CN108320285A - 基于多源遥感影像的城市湿地热岛效应分析方法及系统 - Google Patents
基于多源遥感影像的城市湿地热岛效应分析方法及系统 Download PDFInfo
- Publication number
- CN108320285A CN108320285A CN201810122811.7A CN201810122811A CN108320285A CN 108320285 A CN108320285 A CN 108320285A CN 201810122811 A CN201810122811 A CN 201810122811A CN 108320285 A CN108320285 A CN 108320285A
- Authority
- CN
- China
- Prior art keywords
- landscape
- landsat8
- image data
- pixel
- wetland
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
Abstract
一种基于多源遥感影像的城市湿地热岛效应分析方法及系统,以Landsat8的影像数据作为低分影像数据,从中选择景观区域,作为宏观水平的一个组;获取景观区域所对应的QuickBird卫星的影像数据作为高分影像数据,对于高分影像数据上的各个像元:用该景观区域的高分分类图计算景观级别的景观指数作为宏观水平上的解释变量;对于Landsat8单个像元作为微观水平的个体,计算每个像元的微观水平上的解释变量;采用Landsat8景观区域中的单个像元反演得到的地表温度作为结局变量;在试验区中选择多个组水平以及多个体水平的数据进行多水平模型分析,进行湿地热岛效应中各个因素的影响程度。本发明可同时研究微观及宏观水平上的多个因素与地表温度的关系,结果更加准确稳定。
Description
技术领域
本发明涉及湿地热岛效应分析方面,更具体地说,涉及一种基于多源遥感影像的城市湿地热岛效应分析方法及系统。
背景技术
城市湿地被称为“城市之肾”,在热量和水分方面对周边小气候环境进行调节,具有明显的“恒温效应”和“绿洲效应”,即城市湿地能够发挥其“冷岛”效应,对改善局部小气候、维护城市生态平衡具有重要的作用。因此,以城市湿地为主要研究对象,分析湿地对于热环境的影响及其调节作用具有重要意义。在这其中,湿地的空间格局即大小和形状不一的湿地斑块在空间上的排列,它是景观异质性的重要表现,又是各种生态过程在不同尺度上的作用结果,对地表温度的影响显著,如较破碎的湿地不如面积较大、连通性好的湿地降温作用明显,因此有必要对城市湿地的景观格局与缓解城市热岛效应、增强城市冷岛效应的关系加以分析。
以往的研究中,对于湿地景观格局、植被覆盖度、叶面积指数、水体比例这四者与地表温度的关系分析均是分开来进行,这样难免会顾此失彼,带来结果的不稳定性。因此,对于城市湿地这一景观类型的景观结构及其叶面积指数、植被覆盖度和水体比例是如何共同作用于地表温度,带来“冷岛”效应的研究,将对更好发挥城市湿地在城市复合生态系统中的支撑作用具有重要价值。
发明内容
本发明要解决的技术问题在于以往的研究中,对于湿地景观格局、植被覆盖度、叶面积指数、水体比例这三者与地表温度的关系分析均是分开来进行,这样难免会顾此失彼,带来结果的不稳定性的技术缺陷,提供了一种基于多源遥感影像的城市湿地热岛效应分析方法及系统。
根据本发明的其中一方面,本发明为解决其技术问题,提供了一种基于多源遥感影像的城市湿地热岛效应分析方法,包含如下步骤:
S1、以Landsat8的影像数据作为低分影像数据,从低分影像数据中选择的一景观区域,作为宏观水平的一个组;
S2、获取所述景观区域所对应的QuickBird卫星的影像数据作为高分影像数据,对于高分影像数据上的各个像元:用该景观区域的高分分类图计算面积周长分维数、几何最邻近距离面积加权平均、蔓延度、斑块内聚力指数及斑块丰富度五种景观级别的景观指数作为宏观水平上的解释变量;
S3、对于Landsat8影像数据的景观区域中单个像元作为微观水平的个体,计算每个像元的叶面积指数、植被覆盖度和水的比例,作为微观水平上的解释变量;
S4、采用Landsat8景观区域中的单个像元反演得到的地表温度作为结局变量;
S5、在试验区中选择共有多个组水平以及多个体水平的数据进行多水平模型分析,进行湿地热岛效应中各个因素的影响程度。
在本发明所述的城市湿地热岛效应分析方法中,叶面积指数是反映植物群体生长状况的另一个重要指标,其LAI估算过程为:利用植被在可见光和近红外波段反射值的散点图,首先确定出计算LAI所需的参数,然后利用这些参数和卫星传感器所探测到的地物反射值估算LAI,该估算过程需要确定的参数包括:
(1)土壤线方程参数a,b,土壤线方程参数a,b可以从相应波段的散点图中求取;
(2)用于描述辐射能量穿透叶面时的衰减性质的系数c1,c2,其大小取决于植被类型,通过预设得到;
(3)高垂直密度植被的地物反射值r∞;
最终的LAI与卫星数据的灰度值DNi的关系可描述为(a)式,这里i=1、2,分别对应于TM3、TM4波段:
其中:s指土壤,DN∞i可从遥感资料中读取;r∞1,r∞2据Price研究可分别取预设值,将上式代入土壤线方程(b)将LAI表示为图像的灰度量化值DNi和c1、c2的函数关系式;
DNsi=a′DNs1+b′ (b)
式中参数a’,b’可从可见光和近红外波段的散点图中通过回归法求取;通过变换可以将LAI与图像的灰度量化值DNi和c1,c2的函数关系式转化为一个多项式方程,并在给定c1,c2的值的情况下,求得其解析解,或者,通过建立LAI与图像的灰度量化值DNi的映射表和内插来实现,至此,Landsat8中每个像元的LAI值获得。
