CN110688621A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110688621A
CN110688621A CN201910874725.6A CN201910874725A CN110688621A CN 110688621 A CN110688621 A CN 110688621A CN 201910874725 A CN201910874725 A CN 201910874725A CN 110688621 A CN110688621 A CN 110688621A
Authority
CN
China
Prior art keywords
urban
thermal environment
green space
space pattern
green
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
Application number
CN201910874725.6A
Other languages
English (en)
Inventor
郭冠华
林冰钰
吴志峰
陈颖彪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou University
Original Assignee
Guangzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou University filed Critical Guangzhou University
Priority to CN201910874725.6A priority Critical patent/CN110688621A/zh
Publication of CN110688621A publication Critical patent/CN110688621A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Mathematical Optimization (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了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，在一个实施例中：利用遥感影像数据获取城市热环境信息和城市绿地信息；根据所述城市热环境信息和城市绿地信息，计算同一大小地理网格单元内的地表平均温度值和绿地景观格局指数；利用所述地表平均温度值和绿地景观格局指数构建逐步回归模型，以排除无关的格局指数，并筛选出重要绿地格局指数；根据所述重要绿地格局指数的组合，利用地理加权回归方法分别构建城市热环境预测模型，并根据R2判断得到不同自变量个数要求下的最优热环境预测模型的绿地格局指数组合，筛选出关键绿地格局指数。基于上述实施例的教导，实施本发明的技术方案能够提高筛选出关键的绿地格局指数的客观性。

Description

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
技术领域
本发明涉及环境科学领域，尤其涉及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。
背景技术
在开展城市热环境驱动机制分析时，人们常常主观地选取某几个绿地格局指数作为自变量进行统计建模，这种通过主观判断选取待选定的绿地格局指数作为城市热坏境的驱动因子的过程，缺乏客观的定量分析，并且，不同研究区的生态背景不同，在对特定区域开展热环境驱动机制分析时完全参考前人的格局指数选取标准，也同样缺乏客观性。
发明内容
本发明的目的在于，提供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，能够提高筛选出关键的绿地格局指数的客观性。
为了解决上述技术问题，本发明实施例提供了一种影响城市热环境的关键绿地格局指数筛选方法，包括以下步骤：
利用遥感影像数据获取城市热环境信息和城市绿地信息；
根据所述城市热环境信息和城市绿地信息，计算同一大小地理网格单元内的地表平均温度值和绿地景观格局指数；
利用所述地表平均温度值和绿地景观格局指数构建逐步回归模型，以排除无关的格局指数，并筛选出重要绿地格局指数；
根据所述重要绿地格局指数的组合，利用地理加权回归方法分别构建城市热环境预测模型，并根据R2判断得到不同自变量个数要求下的最优热环境预测模型的绿地格局指数组合，筛选出关键绿地格局指数。
作为优选方案，所述利用遥感影像数据获取城市热环境信息和城市绿地信息，具体为：
利用Landsat-5影像数据获取城市热环境信息，公式如下：
