CN103473613B - 景观结构—地表温度—电量消耗的耦合模型及应用 - Google Patents

Abstract

本发明是一种景观结构—地表温度—电量消耗的耦合模型，其为：其构建方法是：首先使用热红外影像资料，运用单窗算法反演出城市地表温度，以获得热岛效应的空间分布，并实地调研高温异常点的空间分异特征；再利用监督分类获得土地利用分布信息，并分析出城市土地利用与热岛效应关系的景观指数—温度函数，以及土地利用对热岛效应影响的空间差异程度，然后结合当前温度—电量函数关系式构建出所述耦合模型。本发明可以为城市的土地利用规划提供定量化的决策支持和优选依据，并较精确的预测土地利用规划方案的降温能力及减少城市拉闸限电事件的发生，对于合理配置电力资源具有重要的意义。

Description

景观结构—地表温度—电量消耗的耦合模型及应用

技术领域

本发明属于土地利用遥感技术应用领域，特别是涉及一种基于土地利用景观结构的城市夏季电能消耗模拟及其趋势预测模型构建的方法。

背景技术

随着我国城市化进程的持续发展，许多特大城市夏季用电高峰频现，电能供不应求，屡次出现拉闸限电的事件，极大地影响工业生产和居民生活。人们已经认识到气温升高所形成的热岛效应是导致夏季用电量增多的最直接因素，因此如何抓住气温升高的本质原因，并通过一定的城市规划手段来减缓热岛效应影响的程度和空间范围，是解决特大城市夏季电量过度消耗、控制相应污染物的排放总量等环境问题的关键所在。

在土地利用景观结构与温度的研究上，国内外学者已经提出了大量的模型方法和策略，主要方法有：利用一系列可以反映城市土地利用格局的相关指数，主要有归一化的植被指数（Normalized Difference Vegetation Index,NDVI）、植被覆盖度（FractionalVegetation Cover，FV）和分形维数，它们通过线性回归拟合等分析方法研究土地利用的类型和地表温度之间的对应关系；但没有深入到城市的土地利用空间格局与城市地表温度的关联性。如岳文泽等以上海市为例，采用Landsat7的ETM+为基本数据源，首先定量反演了每个像元内的陆地表面温度(LST)和植被指数(NDVI)，然后利用GIS中的空间分析功能，将由于城市土地覆被所形成的生态环境效应综合到土地利用的图斑中来，按照这个思路对城市土地利用的生态环境效应进行研究。分析LST、NDVI在不同土地利用类型之间的差异以及二者之间的定量关系，并引入多样性指数(SHDI)，讨论了不同土地利用的空间组合下，LST和NDVI的空间差异及相互关系[岳文泽,徐建华,徐丽华,2006.基于遥感影像的城市土地利用生态环境效应研究———以城市热环境和植被指数为例.生态学报,1450-1460.]。

对电能消耗研究，主要有以下三个着手点：

（1）利用回归分析的方法，通过多年夏季气温与用电量的数据，直接进行回归分析得出二者之间的关系，并用回归模型进行预测，再用预测值与真实值对比得到模型精度，这类方法对气温与用电量关联的表达较为直观，但不能从本质上给城市规划部门提出建议，即如何通过降低气温达到城市的节能减排效果。如洪国平等利用武汉市2002～2004年日用电量、电力负荷与日平均气温、最高气温、最低气温进行对比分析，计算出日用电量、最高负荷与气温之间一系列相关关系，通过回归分析建立夏季用电量和用电负荷预测模型，利用气温预报，可实现对用电量和电力负荷的预测[洪国平,李银娥,孙新德,李青,2006.武汉市电网用电量、电力负荷与气温的关系及预测模型研究.华中电力,4-7+30.]。

（2）利用电器本身结构的改造及运行规律入手达到节约用电的目的，主要是考虑到空调等电器长时间的过度使用是我国夏季特大城市能源消耗增量的来源，从节约用电的终端着手进行，治标不治本。如刘冬华等归纳了冰蓄冷空调系统的评价方法和评价指标，提出了冰蓄冷空调系统的综合评价体系。应用该评价体系对宜昌某科研设计大楼冰蓄冷空调工程进行了 分析和评价[刘冬华,符永正,石三平,朱传斌,2009.冰蓄冷空调系统的评价方法及其应用.暖通空调,102-106.]。