在本发明所述的城市湿地热岛效应分析方法中Landsat8单个像元内的植被覆盖度的计算是先将Landsat8影像和QuickBird高分遥感影像进行配准,然后计算对应的高分像元块内植被的总量,从而获得Landsat8单个像元内的植被覆盖度。
在本发明所述的城市湿地热岛效应分析方法中Landsat8单个像元内的水体比例是先将Landsat8影像和QuickBird高分遥感影像进行配准,然后计算对应的高分像元块内水体的总量,从而获得Landsat8单个像元内的水体比例。
在本发明所述的城市湿地热岛效应分析方法中,面积周长分维数的取值范围为1到2之间,大于1意味着已经偏离简单的几何形状,形状复杂性增强;几何最邻近距离面积加权平均衡量的是斑块之间的独立性;蔓延度描述场景内部不同板块类型之间的团聚程度或延展趋势;斑块内聚力指数衡量的是斑块的自然连通度;斑块丰富度对景观组成的度量。
在本发明所述的城市湿地热岛效应分析方法中所述进行多水平模型分析具体是指:采用零模型对地表温度进行水平分解,探索不同水平的随机效应;
零模型的结构表示如公式(c)所示:
Yij=β00+u0j+εij (c)
其中,β00表示所有空间单元的平均效应,u0j为宏观水平的随机效应,即温度在宏观水平单元中的随机影响,εij为微观水平的残差,即温度在微观水平单元中的随机影响,Yij为结局变量。
在本发明所述的城市湿地热岛效应分析方法中,所述进行多水平模型分析具体是指:采用格局模型的理论模型进行分析,格局模型的理论模型为如公式(d)所示:
LSTij=γ00+γ01L1j+γ02L2j+γ03L3j+γ04L4j+(μ0j+εij). (d)
其中L1j~L4j表示格局因子,分别为蔓延度、景观分离度、几何最邻近距离面积加权平均和香农多样性指数;u0j为宏观水平的随机效应,即温度在宏观水平单元中的随机影响,εij为微观水平的残差,即温度在微观水平单元中的随机影响,γ为系数,LSTij为结局变量。。
在本发明所述的城市湿地热岛效应分析方法中,所述进行多水平模型分析具体是指:采用组份和格局模型进行分析,并将所有微观水平解释变量的效应看作是固定效应,组份和格局模型的表述如下公式(e)所示:
LSTij=γ00+γ01L1j+γ01L2j+γ01L3j+γ01L4j+β1LAI+β2VF+β3pwater+(εij+μ0j) (e)
其中L1j~L4j表示格局因子,分别为蔓延度、景观分离度、几何最邻近距离面积加权平均和香农多样性指数;u0j为宏观水平的随机效应,即温度在宏观水平单元中的随机影响,εij为微观水平的残差,即温度在微观水平单元中的随机影响,γ为系数;LAI、VF、P_Water3个体水平变量;CONTAG,DIVISION,ENN_AM,SHDI为4个组水平变量,用于预测水平1随机截距系数β0j的跨组变异,LSTij为结局变量。
根据本发明的另一方面,本发明还提供了一种基于多源遥感影像的城市湿地热岛效应分析系统,包含如下模块:
宏观数据获取模块,用于以Landsat8的影像数据作为低分影像数据,从低分影像数据中选择的一景观区域,作为宏观水平的一个组;
宏观水平处理模块,用于获取所述景观区域所对应的QuickBird卫星的影像数据作为高分影像数据,对于高分影像数据上的各个像元:用该景观区域的高分分类图计算面积周长分维数、几何最邻近距离面积加权平均、蔓延度、斑块内聚力指数及斑块丰富度五种景观级别的景观指数作为宏观水平上的解释变量;
微观水平获取模块,用于对于Landsat8影像数据的景观区域中单个像元作为微观水平的个体,计算每个像元的叶面积指数、植被覆盖度和水的比例,作为微观水平上的解释变量;
像元反演模块,用于采用Landsat8景观区域中的单个像元反演得到的地表温度作为结局变量;
数据分析模块,用于在试验区中选择共有多个组水平以及多个体水平的数据进行多水平模型分析,进行湿地热岛效应中各个因素的影响程度。
实施本发明的多源遥感影像的城市湿地热岛效应分析方法及系统,可同时研究微观水平以及宏观水平上的多个因素与地表温度的关系,结果更加准确稳定,将对更好发挥城市湿地在城市复合生态系统中的支撑作用具有重要价值。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明的多源遥感影像的城市湿地热岛效应分析方法一优选实施例的流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
参考图1,本实施例利用多源遥感数据分析湿地景观对热岛效应的缓解作用,具体步骤如下:
S1、在Landsat8影像上选择5*5的景观区域,作为一个宏观水平的组。Landsat8影像的分辨率小于下述QuickBird卫星获取的影像数据,二者形成一高、一低两种分辨率的影像数据。
S2、采用QuickBird卫星获取上述景观区域对应的高分影像,高分影像数据上的各个像元,用该景观区域高分分类图计算5种景观级别的景观指数作为第二水平上的解释变量。5种景观级别的景观指数具体的参考后述。
S3、将Landsat8景观区域中的单个像元作为微观水平的个体,计算样本区内每个像元的叶面积指数、植被覆盖度和水的比例,作为第一水平上的解释变量。
S4、采用Landsat8景观区域中的单个像元反演得到的地表温度作为结局变量。
S5、在试验区中选择共有48个组水平,950个个体水平的数据用于多水平模型分析,进行湿地热岛缓解效应分析。
多水平模型解释变量的获取
通过选取既能够描述城市湿地场景的地表覆盖,同时会对城市湿地场景的地表温度有影响的第一水平(微观)变量和第二水平(宏观)变量,来分析城市湿地场景地表覆盖对地表温度乃至热岛效应的影响。
本实施例选取的变量分别为组份(第一水平变量)和景观格局因子(第二水平变量),二者分别从垂直和水平方向描述城市湿地地表覆盖特征。
第一水平(微观)变量的获取
