CN110188927A - 一种城市热岛主控因素的分析方法、装置及存储介质 - Google Patents
一种城市热岛主控因素的分析方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110188927A CN110188927A CN201910391640.2A CN201910391640A CN110188927A CN 110188927 A CN110188927 A CN 110188927A CN 201910391640 A CN201910391640 A CN 201910391640A CN 110188927 A CN110188927 A CN 110188927A
- Authority
- CN
- China
- Prior art keywords
- surface temperature
- heat island
- urban
- urban heat
- index
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000003709 image segmentation Methods 0.000 claims abstract description 12
- 238000005520 cutting process Methods 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000000556 factor analysis Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000002834 transmittance Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012252 genetic analysis Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种城市热岛主控因素的分析方法、装置及存储介质，所述方法包括：对采集的Landsat TM影像数据进行预处理，得到真实地表温度数据和城市绿地斑块信息后进行图像分割，得到城市热岛区域图像后设置网格单元，计算每个网格单元内的平均地表温度，并选取n个绿地景观格局指数作为影响因子，计算每个网格单元内的城市绿地景观格局指数信息；根据平均地表温度和城市绿地景观格局指数信息，构建绿地格局指数的地表温度预测模型，对模型决定系数R2进行分解，得到每种绿地格局指数的联合贡献百分比和独立贡献百分比，从而识别出城市热岛的主控因素。本发明能够考虑城市热岛及其影响因子的空间异质性，实现城市热岛控制因素的快速高精度挖掘。
Description
技术领域
本发明涉及环境监测技术领域，具体涉及一种城市热岛主控因素的分析方法、装置及存储介质。
背景技术
在快速城市化的背景下，城市热岛效应作为城市气候主要特征之一有日趋严重的趋势。遥感数据的广泛应用使得在不同尺度上进行热岛效应成因分析研究成为可能，大量研究结果表明，城市非渗透地表、植被、水体等景观的组成与配置模式对热岛形成与发展有重要作用。因此，寻求高效准确的城市热岛主控因素挖掘方法，快速定位影响热岛的城市规划参数，对缓解城市热岛和构建宜居城市有重要意义。
Chevan等人在1991年提出了一种层次分解(Hierarchical partitioning)算法，用于挖掘不同影响因素对预测变量的贡献程度，目前已在城市景观与热环境研究领域得到广泛应用。但是，在对现有技术的研究与实践过程中，本发明的发明人发现，现有技术一般是基于全局最小二乘法的线性回归分析，从而对影响因子进行全局的参数估计，但没有考虑到影响因子对城市热岛的多方面作用，造成算法精度低的缺陷，无法满足城市热岛控制因素的快速高精度挖掘的需求。
发明内容
本发明实施例所要解决的技术问题在于，提供一种城市热岛主控因素的分析方法、装置及存储介质，能够快速和精准分析城市热岛控制因素。
为解决上述问题，本发明的一个实施例提供一种城市热岛主控因素的分析方法，适于在计算机设备中执行，包括如下步骤：
对基于遥感影像设备采集的Landsat TM影像数据进行预处理，得到真实地表温度数据和城市绿地斑块信息；
对所述地表温度数据进行图像分割处理，得到城市热岛区域图像；
在所述城市热岛区域图像中设置若干个相同规格的网格单元，采用区域统计法计算每个所述网格单元内的平均地表温度，并选取n个绿地景观格局指数作为影响因子，计算每个所述网格单元内的城市绿地景观格局指数信息；