（3）利用DMSP/OLS夜间灯光进行电力消费的空间化，首先通过夜间灯光数据构建人居指数，然后通过人居指数与电力消费的相关关系建立电力消费量空间化模型，模拟电力消费量的空间分布。由于DMSP/OLS夜间灯光并不能区分出城市建设用地和工矿用地，因此基于夜间灯光数据对电力消费量的空间化并不能很好的区分开居民用电和工业用电，这对于后期的用地调整会产生负面作用。如杨续超等利用DMSP/OLS夜间灯光数据和植被指数（NDVI）之间的互补性构建人居指数，然后通过人居指数与电力消费见的强烈相关性建立电力消费量空间化模型，利用该模型获得了2010年浙江省电力消费量的空间分布[杨续超,康丽莉,张斌,冀春晓,2013.基于多源遥感影像的电力消费量估算与影响因素分析——以浙江省为例.地理科学，718-723.]。

发明内容

本发明所要解决的技术问题是：从城市景观规划角度出发，利用相关性分析识别影响城市热岛效应的土地利用景观显著性因子，构建出景观指数—温度的函数关系表达式，阐明城市土地利用的空间格局与热岛效应之间的耦合关系，并引入CA_Markov模型，结合城市土地利用历史数据来预测未来土地利用景观结构，基于电量—温度关系推导出景观指数—温度—电量耦合模型，并预测城市未来夏季电能消耗总量，首次揭示了城市土地利用景观格局影响大城市夏季电能消耗的规律。

本发明解决其技术问题采用的技术方案是：

本发明提供的景观结构—地表温度—电量消耗的耦合模型，其为：

$\mathrm{\ΔP}\left(d\right)=416.3\mathrm{\ΔT}=416.3\mathrm{\Δf}(x_1^1,x_1^2,x_1^3,......x_p^q......,x_5^4,x_5^5,y^1,y^2,y^3,y^4,y^5),$

式中：

ΔP(d)是日用电量预测差值；ΔT代表日平均气温预报差值；是p用地的q景观指数；

p＝1,2,3,4,5：分别表示建设用地，水域，林地，农业用地，未利用地；

q＝1,2,3,4,5：分别表示类级的景观指数、PLAND、PD、ED、LSI、CLUMPY；y¹是斑块密度PD，y²是景观形状指数LSI，y³是蔓延度指数CONTAG，y⁴是香农多样性指数SHDI，y⁵是香农均度指数SHEI，这些指数均为景观级指数。

所述的斑块密度PD可以由以下公式获得：

$\mathrm{PD}=\frac{n_i\×10000}{A}\×100,$

式中：n_i是i类型斑块在景观中的斑块总数；A是整个景观面积。

所述的景观形状指数LSI可以由以下公式获得：

$\mathrm{LSI}=\frac{0.25\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{e_{\mathrm{ik}}}^{\′}}{\sqrt{A}},$

式中：e_ik′是斑块ik的边界总长度；m是i类型斑块在景观中的数量；A是整个景观面积。

所述的蔓延度指数CONTAG可以由以下公式获得：

$\mathrm{CONTAG}=\{1+\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}[P_i*(g_{\mathrm{ik}}/\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{g}_{\mathrm{ik}})]*\left[\ln (P_i*(g_{\mathrm{ik}}/\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{g}_{\mathrm{ik}}))\right]}{2\ln \left(m\right)}\}*100,$

式中：P_i是景观被i类型斑块所占据的比率；g_ik是i类型斑块和k类型斑块的邻接像元数；m是在景观中斑块类型的种类数。

所述的香农多样性指数SHDI可以由以下公式获得：

$\mathrm{SHDI}=-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(P_i*\ln P_i),$

式中：P_i是景观被i类型斑块所占据的比率，m是在景观中斑块类型的种类数。

所述的香农均度指数SHEI可以由以下公式获得：

$\mathrm{SHEI}=-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(P_i\×\ln P_i)/\ln \left(m\right)$

式中：P_i是景观被i类型斑块所占据的比率；m是在景观中的斑块类型的种类数。

本发明提供的上述耦合模型，其用途是：该耦合模型在城市未来夏季电能消耗趋势预测中的应用。

本发明与现有技术相比，具有以下的主要的优点：

（1）从城市景观规划角度出发，利用相关性分析识别影响城市热环境的土地利用景观显著性因子，构建出景观指数—温度信息函数，阐明了城市土地利用的空间格局与热岛效应之间的耦合关系： $T=f(x_1^1,x_1^2,x_1^3,......x_p^q......,x_5^4,x_5^5,y^1,y^2,y^3,y^4,y^5),$ 更直观的表达城市土地利用景观结构对热岛效应的影响。

（2）通过现已成熟的温度—电能消耗模型推导出温度增幅与用电量增幅的函数关系式，结合本发明构建的景观指数—温度函数，得到景观指数—温度—电量耦合模型： $\mathrm{\ΔP}\left(d\right)=416.3\mathrm{\ΔT}=416.3\mathrm{\Δf}(x_1^1,x_1^2,x_1^3,......x_p^q......,x_5^4,x_5^5,y^1,y^2,y^3,y^4,y^5),$ 在城市节能减排中具有一定的实用价值。

