CN111368817B - 一种基于地表类型进行热效应定量评价方法及系统 - Google Patents
一种基于地表类型进行热效应定量评价方法及系统 Download PDFInfo
- Publication number
- CN111368817B CN111368817B CN202010130983.6A CN202010130983A CN111368817B CN 111368817 B CN111368817 B CN 111368817B CN 202010130983 A CN202010130983 A CN 202010130983A CN 111368817 B CN111368817 B CN 111368817B
- Authority
- CN
- China
- Prior art keywords
- earth surface
- surface type
- component
- earth
- thermal
- 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.)
- Active
Links
- 230000000694 effects Effects 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000004927 fusion Effects 0.000 claims abstract description 48
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000002310 reflectometry Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 16
- 230000005855 radiation Effects 0.000 claims description 16
- 238000004445 quantitative analysis Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000011480 coordinate descent method Methods 0.000 claims description 2
- 238000010438 heat treatment Methods 0.000 abstract 2
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000000179 transient infrared spectroscopy Methods 0.000 description 2
- 238000010792 warming Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004164 analytical calibration Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011284 combination treatment Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Radiation Pyrometers (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供的基于地表类型进行热效应定量评价方法及系统，包括：获取热红外遥感影像数据，反演待测区域的实际地表温度；以可见光、近红外等波段的反射率数据为基准图像，对其进行全色多光谱波段融合，获取融合图像；进行地表分类，并确定地表分类的组分及其分级；基于弹性网络回归模型，获取不同地表类型对地表温度的回归系数；确定地表类型的组分对区域热效应的影响；确定不同地表类型在各组分等级下的理论平均地表温度及空间格局对区域热效应的影响。本实施例引进优化后的弹性网络回归模型，从地表类型组分对LST的影响剥离开地表类型空间结构对区域LST的影响，以实现地表主要类型热效应的定量评价，有效的提高了评价的精确性。
Description
技术领域
本发明实施例涉及卫星遥感技术领域，尤其涉及一种基于地表类型进行热效应定量评价方法及系统。
背景技术
全球规模的城市化进程将大面积自然裸土、植被替换为人造表面，破坏了区域性的地-气能量收支平衡，使得城市内部的温度要高于其周边郊区温度，进而引发“城市热岛(Urban Heat Island，简称UHI)”效应。目前，UHI已经成为全球现代化城市气候变化最为显著的特征之一，并对全球城市空气质量的改善、雾霾治理和植物健康生长带来了极大的负面影响。理解并获取到城市不同地表类型的热行为对于平衡城市地表能量，对于缓解城市热岛至关重要。地表温度(Land Surface Temperature，简称LST)是地物表面的辐射皮肤温度，与其自身物理、生理特性紧密相关，是衡量地物热行为的关键参量，也是评价城市热环境的重要指标。
随着城市的结构不断深化、复杂，一方面，现有技术中在对热效应进行评价的方法，往往是通过将城市看作一个整体而忽略其内部结构，该热环境监测正在逐步被高分辨率LST影像与超高分辨率地表类型影像的结合处理所带来的精细化评价方法所取代；另一方面，现有方法利用回归分析，建立LST对不同城市景观模式在各地表类型组分、空间格局等方面的响应来刻画不同地表类型的热贡献。但由于多种类型之间内生的共线性以及类型组分和空间格局之间复杂的交互性等原因，一直以来在定量评价中欠缺对类型组分的综合考虑以及其与空间格局热贡献的剥离方法。
因此，亟需提供一种更为精确的热效应定量评价方法，以改善现有技术中测量过程中存在的诸多不足。
发明内容
本发明实施例提供一种基于地表类型进行热效应定量评价方法及系统，用以克服现有技术在城市热效应检测即评价中存在的缺陷。
第一方面，本发明实施例提供一种基于地表类型进行热效应定量评价方法，包括：