根据所述平均地表温度和城市绿地景观格局指数信息，采用地理加权回归算法分别构建2n个绿地格局指数的地表温度预测模型，得到对应的2n个模型决定系数R2；
利用层次分解算法对每一所述模型决定系数R2进行分解，得到每种绿地格局指数的联合贡献百分比和独立贡献百分比，识别出城市热岛的主控因素。
进一步地，所述预处理具体为：
采用第一公式对基于遥感影像设备采集的Landsat TM影像数据转化为真实地表温度数据；
利用面向对象方法对所述Landsat TM影像图像进行景观类型分类，提取得到城市绿地斑块信息。
进一步地，所述第一公式，具体为：
其中，Ts为真实地表温度，单位为K，a和b为常数，Ta为大气平均作用温度，C＝ετ和D＝(1-ε)[1+(1-ε)τ]均为中间变量，τ为大气透过率，ε是比辐射率。
进一步地，所述图像分割处理，具体为：
对所述真实地表温度数据设置分割尺度和复杂性系数，得到地表温度分割单元；
采用集聚分析算法计算所述地表温度分割单元的集聚特征，得到城市热岛区域图像。
进一步地，所述绿地景观格局指数包括面积百分比(PER)，平均斑块大小(MPS)、边界密度(ED)和最大斑块指数(LPI)。
进一步地，所述地表温度预测模型，具体为：
其中，LSTi为位置i的地表温度值，β0(ui,vi)是位置i的回归系数，xiz为第z个格局指数，(ui,vi)为空间位置坐标，ε为特定位置i的误差。
本发明的一个实施例还提供了一种城市热岛主控因素的分析装置，包括：
数据预处理模块，用于对基于遥感影像设备采集的Landsat TM影像数据进行预处理，得到真实地表温度数据和城市绿地斑块信息；
图像分割模块，用于对所述地表温度数据进行图像分割处理，得到城市热岛区域图像；
计算模块，用于在所述城市热岛区域图像中设置若干个相同规格的网格单元，采用区域统计法计算每个所述网格单元内的平均地表温度，并选取n个绿地景观格局指数作为影响因子，计算每个所述网格单元内的城市绿地景观格局指数信息；
预测模型模块，用于根据所述平均地表温度和城市绿地景观格局指数信息，采用地理加权回归算法分别构建2n个绿地格局指数的地表温度预测模型，得到对应的2n个模型决定系数R2；
因素分析模块，用于利用层次分解算法对每一所述模型决定系数R2进行分解，得到每种绿地格局指数的联合贡献百分比和独立贡献百分比，识别出城市热岛的主控因素。
进一步地，所述预处理具体为：
采用第一公式对基于遥感影像设备采集的Landsat TM影像数据转化为真实地表温度数据；
利用面向对象方法对所述Landsat TM影像图像进行景观类型分类，提取得到城市绿地斑块信息。
进一步地，所述图像分割处理，具体为：
对所述真实地表温度数据设置分割尺度和复杂性系数，得到地表温度分割单元；
采用集聚分析算法计算所述地表温度分割单元的集聚特征，得到城市热岛区域图像。
本发明的一个实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的城市热岛主控因素的分析方法。
实施本发明实施例，具有如下有益效果：
本发明实施例提供的一种城市热岛主控因素的分析方法、装置及存储介质，所述方法包括：对采集的Landsat TM影像数据进行预处理，得到真实地表温度数据和城市绿地斑块信息后进行图像分割，得到城市热岛区域图像后设置网格单元，计算每个网格单元内的平均地表温度，并选取n个绿地景观格局指数作为影响因子，计算每个网格单元内的城市绿地景观格局指数信息；根据平均地表温度和城市绿地景观格局指数信息，构建绿地格局指数的地表温度预测模型，对模型决定系数R2进行分解，得到每种绿地格局指数的联合贡献百分比和独立贡献百分比，从而识别出城市热岛的主控因素。本发明能够考虑城市热岛及其影响因子的空间异质性，通过改进原有的层次分解算法从而提高热岛效应的建模精度，实现城市热岛控制因素的快速高精度挖掘。
附图说明
图1为本发明第一实施例提供的一种城市热岛主控因素的分析方法的流程示意图；
图2为本发明第一实施例提供的24个模型决定系数R2表；
图3为本发明第一实施例提供的不同绿地景观格局指数独立贡献和联合贡献百分比的示意图；
图4为本发明第一实施例提供的另一种城市热岛主控因素的分析方法的流程示意图；
图5为本发明第二实施例提供的一种城市热岛主控因素的分析装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
首先介绍本发明可以提供的应用场景，如分析城市热岛主控因素。
需要说明的是，使用本发明时可根据应用需求更换原始地表温度数据，如MODIS影像可提供1km空间分辨率的地表温度数据，能用于城市群尺度的热岛效应分析，同样适合于本方法。除外，可将本发明的算法推广到其它学科，用于挖掘自变量对因变量的贡献程度。本发明具体实施例中，以广州市核心区为案例区域，以2011年6月1日Landsat TM影像和2010年高空间分辨率遥感影像为数据源。