第一水平(微观)的变量值对应了Landsat8单个像元内的值,根据数据的可获取性以及变量计算方法的不同,三个垂直方向的变量包括叶面积指数、植被覆盖度、水体比例,三者的计算方法有所区别,接下来将分别介绍。
(1)叶面积指数
叶面积指数是反映植物群体生长状况的另一个重要指标,其LAI估算过程为:利用植被在可见光和近红外波段反射值的散点图,首先确定出计算LAI所需的参数,然后利用这些参数和卫星传感器所探测到的地物反射值估算LAI。该方法需要确定的参数为:
(1)土壤线方程(Soil Line Equation)参数a,b。在一定的观测条件下,土壤线方程参数a,b可以从相应波段的散点图中求取。
(2)用于描述辐射能量穿透叶面时的衰减性质的系数c1,c2,其大小取决于植被类型。
(3)高垂直密度植被的地物反射值r∞。
Price给出了从遥感数据中计算以上参数的方法。最终的LAI与卫星数据的灰度值DNi的关系可描述为(3.22)式(这里i=1,2,分别对应于TM3,TM4波段):
其中:s指土壤,DN∞i可从遥感资料中读取;r∞1,r∞2据Price研究可分别取0.05和0.7。将上式代入土壤线方程(3.23)即可将LAI表示为图像的灰度量化值DNi和c1,c2的函数关系式。
DNsi=a′DNs1+b′ (3.23)
式中参数a’,b’可从可见光和近红外波段的散点图中通过回归法求取。尽管通过变换可以将LAI与图像的灰度量化值DNi和c1,c2的函数关系式转化为一个多项式方程,并在给定c1,c2的值的情况下,求得其解析解。如果需要的仅是该函数关系式的数值解,也可通过建立LAI与图像的灰度量化值DNi的映射表和内插来实现。至此,L8每个像元的LAI值获得。
(2)植被覆盖度
Landsat8单个像元内的植被覆盖度的计算是先将Landsat8影像和QuickBird高分遥感影像进行配准,然后计算对应的高分像元块内植被的总量,从而获得Landsat8单个像元内的植被覆盖度。
(3)水体比例
Landsat8单个像元内的水体比例是先将Landsat8影像和QuickBird高分遥感影像进行配准,然后计算对应的高分像元块内水体的总量,从而获得Landsat8单个像元内的水体比例。
第二水平方向(宏观)变量的获取
本实施例提取了5个格局指标,这5个格局指标包含斑块的两类空间信息,一类描述斑块的空间几何信息,包括面积周长分维数(PAFRAC)、斑块丰富度(PR);一类描述空间分布特征,主要包括几何最邻近距离面积加权平均(ENN_AM)、斑块内聚力指数(COHESION)、蔓延度(CONTAG)。从空间几何和空间分布上去描述场景,得到关于场景的宏观变量。这5个格局指标从斑块的空间几何分布特征以及空间分布模式上较为详尽的描述了场景的空间格局分布特征,较好的满足了本研究的分析需求。如表3.4所示。
表3.4选取的格局指标
利用多水平模型分析城市湿地场景对地表温度的影响分析
零模型检验
在使用多水平回归方法分析城市湿地地表覆盖对地表温度影响前,首先引入零模型对地表温度进行水平分解,探索不同水平的随机效应。
零模型的结构表示如公式(3.25)所示。
Yij=β00+u0j+εij (3.25)
其中,β00表示所有空间单元的平均效应,u0j为第二水平的随机效应,即温度在第二水平单元中的随机影响,εij为第一水平的残差,即温度在第一水平单元中的随机影响;零模型将温度分解到了两个水平层次中,探索温度空间分布的不同层次影响。
零模型分析的结果如表3.7所示。
表3.7零模型统计分析结果
***表示在0.01的水平上显著
模型经过两次迭代后就成功地收敛了,表明模型本身拟合良好。从表3.7可以得到,固定效应中的截距项为22.6274,即为公式中的β00,其表示城市湿地样本场景区域内地表温度的总平均值,也为温度的平均效应。第二水平也就是格局背景层的随机效应标准差为1.2618;模型残差标准差为0.1427。说明温度在第二水平的随机效应波动较大,即随城市湿地景观格局的不同,其值变化较大;在第一水平的残差波动则较小。因此,引入多水平模型来分析城市湿地场景内部的地表覆盖对地表温度的影响是必要的。
方差模型检验
零模型实际上是方差模型的一个特例,即不含有任何解释变量,仅仅对反应变量做水平分解。如果要在模型中纳入不同水平的解释因子,则需要引入方差模型。本节的方差模型主要完成两个实验,1在方差模型中引入第二水平因子,简称为格局模型,探索第二水平即水平方向的格局特征对地表温度的影响;2在方差模型中引入格局和生物物理组份因子,简称为组份与格局模型,探索城市湿地场景内部,第一水平的生物物理组份特征以及第二水平的格局特征对地表温度的综合影响。
(1)格局模型
格局模型的理论模型可以表示为如公式(3.27)所示。
LSTij=β0j+εij (3.27)
β0j=γ00+γ01L1j+γ02L2j+γ03L3j+γ04L4j+μ0j (3.28)
整理后如下:
LSTij=γ00+γ01L1j+γ02L2j+γ03L3j+γ04L4j+(μ0j+εij) (3.29)
其中L1ij~L4ij表示格局因子,分别为蔓延度(CONTAG)、景观分离度(DIVISION)、几何最邻近距离面积加权平均(ENN_AM)和香农多样性指数(SHDI)。;
该试验模型也可称之为带宏观解释变量的随机截距模型。该模型不包含水平1解释变量,因此不能解释组内变异,同时也不涉及模型的跨层交互作用。
模型有4个变量(即CONTAG,DIVISION,ENN_AM,SHDI)被处理为组水平解释变量,因为它们的值在各组(各采样场景区)内是一常数。模型分析结果如表3.8所示:
表3.8格局模型分析结果
**表示在0.05的水平上显著,***表示在0.01的水平上显著
模型估计通过五次迭代便很快收敛,表明模型拟合良好。