获取待测区域的中分辨率遥感影像可见光、近红外、热红外波段数据及高分辨率遥感影像可见光、近红外、全色波段数据；根据中分辨率遥感影像可见光、近红外、热红外波段数据反演待测区域的实际地表温度；以高分辨率遥感影像可见光、近红外、全色波段数据为基准图像，进行全色多光谱波段融合，获取待测区域的融合图像；对融合图像进行地表分类；在分类图像上建立滑动窗口，并根据分类结果计算各窗口的地表类型组分，确定组分等级；基于弹性网络回归模型，获取各地表类型组分对地表温度的回归系数，以确定地表类型的组分对区域热效应的影响；结合回归系数，确定不同组分等级下的理论平均地表温度；根据实际地表温度与所述理论平均地表温度的差值确定不同地表类型的空间格局对区域热效应的影响；根据地表类型组分和所述空间格局对区域热效应的影响，确定基于地表类型进行城市热效应评价的定量分析结果。
进一步地，在基于弹性网络回归模型，获取各地表类型组分对地表温度的回归系数之前，还包括：
在最小二乘法估计损失函数项后引入Lasso回归和岭回归的惩罚项，构建所述弹性网络回归模型。
进一步地，上述弹性网络回归模型的模型函数为：
其中，yi为第i个窗口下的平均地表温度、β0为回归系数截距项、βj为第j种地表类型的回归系数、xij为第i个窗口下第j种地表类型的覆盖度、k为地表类型的总数、n为滑动窗口总数、α为调和系数、λ为收缩系数。
进一步地，上述根据中分辨率遥感影像可见光、近红外、热红外波段数据反演待测区域的实际地表温度，具体包括：
对中分辨率遥感影像可见光、近红外、热红外波段数据进行辐射定标和大气校正，获取大气层顶的亮度温度和地表反射率；基于中分辨率遥感影像可见光、近红外、热红外波段数据在近红外和热红外波段计算归一化差分植被指数，获取基于归一化差分植被指数的地表发射率；基于分裂窗算法，结合所述基于归一化差分植被指数的地表发射率，从大气层顶的亮度温度反演待测区域的实际地表温度。
进一步地，上述以高分辨率遥感影像可见光、近红外、全色波段数据为基准图像，进行全色多光谱波段融合，获取待测区域的融合图像，具体包括：
以同空间覆盖范围的遥感影像作为基准，基于NNDiffuse Pan Sharpening方法对正射校正后的高分辨率遥感影像可见光、近红外、全色波段数据进行全色多光谱波段融合，获取融合图像。
进一步地，上述对融合图像进行地表分类；在分类图像上建立滑动窗口，并根据分类结果计算各窗口的地表类型组分，确定组分等级，具体包括：
利用面向对象的方法对融合图像进行地表分类，获取不同地表类型；计算各窗口内每个地表类型的覆盖度，获取所述窗口下地表类型的组分，并确定组分的等级。
进一步地，上述基于弹性网络回归模型，获取地表类型组分对地表温度的回归系数，确定地表类型的组分对区域热效应的影响，具体包括：
根据网络回归模型所获取的与每个地表类型的组分相对应的回归系数的大小，确定每个地表类型的组分对区域热效应的影响，并由此确定不同地表类型覆盖度的变化所引起的对应区域的地表温度的改变量。
进一步地，上述结合回归系数，确定不同地表类型在其组分等级下的理论平均地表温度，具体为：
其中
为第m个组分等级下的第j种地表类型在其组分等级下的平均覆盖度、y′m为地表类型在第m个组分等级下的理论平均地表温度。
上述根据实际地表温度与理论平均地表温度确定不同地表类型对热效应影响的定量分析结果，具体为：
其中，ymi为第i个窗口第m个组分等级下的实际地表温度。
进一步地，上述根据地表类型组分及空间格局对区域热效应的影响，确定基于地表类型进行城市热效应评价的定量分析结果，具体包括：
获取任一地表类型的组分及空间格局对区域热效应的影响，并根据组分及空间格局对对区域热效应的影响的净效，确定任一地表类型对区域热效应的影响。
第二方面，本发明实施例提供一种基于地表类型进行热效应定量评价系统，包括：影像数据采样单元、实际地表温度反演单元、图像融合单元、地表分类及组分分级单元、组分效应运算单元、格局效应运算单元和结果分析单元，其中：
影像数据采样单元用于获取待测区域的中分辨率遥感影像数据和高分辨率遥感影像数据；
实际地表温度反演单元根据所述中分辨率遥感影像数据中的可见光、近红外、热红外波段数据反演待测区域的实际地表温度；图像融合单元用于以所述高分辨率遥感影像数据中的可见光、近红外、全色波段数据为基准图像，进行全色多光谱波段融合，获取所述待测区域的融合图像；地表分类及组分分级单元用于对所述融合图像进行地表分类，并根据分类结果计算地表类型组分并对其分级；组分效应运算单元用于基于弹性网络回归模型，获取地表类型组分对地表温度的回归系数，确定地表类型的组分对区域热效应的影响；
格局效应运算单元用于基于弹性网络回归模型，获取不同地表类型在其组分等级下的回归系数，确定不同地表类型在其组分等级下的理论平均地表温度，并根据所述实际地表温度与所述理论平均地表温度的差值确定不同地表类型的空间格局对区域热效应的影响；结果分析单元用于根据所述组分效应单元和格局效应单元的净效应来确定某一地表类型，其城市热效应评价的定量分析结果。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行所述程序时实现如第一方面任一所述的基于地表类型进行热效应定量评价方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面任一所述的基于地表类型进行热效应定量评价方法的步骤。
本发明实施例提供的基于地表类型进行热效应定量评价方法及系统，通过引进优化后的弹性网络回归模型，从地表类型组分对LST的影响剥离开地表类型空间结构对区域LST的影响，以实现地表主要类型热效应的定量评价，有效的提高了评价的精确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于地表类型进行热效应定量评价方法流程示意图；
图2为本发明实施例提供的一种基于地表类型进行热效应定量评价系统的结构示意图；
图3为本发明实施例提供的一种电子设备的实体结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
在本发明所有实施例中，所提及的待测区域的卫星遥感影像数据的获取均以Landsat 8卫星影像为例，所提及的土地覆盖影像数据均以国产的高分2号卫星(GF-2)所获取的遥感图像数据为例进行说明，但其不视为对本发明保护范围的限定。