Figure BDA0002203293850000021
其中，TS为城市地表温度值，单位为K，a和b都是常数，a为-67.35，b为0.46；Tat-sensor为从卫星遥感影像上计算得到的星上亮度温度；Ta为大气平均作用温度，可根据影像过境时的天气状况获得；C和D为中间变量：C＝ετ，D＝(1-ε)[1+(1-ε)τ]，τ为大气透过率，ε是比辐射率。
作为优选方案，所述利用遥感影像数据获取城市热环境信息和城市绿地信息，具体为：根据航拍影像数据，并利用面向对象的分类方法获得城市绿地信息。
作为优选方案，所述根据所述城市热环境信息和城市绿地信息，计算同一大小地理网格单元内的地表平均温度值和绿地景观格局指数，具体为：
根据城市热环境信息和城市绿地信息的数据分辨率特征，设置同一大小的地理网格单元，并计算每一所述地理网格单元内的平均地表温度以及城市绿地景观格局指数。
作为优选方案，所述利用所述地表平均温度值和绿地景观格局指数构建逐步回归模型，以排除无关的格局指数，并筛选出重要绿地格局指数；具体为：
以所述每一地理网络单元的地表平均温度值和绿地景观格局指数为因变量，构建逐步回归模型，以排除无关的绿地景观格局指数，并筛选出不存在共线性的重要绿地格局指数。
作为优选方案，所述根据所述重要绿地格局指数的组合，利用地理加权回归方法分别构建城市热环境预测模型，具体为：
Figure BDA0002203293850000031
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是第z个绿地格局指数，(ui,vi)为空间位置坐标，ε为特定位置i的误差。
作为优选方案，所述根据R2判断得到不同自变量个数要求下的最优热环境预测模型的绿地格局指数组合，筛选出关键绿地格局指数，具体为：
以所述地表温度值LSTi和所述步骤S3中得到的重要绿地景观格局指数为因变量，并利用地理加权回归方法构建绿地格局指数的城市热环境预测模型，得到所述城市热环境预测模型的决定系数R2；
根据R2越大，所述城市热环境预测模型的预测能力越强的规律，获得不同自变量个数要求下的热环境预测模型的绿地格局指数组合，筛选出影响城市热环境的关键绿地格局指数。
本发明实施例还提供了一种影响城市热环境的关键绿地格局指数筛选系统，包括：
遥感影像获取单元，用于利用遥感影像数据获取城市热环境信息和城市绿地信息；
计算单元，用于根据所述城市热环境信息和城市绿地信息，计算同一大小地理网格单元内的地表平均温度值和绿地景观格局指数；
逐步回归模型构建单元，用于利用所述地表平均温度值和绿地景观格局指数构建逐步回归模型，以排除无关的格局指数，并筛选出重要绿地格局指数；
热环境预测模型构建单元，用于根据所述筛选重要绿地格局指数的组合，利用地理加权回归方法分别构建城市热环境预测模型；
筛选单元，用于根据R2判断得到不同自变量个数要求下的最优热环境预测模型的绿地格局指数组合，筛选出关键绿地格局指数。
作为优选方案，所述遥感影像获取单元，还用于利用Landsat-5影像数据获取城市热环境信息，公式如下：
Figure BDA0002203293850000041
其中，TS为城市地表温度值，单位为K；a和b都是常数，a为-67.35，b为0.46；Tat-sensor为从卫星遥感影像上计算得到的星上亮度温度；Ta为大气平均作用温度，可根据影像过境时的天气状况获得；C和D为中间变量：C＝ετ，D＝(1-ε)[1+(1-ε)τ]，τ为大气透过率，ε是比辐射率。
作为优选方案，所述遥感影像获取单元，还用于根据航拍影像数据，并利用面向对象的分类方法获得城市绿地信息。
作为优选方案，所述计算单元，还用于根据城市热环境信息和城市绿地信息的数据分辨率特征，设置同一大小的地理网格单元，并计算每一所述地理网格单元内的平均地表温度以及城市绿地景观格局指数。
作为优选方案，所述逐步回归模型构建单元，还用于以所述每一地理网络单元的地表平均温度值和绿地景观格局指数为因变量，构建逐步回归模型，以排除无关的绿地景观格局指数，并筛选出不存在共线性的重要绿地格局指数。
作为优选方案，所述热环境预测模型构建单元，还用于构建所述热环境预测模型，公式如下：
Figure BDA0002203293850000042
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是第z个绿地格局指数，(ui,vi)为空间位置坐标，ε为特定位置i的误差。
作为优选方案，所述筛选单元，还用于以所述地表温度值LSTi和所述重要绿地景观格局指数为因变量，并利用地理加权回归方法构建绿地格局指数的城市热环境预测模型，得到所述城市热环境预测模型的决定系数R2；根据R2越大，所述城市热环境预测模型的预测能力越强的规律，获得不同自变量个数要求下的热环境预测模型的绿地格局指数组合，筛选出影响城市热环境的关键绿地格局指数。