表3.8中的回归结果正值表示正相关,负值表示负相关,表中的回归系数除了L2(DIVISION)在0.05的水平上显著外,其他均在0.01的水平上显著。
其中,景观格局指数CONTAG(L1)与地表温度表现出负相关,分别为-0.05332和-3.1189,表示在城市湿地场景内,水体、植被、土壤三种拼块类型的团聚程度或延展趋势越高,有利于能量的流通,使得地表温度降低。景观分离度DIVISION(L2)和几何最邻近距离面积加权平均ENN_AM(L3)与城市湿地场景内的地表温度表现出正相关,说明随着城市湿地场景内三种斑块类型的离散度、破碎度加大,以及同类斑块与其最近邻斑块间的最短直线距离的变大,打破了斑块内部的流通性,阻止了能量的交换,造成场景内部地表温度的升高。DIVISION、ENN_AM每提高一个单位,温度分别上升1.9310和0.2287度。同时表3.8的数据还显示香农多样性指数SHDI(L4)与城市湿地场景内部的地表温度呈负相关,说明随着斑块类型的增加或者三种斑块类型在场景内呈均衡化分布,地表温度降低。
(2)组份和格局模型
通过引入水平1解释变量到上节所讨论的模型,并将所有水平1解释变量的效应看作是固定效应,来检验该试验性模型,新模型的表述如下:
LSTij=β0j+β1LAI+β2VF+β3pwater+εij (3.32)
β0j=γ00+γ01L1j+γ01L2j+γ01L3j+γ01L4j+μ0j (3.33)
LSTij=γ00+γ01L1j+γ01L2j+γ01L3j+γ01L4j+β1LAI+β2VF+β3pwater+(εij+μ0j) (3.34)
其中,组份模型或者微观模型(式3.32)含有3个个体水平变量,即LAI、VF、P_Water;而格局模型或宏观模型(式3.33)包含有4个组水平变量(CONTAG,DIVISION,ENN_AM,SHDI)用于预测水平1随机截距系数β0j的跨组变异。
模型分析结果如表3.11所示:
表3.11组份和格局模型分析结果
**表示在0.05的水平上显著,***表示在0.01的水平上显著
其中L1到L4分别代表了景观指数CONTAG,DIVISION,ENN_AM,SHDI。以上的拟合结果显示,三个第一水平的解释变量LAI、VF、P_Water均对景观内的地表温度有显著影响,且均呈负相关,LAI的影响相对其他两项弱一些。
在这其中,城市湿地场景内的叶面积指数和植被覆盖度与场景内的地表温度呈负相关,说明城市湿地场景区域内的低矮植被通过光合作用、蒸腾和蒸散作用可以降低地表温度、增加空气湿度,同时,较大的叶面积覆盖指数避免了阳光直射带来的升温作用,因此,二者可以起到调节区域温度的作用,显著使地表温度降低。水体比例P_Water与场景内地表温度也呈现负相关,即水域覆盖每上升一个单位,地表温度可以平均降低地表温度0.7588以上是第一水平解释变量的作用,接下来需要分析加入了第一水平后,第二水平也就是宏观水平的固定回归系数有什么变化。经过对比可以发现,CONTAG(L1)和SHDI(L4)相比表3.8中变大了,但因为这两者与场景内的地表温度呈现负相关,因此,虽然值变大了,但意味着微观水平变量的加入抑制了一部分由于蔓延度和多样性指数对场景内地表温度的影响。DIVISION(L2)和ENN_AM(L3)与表3.8相比稍有变小,说明水的比重以及植被的长势以及覆盖状况抑制了一小部分由形状引起的地表温度变化。总体来讲,四个系数与温度的相关性由于加入了个体因素的影响均变弱了,这些都说明水平1解释变量既可以在个体水平,也可以在群组水平上影响结局变异,也再次证明了多水平模型分析的必要性。
水平1随机斜率检验
本小节的目的是讨论水平1解释变量对结局测量的效应是否随组群变化。即检验水平1斜率在组间是否有显著变化。检验的结果将有助于确定在最终模型中哪些水平1斜率应该设定为固定系数,哪些应该设置为随机系数。
首先,可以进行一次探索性建模,以便初步评估有关水平1斜率的随机性。
协方差参数估计部分显示水平1截距和三个水平1变量LAI、VF、P_Water的斜率之跨组变异方差统计显著,如表3.14所示:
表3.14协方差参数估计
从表3.14中可以看出,LAI和P_Water这两个解释变量是在0.05的水平上显著,解释变量VF包括截距均是在0.01的水平上显著,且由Z值可以看出水平1截距和三个解释变量的回归系数都是随机系数。在对这三个水平一变量进行一一检验时也证实了这一点。从模型拟合结果中还可以注意到,水平1截距和斜率(LAI)之间是存在显著负相关的,说明了变量LAI对结局测量LST的效应与各场景采样区域的结局测量的平均水平有关。
通过让水平1解释变量斜率跨组群变化,是否显著地改善了模型拟合程度。评价指标如表3.15所示:
表3.15格局模型与组份和格局模型拟合效果对比
表3.15中的数据表明,两模型间-2LL差距较大,现有模型中所有的信息标准测量都比组份和格局模型的相应标准要小,说明模型拟合有所改善。证实了第一水平的三个解释变量即叶面积指数、植被覆盖度和水体比例对湿地场景内的地表温度的效应是随组群变化的。同时,三个斜率都应设定为随机斜率,因此需要在相应的高水平层次即场景层次模型中加入场景变量或组水平解释变量来解释其变异。
总结
本实施例多水平模型分析了城市湿地场景内地表温度的影响因素。城市湿地场景内的地表温度受到组份特征和格局特征的共同影响,组份特征是像元层影响;而格局特征是背景层及格局层影响,并且格局层的定义往往高于像元层,因此传统的OLS回归已不再适用。本研究中引入了组份和格局两个层次的因子来描述场景内的地表特征。其中组份因子是基于单个像元层的指标,而格局因子是基于背景层,即场景格局层的指标。组份层变量既可以在个体水平,也可以在群组格局水平上影响结局变异,因为他们的值可能既有组内变异,也有组间变异。试验同时还说明了,格局层相比组份层对场景地表温度的影响更大一些。因此在城市湿地规划过程中,不仅要重视水体的比重以及植被的覆盖和长势,同时不可忽略的是他们在构成一个小场景后,互相之间所体现出来的空间格局。如增大城市湿地内部斑块的团聚程度或延展趋势,减小分离度,增大连通度,适当使湿地场景内三种地物的组成比例均匀。