其中，Landsat 8卫星是美国陆地卫星计划(Landsat)的第八颗卫星，其上携带有陆地成像仪(Operational Land Imager，简称OLI)和热红外传感器(Thermal InfraredSensor，简称TIRS)。在本发明实施例中所述的卫星遥感影像数据则包括由Landsat 8卫星在过境时，利用OLI和TIRS所获取到的待测区域的影像数据。
其中，GF-2卫星是我国自主研制的首颗空间分辨优于1米的民用光学遥感卫星，其上搭载有高分辨率1米全色相机、和4米多光谱相机，其观测幅宽达到45公里，具有亚米级空间分辨率、高定位精度和快速姿态机动能力等特点，能够有效地提升了卫星综合观测效能。在本发明实施例中所述的土地覆盖影像数据具体包括了在GF-2卫星时，所获取的待测区域的多景GF-2影像数据。
本发明实施例提供一种基于地表类型进行热效应定量评价方法，如图1所示，包括但不限于以下步骤：
步骤S1：获取待测区域的中分辨率遥感影像可见光、近红外、热红外波段数据及高分辨率遥感影像可见光、近红外、全色波段数据；
步骤S2：根据所述中分辨率遥感影像可见光、近红外、热红外波段数据反演待测区域的实际地表温度；
步骤S3：以所述高分辨率遥感影像可见光、近红外、全色波段数据为基准图像，进行全色多光谱波段融合，获取所述待测区域的融合图像；
步骤S4：对所述融合图像进行地表分类；在分类图像上建立滑动窗口，并根据分类结果计算各窗口的地表类型组分，确定组分等级；
步骤S5：基于弹性网络回归模型，获取各地表类型组分对地表温度的回归系数，以确定所述地表类型的组分对区域热效应的影响；
步骤S6：结合所述回归系数，确定不同组分等级下的理论平均地表温度；根据所述实际地表温度与所述理论平均地表温度的差值确定不同地表类型的空间格局对区域热效应的影响；
步骤S7：根据所述地表类型组分和所述空间格局对区域热效应的影响，确定基于地表类型进行城市热效应评价的定量分析结果。
具体地，本发明实施例提供的基于地表类型进行热效应定量评价方法，利用优化后的弹性网络回归(Elastic-net Regression)模型，为解决地表类型的高度共线性提供了突破口。本发明实施例通过在一定尺度的滑动窗口上建立区域LST与地表类型组分之间的Elastic-net Regression回归模型，获取各种地表分类的类型对LST响应稳定可靠的回归系数，来表征其对区域温度不同方向、程度的热贡献；并进一步建立不同组分等级下的区域理论LST。在不同组分等级下，研究利用窗口内实际LST与该等级下理论LST之间的差异，从地表类型组分对LST的影响剥离开地表类型空间结构对区域LST的影响，以实现地表主要类型热效应的定量评价。
其中，土地覆盖影像数据是自然营造物和人工建筑物所覆盖的地表诸要素的综合体，包括地表植被、土壤、湖泊、沼泽湿地及各种建筑物(如道路等)，具有特定的时间和空间属性，其形态和状态可在多种时空尺度上变化。
全色波段(Panchromatic band)，因为是单波段，在图像上显示的是灰度图片。全色遥感影像一般空间分辨率高，但无法显示地物色彩。因此，在本发明实施例提供的评价方法的实际操作中，以卫星遥感影像数据为基准图像，对土地覆盖影像数据进行全色多光谱波段融合，得到既有全色影像的高分辨率，又有多波段影像的彩色信息的融合影像。
地表温度，就是地面的温度。太阳的热能被辐射到达地面后，一部分被反射，一部分被地面吸收，使地面增热，对地面的温度进行测量后得到的温度就是地表温度。地表温度还会由所处地点环境而有所不同。在本发明实施例中所述的实际地表温度则是指通过获取的待测区域的卫星遥感影像数据反演获得的待测区域的实际地表温度。
其中，理论平均地表温度则为通过弹性网络回归模型对不同地表类型在其组分等级下的分析结果，用于表征不同地表类型在其组分等级下对待测区域LST的影响下的定量预测LST值。
进一步地，根据实际地表温度并考虑到不同地表类型在其组分等级下对待测区域LST的影响，则可以获取到待测区域内不同地表类型对热效应影响的定量分析结果。
本发明实施例提供的基于地表类型进行热效应定量评价方法，通过引进优化后的弹性网络回归模型，从地表类型组分对LST的影响剥离开地表类型空间结构对区域LST的影响，以实现地表主要类型热效应的定量评价，有效的提高了评价的精确性。
基于上述实施例的内容，作为一种可选实施例，在进行步骤S5所述的基于弹性网络回归模型，获取不同地表类型组分对地表温度的回归系数之前，还包括：在最小二乘法估计损失函数项后引入Lasso回归和岭回归的惩罚项，构建该弹性网络回归模型。
具体地，Lasso回归(Least absolute shrinkage and selection operator)是由Robert Tibshirani首次提出，该回归方法是一种压缩估计，即通过构造一个惩罚函数得到一个较为精炼的回归模型，使得其压缩一部分回归系数，即强制系数绝对值之和小于某个固定值；同时设定一些回归系数为零。因此保留了子集收缩的优点，是一种处理具有复共线性数据的有偏估计。
其中，岭回归(ridge regression,Tikhonov regularization，简称Ridge回归)，又称脊回归，是对不适定问题(ill-posed problem)进行回归分析时最经常使用的一种正则化方法。本发明实施例中的岭回归是对最小二乘回归的一种补充，它损失了无偏性，来换取高的数值稳定性，从而得到较高的计算精度。
进一步地，本发明实施例提供的Elastic-net regression模型，是通过在一般的在最小二乘法(OLS)估计损失函数项后引入Lasso回归和Ridge回归作为惩罚项，建立的模型函数可以为公式1：
其中，yi为第i个窗口下的平均地表温度、β0为回归系数截距项、βj为第j种地表类型的回归系数、xij为第i个窗口下第j种地表类型的覆盖度、k为地表类型的总数、n为滑动窗口总数、α为调和系数、λ为收缩系数。其中，λ决定了回归系数βj被收缩的程度，α可设为从0到1之间的调和系数，二者均通过交叉验证的方法以实现函数回归系数的最优化。