本发明第一实施例：
请参阅图1-4。
如图1所示，本实施例提供的一种城市热岛主控因素的分析方法，适于在计算机设备中执行，包括如下步骤：
S101、对基于遥感影像设备采集的Landsat TM影像数据进行预处理，得到真实地表温度数据和城市绿地斑块信息；
在优选的实施例中，所述预处理具体为：
采用第一公式对基于遥感影像设备采集的Landsat TM影像数据转化为真实地表温度数据；
利用面向对象方法对所述Landsat TM影像图像进行景观类型分类，提取得到城市绿地斑块信息。
具体的，对所述地表温度数据进行图像分割，采用集聚分析算法计算地表温度分割单元的集聚特征，获得城市热岛范围。同时利用面向对象方法提取城市绿地斑块信息。
S102、对所述地表温度数据进行图像分割处理，得到城市热岛区域图像；
具体的，对于步骤S102，在本实施例当中，根据地表温度影像特征，设置分割尺度为5，复杂性系数为0.3，得到地表温度分割单元。然后采用集聚分析算法计算地表温度分割单元的集聚特征，获得城市热岛范围。同时利用面向对象方法对2010年该研究区高空间分辨率影像进行景观类型分类，提取城市绿地斑块信息。
S103、在所述城市热岛区域图像中设置若干个相同规格的网格单元，采用区域统计法计算每个所述网格单元内的平均地表温度，并选取n个绿地景观格局指数作为影响因子，计算每个所述网格单元内的城市绿地景观格局指数信息；
对于步骤S103，具体的，只局限于热岛范围内，设置一定400m×400m的网格单元，采用区域统计法计算单位内平均地表温度。根据前人研究成果，本实施例选取对城市热岛有重要影响的绿地景观格局指数作为影响因子，所选取的景观格局指数包括面积百分比(PER)，平均斑块大小(MPS)、边界密度(ED)和最大斑块指数(LPI)四个，最后求算每个网格单元内部的城市绿地景观格局指数信息。
S104、根据所述平均地表温度和城市绿地景观格局指数信息，采用地理加权回归算法分别构建2n个绿地格局指数的地表温度预测模型，得到对应的2n个模型决定系数R2；
对于步骤S104，具体的，考虑所有可能的绿地格局指数组合，即，若模型考虑到的格局指数有n个，则需要构建的模型个数为2n个。利用地理加权回归算法构建2n个绿地格局指数的地表温度预测模型，得到2n个模型决定系数R2。
S105、利用层次分解算法对每一所述模型决定系数R2进行分解，得到每种绿地格局指数的联合贡献百分比和独立贡献百分比，识别出城市热岛的主控因素。
对于步骤S105，具体的，利用层次分解算法对所有决定系数R2进行分解，得到每种绿地格局指数的联合贡献百分比和独立贡献百分比，根据独立贡献百分比大小最终识别出城市热岛的主控因素，如图3所示，结果显示面积百分比(PER)的独立贡献率最大(30.86％)，表示绿地面积百分比能独立解释城市热岛的30.86％，边界密度(ED)次之(29.09％)，平均斑块大小(MPS)的独立贡献率最大，仅有9.86％。因此，可以得到绿地面积百分比是城市热岛的主控因素，边界密度的作用次之。
在优选的实施例中，所述第一公式，具体为：
其中，Ts为真实地表温度，单位为K，a和b为常数，Ta为大气平均作用温度，C＝ετ和D＝(1-ε)[1+(1-ε)τ]均为中间变量，τ为大气透过率，ε是比辐射率。
在优选的实施例中，所述图像分割处理，具体为：
对所述真实地表温度数据设置分割尺度和复杂性系数，得到地表温度分割单元；
采用集聚分析算法计算所述地表温度分割单元的集聚特征，得到城市热岛区域图像。
在优选的实施例中，所述绿地景观格局指数包括面积百分比(PER)，平均斑块大小(MPS)、边界密度(ED)和最大斑块指数(LPI)。
在优选的实施例中，所述地表温度预测模型，具体为：
其中，LSTi为位置i的地表温度值，β0(ui,vi)是位置i的回归系数，xiz为第z个格局指数，(ui,vi)为空间位置坐标，ε为特定位置i的误差。
具体的，如图2所示，考虑所有可能的绿地格局指数组合，本实施例共4个格局指数，则所有的模型组合共有24个。利用地理加权回归算法构建24个绿地格局指数的地表温度预测模型，得到24个模型决定系数R2。
如图4所示，在具体的实施例中，还提供了另一种城市热岛主控因素的分析方法，包括：利用遥感影像分别获取城市地表温度与城市绿地信息，再利用影像分割和集聚度分析耦合的方法提取城市热岛范围；设置一定大小的网格单元，求算热岛范围内每个单元内部的平均温度和绿地格局指数；改进原有的层次分解算法，考虑所有可能的绿地格局指数组合，利用地理加权回归算法分别构建地表温度与格局指数的局部模型，获得所有模型决定系数R2；利用层次分解算法对所有R2进行分解，得到每种绿地格局指数的独立贡献百分比，最终识别出城市热岛的主控因素。