（3）引入CA_Markov模型，结合城市土地利用历史数据来预测未来土地利用景观结构，进而预测城市未来夏季电能消耗总量，首次揭示了城市土地利用景观格局影响大城市夏季电能消耗的规律，为预测土地利用规划方案的降温能力提供科学依据。

（4）本发明所建立的“景观指数—电量”模型，采用先进的数字指标模型代替了传统人工经验方法，指导规划方案进行定量式优选，既精确又实用，对城市规划的修编工作具有现实指导意义，实用性强。例如本发明以武汉市为例，预测其2014年的景观结构，并与2005 年的进行对比分析，发现：2014年土地利用结构中的建成区将扩张74.32km²，届时武汉市根据土地利用类型与土地利用空间结构得到的综合温度将达到45.2摄氏度，比2005年提高了2.6摄氏度。通过土地利用叠加寻找原因，进而优化土地规划方案进行改善，预计每天可节省武汉市1082.4万千瓦时电能，即1329.7吨标准煤，少排放10t烟尘、20.2t硫氧化合物、6t氮氧化合物、1.3t一氧化碳和0.7t碳氢化合物。定量化的表达更能起到参考价值。

附图说明

图1是本发明的流程示意图。

图2是景观结构—地表温度—电量消耗的耦合模型构建图。

图3是武汉市景观结构—地表温度的模型构建图。

图4是2005年武汉市土地利用图。

图5是2011年武汉市土地利用图。

图6是2014年武汉市土地利用图。

具体实施方式

本发明提出了一种基于土地利用景观结构的夏季电能消耗趋势预测方法，和以前的评价方法有着本质不同的是：本发明是从城市土地利用景观结构的角度出发。参照图1，首先利用遥感影像数据，提取出城市土地利用及地表温度分布信息，然后利用相关性分析识别影响城市热环境的土地利用景观显著性因子，构建出景观指数—温度的函数，结合温度—电量函数的变形式构建景观指数—温度—电量耦合模型；并引入CA_Markov模型来预测城市土地利用分布信息，根据景观指数—温度的相关函数计算城市的综合温度，进而利用景观指数—温度—电量耦合模型预测城市的夏季电能消耗，最后针对各种土地利用景观结构提出相应的节能减排优化方案。本发明能够较准确的反映城市用电量与土地利用景观结构的关联并对城市用电量进行预测，进而可以分析土地利用规划方案的降温能力。

下面结合实例及附图对本发明作进一步说明，但并不局限于下面所述内容。

实施例1：景观结构—地表温度—电量消耗的耦合模型

该耦合模型的构建采用包括以下步骤的方法：

一.基础数据提取

利用多光谱遥感影像来获取土地利用分布及地表温度空间分布的基础数据，并对研究区域进行网格状分区。其步骤包括：

1.获取研究区域影像数据：

用Erdas软件分别预处理待处理的多光谱遥感影像及热红外波段数据：首先将蓝、绿、红、近红外波段进行波段融合；然后采用三次多项式对融合后的遥感影像进行几何配准；最后，利用城市的边界矢量数据进行影像裁剪获取研究区域影像数据。

2.获取各类土地利用的空间分布信息：

通过对研究区域的遥感影像进行目视解译，结合实地考察及Goole earth的对比分析，利用Erdas软件对步骤1中得到的研究区域影像进行监督分类，将其分成5种土地利用类型，分别是：水域、林地、未利用地、建设用地及农业用地依据所需研究的土地利用类型进行监 督分类，获取各类土地利用的空间分布信息。

3.提取去背景的分类影像：

将步骤2中得到的各类土地利用的空间分布信息导入ArcGIS中进行重分类，背景设置为Nodata，主要设置步骤为：在Arcgis中打开“Spatial Analyst”中的“Reclassify”，且“Reclass field”选择“Value”，由于背景值一般是：Value＝0，因此，在“Set values toreclassify”中将“Old values＝0”的像元设置成“New values＝Nodata”即可。