基于上述实施例的内容，作为一种可选实施例，在上述步骤S2所述的根据中分辨率遥感影像可见光、近红外、热红外波段数据反演待测区域的实际地表温度，具体包括：
S21，对中分辨率遥感影像可见光、近红外、热红外波段数据进行辐射定标和大气校正，获取大气层顶的亮度温度和地表反射率；
S22，基于中分辨率遥感影像可见光、近红外、热红外波段数据在近红外和热红外波段计算归一化差分植被指数，获取基于归一化差分植被指数的地表发射率；
S23，基于分裂窗算法，结合基于归一化差分植被指数的地表发射率，从所述大气层顶的亮度温度反演待测区域的实际地表温度。
具体地，本发明实施例提供的基于地表类型进行热效应定量评价方法中，在获取到Landsat 8卫星遥感影像数据后，首先对该影像进行辐射定标和大气校正，得到大气层顶的亮度温度数据及地表反射率。然后，利用Landsat 8近红外和红光波段计算NDVI，并基于此得到基于NDVI的地表发射率。最后，采用分裂窗算法从大气层顶亮温数据(即：亮度温度数据)反演LST。
其中，归一化差分植被指数(Normalized Difference Vegetation Index)简称NDVI，在遥感影像中，用于表示近红外波段的反射值与红光波段的反射值之差比上两者之和：(NIR-R)/(NIR+R)，其中NIR为近红外波段的反射值，R为红光波段的反射值。NDVI是反映农作物长势和营养信息的重要参数之一。根据该参数，例如：可以获取不同季节的农作物对氮的需求量,对合理施用氮肥具有重要的指导作用。NDVI是最常用的植被指数，虽然NDVI对土壤背景的变化较为敏感，但由于NDVI可以消除大部分与仪器定标、太阳角、地形、云阴影和大气条件有关辐照度的变化，增强了对植被的响应能力，是目前已有的40多种植被指数中应用最广的一种，NDVI与LAI、NPP、fAPAR等生物物理参数有着密切的关联。
辐射定标是指在需要计算地物的光谱反射率或光谱辐射亮度时，或者需要对不同时间、不同传感器获取的图像进行比较时，将图像的亮度灰度值转换为绝对的辐射亮度的过程。在本发明实施例中所采取的辐射定标方法可以是绝对定标和/或相对定标，对此本实施例不作具体地限定。
其中，本发明实施例中所涉及的亮温数据，是一个广义的温度定义，这个温度是由很多因素造成的，比如大气下行、上行辐射等。可以通过普朗克方程，将热红外辐射亮度图像转成亮温图像。与亮温相对应的就是地表温度，简单的理解就是消除大气上行、下行等因素影响的亮温，常用的方法包括大气校正法、单窗法、劈窗法等。
其中，地表反射率(Surface Reflectance)：地表反射率是地球表面的反射率，它没有云层和大气组分的影响。在本发明实施例中，地表反射率是从卫星遥感影像数据中所包含的辐射亮度图像中计算得到，其中，计算模型可以是辐射传输模型，包括去除云层、大气组分、临近地物等因素影响的过程。例如采用ENVI中的大气校正模块，即采用辐射传输模型的MODTRAN4+，此外还有6S大气校正模型。因此，大气校正是获取地表反射率的一种途径。
地面待测区域的总辐射亮度并不是地表真实反射率的反映，其中包含了由大气吸收，尤其是散射作用造成的辐射量误差。大气校正就是消除这些由大气影响所造成的辐射误差，反演地物真实的表面反射率的过程。在本发明实施例中所采取的大气校正方法可以是统计型校正和/或物理型校正，对此本实施例不作具体地限定。
其中，分裂窗口法又称劈窗算法，是地表温度反演的常规算法，对此，本实施例不作赘述。
本发明实施例提供的基于地表类型进行热效应定量评价方法，通过对获取的卫星遥感影像数据进行预处理，并基于归一化差分植被指数的地表反射率，从所述大气层顶的亮温数据中反演获取到待测区域的实际地表温度，有效的提高了所获取到的实际地表温度的精度。
基于上述实施例的内容，作为一种可选实施例，在步骤S3中所述的高分辨率遥感影像可见光、近红外、全色波段数据为基准图像，进行全色多光谱波段融合，获取所述待测区域的融合图像，具体包括：
以同空间覆盖范围的遥感影像作为基准，基于NNDiffuse Pan Sharpening方法对正射校正后的所述高分辨率遥感影像可见光、近红外、全色波段数据进行所述全色多光谱波段融合，获取融合图像。
具体地，在本发明实施例中，对每一景GF-2卫星获取的原始影像进行正射校正，以同空间覆盖范围的Landsat 8影像作为基准进行图像配准，并配准全色波段和多光谱波段。进一步地，利用NNDiffuse Pan Sharpening方法对全色多光谱波段进行融合，最终得到空间分辨率为1m的融合影像，并拼接以覆盖待检测区域。进一步地，利用面向对象的方法对融合影像进行地表分类，同时还可以通过目视解译法手工修改错分类型。
进一步地，对所述融合图像进行地表分类；在分类图像上建立滑动窗口，并根据分类结果计算各窗口的地表类型组分，确定组分等级，具体包括：
利用面向对象的方法对融合图像进行地表分类，获取不同地表类型；计算各窗口内每个所述地表类型的覆盖度，获取窗口下地表类型的组分，并确定所述组分的等级。
其中，NNDiffuse Pan Sharpening方法，是基于NNDiffuse Pan Sharpening图像融合工具进行图像融合的方法。
根据融合图像上的覆盖物的分布特征，可以进行不同地表类型的分类，并进一步地根据地表类型的覆盖物的特征(包括覆盖物的性质以及覆盖度)的不同，确定每个不同地表类型的组分等级。例如可以根据覆盖物为植被、水体、建筑物、不透水层等不同，确定主要城市地表类型。进一步地，例如可以根据某一地表分类的覆盖物为植被，该植被的覆盖率为30％，而将该区域的组分等级划分为一级；另一地表分类的覆盖物为植被，该植被的覆盖率为20％，而将该区域的组分等级划分为二级；上述划分等级的方式是基于地表类型对于LST影响的贡献率客观确定的。
本发明实施例提供的基于地表类型进行热效应定量评价方法，通过对融合图像进行预处理，具体包括地表分类一级组分等级的标定，为进一步地确定每个不同的地表分类在各自组分等级下对LST的影响进行定量分析提供了基础。
基于上述实施例的内容，作为一种可选实施例，步骤S5所述的基于弹性网络回归模型，获取地表类型组分对地表温度的回归系数，确定地表类型的组分对区域热效应的影响，具体包括：