本实施例提供的一种城市热岛主控因素的分析方法，所述方法包括：对采集的Landsat TM影像数据进行预处理，得到真实地表温度数据和城市绿地斑块信息后进行图像分割，得到城市热岛区域图像后设置网格单元，计算每个网格单元内的平均地表温度，并选取n个绿地景观格局指数作为影响因子，计算每个网格单元内的城市绿地景观格局指数信息；根据平均地表温度和城市绿地景观格局指数信息，构建绿地格局指数的地表温度预测模型，对模型决定系数R2进行分解，得到每种绿地格局指数的联合贡献百分比和独立贡献百分比，从而识别出城市热岛的主控因素。本发明能够考虑城市热岛及其影响因子的空间异质性，通过改进原有的层次分解算法从而提高热岛效应的建模精度，实现城市热岛控制因素的快速高精度挖掘。
本发明第二实施例：
请参阅图2-5。
如图5所示，本实施例还提供了一种城市热岛主控因素的分析装置，包括：
数据预处理模块100，用于对基于遥感影像设备采集的Landsat TM影像数据进行预处理，得到真实地表温度数据和城市绿地斑块信息；
图像分割模块200，用于对所述地表温度数据进行图像分割处理，得到城市热岛区域图像；
具体的，对于图像分割模块200，根据地表温度影像特征，设置分割尺度为5，复杂性系数为0.3，得到地表温度分割单元。然后采用集聚分析算法计算地表温度分割单元的集聚特征，获得城市热岛范围。同时利用面向对象方法对2010年该研究区高空间分辨率影像进行景观类型分类，提取城市绿地斑块信息。
计算模块300，用于在所述城市热岛区域图像中设置若干个相同规格的网格单元，采用区域统计法计算每个所述网格单元内的平均地表温度，并选取n个绿地景观格局指数作为影响因子，计算每个所述网格单元内的城市绿地景观格局指数信息；
具体的，对于计算模块300，只局限于热岛范围内，设置一定400m×400m的网格单元，采用区域统计法计算单位内平均地表温度。根据前人研究成果，本实施例选取对城市热岛有重要影响的绿地景观格局指数作为影响因子，所选取的景观格局指数包括面积百分比(PER)，平均斑块大小(MPS)、边界密度(ED)和最大斑块指数(LPI)四个，最后求算每个网格单元内部的城市绿地景观格局指数信息。
预测模型模块400，用于根据所述平均地表温度和城市绿地景观格局指数信息，采用地理加权回归算法分别构建2n个绿地格局指数的地表温度预测模型，得到对应的2n个模型决定系数R2；
具体的，对于预测模型模块400，考虑所有可能的绿地格局指数组合，即，若模型考虑到的格局指数有n个，则需要构建的模型个数为2n个。利用地理加权回归算法构建2n个绿地格局指数的地表温度预测模型，得到2n个模型决定系数R2。
因素分析模块500，用于利用层次分解算法对每一所述模型决定系数R2进行分解，得到每种绿地格局指数的联合贡献百分比和独立贡献百分比，识别出城市热岛的主控因素。
具体的，对于因素分析模块500，利用层次分解算法对所有决定系数R2进行分解，得到每种绿地格局指数的联合贡献百分比和独立贡献百分比，根据独立贡献百分比大小最终识别出城市热岛的主控因素，如图3所示，结果显示面积百分比(PER)的独立贡献率最大(30.86％)，表示绿地面积百分比能独立解释城市热岛的30.86％，边界密度(ED)次之(29.09％)，平均斑块大小(MPS)的独立贡献率最大，仅有9.86％。因此，可以得到绿地面积百分比是城市热岛的主控因素，边界密度的作用次之。
在优选的实施例中，所述预处理具体为：
采用第一公式对基于遥感影像设备采集的Landsat TM影像数据转化为真实地表温度数据；
利用面向对象方法对所述Landsat TM影像图像进行景观类型分类，提取得到城市绿地斑块信息。
具体的，对所述地表温度数据进行图像分割，采用集聚分析算法计算地表温度分割单元的集聚特征，获得城市热岛范围。同时利用面向对象方法提取城市绿地斑块信息。
在优选的实施例中，所述第一公式，具体为：
其中，Ts为真实地表温度，单位为K，a和b为常数，Ta为大气平均作用温度，C＝ετ和D＝(1-ε)[1+(1-ε)τ]均为中间变量，τ为大气透过率，ε是比辐射率。
在优选的实施例中，所述图像分割处理，具体为：
对所述真实地表温度数据设置分割尺度和复杂性系数，得到地表温度分割单元；
采用集聚分析算法计算所述地表温度分割单元的集聚特征，得到城市热岛区域图像。
在优选的实施例中，所述绿地景观格局指数包括面积百分比(PER)，平均斑块大小(MPS)、边界密度(ED)和最大斑块指数(LPI)。
