7.模块与包（module and package），及PyPI发布（distribution）
PCS-8.类（OOP）Classes_定义，继承，__init__()构造方法，私有变量/方法
PCS-9.（OOP）_Classes_Decorators（装饰器）_Slots
PCS-10.异常-Errors and Exceptions