根据所述网络回归模型所获取的与每个所述地表类型的组分相对应的回归系数的大小，确定每个所述地表类型的组分对区域热效应的影响，并由此确定不同地表类型覆盖度的变化所引起的对应区域的地表温度的改变量。
基于上述实施例的内容，作为一种可选实施例，在步骤S6所述的根据步骤S5中获取的回归系数，确定不同地表类型在其组分等级下的理论平均地表温度，具体计算公式2：
其中，
为第m个组分等级下的第j种地表类型在其组分等级下的平均覆盖度、y′m为地表类型在第m个组分等级下的理论平均地表温度。
进一步地，在步骤S7所述的根据步骤S2中获取的实际地表温度与步骤S5中获取的理论平均地表温度，确定不同地表类型对热效应影响的定量分析结果，具体计算方法为利用公式3进行计算：
其中，ymi为第i个窗口第m个组分等级下的实际地表温度。
进一步地，在本发明实施例中，在研究区内每个滑动窗口下叠加LST数据和对应标签化的土地覆盖数据，计算不同地表类型在窗口内的组分，并输入到Elastic-net回归模型中定量描述包括植被、水体、建筑、不透水层等主要城市地表类型各自的热贡献。并对于不同的组分等级，利用AI，ENN等景观生态指数表征植被、建筑的空间聚集程度，并将其对LST的影响从组分的影响中剥离出来。
进一步地，在本发明实施例中利用所建立的基于弹性网络回归模型，获取不同地表类型在其组分等级下的回归系数的实现主要是在R语言中进行的。
具体地，R语言中的‘glment’是专用于Lasso回归和Elastic-net回归的开源包，将每个滑动窗口内的LST与不同地表类型的组分占比作为输入数据，进行回归分析。
函数cv.glment()是弹性网络回归模型的核心函数，主要通过10折交叉验证进行弹性网络回归来计算各因子的贡献，具体为：
其中，输入项包括y1、y2…yn、xnk；yn为第n个窗口下的地表温度，n为输入的总窗口数；xnk为第n个窗口下第k种地表类型的覆盖度，k为输入的总地表类型数；βk为模型输出的第k种地表类型的回归系数；εn为第n个窗口下残差项。
进一步地，对上述方程组的高斯族损失函数最小化，即获取以下函数：
最后，根据坐标下降法寻找回归系数βk的最优解。
进一步地，步骤S6中所述的根据各地表类型回归系数β，确定不同地表类型在其组分等级下的理论平均地表温度，包括利用公式3，在不同地表类型组分等级下，建立该等级的区域理论平均LST。
进一步地，步骤S7中所述的基于地表类型进行热效应定量评价方法中，根据地表类型组分及空间格局对区域热效应的影响，确定基于地表类型进行城市热效应评价的定量分析结果，具体包括：
获取任一所述地表类型的组分及空间格局对区域热效应的影响，并根据所述组分及空间格局对对区域热效应的影响的净效，确定任一所述地表类型对区域热效应的影响。其主要是基于上述公式3，将各地表类型的实际LST与理论平均LST作差，以确定该地表类型内空间格局对LST的影响。
本发明实施例提供一种基于地表类型进行热效应定量评价系统，如图2所示，包括但不限于：
影像数据采样单元1、实际地表温度反演单元2、图像融合单元3、地表分类及组分分级单元4、组分效应运算单元5、格局效应运算单元6和结果分析单元7，其中：
影像数据采样单元1主要用于获取待测区域的中分辨率遥感影像数据和高分辨率遥感影像数据。
实际地表温度反演单元2主要根据中分辨率遥感影像数据中的可见光、近红外、热红外波段数据反演待测区域的实际地表温度。
图像融合单元3主要用于以高分辨率遥感影像数据中的可见光、近红外、全色波段数据为基准图像，进行全色多光谱波段融合，获取待测区域的融合图像；
地表分类及组分分级单元4主要用于对融合图像进行地表分类，并根据分类结果计算地表类型组分并对其分级。
组分效应运算单元5主要用于基于弹性网络回归模型，获取地表类型组分对地表温度的回归系数，确定地表类型的组分对区域热效应的影响。
格局效应运算单元6主要用于基于弹性网络回归模型，获取不同地表类型在其组分等级下的回归系数，确定不同地表类型在其组分等级下的理论平均地表温度，并根据实际地表温度与所述理论平均地表温度的差值确定不同地表类型的空间格局对区域热效应的影响。
结果分析单元7用于根据组分效应单元和格局效应单元的净效应来确定某一地表类型，其城市热效应评价的定量分析结果。
作为一种具体实施例，本发明实施例提供一种利用上述基于地表类型进行热效应定量评价系统进行评价的方法，以北京主城区为例，包括水体、森林、草地等生态用地，对区域热环境表现为负向贡献，即制冷效应，在既定区域内，每提高10％覆盖度降温依次约为0.91℃，0.73℃和0.56℃；建筑和不透水层对区域热环境表现为正向贡献，即制暖效应，在既定区域内，每提高10％覆盖度增温依次约为1.59℃和0.31℃。地表类型组分和其空间结构交互影响区域LST。对于50％以下的植被覆盖度的既定区域，植被聚集能最大带来约1.2℃的额外降温；对于超过15％建筑覆盖度的既定区域，建筑聚集可以最大导致约0.8℃的额外增温。
需要说明的是，本发明实施例提供的基于地表类型进行热效应定量评价系统在实施时，用于执行上述任一实施例中所述的热效应定量评价方法，对此本实施例将不作赘述。
本发明实施例提供的基于地表类型进行热效应定量评价系统，通过引进优化后的弹性网络回归模型，从地表类型组分对LST的影响剥离开地表类型空间结构对区域LST的影响，以实现地表主要类型热效应的定量评价，有效的提高了评价的精确性。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器430中的逻辑指令，以执行如下方法：获取待测区域的卫星遥感影像数据和土地覆盖影像数据；根据卫星遥感影像数据反演获取待测区域的实际地表温度；以卫星遥感影像数据为基准图像，对土地覆盖影像数据进行全色多光谱波段融合，获取待测区域的融合图像；对融合图像进行地表分类，并根据分类结果确定各地表分类的组分等级；基于弹性网络回归模型，获取不同地表类型在其组分等级下的回归系数；根据回归系数，确定不同地表类型在其组分等级下的理论平均地表温度；根据实际地表温度与理论平均地表温度确定不同地表类型对热效应影响的定量分析结果。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：获取待测区域的卫星遥感影像数据和土地覆盖影像数据；根据卫星遥感影像数据反演获取待测区域的实际地表温度；以卫星遥感影像数据为基准图像，对土地覆盖影像数据进行全色多光谱波段融合，获取待测区域的融合图像；对融合图像进行地表分类，并根据分类结果确定各地表分类的组分等级；基于弹性网络回归模型，获取不同地表类型在其组分等级下的回归系数；根据回归系数，确定不同地表类型在其组分等级下的理论平均地表温度；根据实际地表温度与理论平均地表温度确定不同地表类型对热效应影响的定量分析结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种基于地表类型进行热效应定量评价方法，其特征在于，包括：