在优选的实施例中，所述地表温度预测模型，具体为：
其中，LSTi为位置i的地表温度值，β0(ui,vi)是位置i的回归系数，xiz为第z个格局指数，(ui,vi)为空间位置坐标，ε为特定位置i的误差。
具体的，如图2所示，考虑所有可能的绿地格局指数组合，本实施例共4个格局指数，则所有的模型组合共有24个。利用地理加权回归算法构建24个绿地格局指数的地表温度预测模型，得到24个模型决定系数R2。
本实施例提供的城市热岛主控因素的分析装置，包括：数据预处理模块，用于对基于遥感影像设备采集的Landsat TM影像数据进行预处理，得到真实地表温度数据和城市绿地斑块信息；图像分割模块，用于对所述地表温度数据进行图像分割处理，得到城市热岛区域图像；计算模块，用于在所述城市热岛区域图像中设置若干个相同规格的网格单元，采用区域统计法计算每个所述网格单元内的平均地表温度，并选取n个绿地景观格局指数作为影响因子，计算每个所述网格单元内的城市绿地景观格局指数信息；预测模型模块，用于根据所述平均地表温度和城市绿地景观格局指数信息，采用地理加权回归算法分别构建2n个绿地格局指数的地表温度预测模型，得到对应的2n个模型决定系数R2；因素分析模块，用于利用层次分解算法对每一所述模型决定系数R2进行分解，得到每种绿地格局指数的联合贡献百分比和独立贡献百分比，识别出城市热岛的主控因素。本发明能够考虑城市热岛及其影响因子的空间异质性，通过改进原有的层次分解算法从而提高热岛效应的建模精度，实现城市热岛控制因素的快速高精度挖掘。
本发明的一个实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的城市热岛主控因素的分析方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变形，这些改进和变形也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
Claims (10)
1.一种城市热岛主控因素的分析方法，适于在计算机设备中执行，其特征在于，包括如下步骤：
对基于遥感影像设备采集的Landsat TM影像数据进行预处理，得到真实地表温度数据和城市绿地斑块信息；
对所述地表温度数据进行图像分割处理，得到城市热岛区域图像；
在所述城市热岛区域图像中设置若干个相同规格的网格单元，采用区域统计法计算每个所述网格单元内的平均地表温度，并选取n个绿地景观格局指数作为影响因子，计算每个所述网格单元内的城市绿地景观格局指数信息；
根据所述平均地表温度和城市绿地景观格局指数信息，采用地理加权回归算法分别构建2n个绿地格局指数的地表温度预测模型，得到对应的2n个模型决定系数R2；
利用层次分解算法对每一所述模型决定系数R2进行分解，得到每种绿地格局指数的联合贡献百分比和独立贡献百分比，识别出城市热岛的主控因素。
2.根据权利要求1所述的城市热岛主控因素的分析方法，其特征在于，所述预处理具体为：
采用第一公式对基于遥感影像设备采集的Landsat TM影像数据转化为真实地表温度数据；
利用面向对象方法对所述Landsat TM影像图像进行景观类型分类，提取得到城市绿地斑块信息。
3.根据权利要求2所述的城市热岛主控因素的分析方法，其特征在于，所述第一公式，具体为：
其中，Ts为真实地表温度，单位为K，a和b为常数，Ta为大气平均作用温度，C＝ετ和D＝(1-ε)[1+(1-ε)τ]均为中间变量，τ为大气透过率，ε是比辐射率。
4.根据权利要求1所述的城市热岛主控因素的分析方法，其特征在于，所述图像分割处理，具体为：
对所述真实地表温度数据设置分割尺度和复杂性系数，得到地表温度分割单元；
采用集聚分析算法计算所述地表温度分割单元的集聚特征，得到城市热岛区域图像。
5.根据权利要求1所述的城市热岛主控因素的分析方法，其特征在于，所述绿地景观格局指数包括面积百分比(PER)，平均斑块大小(MPS)、边界密度(ED)和最大斑块指数(LPI)。
6.根据权利要求1所述的城市热岛主控因素的分析方法，其特征在于，所述地表温度预测模型，具体为：
其中，LSTi为位置i的地表温度值，β0(ui,vi)是位置i的回归系数，xiz为第z个格局指数，(ui,vi)为空间位置坐标，ε为特定位置i的误差。
7.一种城市热岛主控因素的分析装置，其特征在于，包括：
数据预处理模块，用于对基于遥感影像设备采集的Landsat TM影像数据进行预处理，得到真实地表温度数据和城市绿地斑块信息；
图像分割模块，用于对所述地表温度数据进行图像分割处理，得到城市热岛区域图像；