多水平模型的第一步是零模型验证,通过零模型证明了在第一水平层次上,第二水平层次存在,表明城市湿地场景内的地表温度在空间上的分布具有多水平效应。
从方差模型的结果可以看出组份和格局层对湿地场景内的地表温度就有影响,格局层的影响更大一些。
随机系数模型验证了第一水平上的三个变量即叶面积指数、植被覆盖度和水体比例对湿地场景内的地表温度的效应是随组群变化的。
因此,在实际城市湿地布局中,既要重视增大叶面积指数、植被覆盖度、水体比例,同时也应该考虑城市湿地景观中水、植被、土壤三者体现出来的景观格局的效应。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (9)
1.一种基于多源遥感影像的城市湿地热岛效应分析方法,其特征在于,包含如下步骤:
S1、以Landsat8的影像数据作为低分影像数据,从低分影像数据中选择一景观区域,作为宏观水平的一个组;
S2、获取所述景观区域所对应的QuickBird卫星的影像数据作为高分影像数据,对于高分影像数据上的各个像元:用该景观区域的高分分类图计算面积周长分维数、几何最邻近距离面积加权平均、蔓延度、斑块内聚力指数及斑块丰富度五种景观级别的景观指数作为宏观水平上的解释变量;
S3、对于Landsat8影像数据的景观区域中单个像元作为微观水平的个体,计算每个像元的叶面积指数、植被覆盖度和水的比例,作为微观水平上的解释变量;
S4、采用Landsat8景观区域中的单个像元反演得到的地表温度作为结局变量;
S5、在试验区中选择多个组水平以及多个体水平的数据进行多水平模型分析,进行湿地热岛效应中各个因素的影响程度。
2.根据权利要求1所述的城市湿地热岛效应分析方法,其特征在于,叶面积指数是反映植物群体生长状况的另一个重要指标,其LAI估算过程为:利用植被在可见光和近红外波段反射值的散点图,首先确定出计算LAI所需的参数,然后利用这些参数和卫星传感器所探测到的地物反射值估算LAI,该估算过程需要确定的参数包括:
(1)土壤线方程参数a,b,土壤线方程参数a,b可以从相应波段的散点图中求取;
(2)用于描述辐射能量穿透叶面时的衰减性质的系数c1,c2,其大小取决于植被类型,通过预设得到;
(3)高垂直密度植被的地物反射值r∞;
最终的LAI与卫星数据的灰度值DNi的关系可描述为(a)式,这里i=1、2,分别对应于TM3、TM4波段:
其中:s指土壤,DN∞i可从遥感资料中读取;r∞1,r∞2据Price研究可分别取预设值,将上式代入土壤线方程(b)将LAI表示为图像的灰度量化值DNi和c1、c2的函数关系式;
DNsi=a′DNs1+b′ (b)
式中参数a’,b’可从可见光和近红外波段的散点图中通过回归法求取;通过变换可以将LAI与图像的灰度量化值DNi和c1,c2的函数关系式转化为一个多项式方程,并在给定c1,c2的值的情况下,求得其解析解,或者,通过建立LAI与图像的灰度量化值DNi的映射表和内插来实现,至此,Landsat8中每个像元的LAI值获得。
3.根据权利要求1所述的城市湿地热岛效应分析方法,其特征在于,Landsat8单个像元内的植被覆盖度的计算是先将Landsat8影像和QuickBird高分遥感影像进行配准,然后计算对应的高分像元块内植被的总量,从而获得Landsat8单个像元内的植被覆盖度。
4.根据权利要求1所述的城市湿地热岛效应分析方法,其特征在于,Landsat8单个像元内的水体比例是先将Landsat8影像和QuickBird高分遥感影像进行配准,然后计算对应的高分像元块内水体的总量,从而获得Landsat8单个像元内的水体比例。
5.根据权利要求1所述的城市湿地热岛效应分析方法,其特征在于,面积周长分维数的取值范围为1到2之间,大于1意味着已经偏离简单的几何形状,形状复杂性增强;几何最邻近距离面积加权平均衡量的是斑块之间的独立性;蔓延度描述场景内部不同板块类型之间的团聚程度或延展趋势;斑块内聚力指数衡量的是斑块的自然连通度;斑块丰富度对景观组成的度量。
6.根据权利要求1所述的城市湿地热岛效应分析方法,其特征在于,所述进行多水平模型分析具体是指:采用零模型对地表温度进行水平分解,探索不同水平的随机效应;
零模型的结构表示如公式(c)所示:
Yij=β00+u0j+εij (c)
其中,β00表示所有空间单元的平均效应,u0j为宏观水平的随机效应,即温度在宏观水平单元中的随机影响,εij为微观水平的残差,即温度在微观水平单元中的随机影响,Yij为结局变量。
7.根据权利要求1所述的城市湿地热岛效应分析方法,其特征在于,所述进行多水平模型分析具体是指:采用格局模型的理论模型进行分析,格局模型的理论模型为如公式(d)所示:
LSTij=γ00+γ01L1j+γ02L2j+γ03L3j+γ04L4j+(μ0j+εij). (d)
其中L1j~L4j表示格局因子,分别为蔓延度、景观分离度、几何最邻近距离面积加权平均和香农多样性指数;u0j为宏观水平的随机效应,即温度在宏观水平单元中的随机影响,εij为微观水平的残差,即温度在微观水平单元中的随机影响,γ为系数,LSTij为结局变量。
8.根据权利要求1所述的城市湿地热岛效应分析方法,其特征在于,所述进行多水平模型分析具体是指:采用组份和格局模型进行分析,并将所有微观水平解释变量的效应看作是固定效应,组份和格局模型的表述如下公式(e)所示:
LSTij=γ00+γ01L1j+γ01L2j+γ01L3j+γ01L4j+β1LAI+β2VF+β3pwater+(εij+μ0j) (e)