获取待测区域的中分辨率遥感影像可见光、近红外、热红外波段数据及高分辨率遥感影像可见光、近红外、全色波段数据；
根据所述中分辨率遥感影像可见光、近红外、热红外波段数据反演待测区域的实际地表温度；
以所述高分辨率遥感影像可见光、近红外、全色波段数据为基准图像，进行全色多光谱波段融合，获取所述待测区域的融合图像；
对所述融合图像进行地表分类；在分类图像上建立滑动窗口，并根据分类结果计算各窗口的地表类型组分，确定组分等级；
基于弹性网络回归模型，获取各地表类型组分对地表温度的回归系数，以确定所述地表类型的组分对区域热效应的影响；
结合所述回归系数，确定不同组分等级下的理论平均地表温度；根据所述实际地表温度与所述理论平均地表温度的差值确定不同地表类型的空间格局对区域热效应的影响；
根据所述地表类型组分和所述空间格局对区域热效应的影响，确定基于地表类型进行城市热效应评价的定量分析结果。
2.根据权利要求1所述的基于地表类型进行热效应定量评价方法，其特征在于，在所述基于弹性网络回归模型，获取各地表类型组分对地表温度的回归系数之前，还包括：
在最小二乘法估计损失函数项后引入Lasso回归和岭回归的惩罚项，构建所述弹性网络回归模型。
3.根据权利要求2所述的基于地表类型进行热效应定量评价方法，其特征在于，所述弹性网络回归模型的模型函数的表达式为：
其中，yn为第n个窗口下的地表温度，n为输入的总窗口数；xnk为第n个窗口下第k种地表类型的覆盖度，k为输入的总地表类型数；βk为模型输出的第k种地表类型的回归系数；εn为第n个窗口下残差项；
所述弹性网络回归模型的模型函数的高斯族损失函数最小化，其计算公式为：
其中，
为高斯族损失函数最小化值；yi第i个窗口下的地表温度、β0为回归系数截距项、βj为第j种地表类型的回归系数、xij为第i个窗口下第j种地表类型的覆盖度、k为地表类型的总数、n为组分等级的总数、α为调和系数、λ为收缩系数；
基于坐标下降法，获取所述表达式的高斯族损失函数为所述高斯族损失函数最小化值时地表类型的回归系数的取值，作为地表类型的回归系数的最优解。
4.根据权利要求1所述的基于地表类型进行热效应定量评价方法，其特征在于，所述根据所述中分辨率遥感影像可见光、近红外、热红外波段数据反演待测区域的实际地表温度，具体包括：
对所述中分辨率遥感影像可见光、近红外、热红外波段数据进行辐射定标和大气校正，获取大气层顶的亮度温度和地表反射率；
基于所述中分辨率遥感影像可见光、近红外、热红外波段数据在近红外和热红外波段计算归一化差分植被指数，获取基于归一化差分植被指数的地表发射率；
基于分裂窗算法，结合所述基于归一化差分植被指数的地表发射率，从所述大气层顶的亮度温度反演待测区域的实际地表温度。
5.根据权利要求1所述的基于地表类型进行热效应定量评价方法，其特征在于，所述以所述高分辨率遥感影像可见光、近红外、全色波段数据为基准图像，进行全色多光谱波段融合，获取所述待测区域的融合图像，具体包括：
以同空间覆盖范围的遥感影像作为基准，基于NNDiffuse Pan Sharpening方法对正射校正后的所述高分辨率遥感影像可见光、近红外、全色波段数据进行所述全色多光谱波段融合，获取所述融合图像。
6.根据权利要求1所述的基于地表类型进行热效应定量评价方法，其特征在于，所述对所述融合图像进行地表分类；在分类图像上建立滑动窗口，并根据分类结果计算各窗口的地表类型组分，确定组分等级，具体包括：
利用面向对象的方法对融合图像进行地表分类，获取不同地表类型；
计算各窗口内每个所述地表类型的覆盖度，获取所述窗口下地表类型的组分，并确定所述组分的等级。
7.根据权利要求1所述的基于地表类型进行热效应定量评价方法，其特征在于，所述基于弹性网络回归模型，获取地表类型组分对地表温度的回归系数，确定地表类型的组分对区域热效应的影响，具体包括：
根据所述网络回归模型所获取的与每个所述地表类型的组分相对应的回归系数的大小，确定每个所述地表类型的组分对区域热效应的影响，并由此确定不同地表类型覆盖度的变化所引起的对应区域的地表温度的改变量。
8.根据权利要求1所述的基于地表类型进行热效应定量评价方法，其特征在于，所述结合所述回归系数，确定不同组分等级下的理论平均地表温度，具体为：
其中，
为第m个组分等级下的第j种地表类型在其组分等级下的平均覆盖度、y′ m为地表类型在第m个组分等级下的理论平均地表温度；
所述根据所述实际地表温度与所述理论平均地表温度的差值确定不同地表类型的空间格局对区域热效应的影响，具体为：
其中，ymi为第i个窗口第m个组分等级下的实际地表温度。
9.根据权利要求1所述的基于地表类型进行热效应定量评价方法，其特征在于，所述根据所述地表类型组分及空间格局对区域热效应的影响，确定基于地表类型进行城市热效应评价的定量分析结果，具体包括：
获取任一所述地表类型的组分及空间格局对区域热效应的影响，并根据所述组分及空间格局对对区域热效应的影响的净效，确定任一所述地表类型对区域热效应的影响。
10.一种基于地表类型进行热效应定量评价系统，其特征在于，包括：
影像数据采样单元、实际地表温度反演单元、图像融合单元、地表分类及组分分级单元、组分效应运算单元、格局效应运算单元和结果分析单元；
所述影像数据采样单元用于获取待测区域的中分辨率遥感影像数据和高分辨率遥感影像数据；
所述实际地表温度反演单元根据所述中分辨率遥感影像数据中的可见光、近红外、热红外波段数据反演待测区域的实际地表温度；