相比于现有技术，本发明实施例的有益效果在于，通过利用地理加权回归算法分别构建城市热环境预测模型，并根据决定系数R2判断得到不同自变量个数要求下的最优热环境预测模型的绿地格局指数组合，从而利用了定量的方法客观地获得影响城市热环境的关键绿地格局指数，进而提升了绿地格局对城市环境的预测能力。
附图说明
图1是本发明实施例提供的一种影响城市热环境的关键绿地格局指数筛选方法流程示意图；
图2是本发明实施例提供一种影响城市热环境的关键绿地格局指数筛选系统的结构示意图。
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。
本发明具体实施例以深圳市西部地区为案例区域，数据源为2011年6月1日获取的Landsat-5影像和2010年深圳市航拍影像。
请参见图1和表1，本发明优选实施例提供了一种影响城市热环境的关键绿地格局指数筛选方法，至少包括以下步骤：
S1：利用遥感影像数据获取城市热环境信息和城市绿地信息。
S101：所述利用遥感影像数据获取城市热环境信息和城市绿地信息，具体为：利用Landsat-5影像数据获取城市热环境信息，公式如下，
Figure BDA0002203293850000051
其中，TS为城市地表温度值，单位为K，a和b都是常数，分别为-67.35和0.46；Tat-sensor为从卫星遥感影像上计算得到的星上亮度温度；Ta为大气平均作用温度，可根据2011年6月1日上午10:30Landsat-5影像获取时的天气状况获得，C和D为中间变量：C＝ετ，D＝(1-ε)[1+(1-ε)τ]，τ为大气透过率，ε是比辐射率。
S102：所述利用遥感影像数据获取城市热环境信息和城市绿地信息，具体为：根据航拍影像数据，并利用面向对象的分类方法获得城市绿地信息；基于航拍影像数据，利用面向对象的分类方法获得所述城市绿地信息，具体地，将城市地表类型分为4类，分别为非渗透表面、水体、绿地、裸地，其中所述城市绿地的分类精度达到93.21％。
S2：根据所述城市热环境信息和城市绿地信息，计算同一大小地理网格单元内的地表平均温度值和绿地景观格局指数。
在本实施例中，所述根据所述城市热环境信息和城市绿地信息，计算同一大小地理网格单元内的地表平均温度值和绿地景观格局指数，具体为：根据城市热环境信息和城市绿地信息的数据分辨率特征，设置同一大小的地理网格单元，并计算每一所述地理网格单元内的平均地表温度以及城市绿地景观格局指数。
在本实施例中，根据所述城市地表温度和城市绿地信息的数据分辨率特征，设置一定网格单元大小为500m×500m，计算单位内平均地表温度，以及35个常用的景观格局指数。
S3：利用所述地表平均温度值和绿地景观格局指数构建逐步回归模型，以排除无关的格局指数，并筛选出重要绿地格局指数。
在本实施例中，所述利用所述地表平均温度值和绿地景观格局指数构建逐步回归模型，以排除无关的格局指数，并筛选出重要绿地格局指数，具体为：以所述每一地理网络单元的地表平均温度值和绿地景观格局指数为因变量，构建逐步回归模型，以排除无关的绿地景观格局指数，并筛选出不存在共线性的重要绿地格局指数。
在本实施例中，以所述地表平均温度为因变量，35个绿地景观格局指数为因变量，构建二者的逐步回归模型，初步剔除无关的绿地景观格局指数，筛选出重要的、不存在共线性的格局指数共12个。
S4：根据所述重要绿地格局指数的组合，利用地理加权回归方法分别构建城市热环境预测模型，并根据R2判断得到不同自变量个数要求下的最优热环境预测模型的绿地格局指数组合，筛选出关键绿地格局指数。
在本实施例中，所述根据所述重要绿地格局指数的组合，利用地理加权回归方法分别构建城市热环境预测模型，具体为：
Figure BDA0002203293850000071
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是第z个绿地格局指数，(ui,vi)为空间位置坐标，ε为特定位置i的误差。
在本实施例中，所述根据R2判断得到不同自变量个数要求下的最优热环境预测模型的绿地格局指数组合，筛选出关键绿地格局指数，具体为：
以所述地表温度值LSTi和所述重要绿地景观格局指数为因变量，并利用地理加权回归方法构建绿地格局指数的城市热环境预测模型，得到所述城市热环境预测模型的决定系数R2；
根据R2越大，所述城市热环境预测模型的预测能力越强的规律，获得不同自变量个数要求下的热环境预测模型的绿地格局指数组合，筛选出影响城市热环境的关键绿地格局指数。
在本实施例中，以所述地表平均温度为因变量，得到的12个重要的所述绿地格局指数为因变量，并且考虑所有可能的绿地格局指数组合，即，重要的绿地格局指数有12个，则需要构建的模型个数为212(4096)个。