计算模块，用于在所述城市热岛区域图像中设置若干个相同规格的网格单元，采用区域统计法计算每个所述网格单元内的平均地表温度，并选取n个绿地景观格局指数作为影响因子，计算每个所述网格单元内的城市绿地景观格局指数信息；
预测模型模块，用于根据所述平均地表温度和城市绿地景观格局指数信息，采用地理加权回归算法分别构建2n个绿地格局指数的地表温度预测模型，得到对应的2n个模型决定系数R2；
因素分析模块，用于利用层次分解算法对每一所述模型决定系数R2进行分解，得到每种绿地格局指数的联合贡献百分比和独立贡献百分比，识别出城市热岛的主控因素。
8.根据权利要求7所述的城市热岛主控因素的分析装置，其特征在于，所述预处理具体为：
采用第一公式对基于遥感影像设备采集的Landsat TM影像数据转化为真实地表温度数据；
利用面向对象方法对所述Landsat TM影像图像进行景观类型分类，提取得到城市绿地斑块信息。
9.根据权利要求7所述的城市热岛主控因素的分析装置，其特征在于，所述图像分割处理，具体为：
对所述真实地表温度数据设置分割尺度和复杂性系数，得到地表温度分割单元；
采用集聚分析算法计算所述地表温度分割单元的集聚特征，得到城市热岛区域图像。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6任一项所述的城市热岛主控因素的分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910391640.2A CN110188927A (zh) | 2019-05-10 | 2019-05-10 | 一种城市热岛主控因素的分析方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910391640.2A CN110188927A (zh) | 2019-05-10 | 2019-05-10 | 一种城市热岛主控因素的分析方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110188927A true CN110188927A (zh) | 2019-08-30 |
Family
ID=67716022
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910391640.2A Pending CN110188927A (zh) | 2019-05-10 | 2019-05-10 | 一种城市热岛主控因素的分析方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110188927A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110688621A (zh) * | 2019-09-16 | 2020-01-14 | 广州大学 | 一种影响城市热环境的关键绿地格局指数筛选方法及系统 |
| CN111582575A (zh) * | 2020-05-06 | 2020-08-25 | 宁波大学 | 一种多时空尺度下城市热环境形成发展主导因素识别方法 |
| CN113157802A (zh) * | 2021-04-29 | 2021-07-23 | 中国科学院空天信息创新研究院 | 一种城市集中供暖的热环境响应分析方法及装置 |
| CN113722884A (zh) * | 2021-07-27 | 2021-11-30 | 北京大学 | 一种城市温度效应分析方法及装置 |
| CN113743740A (zh) * | 2021-08-11 | 2021-12-03 | 广东省科学院广州地理研究所 | 城市群地表热岛强度评估方法、系统、介质及终端设备 |
| CN115270638A (zh) * | 2022-08-11 | 2022-11-01 | 北华航天工业学院 | 一种城市热环境降尺度时空分析与预测方法及系统 |
| CN116307354A (zh) * | 2022-12-20 | 2023-06-23 | 广州市城市规划勘测设计研究院 | 一种绿地景观格局指数测度方法、装置、设备及存储介质 |
| CN116842343A (zh) * | 2023-07-04 | 2023-10-03 | 南京林业大学 | 基于卫星观测与空间换算量化城市森林对温度影响的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003099697A (ja) * | 2001-09-21 | 2003-04-04 | Rikogaku Shinkokai | 熱環境の予測方法、およびプログラム |
| CN107678075A (zh) * | 2017-11-13 | 2018-02-09 | 深圳先进技术研究院 | 一种基于国产卫星的城市热岛效应监测方法和系统 |
| CN108332859A (zh) * | 2018-01-18 | 2018-07-27 | 广州大学 | 一种城市热岛范围的提取方法及装置 |
| CN109612587A (zh) * | 2018-12-18 | 2019-04-12 | 广州大学 | 一种城市热环境成因诊断方法及系统 |
-
2019
- 2019-05-10 CN CN201910391640.2A patent/CN110188927A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003099697A (ja) * | 2001-09-21 | 2003-04-04 | Rikogaku Shinkokai | 熱環境の予測方法、およびプログラム |
| CN107678075A (zh) * | 2017-11-13 | 2018-02-09 | 深圳先进技术研究院 | 一种基于国产卫星的城市热岛效应监测方法和系统 |
| CN108332859A (zh) * | 2018-01-18 | 2018-07-27 | 广州大学 | 一种城市热岛范围的提取方法及装置 |
| CN109612587A (zh) * | 2018-12-18 | 2019-04-12 | 广州大学 | 一种城市热环境成因诊断方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 王雪等: "城市景观格局与地表温度的定量关系分析", 《北京师范大学学报(自然科学版)》 * |
| 谢启姣等: "夏季城市景观格局对热场空间分布的影响――以武汉为例", 《长江流域资源与环境》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110688621A (zh) * | 2019-09-16 | 2020-01-14 | 广州大学 | 一种影响城市热环境的关键绿地格局指数筛选方法及系统 |
| CN111582575A (zh) * | 2020-05-06 | 2020-08-25 | 宁波大学 | 一种多时空尺度下城市热环境形成发展主导因素识别方法 |
| CN111582575B (zh) * | 2020-05-06 | 2021-04-13 | 宁波大学 | 一种多时空尺度下城市热环境形成发展主导因素识别方法 |
| CN113157802A (zh) * | 2021-04-29 | 2021-07-23 | 中国科学院空天信息创新研究院 | 一种城市集中供暖的热环境响应分析方法及装置 |
| CN113157802B (zh) * | 2021-04-29 | 2022-07-08 | 中国科学院空天信息创新研究院 | 一种城市集中供暖的热环境响应分析方法及装置 |
| CN113722884A (zh) * | 2021-07-27 | 2021-11-30 | 北京大学 | 一种城市温度效应分析方法及装置 |
| CN113722884B (zh) * | 2021-07-27 | 2024-02-27 | 北京大学 | 一种城市温度效应分析方法及装置 |
| CN113743740A (zh) * | 2021-08-11 | 2021-12-03 | 广东省科学院广州地理研究所 | 城市群地表热岛强度评估方法、系统、介质及终端设备 |
| CN115270638A (zh) * | 2022-08-11 | 2022-11-01 | 北华航天工业学院 | 一种城市热环境降尺度时空分析与预测方法及系统 |
| CN115270638B (zh) * | 2022-08-11 | 2024-02-06 | 北华航天工业学院 | 一种城市热环境降尺度时空分析与预测方法及系统 |
| CN116307354A (zh) * | 2022-12-20 | 2023-06-23 | 广州市城市规划勘测设计研究院 | 一种绿地景观格局指数测度方法、装置、设备及存储介质 |
| CN116842343A (zh) * | 2023-07-04 | 2023-10-03 | 南京林业大学 | 基于卫星观测与空间换算量化城市森林对温度影响的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110188927A (zh) | 一种城市热岛主控因素的分析方法、装置及存储介质 | |