所述图像融合单元用于以所述高分辨率遥感影像数据中的可见光、近红外、全色波段数据为基准图像，进行全色多光谱波段融合，获取所述待测区域的融合图像；
所述地表分类及组分分级单元用于对所述融合图像进行地表分类，并根据分类结果计算地表类型组分并对其分级；
所述组分效应运算单元用于基于弹性网络回归模型，获取地表类型组分对地表温度的回归系数，确定地表类型的组分对区域热效应的影响；
所述格局效应运算单元用于基于弹性网络回归模型，获取不同地表类型在其组分等级下的回归系数，确定不同地表类型在其组分等级下的理论平均地表温度，并根据所述实际地表温度与所述理论平均地表温度的差值确定不同地表类型的空间格局对区域热效应的影响；
所述结果分析单元用于根据所述组分效应单元和格局效应单元的净效应来确定某一地表类型，其城市热效应评价的定量分析结果。
11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至9任一项所述基于地表类型进行热效应定量评价方法的步骤。
12.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至9任一项所述基于地表类型进行热效应定量评价方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010130983.6A CN111368817B (zh) | 2020-02-28 | 2020-02-28 | 一种基于地表类型进行热效应定量评价方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010130983.6A CN111368817B (zh) | 2020-02-28 | 2020-02-28 | 一种基于地表类型进行热效应定量评价方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111368817A CN111368817A (zh) | 2020-07-03 |
| CN111368817B true CN111368817B (zh) | 2023-05-23 |
Family
ID=71206344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010130983.6A Active CN111368817B (zh) | 2020-02-28 | 2020-02-28 | 一种基于地表类型进行热效应定量评价方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111368817B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111798378A (zh) * | 2020-07-08 | 2020-10-20 | 北京航空航天大学 | 一种热红外图像超分辨率重建评价方法 |
| CN112669201B (zh) * | 2020-12-25 | 2023-09-12 | 知天(珠海横琴)气象科技有限公司 | 一种基于红外光的可见光云图转换方法、系统及其终端 |
| 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 |
| CN113076692B (zh) * | 2021-03-29 | 2021-09-28 | 中国农业科学院农业资源与农业区划研究所 | 一种反演叶片氮素含量的方法 |
| CN113408929B (zh) * | 2021-07-01 | 2022-07-12 | 福州大学 | 基于空间几何原理的四维遥感生态指数构建方法 |
| CN113723228B (zh) * | 2021-08-16 | 2024-04-26 | 北京大学 | 地表类型占比的确定方法、装置、电子设备和存储介质 |
| CN114049566B (zh) * | 2021-11-08 | 2022-05-17 | 北京师范大学 | 一种逐步细化的陆地卫星影像云和云阴影检测方法及装置 |
| CN114414090B (zh) * | 2021-12-14 | 2023-04-28 | 厦门大学 | 基于遥感影像和多层感知的地表温度预测方法及系统 |
| CN116051399B (zh) * | 2022-11-30 | 2024-08-02 | 广西壮族自治区自然资源遥感院 | 一种亚米级卫星真彩色影像合成方法、系统及设备 |
| CN117592001B (zh) * | 2024-01-18 | 2024-04-16 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种数据融合方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108168710A (zh) * | 2017-12-28 | 2018-06-15 | 福建农林大学 | 一种基于遥感技术的城区热岛效应评估方法 |
| CN108195488A (zh) * | 2017-12-19 | 2018-06-22 | 深圳先进技术研究院 | 一种城市楼宇尺度的定量化热环境监测方法、设备及存储设备 |
| CN108549858A (zh) * | 2018-04-08 | 2018-09-18 | 武汉理工大学 | 一种城市热岛效应的定量评价方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106909722B (zh) * | 2017-02-10 | 2019-07-26 | 广西壮族自治区气象减灾研究所 | 一种近地面气温的大面积精准反演方法 |
-
2020
- 2020-02-28 CN CN202010130983.6A patent/CN111368817B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108195488A (zh) * | 2017-12-19 | 2018-06-22 | 深圳先进技术研究院 | 一种城市楼宇尺度的定量化热环境监测方法、设备及存储设备 |