其中L1j~L4j表示格局因子,分别为蔓延度、景观分离度、几何最邻近距离面积加权平均和香农多样性指数;u0j为宏观水平的随机效应,即温度在宏观水平单元中的随机影响,εij为微观水平的残差,即温度在微观水平单元中的随机影响,γ为系数;LAI、VF、P_Water3个体水平变量;CONTAG,DIVISION,ENN_AM,SHDI为4个组水平变量,用于预测水平1随机截距系数β0j的跨组变异,LSTij为结局变量。
9.一种基于多源遥感影像的城市湿地热岛效应分析系统,其特征在于,包含如下模块:
宏观数据获取模块,用于以Landsat8的影像数据作为低分影像数据,从低分影像数据中选择的一景观区域,作为宏观水平的一个组;
宏观水平处理模块,用于获取所述景观区域所对应的QuickBird卫星的影像数据作为高分影像数据,对于高分影像数据上的各个像元:用该景观区域的高分分类图计算面积周长分维数、几何最邻近距离面积加权平均、蔓延度、斑块内聚力指数及斑块丰富度五种景观级别的景观指数作为宏观水平上的解释变量;
微观水平获取模块,用于对于Landsat8影像数据的景观区域中单个像元作为微观水平的个体,计算每个像元的叶面积指数、植被覆盖度和水的比例,作为微观水平上的解释变量;
像元反演模块,用于采用Landsat8景观区域中的单个像元反演得到的地表温度作为结局变量;
数据分析模块,用于在试验区中选择共有多个组水平以及多个体水平的数据进行多水平模型分析,进行湿地热岛效应中各个因素的影响程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810122811.7A CN108320285A (zh) | 2018-02-07 | 2018-02-07 | 基于多源遥感影像的城市湿地热岛效应分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810122811.7A CN108320285A (zh) | 2018-02-07 | 2018-02-07 | 基于多源遥感影像的城市湿地热岛效应分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108320285A true CN108320285A (zh) | 2018-07-24 |
Family
ID=62903041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810122811.7A Pending CN108320285A (zh) | 2018-02-07 | 2018-02-07 | 基于多源遥感影像的城市湿地热岛效应分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108320285A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446577A (zh) * | 2018-09-28 | 2019-03-08 | 同济大学 | 基于数值模拟水文分析的滨水景观设计方法 |
CN109490209A (zh) * | 2018-11-15 | 2019-03-19 | 中国科学院遥感与数字地球研究所 | 一种基于城市不透水面和dem的城市地表径流检测方法 |
CN109903234A (zh) * | 2019-01-18 | 2019-06-18 | 重庆邮电大学 | 一种城市热力景观定量描述及多尺度特征分析方法 |
CN110189617A (zh) * | 2019-05-10 | 2019-08-30 | 广州大学 | 一种城市热环境主控因素的空间制图方法、装置及介质 |
CN111147311A (zh) * | 2019-12-31 | 2020-05-12 | 杭州师范大学 | 一种基于图嵌入的网络结构性差异量化方法 |
CN111275631A (zh) * | 2020-01-08 | 2020-06-12 | 中国科学院东北地理与农业生态研究所 | 一种遥感影像提取城市水体时消除阴影干扰的方法 |
CN112884793A (zh) * | 2021-01-27 | 2021-06-01 | 河南理工大学 | 一种多时相多等级的城市温度遥感数据分析方法 |
CN113553551A (zh) * | 2021-07-28 | 2021-10-26 | 生态环境部华南环境科学研究所 | 一种耦合景观格局的臭氧浓度预测模型 |
CN114323308A (zh) * | 2022-01-06 | 2022-04-12 | 中国地质大学(北京) | 一种遥感城市地表温度角度效应的校正方法 |
CN117133356A (zh) * | 2023-09-18 | 2023-11-28 | 生态环境部南京环境科学研究所 | 一种生物多样性的能力建设及支助需求评估装置及方法 |
CN117893923A (zh) * | 2024-03-15 | 2024-04-16 | 中国科学院地理科学与资源研究所 | 一种基于蓝绿灰比例构建空间场景的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678225A (zh) * | 2015-12-29 | 2016-06-15 | 中国科学院深圳先进技术研究院 | 一种城市热岛效应空间变化检测方法及系统 |
-
2018
- 2018-02-07 CN CN201810122811.7A patent/CN108320285A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678225A (zh) * | 2015-12-29 | 2016-06-15 | 中国科学院深圳先进技术研究院 | 一种城市热岛效应空间变化检测方法及系统 |