结合下表1所示，表1是本发明实施例提供的一种影响城市热环境的关键绿地格局指数筛选方法的绿地重要指数筛选结果表(按照不同的自变量个数要求选取)，在本实施例中，利用地理加权回归算法构建4096个绿地格局指数的城市热环境预测模型，得到4096个模型决定系数R2。R2越大表示模型预测能力越强，从而最终获得不同自变量个数要求下的最优热环境预测模型的绿地格局指数组合。
表1：影响城市热环境的关键绿地格局指数筛选方法的绿地重要指数筛选结果表
自变量个数 CA NP FRAC_AM AREA_AM SHAPE_MN ED LSI
1 √
2 √ √
3 √ √ √
4 √ √ √ √
5 √ √ √ √ √
6 √ √ √ √ √ √
7 √ √ √ √ √ √ √
从表1的结果显示，当要求只有1个自变量的时候，CA是最佳的景观格局指数，当要求只有2个自变量时，CA和NP是最佳的格局指数组合，进而完成影响城市热环境的关键绿地格局指数的快速客观筛选。
请参见图2，本发明实施例还提供了一种影响城市热环境的关键绿地格局指数筛选系统，包括：
遥感影像获取单元21，用于利用遥感影像数据获取城市热环境信息和城市绿地信息；
计算单元22，用于根据所述城市热环境信息和城市绿地信息，计算同一大小地理网格单元内的地表平均温度值和绿地景观格局指数；
逐步回归模型构建单元23，用于利用所述地表平均温度值和绿地景观格局指数构建逐步回归模型，以排除无关的格局指数，并筛选出重要绿地格局指数；
热环境预测模型构建单元24，用于根据所述筛选重要绿地格局指数的组合，利用地理加权回归方法分别构建城市热环境预测模型；
筛选单元25，用于根据R2判断得到不同自变量个数要求下的最优热环境预测模型的绿地格局指数组合，筛选出关键绿地格局指数。
在本实施例中，所述遥感影像获取单元21，还用于利用Landsat-5影像数据获取城市热环境信息，公式如下：
Figure BDA0002203293850000091
其中，TS为城市地表温度值，单位为K，a和b都是常数，分别为-67.35和0.46；Tat-sensor为从卫星遥感影像上计算得到的星上亮度温度；Ta为大气平均作用温度，可根据影像过境时的天气状况获得；C和D为中间变量：C＝ετ，D＝(1-ε)[1+(1-ε)τ]，τ为大气透过率，ε是比辐射率。
在本实施例中，所述遥感影像获取单元21，还用于根据航拍影像数据，并利用面向对象的分类方法获得城市绿地信息。
在本实施例中，所述计算单元22，还用于根据城市热环境信息和城市绿地信息的数据分辨率特征，设置同一大小的地理网格单元，并计算每一所述地理网格单元内的平均地表温度以及城市绿地景观格局指数。
在本实施例中，所述逐步回归模型构建单元23，还用于以所述每一地理网络单元的地表平均温度值和绿地景观格局指数为因变量，构建逐步回归模型，以排除无关的绿地景观格局指数，并筛选出不存在共线性的重要绿地格局指数。
在本实施例中，所述热环境预测模型构建单元24，还用于
Figure BDA0002203293850000092
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是第z个绿地格局指数，(ui,vi)为空间位置坐标，ε为特定位置i的误差。
在本实施例中，所述筛选单元25，还用于以所述地表温度值LSTi和所述重要绿地景观格局指数为因变量，并利用地理加权回归方法构建绿地格局指数的城市热环境预测模型，得到所述城市热环境预测模型的决定系数R2；根据R2越大，所述城市热环境预测模型的预测能力越强的规律，获得不同自变量个数要求下的热环境预测模型的绿地格局指数组合，筛选出影响城市热环境的关键绿地格局指数。
相比于现有技术，本发明实施例提供的一种影响城市热环境的关键绿地格局指数筛选方法，包括利用遥感影像数据获取城市热环境信息和城市绿地信息；根据所述城市热环境信息和城市绿地信息，计算同一大小地理网格单元内的地表平均温度值和绿地景观格局指数；利用所述地表平均温度值和绿地景观格局指数构建逐步回归模型，以排除无关的格局指数，并筛选出重要绿地格局指数；根据所述重要绿地格局指数的组合，利用地理加权回归方法分别构建城市热环境预测模型，并根据R2判断得到不同自变量个数要求下的最优热环境预测模型的绿地格局指数组合，筛选出关键绿地格局指数，具有如下有益效果：
(1)通过利用地理加权回归算法分别构建城市热环境预测模型，并根据决定系数R2判断得到不同自变量个数要求下的最优热环境预测模型的绿地格局指数组合，从而利用了定量的方法客观地获得影响城市热环境的关键绿地格局指数，进而提升了绿地格局对城市环境的预测能力。
(2)传统的绿地格局选取存在较大主观性，并没有考虑到研究区特定的生态环境背景，而本发明实施例充分利用了定量的方法客观地获得影响城市热环境的关键绿地格局指数，从而大大提升了绿地格局对城市热环境的预测能力，进而为构建更为舒适的城市空间提供技术支持。