4.提取城市的地表温度信息：

在ENVI的“Basic Tools—Band Math”中利用单窗算法提取城市的地表温度信息，主要步骤如下：

（1）对多光谱遥感影像的热红外波段进行预处理：通过几何校正、裁剪、去云及辐射定标方法得到波段融合后的影像及热红外波段DN值。

影像预处理的主要步骤为：首先在ERDAS软件中采用三次多项式对影像进行校正；然后利用区域的矢量边界裁剪出待融合区域影像，并在ENVI的Haze Tool工具包中采用云点法去除云层；最后，通过ENVI的波段运算进行辐射定标，该辐射定标公式为：

radiance＝((l_max-l_min)/(qcal_max-qcal_min))*(qcal-qcal_min)+l_min

其中：radiance是辐射亮度；qcal是影像DN值；l_max是qcal＝qcal_max时的辐射亮度值，l_min是qcal＝0时的辐射亮度值，l_max和l_min均从参数表中查询；qcal_max是DN值的最大值；qcal_min是DN值的最小值。

（2）由步骤1中的辐射定标公式将波段融合后的影像及热红外波段DN值转换为辐射亮度值radiance，得到辐射亮度影像数据。

（3）对步骤（2）中的辐射亮度影像进行大气校正。在ENVI中采用黑暗像元法，主要步骤为：在主菜单中，选择Basic Tools->Preprocessing->General Purpose Utilities->Dark Subtract。

（4）地表反射率ε的估算：

首先利用步骤1的波段融合后的影像获取NDVI值，然后利用NDVI阈值法估算地表反射率ε。

（5）获取影像的地表亮温：

根据普朗克辐射函数T_b＝K₂/ln(K₁L_λ+1)，反算出波段融合后的影像的地表亮温。其中：T_b为地表亮温，L_λ为辐射亮度值，K₁、K₂均为较正常数。

（6）获取城市地表温度：

通过公式：T_s＝T_b/(1+(λ_eff×T_bC)lnε)反演出城市地表温度。其中：T_s是地表温度，T_b为地表亮温，λ_eff为有效波长，C＝h×cσ，h是普朗克常数（6.626×10-34Js），c是光速（2.998×108m/s），σ波尔兹曼常数（1.380×10-23J/K），ε是地表反射率。

5.获取城市的高温中心：

将城市的地表温度信息利用ENVI中“Density Slice”工具提取出城市高温异常点的空间 分布，然后将其导入到ArcGIS中进行高温中心点的矢量化，并在ArcGIS中根据高温点与土地利用分布信息的叠置分析解译出高温点的土地利用类型，最后，针对各用地类型分析其空间结构，特别是本该是低温区的水域也有高温中心的分布。一般城市的高温中心出现的情况有三种：畸变、工厂及生活污水排污口。

6.选取合适面积的研究区域：

根据城市的建城区及整个城市的面积大小，选取一块包括城市建成区及较大面积其他用地类型分布的区域，区域大小为：n(km)×n(km)。其中：n为选取区域的边长，km为选取区域的长度的单位。

7.提取样本区域：

利用k×k个m(km)×m(km)的小网格对步骤6中的选取区域进行切割，得到研究区的k²个样本区域。其中：k＝1,2,3,4，...,n，m是小网格的边长，且k·m＝n，km为选取区域的长度的单位。

8.提取样本区的平均温度信息：

将网格状的样本区与地表温度分布图进行叠置分析，获取每个样本区的温度信息，并提取出每个样本块的平均温度信息。

二.构建景观结构—地表温度—电量消耗的耦合模型

参见图2，构建景观结构—地表温度—电量消耗的耦合模型，具体包括以下步骤：

1.土地利用景观结构与温度的函数：

利用FRAGSTATS3.3软件对k²个样本区进行每个样本区内各土地利用类型的PLAND、PD、LSI、CLUMPY、ED、CONTAG、SHDI、SHEI（包含类级与景观级）的计算。

其中：

斑块所占景观面积的比例： $\mathrm{PLAND}=P_i=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}}{A}\×100$

式中：P_i是i类型斑块在景观中的比例；a_ij是斑块ij的面积；n是i类型斑块在景观中的数量；A是整个景观面积。

斑块密度： $\mathrm{PD}=\frac{n_i\×10000}{A}\×100$

式中：n_i是i类型斑块在景观中的斑块总数；A是整个景观面积。

景观形状指数： $\mathrm{LSI}=\frac{0.25\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{e_{\mathrm{ik}}}^{\′}}{\sqrt{A}}$

式中：e_ik′是斑块ik的边界总长度；m是i类型斑块在景观中的数量；A是整个景观面积。

丛生度：

式中：G_i是相似邻接，g_ii是基于重复计算方法的i类型斑块与i像元的邻接数，g_ik是i类型斑块和k类型斑块的邻接像元数，mine_i是i类型斑块的最小周长；m是i类型斑块在景观中的总数；P_i是焦点类型。

边缘密度： $\mathrm{ED}=\frac{\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{e}_{\mathrm{ik}}}{A}\×10000$