Non-Patent Citations (4)
Title |
---|
CHUNLEI MENG: "Mitigating the surface urban heat island: Mechanism study and sensitivity analysis", 《ASIA-PACIFIC JOURNAL OF ATMOSPHERIC SCIENCES》 * |
SHIHONG DU,ZIQIAN XIONG,YI-CHENWANG,LUO GUO: "Quantifying the multilevel effects of landscape composition and configuration on land surface temperature", 《REMOTE SENSING OF ENVIRONMENT》 * |
蒋卫国等: "城市湿地与城市热岛效应关系探讨", 《上海环境科学》 * |
陈晋等: "基于土地覆被分类的植被覆盖率估算亚像元模型与应用", 《遥感学报》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446577A (zh) * | 2018-09-28 | 2019-03-08 | 同济大学 | 基于数值模拟水文分析的滨水景观设计方法 |
CN109490209A (zh) * | 2018-11-15 | 2019-03-19 | 中国科学院遥感与数字地球研究所 | 一种基于城市不透水面和dem的城市地表径流检测方法 |
CN109903234A (zh) * | 2019-01-18 | 2019-06-18 | 重庆邮电大学 | 一种城市热力景观定量描述及多尺度特征分析方法 |
CN109903234B (zh) * | 2019-01-18 | 2023-04-07 | 重庆邮电大学 | 一种城市热力景观定量描述及多尺度特征分析方法 |
CN110189617A (zh) * | 2019-05-10 | 2019-08-30 | 广州大学 | 一种城市热环境主控因素的空间制图方法、装置及介质 |
CN111147311A (zh) * | 2019-12-31 | 2020-05-12 | 杭州师范大学 | 一种基于图嵌入的网络结构性差异量化方法 |
CN111147311B (zh) * | 2019-12-31 | 2022-06-21 | 杭州师范大学 | 一种基于图嵌入的网络结构性差异量化方法 |
CN111275631A (zh) * | 2020-01-08 | 2020-06-12 | 中国科学院东北地理与农业生态研究所 | 一种遥感影像提取城市水体时消除阴影干扰的方法 |
CN112884793A (zh) * | 2021-01-27 | 2021-06-01 | 河南理工大学 | 一种多时相多等级的城市温度遥感数据分析方法 |
CN112884793B (zh) * | 2021-01-27 | 2022-12-23 | 河南理工大学 | 一种多时相多等级的城市温度遥感数据分析方法 |
CN113553551B (zh) * | 2021-07-28 | 2024-02-02 | 生态环境部华南环境科学研究所 | 一种耦合景观格局的臭氧浓度预测系统 |
CN113553551A (zh) * | 2021-07-28 | 2021-10-26 | 生态环境部华南环境科学研究所 | 一种耦合景观格局的臭氧浓度预测模型 |
CN114323308A (zh) * | 2022-01-06 | 2022-04-12 | 中国地质大学(北京) | 一种遥感城市地表温度角度效应的校正方法 |
CN114323308B (zh) * | 2022-01-06 | 2023-05-02 | 中国地质大学(北京) | 一种遥感城市地表温度角度效应的校正方法 |
CN117133356A (zh) * | 2023-09-18 | 2023-11-28 | 生态环境部南京环境科学研究所 | 一种生物多样性的能力建设及支助需求评估装置及方法 |
CN117133356B (zh) * | 2023-09-18 | 2024-04-09 | 生态环境部南京环境科学研究所 | 一种生物多样性的能力建设及支助需求评估装置及方法 |
CN117893923A (zh) * | 2024-03-15 | 2024-04-16 | 中国科学院地理科学与资源研究所 | 一种基于蓝绿灰比例构建空间场景的方法 |
CN117893923B (zh) * | 2024-03-15 | 2024-06-04 | 中国科学院地理科学与资源研究所 | 一种基于蓝绿灰比例构建空间场景的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320285A (zh) | 基于多源遥感影像的城市湿地热岛效应分析方法及系统 | |
Roth et al. | Predicting cover crop biomass by lightweight UAS-based RGB and NIR photography: an applied photogrammetric approach | |
Pan et al. | Modeling winter wheat leaf area index and canopy water content with three different approaches using Sentinel-2 multispectral instrument data | |
Tariq et al. | Crop phenotyping | |