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润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种影响城市热环境的关键绿地格局指数筛选方法，其特征在于，包括以下步骤：
利用遥感影像数据获取城市热环境信息和城市绿地信息；
根据所述城市热环境信息和城市绿地信息，计算同一大小地理网格单元内的地表平均温度值和绿地景观格局指数；
利用所述地表平均温度值和绿地景观格局指数构建逐步回归模型，以排除无关的格局指数，并筛选出重要绿地格局指数；
根据所述重要绿地格局指数的组合，利用地理加权回归方法分别构建城市热环境预测模型，并根据R2判断得到不同自变量个数要求下的最优热环境预测模型的绿地格局指数组合，筛选出关键绿地格局指数。
2.如权利要求1所述的影响城市热环境的关键绿地格局指数筛选方法，其特征在于，所述利用遥感影像数据获取城市热环境信息和城市绿地信息，具体为：
利用Landsat-5影像数据获取城市热环境信息，公式如下：
其中，TS为城市地表温度值，单位为K；a和b都是常数，a为-67.35，b为0.46；Tat-sensor为从卫星遥感影像上计算得到的星上亮度温度；Ta为大气平均作用温度，可根据影像过境时的天气状况获得；C和D为中间变量：C＝ετ，D＝(1-ε)[1+(1-ε)τ]，τ为大气透过率，ε是比辐射率。
3.如权利要求1所述的影响城市热环境的关键绿地格局指数筛选方法，其特征在于，所述利用遥感影像数据获取城市热环境信息和城市绿地信息，具体为：根据航拍影像数据，并利用面向对象的分类方法获得城市绿地信息。
4.如权利要求1所述的影响城市热环境的关键绿地格局指数筛选方法，其特征在于，所述根据所述城市热环境信息和城市绿地信息，计算同一大小地理网格单元内的地表平均温度值和绿地景观格局指数，具体为：
根据城市热环境信息和城市绿地信息的数据分辨率特征，设置同一大小的地理网格单元，并计算每一所述地理网格单元内的平均地表温度以及城市绿地景观格局指数。
5.如权利要求4所述的影响城市热环境的关键绿地格局指数筛选方法，其特征在于，所述利用所述地表平均温度值和绿地景观格局指数构建逐步回归模型，以排除无关的格局指数，并筛选出重要绿地格局指数；具体为：
以所述每一地理网络单元的地表平均温度值和绿地景观格局指数为因变量，构建逐步回归模型，以排除无关的绿地景观格局指数，并筛选出不存在共线性的重要绿地格局指数。
6.如权利要求1所述的影响城市热环境的关键绿地格局指数筛选方法，其特征在于，所述根据所述重要绿地格局指数的组合，利用地理加权回归方法分别构建城市热环境预测模型，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是第z个绿地格局指数，(ui,vi)为空间位置坐标，ε为特定位置i的误差。
7.如权利要求6所述的影响城市热环境的关键绿地格局指数筛选方法，其特征在于，所述根据R2判断得到不同自变量个数要求下的最优热环境预测模型的绿地格局指数组合，筛选出关键绿地格局指数，具体为：
以所述地表温度值LSTi和所述重要绿地景观格局指数为因变量，并利用地理加权回归方法构建绿地格局指数的城市热环境预测模型，得到所述城市热环境预测模型的决定系数R2；
根据R2越大，所述城市热环境预测模型的预测能力越强的规律，获得不同自变量个数要求下的热环境预测模型的绿地格局指数组合，筛选出影响城市热环境的关键绿地格局指数。
8.一种影响城市热环境的关键绿地格局指数筛选系统，其特征在于，包括：
遥感影像获取单元，用于利用遥感影像数据获取城市热环境信息和城市绿地信息；
计算单元，用于根据所述城市热环境信息和城市绿地信息，计算同一大小地理网格单元内的地表平均温度值和绿地景观格局指数；
逐步回归模型构建单元，用于利用所述地表平均温度值和绿地景观格局指数构建逐步回归模型，以排除无关的格局指数，并筛选出重要绿地格局指数；
热环境预测模型构建单元，用于根据所述筛选重要绿地格局指数的组合，利用地理加权回归方法分别构建城市热环境预测模型；
筛选单元，用于根据R2判断得到不同自变量个数要求下的最优热环境预测模型的绿地格局指数组合，筛选出关键绿地格局指数。
9.如权利要求8所述的影响城市热环境的关键绿地格局指数筛选系统，其特征在于，所述遥感影像获取单元，还用于利用Landsat-5影像数据获取城市热环境信息，公式如下：
Figure FDA0002203293840000031
其中，TS为城市地表温度值，单位为K；a和b都是常数，a为-67.35，b为0.46；Tat-sensor为从卫星遥感影像上计算得到的星上亮度温度；Ta为大气平均作用温度，可根据影像过境时的天气状况获得；C和D为中间变量：C＝ετ，D＝(1-ε)[1+(1-ε)τ]，τ为大气透过率，ε是比辐射率。
10.如权利要求8所述的影响城市热环境的关键绿地格局指数筛选系统，其特征在于，所述遥感影像获取单元，还用于根据航拍影像数据，并利用面向对象的分类方法获得城市绿地信息。
CN201910874725.6A 2019-09-16 2019-09-16 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 Pending CN110688621A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910874725.6A CN110688621A (zh) 2019-09-16 2019-09-16 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910874725.6A CN110688621A (zh) 2019-09-16 2019-09-16 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

Publications (1)

Publication Number Publication Date
CN110688621A true CN110688621A (zh) 2020-01-14

Family

ID=69109319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910874725.6A Pending CN110688621A (zh) 2019-09-16 2019-09-16 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

Country Status (1)

Country Link
CN (1) CN110688621A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114048910A (zh) * 2021-11-17 2022-02-15 东南大学 一种基于大数据的社区公共绿地组群布局优化方法
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104298828A (zh) * 2014-10-13 2015-01-21 河海大学 一种城市绿地格局对热环境影响的模拟方法
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
CN110188927A (zh) * 2019-05-10 2019-08-30 广州大学 一种城市热岛主控因素的分析方法、装置及存储介质
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104298828A (zh) * 2014-10-13 2015-01-21 河海大学 一种城市绿地格局对热环境影响的模拟方法
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
CN110188927A (zh) * 2019-05-10 2019-08-30 广州大学 一种城市热岛主控因素的分析方法、装置及存储介质
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

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
GUANHUA GUO ET AL: "Complex mechanisms linking land surface temperature to greenspace spatial patterns: Evidence from four southeastern Chinese cities", 《SCIENCE OF THE TOTAL ENVIRONMENT》, vol. 674, 15 July 2019 (2019-07-15), pages 77 - 87 *
任梅 等: "黔中喀斯特山地城市景观格局指数粒度效应———以安顺市为例", 《生态学杂志》 *
任梅 等: "黔中喀斯特山地城市景观格局指数粒度效应———以安顺市为例", 《生态学杂志》, vol. 37, no. 10, 31 October 2018 (2018-10-31), pages 3137 - 3145 *
杨东方 等: "数学模型在生态学的应用及研究（33）", 海洋出版社, pages: 27 *
杨智威 等: "粤港澳大湾区城市热岛空间格局及影响因子多元建模", 《资源科学》 *
杨智威 等: "粤港澳大湾区城市热岛空间格局及影响因子多元建模", 《资源科学》, vol. 41, no. 6, 30 June 2019 (2019-06-30), pages 1154 - 1166 *
王刚 等: "土地利用、人口密度及海拔对城市热岛的影响", 云南大学学报（自然科学版）, vol. 41, no. 1, pages 82 - 90 *
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, vol. 27, no. 8, pages 1735 - 1744 *
郭继强 等: "南京热岛效应与景观格局的动态研究", 林业资源管理, no. 3, pages 139 - 146 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114048910A (zh) * 2021-11-17 2022-02-15 东南大学 一种基于大数据的社区公共绿地组群布局优化方法
CN114048910B (zh) * 2021-11-17 2024-03-29 东南大学 一种基于大数据的社区公共绿地组群布局优化方法
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

Similar Documents

Publication Publication Date Title
CN110688621A (zh) 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
Chen et al. Relationship between urban spatial form and seasonal land surface temperature under different grid scales
CN111639787A (zh) 一种基于图卷积网络的时空数据预测方法
CN108984803B (zh) 一种农作物产量空间化的方法及系统
CN111968005B (zh) 区域能源系统潜力评估方法及实现该方法的系统
CN107315722B (zh) 基于克里金法和信息熵理论耦合的水文站网优化方法
CN104992068B (zh) 一种表层土壤氮素分布的预测方法
CN102507586B (zh) 碳排放遥感监测方法
CN109858180B (zh) 一种区域作物耗水空间格局优化设计方法
CN109933901B (zh) 一种生态系统服务价值最优化的mcr城市扩张模拟方法
CN107480808B (zh) 一种高海拔山区引水工程线路规划方法
CN112926795A (zh) 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统
CN113657777A (zh) 一种流域生态系统服务价值空间转移评价和作图方法
CN113108918B (zh) 一种极轨气象卫星热红外遥感数据反演气温方法
CN114662774A (zh) 一种城市街区活力预测方法、存储介质和终端
Ibragimov et al. Introduction to GIS Application in the Land Cadastre
Qin et al. A wireless sensor network location algorithm based on insufficient fingerprint information
CN114020859A (zh) 一种基于gis的国土空间规划方法及系统
CN111859303B (zh) 基于动态贝叶斯平均的土壤湿度融合方法及系统
CN113569488A (zh) 一种基于随机森林回归的体感温度预测方法及系统
Zhang et al. Estimating the outdoor environment of workers’ villages in East China using machine learning
Zhang et al. The CA model based on data assimilation
Zhao et al. Examining Land-Use Change Trends in Yucheng District, Ya’an City, China, Using ANN-CA Modeling
CN110633890A (zh) 一种土地利用效率判断方法和系统
CN115718983A (zh) 一种基于城市尺度和风向通道的污染热点区域识别方法

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: 20200114