| Urech et al. | Point cloud modeling as a bridge between landscape design and planning | |
| Burrough | Matching spatial databases and quantitative models in land resource assessment | |
| US9792564B2 (en) | Automated system and method for vertical gradient correction | |
| CN113034689A (zh) | 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质 | |
| CN111339691A (zh) | 一种基于voxler软件的智慧岩土工程参数三维分析与评价系统及方法 | |
| Bilskie et al. | Topographic accuracy assessment of bare earth lidar-derived unstructured meshes | |
| CN110400371B (zh) | 一种水平构造地貌实体的三维模型构建方法 | |
| CN108978573A (zh) | 一种地形数据快速可视化辅助河床演变研究的方法 | |
| Jarosław et al. | Using multivariate statistics and fuzzy logic system to analyse settlement preferences in lowland areas of the temperate zone: an example from the Polish Lowlands | |
| CN116486025A (zh) | 一种基于大数据云计算技术的城市地质数据处理平台 | |
| CN107247927A (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 | |
| CN110375668A (zh) | 基于点云数据的黄土坡面微地形曲面重构方法 | |
| Xu et al. | Land-use change modeling with cellular automata using land natural evolution unit | |
| CN107944089B (zh) | 一种基于现状视廊的地块限高分析系统及其分析方法 | |
| CN108287974A (zh) | 面向土地利用变化元胞自动机模拟精度的耦合评价方法 | |
| Arteaga-Brieba et al. | An archaeostratigraphic consideration of the Gran Dolina TD10. 2 cultural sequence from a quantitative approach | |
| Shirowzhan et al. | Developing metrics for quantifying buildings’ 3D compactness and visualizing point cloud data on a web-based app and dashboard | |
| CN111914896A (zh) | 一种基于多源数据的城市局部气候区分类方法 | |
| CN104899464B (zh) | 一种适应噪声条件下的抽样学习机遥感定量反演方法 | |
| CN110189617A (zh) | 一种城市热环境主控因素的空间制图方法、装置及介质 | |
| KR20050063615A (ko) | 지리 정보 시스템에서의 지면 거칠기 지도 제공 방법 | |
| CN114842356A (zh) | 一种高分辨率地表类型样本自动生成方法、系统及设备 | |
| CN106682237B (zh) | 一种山体边界自动提取方法 | |
| CN114662985A (zh) | 一种基于倾斜摄影建模的山区电力工程选址方法、设备和计算机存储介质 |
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: 20190830 |
|
| RJ01 | Rejection of invention patent application after publication |