CN110376138A (zh) | 基于航空高光谱的土地质量监测方法 | |
CN113516362A (zh) | 基于遥感与过程耦合模型的红树林净初级生产力估算方法 | |
CN111489092B (zh) | 一种植物栽培种植环境适生区的评估方法及系统 | |
Gómez et al. | Determining Biophysical Parameters for Olive Trees Using CASI‐Airborne and Quickbird‐Satellite Imagery | |
CN107941713A (zh) | 一种基于耦合作物模型同化光谱反射率的水稻估产方法 | |
Kamamia et al. | Mapping soil aggregate stability using digital soil mapping: A case study of Ruiru reservoir catchment, Kenya | |
Verdugo-Vásquez et al. | Identification of main factors affecting the within-field spatial variability of grapevine phenology and total soluble solids accumulation: towards the vineyard zoning using auxiliary information | |
CN117115669B (zh) | 双条件质量约束的对象级地物样本自适应生成方法及系统 | |
Sultana et al. | The consequences of plant architecture and spatial distribution of light interception on cotton growth and yield. | |
Badr et al. | Estimating growing season length using vegetation indices based on remote sensing: A case study for vineyards in Washington State | |
Mialet-Serra et al. | Using plant architectural models for estimation of radiation transfer in a coconut-based agroforestry system | |
Guillén-Climent et al. | Estimating radiation interception in an olive orchard using physical models and multispectral airborne imagery | |
Janišová | Vegetation-environment relationships in dry calcareous grassland | |
Schaepman et al. | River floodplain vegetation scenario development using imaging spectroscopy derived products as input variables in a dynamic vegetation model | |
Yamanura et al. | NDVI derived LAI model: a novel tool for crop monitoring. | |
Jayasekara et al. | Mapping the vegetation cover and habitat categorization of Maduru Oya and Horton Plains National Parks using Landsat 8 (OLI) imagery to assist the ecological studies | |
Yousif | Optimizing Agricultural Land Evaluation of Some Areas in the New Delta Region, Al‑Dabaa Corridor, Egypt | |
Fontanelli et al. | Assessing interactions between crop biophysical parameters and X-band backscattering using empirical data and model sensitivity analysis | |
El-Sharkawy et al. | Precision farming using remote sensing and GIS to improve soil and potato crop management | |
Ebrahimigajoti et al. | Studying biodiversity of plant associations in Sutan-Chay Basin in Arasbaran, northwest of Iran. | |
CN114065643B (zh) | 基于sar和极化分解的种植物土壤含水量估算方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180724 |
|
RJ01 | Rejection of invention patent application after publication |