式中：e_ik是斑块ik的总边界长度；m是i类型斑块在景观中的数量；A是整个景观面积。

蔓延度指数： $\mathrm{CONTAG}=\{1+\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}[P_i*(g_{\mathrm{ik}}/\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{g}_{\mathrm{ik}})]*\left[\ln (P_i*(g_{\mathrm{ik}}/\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{g}_{\mathrm{ik}}))\right]}{2\ln \left(m\right)}\}*100$

式中：P_i是景观被i类型斑块（类型）所占据的比率；g_ik是i类型斑块和k类型斑块的邻接像元数；m是在景观中斑块类型（类级）的种类数。

香农多样性指数： $\mathrm{SHDI}=-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(P_i*\ln P_i)$

式中：P_i是景观被i类型斑块（类型）所占据的比率，m是在景观中斑块类型的种类数。香农均度指数： $\mathrm{SHEI}=-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(P_i\×\ln P_i)/\ln \left(m\right)$

式中：P_i是景观被i类型斑块（类型）所占据的比率；m是在景观中的斑块类型的种类数。

2.建立地表温度与筛选出的景观指数的函数关系式：

首先，利用SPSS中的“Correlate”对步骤1中所有样本区内各土地利用类型平均温度与景观指数进行相关性分析，相关系数选择：Pearson，显著性检验选择：双侧检验。得到各土 地利用类型与其对应的景观指数之间的关系，他们的关系分为有三种情况：相关系数没有“*”表示二者之间没有相关性，相关系数有一颗“*”表示二者之间在95%的置信区间内有相关性，相关系数有两颗“*”表示二者之间在99.9%的置信区间内有相关性。相关系数的绝对值越大，说明二者之间的相关性越紧密，且正值表示正的相关性，负值表示二者之间有负的关联性。

然后，根据相关系数结果筛选出与温度间存在相关性的景观指数，即相关系数带有“*”的，然后利用回归分析建立地表温度与筛选出的景观指数的函数：

$T=f(x_1^1,x_1^2,x_1^3,......x_p^q......,x_5^4,x_5^5,y^1,y^2,y^3,y^4,y^5)$

（p＝1,2,3,4,5；分别表示建设用地，水域，林地，农业用地，未利用地；

q＝1,2,3,4,5；分别表示类级的景观指数PLAND、PD、ED、LSI、CLUMPY。)

式中：T是日均地表温度，是q景观指数(p用地)，y¹是PD(景观级)，y²是LSI(景观级)，y³是CONTAG(景观级)，y⁴是SHDI(景观级)，y⁵是SHEI(景观级)。

3.建立电力-温度模型：

通过用电量P与温度T的函数，推导出电量变化量ΔP与温度变化ΔT的函数；用电量函数为：P(d)＝-6927.84+416.3T+ε，其中P(d)是日用电量预测值，T代表日平均气温预报值，ε是随机误差。因此，有了电量变化量ΔP与温度变化ΔT的函数关系式：ΔP(d)＝416.3ΔT。

4.构建景观结构—地表温度—电量消耗的耦合模型：

结合步骤2与步骤3中建立的函数关系来构建所述耦合模型：

$\mathrm{\ΔP}\left(d\right)=416.3\mathrm{\ΔT}=416.3\mathrm{\Δf}(x_1^1,x_1^2,x_1^3,......x_p^q......,x_5^4,x_5^5,y^1,y^2,y^3,y^4,y^5)$

（p＝1,2,3,4,5；分别表示建设用地，水域，林地，农业用地，未利用地；

q＝1,2,3,4,5；分别表示类级的景观指数PLAND、PD、ED、LSI、CLUMPY。)

式中：ΔP(d)是日用电量预测差值，ΔT代表日平均气温预报差值，是q景观指数(p用地)，y¹是PD(景观级)，y²是LSI(景观级)，y³是CONTAG(景观级)，y⁴是SHDI(景观级)，y⁵是SHEI(景观级)。

所述耦合模型的构建流程见图2。

实施例2：景观结构—地表温度—电量消耗的耦合模型的应用

本发明提供的景观结构—地表温度—电量消耗的耦合模型，其在城市未来夏季电能消耗趋势预测中的应用。

所述耦合模型应用时，主要是基于历年来土地利用景观结构的变化，利用CA_Markov模型预测城市未来土地利用景观结构，进而预测出城市未来夏季电能消耗趋势，具体步骤包括：

1.利用CA_Markov模型构建城市未来土地利用景观结构：

首先获取基础数据，其包括：研究区域第p、p+c及p+2c年的土地利用分类数据，利用p及p+c年的分类数据预测出p+2c年的土地利用景观结构信息，并与实际的信息进行对比分析，以评价预测模型的精度。

然后利用实际的p+c及p+2c年的土地利用分类数据，预测出p+3c年的土地利用分类信息。其中：p表示年份，p+c表示在p年的基础上过了c年，p+2c表示在p年的基础上过了2c年。

2.预测出城市夏季电能消耗的趋势：

基于步骤1中的城市未来土地利用景观结构，首先通过预测的土地利用计算出其各景观指数，再结合景观结构—地表温度—电量消耗的耦合模型，预测出城市夏季电能消耗的趋势。

实施例3：景观结构—地表温度—电量消耗的耦合模型的具体应用

本发明提供的景观结构—地表温度—电量消耗的耦合模型可以有效预测城市夏季电能消耗趋势，并针对不同的土地利用景观结构提出不同的节能减排优化方案。

下面以武汉市未来夏季电能消耗趋势为例说明：

1.以武汉市2011年的HJ-1B卫星影像数据为基础数据，首先通过对研究区域的遥感影像进行目视解译，结合实地考察及Goole earth的对比分析，利用Erdas软件进行监督分类，将武汉市分成5种土地利用类型，分别是：水域、林地、未利用地、建设用地及农业用地。由于武汉市的农用地与林地空间分布位置联系较紧密，因此在对农业用地及林地的分类时，都是结合实地考察及Goole earth的对比分析将二者进行区分。

2.图5是武汉市2011年的土地利用分布图，将其导入Arcgis中进行重分类，背景设置为Nodata，主要设置步骤为：在Arcgis中打开“Spatial Analyst”中的“Reclassify”，且“Reclass field”选择“Value”，由于背景值一般是：Value=0，因此，在“Set values toreclassify”中将“Old values=0”的像元设置成“New values=Nodata”即可。

3.在ENVI中利用单窗算法提取武汉市地表温度信息，然后利用密度分割提取出市区高温异常点的空间分布。

在ENVI的“Basic Tools—Band Math”中利用单窗算法提取城市的地表温度信息，主要步骤如下：

（1）首先对多光谱遥感影像的热红外波段进行预处理：几何校正、裁剪、去云及辐射定标；

（2）将步骤1中的波段融合后的影像及热红外波段DN值转换为辐射亮度值L_λ；

（3）对步骤（2）中的影像进行大气校正；

（4）首先利用步骤1的影响获取NDVI值，然后利用NDVI阈值法估算地表反射率ε；

（5）根据普朗克辐射函数T_b＝K₂ln(K₁L_λ+1)，反算出影像的地表亮温。其中：T_b为地表亮温，L_λ为辐射亮度值，K₁、K₂均为较正常数；

（6）通过公式：T_s＝T_b/(1+(λ_eff×T_b/C)lnε)反演出城市地表温度。其中：T_s是地表温度，T_b为地表亮温，λ_eff为有效波长，C＝h×cσ，h是普朗克常数（6.626×10-34Js），c是光速（2.998×108m/s），σ波尔兹曼常数（1.380×10-23J/K），ε是地表反射率。

提取出温度信息后，利用ENVI中“Density Slice”工具提取出城市高温异常点的空间 分布，然后将其导入到ArcGIS中进行高温中心点的矢量化，并在ArcGIS根据高温点与土地利用分布信息的叠置分析解译出高温点的土地利用类型，为后期的城市规划方案提供依据。

本发明针对武汉市高温中心进行了土地利用类型的调查分析，统计发现高温中心点主要集中在以下几种土地利用类型：高密度的商业城区；大型商业建筑或是公共建筑（尤其是主干道边的大型建筑）；城市中的广场或是空旷地；主干道周边如果布局有松散的大型建筑或是高层建筑；交通枢纽及人流量非常大的区域；老城区的居民点；工厂密集区域；工厂及生活污水的排污口。如：大堤口，港申船厂，罗家路，国棉六厂等区域的排污口；

4.在武汉市建成区选取一块24km×24km的区域，然后用6×6个4km×4km的小网格进行切割，得到研究区的36个样本区域。

5.将网格状的样本区与地表温度分布图进行叠置分析，获取每个样本区的温度信息，并提取出每个样本块的平均温度信息。

6.将36个样本区利用FRAGSTATS3.3软件求得每个样本区内各土地利用类型的PLAND、PD、LSI、CLUMPY、ED、CONTAG、SHDI、SHEI等指数（包含类级与景观级）。最后，利用SPSS中的“Correlate”对36个样本区内的各土地利用类型的平均温度与景观指数进行相关性分析。得到各土地利用类型与其对应的景观指数之间的关系。他们的关系分为有三种情况：相关系数没有“*”表示二者之间没有相关性，相关系数有一颗“*”表示二者之间在95%的置信区间内有相关性，相关系数有两颗“*”表示二者之间在99.9%的置信区间内有相关性。相关系数的绝对值越大，说明二者之间的相关性越紧密，且正值表示正的相关性，负值表示二者之间有负的关联。由36块的景观指数与温度进行相关性分析得到表1、表2，从表1可以分析出各土体利用类型对热岛效应影响的大小及正负作用；表2可分析出土地利用空间结构对热岛效应的影响。

对表1的结果分析：不同的土地利用类型其景观指数与平均温度的相关性差异较大，其中，由于林地在所选区域中分布较少，统计意义不明显，因此进行相关性分析时将林地舍弃，建设用地、水域、农业用地对平均温度的影响较大。建设用地对平均温度的上升表现为促进作用；水域、林地及农业用地对平均温度的上升表现为抑制作用；未利用地几乎没有作用。

对表2的结果分析：混合的土地利用类型及景观结构可以促进温度的降低。

从表1、表2中可以筛选出与温度具有相关性的景观指数有：PLAND_建设用地、PD_建设用地、LSI_建设用地、PLAND_水域、CLUMPY_水域、PD_农用地、ED_农用地、PD_景观级、LSI_景观级、CONTAG_景观级、SHDI、SHEI，各指数的全称见图2。

7.利用回归分析获建立地表温度与景观指数的函数，见图3。

8.结合景观指数与温度的函数和温度增幅与电量增幅的函数，我们构建了武汉市土地利用类型及空间结构与热岛效应的景观结构—地表温度—电量消耗的耦合模型，其构建模型流程图见图2。

9.基于1996年和2005年的土地利用分布情况，模拟预测武汉市2014年的土地利用分布，并根据1987年及1996年模拟的2005年土地利用信息进行模型的精度验证，精度为85.4%。由2014年的土地利用分布信息，可以计算出其景观指数，结合景观指数—温度函数计算出 2014年的综合温度，为45.2℃。利用CA_Markov模型预测的土地利用空间分布特征见图4-图6：

景观指数—温度函数计算出的2014年综合温度为45.2℃，相对于2005年的42.6℃，增加了2.6℃，引入“电力-温度”模型计算出了2014年相对于2005年的能耗与污染物排放的增加量，见表3。

本发明从优化土地利用格局入手，减缓热岛效应，以武汉市为例，结果表明可降低武汉市夏季温度一到两度，使得夏季空调使用显著减少，最终达到节能减排的作用。按照CA_Markov模型模拟预测，2014年土地利用结构中的建成区将扩张74.32km²，届时武汉市根据土地利用类型与土地利用空间结构得到的综合温度将达到45.2摄氏度，比2005年提高了2.6摄氏度。通过土地利用叠加寻找原因，进而优化土地规划方案进行改善，预计每天可节省武汉市1082.4万千瓦时电能，即1329.7吨标准煤，少排放10t烟尘、20.2t硫氧化合物、6t氮氧化合物、1.3t一氧化碳和0.7t碳氢化合物。在能源和环境质量越来越差的今天，这些数据意味着在节能减排上的一大突破，地球的城市，尤其是特大城市，将拥有更清新的空气、更多的户外活动机会、更适宜的居住环境，离资源环境可持续发展更进一步。该发明在热岛效应上的探索，可以为城市的土地利用规划提供定量化的决策支持和优选依据，减缓城市化脚步，改善城市生态环境，方便人们的生产与生活。

附表

表1 景观指数与温度的相关性（类级）

*在.05水平(双尾)上显著相关

**在.001水平(双尾)上显著相关

表2 景观指数与温度的相关性（景观级）

*在.05水平(双尾)上显著相关

**在.001水平(双尾)上显著相关

表3 武汉市2014年相对于2005年能耗及排污增幅量

。

Claims (8)

1.一种构建景观结构—地表温度—电量消耗的耦合模型的方法，其特征在于该耦合模型为：

$\mathrm{\Δ}P\left(d\right)=416.3\mathrm{\Δ}T=416.3\mathrm{\Δ}f({x^1}_1,{x^2}_1,{x^3}_1,\mathrm{......},x_p^q,\mathrm{......},{x^4}_5,{x^5}_5,y^1,y^2,y^3,y^4,y^5),$

式中：

ΔP(d)是日用电量预测差值；ΔT代表日平均气温预报差值；是p用地的q景观指数；

p＝1,2,3,4,5：分别表示建设用地，水域，林地，农业用地，未利用地；

q＝1,2,3,4,5：分别表示类级的景观指数PLAND、PD、ED、LSI、CLUMPY，PLAND是斑块所占景观面积的比例，PD是斑块密度，ED是边缘密度，LSI是景观形状指数，CLUMPY是丛生度；y¹是斑块密度PD，y²是景观形状指数LSI，y³是蔓延度指数CONTAG，y⁴是香农多样性指数SHDI，y⁵是香农均度指数SHEI，这些指数均为景观级指数；

该耦合模型由以下方法构建而成，其步骤包括：

(1)用ENVI软件对所在区域遥感数据热红外波段进行反演，提取出所需研究区域的地表温度信息；

(2)由步骤(1)获得研究区域的地表温度分布信息，在建成区出现了一些高温异常点，分析其用地类型及空间结构，获取城市的高温中心；

(3)用Erdas软件对所研究区域的遥感影像进行解译，依据所需研究的土地类型进行监督分类，获取各类土地的分类信息；

(4)将分类后的遥感影像导入ArcGIS中，利用Spatial Analyst/Reclassify，对遥感影像进行重分类，分别将所需研究的土地类型附上不同的值，将背景设置为NoData，并以TIFF格式导出；再加载到IDRISI软件中，利用IDRISI软件中的CA_Markov模型对所在区域进行未来土地利用景观结构的预测；

(5)将研究区域利用k×k个网格进行分割，利用FRAGSTATS3.3软件求得每个样本区内各土地利用类型的PLAND、PD、LSI、CLUMPY、ED、CONTAG、SHDI、SHEI，包含它们的类级与景观级，分析各景观指数与平均温度的相关性，并筛选出与平均温度存在相关性的景观指数，然后利用筛选出的景观指数与平均温度在SPSS中进行回归分析，分析出土地利用景观指数与地表温度的函数；

(6)利用现已成型的温度与用电量的关系模型，推导出温度增幅与用电量增幅的函数；

(7)结合步骤(5)与(6)中的函数，耦合出景观结构—地表温度—电量消耗模型。

2.根据权利要求1所述的构建景观结构—地表温度—电量消耗的耦合模型的方法，其特征在于斑块密度PD由以下公式获得：

$PD=\frac{n_i\×10000}{A}\×100,$

式中：n_i是i类型斑块在景观中的斑块总数；A是整个景观面积。

3.根据权利要求1所述的构建景观结构—地表温度—电量消耗的耦合模型的方法，其特征在于景观形状指数LSI由以下公式获得：

$LSI=\frac{0.25\underset{k=1}{\overset{m}{\Σ}}{e_{ik}}^{\′}}{\sqrt{A}},$

式中：e_ik'是斑块ik的边界总长度；m是i类型斑块在景观中的数量；A是整个景观面积。

4.根据权利要求1所述的构建景观结构—地表温度—电量消耗的耦合模型的方法，其特征在于蔓延度指数CONTAG由以下公式获得：

$CONTAG=\{1+\frac{\underset{i=1}{\overset{m}{\Σ}}\underset{k=1}{\overset{m}{\Σ}}\[P_i*(g_{ik}/\underset{k=1}{\overset{m}{\Σ}}{g}_{ik})\]*\[\ln (P_i*(g_{ik}/\underset{k=1}{\overset{m}{\Σ}}{g}_{ik}))\]}{2\ln \left(m\right)}\}*100,$

式中：P_i是景观被i类型斑块所占据的比率；g_ik是i类型斑块和k类型斑块的邻接像元数；m是在景观中斑块类型的种类数。

5.根据权利要求1所述的构建景观结构—地表温度—电量消耗的耦合模型的方法，其特征在于香农多样性指数SHDI由以下公式获得：

$SHDI=-\underset{i=1}{\overset{m}{\Σ}}(P_i*{\mathrm{lnP}}_i),$

式中：P_i是景观被i类型斑块所占据的比率，m是在景观中斑块类型的种类数。

6.根据权利要求1所述的构建景观结构—地表温度—电量消耗的耦合模型的方法，其特征在于香农均度指数SHEI由以下公式获得：

$SHEI=-\underset{i=1}{\overset{m}{\Σ}}(P_i\×{\mathrm{lnP}}_i)/\ln \left(m\right)$

式中：P_i是景观被i类型斑块所占据的比率；m是在景观中的斑块类型的种类数。

7.根据权利要求1所述的构建景观结构—地表温度—电量消耗的耦合模型的方法，其特征在于步骤(2)中，在分析其用地类型及空间结构的过程中，注意本该是低温区的水域也有高温中心的分布；所述城市的高温中心出现在畸变区域、工厂区域或生活污水排污口区域。

8.根据权利要求1至7中任一权利要求所述方法构建的耦合模型的用途，其特征在于该耦合模型在城市未来夏季电能消耗趋势预测中的应用。