| CN108168710A (zh) * | 2017-12-28 | 2018-06-15 | 福建农林大学 | 一种基于遥感技术的城区热岛效应评估方法 |
| CN108549858A (zh) * | 2018-04-08 | 2018-09-18 | 武汉理工大学 | 一种城市热岛效应的定量评价方法 |
Non-Patent Citations (5)
| Title |
|---|
| Corrigendun: Evaluation of the lasso and the elastic net in genome-wide association studies;Patrik Waldmann等;《Frontiers in Genetics》;全文 * |
| Do Urban Functional Zones Affect Land Surface Temperature Differently? A Case Study of Beijing,China;Yuning Feng等;《remote sensing》;全文 * |
| 城市LUCC时空格局对地表温度的影响效应研究-以广西柳州市为例;梁保平等;《中国土地科学》(011);全文 * |
| 城市地表热环境研究进展;姚远等;《生态学报》(03);全文 * |
| 基于遥感的土地利用空间格局分布与地表温度的关系;张春玲等;《遥感技术与应用》(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111368817A (zh) | 2020-07-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111368817B (zh) | 一种基于地表类型进行热效应定量评价方法及系统 | |
| CN109581372B (zh) | 一种生态环境遥感监测方法 | |
| CN107909607B (zh) | 一种年度区域植被覆盖度计算方法 | |
| Zhan et al. | The 250 m global land cover change product from the Moderate Resolution Imaging Spectroradiometer of NASA's Earth Observing System | |
| Lyu et al. | A new method for grassland degradation monitoring by vegetation species composition using hyperspectral remote sensing | |
| CN112051222A (zh) | 一种基于高分卫星影像的河湖水质监测方法 | |
| CN108613933A (zh) | 基于多源遥感数据融合的林地干旱时空动态监测方法 | |
| Meroni et al. | Evaluation of agreement between space remote sensing SPOT-VEGETATION fAPAR time series | |
| Rautiainen et al. | Coupling forest canopy and understory reflectance in the Arctic latitudes of Finland | |
| CN111415309B (zh) | 一种基于最小反射率法的高分辨率遥感影像大气校正方法 | |
| CN115481368B (zh) | 一种基于全遥感机器学习的植被覆盖度估算方法 | |
| CN110472357A (zh) | 评估矿业开发密集区地表热环境分异效应的遥感综合生态模型rsiei的构建方法及应用 | |
| CN114564767A (zh) | 一种基于太阳-云-卫星观测几何的云下地表温度估算方法 | |
| Kallel et al. | Determination of vegetation cover fraction by inversion of a four-parameter model based on isoline parametrization | |
| CN112733596A (zh) | 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用 | |
| CN113408929B (zh) | 基于空间几何原理的四维遥感生态指数构建方法 | |
| CN112364289B (zh) | 一种通过数据融合提取水体信息的方法 | |
| CN113447137A (zh) | 一种面向无人机宽波段热像仪的地表温度反演方法 | |
| CN114970214A (zh) | 一种气溶胶光学厚度反演方法及装置 | |
| CN116519557A (zh) | 一种气溶胶光学厚度反演方法 | |
| Yunhao et al. | A combined approach for estimating vegetation cover in urban/suburban environments from remotely sensed data | |
| CN117035066A (zh) | 一种耦合地理加权与随机森林的地表温度降尺度方法 | |
| CN115438562A (zh) | 一种大范围快速光学卫星传感器星上观测辐亮度模拟方法 | |
| CN111191380B (zh) | 一种基于地基光谱仪测量数据的大气气溶胶光学厚度估算方法和装置 | |
| CN103186893A (zh) | 一种普适的高分辨率遥感图像融合方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |