CN111582575B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111582575B CN111582575B CN202010372619.0A CN202010372619A CN111582575B CN 111582575 B CN111582575 B CN 111582575B CN 202010372619 A CN202010372619 A CN 202010372619A CN 111582575 B CN111582575 B CN 111582575B
- Authority
- CN
- China
- Prior art keywords
- urban
- building
- data
- surface temperature
- above formula
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000011161 development Methods 0.000 title claims abstract description 18
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 10
- 230000000877 morphologic effect Effects 0.000 claims description 21
- 238000000611 regression analysis Methods 0.000 claims description 19
- 230000018109 developmental process Effects 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- NTSBMKIZRSBFTA-AIDOXSFESA-N Digoxigenin bisdigitoxoside Chemical compound C1[C@H](O)[C@H](O)[C@@H](C)O[C@H]1O[C@@H]1[C@@H](C)O[C@@H](O[C@@H]2C[C@@H]3[C@]([C@@H]4[C@H]([C@]5(CC[C@@H]([C@@]5(C)[C@H](O)C4)C=4COC(=O)C=4)O)CC3)(C)CC2)C[C@@H]1O NTSBMKIZRSBFTA-AIDOXSFESA-N 0.000 claims description 2
- 101100018862 Mus musculus Ifnar1 gene Proteins 0.000 claims description 2
- 230000000903 blocking effect Effects 0.000 claims description 2
- 125000004432 carbon atom Chemical group C* 0.000 claims description 2
- 239000006185 dispersion Substances 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 239000007787 solid Substances 0.000 claims description 2
- 238000001308 synthesis method Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000013461 design Methods 0.000 abstract description 2
- 239000002699 waste material Substances 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明涉及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,包括:利用Landsat遥感影像数据反演地表温度,并结合MODIS地表温度产品,采用时‑空数据融合算法获得不同时间序列的城市地表温度数据集;利用Landsat遥感影像数据和单通道反演算法获取城市地表温度。本发明的有益效果是:本发明充分考虑了城市热环境与城市三维空间形态之间存在复杂的非线性关系以及二者之间关系对时空尺度的依赖性,充分挖掘多时空尺度下城市三维空间形态对热环境的影响。本发明能够辅助政府相关部门科学有效地制定土地利用规划,并合理规划设计城市景观,避免资源的浪费与不合理分配,为政府相关部门缓解城市热岛效应提供科学的建议。
Description
技术领域
本发明提出了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。采用不同的时空观测尺度,选取具有区域代表性的城市三维空间形态指标,基于多元原型回归分析(Multiple Prototypal Regression)方法构建多时空尺度下城市地表温度的预测模型,属于热红外遥感和城市生态景观领域。
背景技术
城市热岛效应是城市区域温度高于郊区的现象,是城市化过程中最为显著的气候特征之一。强烈的城市热岛效应不但严重影响了人们的日常工作和生活,还极大地改变了区域的生物多样性、微气候和大气状况,加剧了城市高温天气出现的频率和危害。因此,精确刻画城市热环境的时空格局并探索其形成发展的主导因素,对于提升城市人居环境质量、城市的区域竞争力以及促进城市的可持续发展具有重大意义。
目前,传统的地面气象监测站,其“点”状的监测模式、有限的站点数量和不均衡空间分布导致其无法实现对大范围城市热环境的监测。相比传统方法,遥感技术以其获取信息快、观测范围广、数据更新周期短等特点促进了城市热岛研究领域的发展。众多科研人员借助热红外遥感技术开展了对城市热环境的空间格局、形态、时空演变以及模拟预测等研究工作,并探讨了城市热环境与其众多影响因素之间的关系。然而,前人研究多集中关注城市二维空间结构对热环境的影响,对城市三维空间形态的影响研究较少。已有研究表明,三维空间形态对城市微气候的影响可能更加显著。此外,城市热环境的形成发展是一个自然和人文因素相互作用的复杂过程,在不同观测尺度下分析它与众多影响因素之间复杂的非线性关系,往往会出现不一致的结论,即所谓的“尺度效应”。而以往研究多基于固定的像元尺度或城市街区尺度来研究某一时间点上的城市热岛效应,这种方法仅考虑到了单一时空尺度下城市空间形态与热环境之间的密切联系,未能充分考虑到城市空间形态与热环境之间关系对时空尺度的依赖性。对于复杂的城市热岛现象而言,忽视城市三维空间形态以及尺度效应所带来的影响,会直接干扰对城市热环境成因机制的客观全面考察。
因此,采用不同的时空观测尺度,并选取具有区域代表性的城市三维空间形态指标,基于机器学习的方法构建不同时空观测尺度下城市地表温度的预测模型,有助于深入理解多时空尺度下城市热环境形成发展的主导因素,为城市的科学规划与管理提供新思路和重要科学依据。
发明内容
本发明的目的是克服现有技术中的不足,提出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,具体包括如下步骤:
步骤1、利用Landsat遥感影像数据反演地表温度,并结合MODIS地表温度产品,采用时-空数据融合算法获得不同时间序列的城市地表温度数据集:
步骤1.1、利用Landsat遥感影像数据和单通道反演算法获取城市地表温度:
步骤1.2、基于步骤1.1所获取的Landsat遥感影像数据的反演结果,结合MODIS地表温度产品,采用FSDAF时空数据融合算法获得月序列、季节序列和年序列的城市地表温度数据集Landsat-like LST;
步骤2、基于机载LiDAR点云数据和ZY-3遥感影像数据,提取城市数字地表模型DSM和土地覆被信息,进而获取城市三维空间形态信息;
步骤2.1、基于机载LiDAR点云数据,提取城市数字地表模型DSM:先将获取的原始机载LiDAR点云数据进行预处理,所述预处理包括去噪和滤波;再利用线性插值法对机载LiDAR点云数据进行规则格网化处理,生成数字地表模型DSM;
步骤2.2、基于ZY-3遥感影像数据,采用面向对象分类方法提取城市建筑物、乔木、灌木或草地的土地覆被信息;
步骤2.3、基于步骤2.1和步骤2.2所提取的城市数字地表模型DSM和建筑物、乔木、灌木或草地的土地覆被信息,将二者进行空间叠加分析,计算城市三维空间形态指标;
步骤3、将不同时间序列城市地表温度数据集和城市三维空间形态信息采样至不同观测尺度的地理格网单元中,利用多元原型回归分析方法构建不同时空观测尺度下城市地表温度的预测模型;
步骤3.1、分别利用120m,240m,360m,…,1200m的地理格网单元叠合不同时间序列城市地表温度和城市三维空间形态指标,进行分区统计;
步骤3.2、以不同时间序列城市地表温度作为因变量,城市三维空间形态指标作为自变量,将所有变量归一化到0至1之间,输入多元原型回归分析模型中;所述多元原型回归分析模型中涉及的参数采用十折交叉验证策略来确定;
步骤3.3、随机选取20%的样本作为测试组来评估多元原型回归分析模型性能,剩余样本作为训练组来构建多元原型回归分析模型,最终获得多时空尺度下城市地表温度的预测模型;
步骤4、根据多元原型回归分析方法构建的不同时空观测尺度下城市地表温度预测模型,进行整理和空间可视化,得到多时空尺度下城市热环境主导因素的空间分布和具体区域内热环境的成因机理。
作为优选,所述步骤1.1具体包括如下步骤:
步骤1.1.1、将获取的Landsat遥感影像进行预处理,所述预处理为辐射定标、大气校正和裁剪;
步骤1.1.2、将Landsat遥感影像数据热红外波段的原始亮度值转化为星上亮温Tsensor:
Lλ=Gainλ·DNλ+Biasλ (1)
上式中,Lλ为云顶辐射亮度,单位为W/(m2srμm);Gainλ为转换函数的斜率系数,Biasλ为转换函数的截距系数;Tsensor为所述遥感影像的星上亮温,单位为K;K1和K2为定标常数;DN为亮度值;
步骤1.1.3、利用单通道算法将星上亮温Tsensor转换为真实地表温度:
上式中,LST为地表温度;λ为辐射波段的波长;α=h×c/σ,斯特藩—玻尔兹曼常数σ=1.38×10-23J/K,普朗克常数h=6.262×10-34Js,光速c=2.998×108m/s,α=1.438×10-2mK;ε为地表发射率。
作为优选,所述步骤1.2具体包括如下步骤:
步骤1.2.1、对T1时刻Landsat LST数据进行分类;
步骤1.2.2、估算T1时刻与T2时刻MODIS LST数据对应各类别的时间差异;
步骤1.2.3、基于T1时刻与T2时刻MODIS LST数据对应各类别的时间差异,预测T2时刻具有Landsat数据空间分辨率的地表温度数据,并计算预测的T2时刻具有Landsat数据空间分辨率的地表温度数据与同时刻MODIS LST之间的残差;
步骤1.2.4、根据T2时刻MODIS LST数据,使用薄板样条插值函数预测具有Landsat数据空间分辨率的地表温度数据;
步骤1.2.5、基于薄板样条插值函数将预测的T2时刻具有Landsat数据空间分辨率的地表温度数据与同时刻MODIS LST之间的残差分配给T2时刻预测的具有Landsat数据空间分辨率的地表温度数据,并进行精度校正;
步骤1.2.6、基于移动窗口结合像元邻域信息赋予权重,融合生成T2时刻Landsat-like LST数据;
步骤1.2.7、采用最大值合成法MVC处理步骤1.2.6融合生成的Landsat-like LST,生成月序列、季节序列和年序列的城市地表温度数据集Landsat-like LST。
作为优选,所述步骤2.2具体包括如下步骤:
步骤2.2.1、以生成的数字地表模型DSM数据为基准,将ZY-3遥感影像的多光谱波段数据与全色波段数据进行预处理;所述预处理为正射校正、配准、大气校正、影像融合和镶嵌裁剪;
步骤2.2.2、利用面向对象分类方法提取城市建筑物、乔木、灌木或草地的土地覆被信息:
a)分割影像:设置分割参数,所述分割参数为分割尺度、形状因子和紧致度;设置近红外波段、红光波段、蓝光波段、绿光波段、形态学建筑物指数MBI和形态学阴影指数MSI的权重;
b)选取特征建立规则:利用归一化植被指数NDVI将分割后的影像划分为植被区和非植被区;在植被区中选取NDVI,选取影像对象的均值、标准差和亮度值特征,提取出乔木、灌木或草地;所使用的分类特征如下:
所述的归一化植被指数为:
上式中,NIR、Red分别代表影像的近红外波段和红光波段;
所述影像对象的均值由构成影像对象的全部像元的亮度值计算得到:
上式中,CL为影像对象的均值,CLi为第i个像元的亮度值,n为像元的数目;
所述影像对象的标准差表示图层像元的集散程度,由影像对象的每个像元在L层上的亮度值与该层的均值计算得到:
所述影像对象的亮度值由包含光谱信息图层均值的总和与影像对象的图层数量的比值得到:
在非植被区中使用形态学建筑物指数MBI、形态学阴影指数MSI、归一化水体指数NDWI、形状指数、长宽比和面积特征提取出建筑物、水体与其他地类信息。所使用的分类特征如下:
所述形态学建筑物指数MBI为:
上式中,S=((smax-smin)/Δs)+1;D为计算建筑物剖面时的方向数,DMPW-TH为微分形态学剖面;
所述形态学阴影指数MSI为:
上式中,S=((smax-smin)/Δs)+1;D为计算建筑物剖面时的方向数,DMPB-TH是微分形态学剖面;
所述的归一化水体指数为:
上式中,Green、NIR分别代表影像的绿光波段和近红外波段;
所述形状指数用于描述每个对象边界的平滑度:边界越平滑,其形状指数越低,计算公式为:
上式中,A为每个对象包含像元的总面积;
所述长宽比通常用对象的最小外接矩形来近似表示,属于对象集合特征,计算公式为:
上式中,l是长度,w是宽度;
所述面积为每个对象包含像元的总面积,面积的计算公式为:
上式中,ai是第i个像元的面积;
c)自动化提取及人工解译:建立好决策树,将分类规则写入软件进行自动化提取,最终由人工检验并修改。
作为优选,所述步骤2.3中城市三维空间形态指标的计算方式如下:
上式中,BH为建筑高度,反映城市建筑高度的整体水平;Hi为第i个建筑物的高度;n为建筑物的数量;
上式中,TH为乔木高度,反映城市乔木高度的整体水平;Hi为第i棵乔木的高度;n为乔木的数量;
上式中,BV为建筑容积,反映城市建筑三维形态的整体情况;Ai为第i个建筑物的筑基面积;Hi为第i个建筑物的高度;n为建筑物的数量;
上式中,TV为乔木容积,反映城市乔木三维形态的整体情况;Ai为第i棵乔木的冠层面积;Hi为第i棵乔木的高度;n为乔木的数量;
上式中,BHV为建筑高度方差,反映城市街区建筑高度的变异情况,Hi为第i个建筑物的高度;MH为建筑平均高度;n为建筑物的数量;
上式中,SC为建筑体形系数,反映城市建筑物与周围环境的热交换能力,Si为第i个建筑物的外表面积;Vi为第i个建筑物外表面所包的体积;
上式中,BA为建筑集聚度,反映城市街区建筑物的集聚程度;BD为城市街区的建筑密度;Db为某建筑与其最邻近建筑之间的距离;iFAR为街区容积率的倒数;n为建筑物的数量,Median()是中值函数;
上式中,FAR为容积率,反映城市街区的开发强度和人居舒适度;Ai为第i个建筑物的筑基面积;Fi为第i个建筑物的楼层数;Pa代表街区占地面积;
上式(22)至式(23)中,SVF为天空开阔度,反映周围地形地物对太阳辐射和视线在半球范围内的遮蔽影响;Ω为天空可视立体角;γi为第i个方位角时的影响地形高度角;n为计算的方位角数目;
上式中,FAI为迎风面指数,反映城市街区阻碍风能力;λf(θ)为单一风向建筑迎风面指数;Pθ为特定风向的频率;
上式(26)至式(27)中,UVI为城市植被指数,反映城市三维立体绿化的整体情况;TV为乔木容积;BV为建筑容积;VA为乔木、灌木或草地的植被面积;BA为建筑面积;TA为乔木种植面积;
上式中,VV2BV为植被建筑容积比,反映城市植被与建筑物三维空间相对比例;TV为乔木容积;BV为建筑容积。
作为优选,所述步骤3.1中地理格网单元的步长为120m。
本发明的有益效果是:本发明充分考虑了城市热环境与城市三维空间形态之间存在复杂的非线性关系以及二者之间关系对时空尺度的依赖性,充分挖掘多时空尺度下城市三维空间形态对热环境的影响。本发明能够辅助政府相关部门科学有效地制定土地利用规划,并合理规划设计城市景观,避免资源的浪费与不合理分配,为政府相关部门缓解城市热岛效应提供科学的建议。
附图说明
图1为一种多时空尺度下城市热环境形成发展主导因素识别过程图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
本发明针对现有技术存在的不足,提出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,以充分考虑城市热环境与城市三维空间形态之间存在的复杂非线性关系以及二者之间关系对时空尺度的依赖性,充分挖掘多时空尺度下城市热环境形成发展的主导因素,推进城市热环境领域的研究,为构建宜居城市提供科学依据。
以下通过特定的具体实例并结合附图说明本发明的实施方案,本领域的人员可根据说明书的内容了解本发明的其他特点与功效。本发明亦可通过其他不同的具体实例加以施行或应用,本说明书中的各项细节亦可基于不同观点与应用,在不背离本发明的精神下进行各种修改与变更。
图1为本发明一种多时空尺度下城市热环境形成发展主导因素识别过程图。如图1所示,本发明一种微观尺度下城市热环境形成发展主导因素识别方法,包括如下步骤:
步骤1,利用Landsat遥感影像数据反演地表温度,并结合MODIS地表温度产品,采用时-空数据融合算法获得不同时间序列的城市地表温度数据集;
在本发明具体实施案例中,所使用的Landsat遥感影像数据含有热红外波段。但本发明不以此为限,也可根据实际应用需求更换原始带有热红外波段的遥感影像数据(如HJ-1B,ASTER等其他数据)。
具体地,步骤1进一步包括:
步骤1.1,利用Landsat遥感影像数据和单通道反演算法获取城市地表温度,具体实现过程如下:
1)将获取的Landsat遥感影像进行辐射定标、大气校正和裁剪等预处理;
2)将上述遥感影像数据热红外波段的原始亮度值转化为星上亮温Tsensor,计算公式如下:
Lλ=Gainλ·DNλ+Biasλ (1)
式中,Lλ为云顶(TOA)辐射亮度,单位为W/(m2srμm);Gainλ和Biasλ分别是转换函数的斜率系数和截距系数,二者均可在影像自带的元数据文件中获得;Tsensor为所述遥感影像的星上亮温,单位为K;K1和K2为定标常数,不同的传感器其取值不同。
3)利用单通道算法将星上亮温Tsensor转换为真实地表温度,计算公式如下:
式中,LST为地表温度;λ表示辐射波段(热红外波段)的波长,α=1.438×10-2mK;ε为地表发射率;α是一个常数,计算公式如下:α=h×c/σ=1.438×10-2m/s(斯特藩—玻尔兹曼常数σ=1.38×10-23J/K,普朗克常数h=6.262×10-34Js,光速c=2.998×108m/s)。
步骤1.2,基于步骤1.1所获取的Landsat遥感影像数据反演结果,结合MODIS地表温度产品,采用现有FSDAF(Flexible Spatiotemporal Data Fusion)时空数据融合算法获得月序列、季节序列和年序列的城市地表温度数据集,具体实现过程如下:
1)对T1时刻Landsat LST数据进行分类;
2)估算T1时刻与T2时刻MODIS LST数据对应各类别的时间差异;
3)基于T1时刻与T2时刻MODIS LST数据对应各类别的时间差异,预测T2时刻具有Landsat数据空间分辨率的地表温度数据,并计算预测的T2时刻具有Landsat数据空间分辨率的地表温度数据与同时刻MODIS LST之间的残差;
4)根据T2时刻MODIS LST数据,使用薄板样条插值函数预测具有Landsat数据空间分辨率的地表温度数据;
5)基于薄板样条插值函数将预测的T2时刻具有Landsat数据空间分辨率的地表温度数据与同时刻MODIS LST之间的残差分配给T2时刻预测的具有Landsat数据空间分辨率的地表温度数据,并进行精度校正;
6)基于移动窗口结合像元邻域信息赋予权重,融合生成T2时刻Landsat-like LST数据;
7)采用最大值合成法(Maximum Value Composite,MVC)处理上述融合生成的Landsat-like LST,生成月序列、季节序列和年序列的城市地表温度数据集Landsat-likeLST(Landsat-like LST是指基于Landsat LST和MODIS LST数据,采用时空融合算法生成的具有Landsat数据空间分辨率的城市地表温度数据)。
步骤2,基于机载LiDAR点云数据和ZY-3遥感影像数据,提取城市数字地表模型(Digital Surface Model,DSM)和土地覆被信息,进而获取城市三维空间形态信息;
在本发明具体实施案例中,所使用的ZY-3遥感影像数据具有较高空间分辨率(2.1m)的全色波段。但本发明不以此为限,也可根据实际应用需求更换原始高分辨率遥感影像数据(如World View、IKONOS等其他数据)。
具体地,步骤2进一步包括:
步骤2.1,基于机载LiDAR点云数据,提取城市数字地表模型(Digital SurfaceModel,DSM):首先,将获取的原始机载LiDAR点云数据进行去噪、滤波等预处理,再利用线性插值法对机载LiDAR点云数据进行规则格网化处理,生成数字地表模型(Digital SurfaceModel,DSM);
步骤2.2,基于ZY-3遥感影像数据,采用面向对象分类方法提取城市建筑物、乔木、灌木/草地等土地覆被信息,具体实现过程如下:
1)以生成的数字地表模型(Digital Surface Model,DSM)数据为基准,将ZY-3遥感影像的多光谱波段数据与全色波段数据进行正射校正、配准,并做好大气校正、影像融合和镶嵌裁剪等预处理;
2)利用面向对象分类方法提取城市建筑物、乔木、灌木/草地等土地覆被信息,包含以下三个子步骤:
(a)分割影像:设置好分割尺度、形状因子和紧致度等分割参数,以及近红外波段、红光波段、蓝光波段、绿光波段、形态学建筑物指数(Morphological Building Index,MBI)和形态学阴影指数(Morphological Shadow Index,MSI)的权重;
(b)选取特征建立规则:利用归一化植被指数(Normalized DifferenceVegetation Index,NDVI)将分割后的影像划分为植被区和非植被区,在植被区中选取NDVI、对象的均值、标准差和亮度值等特征提取乔木、灌木/草地,在非植被区中使用MBI、MSI、归一化水体指数(Normalized Difference Water Index,NDWI)、形状指数、长宽比和面积等特征提取建筑物、水体与其他地类信息。提取城市土地覆被信息所使用的分类特征如表1所示。
表1提取城市土地覆被信息所使用的特征表
(c)自动化提取及人工解译:建立好决策树,将分类规则写入软件进行自动化提取,最终由人工检验并修改。
步骤2.3,基于步骤2.1和步骤2.2所提取的城市数字地表模型(Digital SurfaceModel,DSM)和建筑物、乔木、灌木/草地等土地覆被信息,将二者进行空间叠加分析,计算城市三维空间形态指标。在充分考虑城市建筑物与植被各自的三维特征以及二者空间组合方式的基础上,选取了以下城市三维空间形态指标,具体如表2所示。
表2城市三维空间形态指标的意义表
步骤3,将不同时间序列城市地表温度数据集、城市三维空间形态信息采样至不同观测尺度的地理格网单元中,利用多元原型回归分析(Multiple Prototypal Regression)方法构建不同时空观测尺度下城市地表温度的预测模型;
步骤3.1、分别利用120m,240m,360m,…,1200m(步长为120m)的地理格网单元叠合不同时间序列城市地表温度和城市三维空间形态指标,进行分区统计;
步骤3.2、以不同时间序列城市地表温度作为因变量,城市三维空间形态指标作为自变量,将所有变量归一化到0至1之间,输入多元原型回归分析模型中;所述多元原型回归分析模型中涉及的参数采用十折交叉验证策略来确定;
步骤3.3、随机选取20%的样本作为测试组来评估多元原型回归分析模型性能,剩余样本作为训练组来构建多元原型回归分析模型,最终获得多时空尺度下城市地表温度的预测模型;
步骤4,根据多元原型回归分析方法所构建的不同时空观测尺度下城市地表温度预测模型,进行整理和空间可视化,最终得到多时空尺度下城市热环境主导因素的空间分布和具体区域内热环境的成因机理。
Claims (2)
1.一种多时空尺度下城市热环境形成发展主导因素识别方法,其特征在于,包括以下步骤:
步骤1、利用Landsat遥感影像数据反演地表温度,并结合MODIS地表温度产品,采用时-空数据融合算法获得不同时间序列的城市地表温度数据集:
步骤1.1、利用Landsat遥感影像数据和单通道反演算法获取城市地表温度:
步骤1.1.1、将获取的Landsat遥感影像进行预处理,所述预处理为辐射定标、大气校正和裁剪;
步骤1.1.2、将Landsat遥感影像数据热红外波段的原始亮度值转化为星上亮温Tsensor:
Lλ=Gainλ·DNλ+Biasλ (1)
上式中,Lλ为云顶辐射亮度,单位为W/(m2srμm);Gainλ为转换函数的斜率系数,Biasλ为转换函数的截距系数;Tsensor为所述遥感影像的星上亮温,单位为K;K1和K2为定标常数;DNλ为亮度值;
步骤1.1.3、利用单通道算法将星上亮温Tsensor转换为真实地表温度:
上式中,LST为地表温度;λ为辐射波段的波长;α=h×c/σ,斯特藩—玻尔兹曼常数σ=1.38×10-23J/K,普朗克常数h=6.262×10-34Js,光速c=2.998×108m/s,α=1.438×10- 2mK;ε为地表发射率;
步骤1.2、基于步骤1.1所获取的Landsat遥感影像数据的反演结果,结合MODIS地表温度产品,采用FSDAF时空数据融合算法获得月序列、季节序列和年序列的城市地表温度数据集Landsat-like LST;
步骤1.2.1、对T1时刻Landsat LST数据进行分类;
步骤1.2.2、估算T1时刻与T2时刻MODIS LST数据对应各类别的时间差异;
步骤1.2.3、基于T1时刻与T2时刻MODIS LST数据对应各类别的时间差异,预测T2时刻具有Landsat数据空间分辨率的地表温度数据,并计算预测的T2时刻具有Landsat数据空间分辨率的地表温度数据与同时刻MODIS LST之间的残差;
步骤1.2.4、根据T2时刻MODIS LST数据,使用薄板样条插值函数预测具有Landsat数据空间分辨率的地表温度数据;
步骤1.2.5、基于薄板样条插值函数将预测的T2时刻具有Landsat数据空间分辨率的地表温度数据与同时刻MODIS LST之间的残差分配给T2时刻预测的具有Landsat数据空间分辨率的地表温度数据,并进行精度校正;
步骤1.2.6、基于移动窗口结合像元邻域信息赋予权重,融合生成T2时刻Landsat-likeLST数据;
步骤1.2.7、采用最大值合成法MVC处理步骤1.2.6融合生成的Landsat-like LST,生成月序列、季节序列和年序列的城市地表温度数据集Landsat-like LST;
步骤2、基于机载LiDAR点云数据和ZY-3遥感影像数据,提取城市数字地表模型DSM和土地覆被信息,进而获取城市三维空间形态信息;得到以下城市三维空间形态指标组合:建筑高度、乔木高度、建筑容积、乔木容积、建筑高度方差、建筑体形系数、建筑集聚度、容积率、天空开阔度、迎风面指数、粗糙度指数、城市植被指数和植被建筑容积比;
步骤2.1、基于机载LiDAR点云数据,提取城市数字地表模型DSM:先将获取的原始机载LiDAR点云数据进行预处理,所述预处理包括去噪和滤波;再利用线性插值法对机载LiDAR点云数据进行规则格网化处理,生成数字地表模型DSM;
步骤2.2、基于ZY-3遥感影像数据,采用面向对象分类方法提取城市建筑物、乔木、灌木或草地的土地覆被信息;
步骤2.2.1、以生成的数字地表模型DSM数据为基准,将ZY-3遥感影像的多光谱波段数据与全色波段数据进行预处理;所述预处理为正射校正、配准、大气校正、影像融合和镶嵌裁剪;
步骤2.2.2、利用面向对象分类方法提取城市建筑物、乔木、灌木或草地的土地覆被信息:
a)分割影像:设置分割参数,所述分割参数为分割尺度、形状因子和紧致度;设置近红外波段、红光波段、蓝光波段、绿光波段、形态学建筑物指数MBI和形态学阴影指数MSI的权重;
b)选取特征建立规则:利用归一化植被指数NDVI将分割后的影像划分为植被区和非植被区;在植被区中选取NDVI,选取影像对象的均值、标准差和亮度值特征,提取出乔木、灌木或草地;所使用的分类特征如下:
所述的归一化植被指数为:
上式中,NIR、RED分别代表影像的近红外波段和红光波段;
所述影像对象的均值由构成影像对象的全部像元的亮度值计算得到:
上式中,CL为影像对象的均值,CLi为第i个像元的亮度值,n为像元的数目;
所述影像对象的标准差表示图层像元的集散程度,由影像对象的每个像元在L层上的亮度值与该层的均值计算得到:
所述影像对象的亮度值由包含光谱信息图层均值的总和与影像对象的图层数量的比值得到:
在非植被区中使用形态学建筑物指数MBI、形态学阴影指数MSI、归一化水体指数NDWI、形状指数、长宽比和面积特征提取出建筑物、水体与其他地类信息;所使用的分类特征如下:
所述形态学建筑物指数MBI为:
上式中,S=((smax-smin)/Δs)+1;D为计算建筑物剖面时的方向数,DMPW-TH为微分形态学剖面;
所述形态学阴影指数MSI为:
上式中,S=((smax-smin)/Δs)+1;D为计算建筑物剖面时的方向数,DMPB-TH是微分形态学剖面;
所述的归一化水体指数为:
上式中,Green、NIR分别代表影像的绿光波段和近红外波段;
所述形状指数用于描述每个对象边界的平滑度:边界越平滑,其形状指数越低,计算公式为:
上式中,A为每个对象包含像元的总面积;
所述长宽比通常用对象的最小外接矩形来近似表示,属于对象集合特征,计算公式为:
上式中,l是长度,w是宽度;
所述面积为每个对象包含像元的总面积,面积的计算公式为:
上式中,ai是第i个像元的面积;
c)自动化提取及人工解译:建立好决策树,将分类规则写入软件进行自动化提取,最终由人工检验并修改;
步骤2.3、基于步骤2.1和步骤2.2所提取的城市数字地表模型DSM和建筑物、乔木、灌木或草地的土地覆被信息,将二者进行空间叠加分析,计算城市三维空间形态指标;所述城市三维空间形态指标的计算方式如下:
上式中,BH为建筑高度,反映城市建筑高度的整体水平;Hi为第i个建筑物的高度;n为建筑物的数量;
上式中,TH为乔木高度,反映城市乔木高度的整体水平;Hi为第i棵乔木的高度;n为乔木的数量;
上式中,BV为建筑容积,反映城市建筑三维形态的整体情况;Ai为第i个建筑物的筑基面积;Hi为第i个建筑物的高度;n为建筑物的数量;
上式中,TV为乔木容积,反映城市乔木三维形态的整体情况;Ai为第i棵乔木的冠层面积;Hi为第i棵乔木的高度;n为乔木的数量;
上式中,BHV为建筑高度方差,反映城市街区建筑高度的变异情况,Hi为第i个建筑物的高度;MH为建筑平均高度;n为建筑物的数量;
上式中,SC为建筑体形系数,反映城市建筑物与周围环境的热交换能力,Si为第i个建筑物的外表面积;Vi为第i个建筑物外表面所包的体积;
上式中,BA为建筑集聚度,反映城市街区建筑物的集聚程度;BD为城市街区的建筑密度;Db为某建筑与其最邻近建筑之间的距离;iFAR为街区容积率的倒数;n为建筑物的数量,Median()是中值函数;
上式中,FAR为容积率,反映城市街区的开发强度和人居舒适度;Ai为第i个建筑物的筑基面积;Fi为第i个建筑物的楼层数;Pa代表街区占地面积;
上式(22)至式(23)中,SVF为天空开阔度,反映周围地形地物对太阳辐射和视线在半球范围内的遮蔽影响;Ω为天空可视立体角;γi为第i个方位角时的影响地形高度角;n为计算的方位角数目;
上式中,FAI为迎风面指数,反映城市街区阻碍风能力;λf(θ)为单一风向建筑迎风面指数;Pθ为特定风向的频率;
上式(26)至式(27)中,UVI为城市植被指数,反映城市三维立体绿化的整体情况;TV为乔木容积;BV为建筑容积;VA为乔木、灌木或草地的植被面积;BA为建筑面积;TA为乔木种植面积;
上式中,VV2BV为植被建筑容积比,反映城市植被与建筑物三维空间相对比例;TV为乔木容积;BV为建筑容积;
步骤3、将不同时间序列城市地表温度数据集和城市三维空间形态信息采样至不同观测尺度的地理格网单元中,利用多元原型回归分析方法构建不同时空观测尺度下城市地表温度的预测模型;
步骤3.1、分别利用120m,240m,360m,…,1200m的地理格网单元叠合不同时间序列城市地表温度和城市三维空间形态指标,进行分区统计;
步骤3.2、以不同时间序列城市地表温度作为因变量,城市三维空间形态指标作为自变量,将所有变量归一化到0至1之间,输入多元原型回归分析模型中;所述多元原型回归分析模型中涉及的参数采用十折交叉验证策略来确定;
步骤3.3、随机选取20%的样本作为测试组来评估多元原型回归分析模型性能,剩余样本作为训练组来构建多元原型回归分析模型,最终获得多时空尺度下城市地表温度的预测模型;
步骤4、根据多元原型回归分析方法构建的不同时空观测尺度下城市地表温度预测模型,进行整理和空间可视化,得到多时空尺度下城市热环境主导因素的空间分布和具体区域内热环境的成因机理。
2.根据权利要求1所述多时空尺度下城市热环境形成发展主导因素识别方法,其特征在于:所述步骤1.2充分结合Landsat遥感影像中等空间分辨率特性和MODIS地表温度产品高时间分辨率特性,将其融合为空间尺度最优的月序列、季节序列和年序列的城市地表温度数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010372619.0A CN111582575B (zh) | 2020-05-06 | 2020-05-06 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010372619.0A CN111582575B (zh) | 2020-05-06 | 2020-05-06 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582575A CN111582575A (zh) | 2020-08-25 |
CN111582575B true CN111582575B (zh) | 2021-04-13 |
Family
ID=72111956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010372619.0A Active CN111582575B (zh) | 2020-05-06 | 2020-05-06 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582575B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033484B (zh) * | 2021-04-21 | 2022-11-22 | 河北工程大学 | 一种面向无人机应急网络部署的城市分类方法 |
CN113128134B (zh) * | 2021-06-17 | 2021-09-14 | 中国矿业大学(北京) | 一种矿区生态环境演变驱动因子权重量化分析方法 |
CN113360989B (zh) * | 2021-06-23 | 2022-11-01 | 中科青城(天津)科技有限公司 | 一种城市绿色屋顶规划方法 |
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 |
CN118094395A (zh) * | 2024-04-22 | 2024-05-28 | 安徽农业大学 | 一种地表温度估算方法、系统及计算机设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2020
- 2020-05-06 CN CN202010372619.0A patent/CN111582575B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Non-Patent Citations (3)
Title |
---|
Z.Bottya'n等.A multiple linear statistical model for estimating the mean maximum urban heat island.《Theoretical and Applied Climatology》.2003,第233-243页. * |
基于环境卫星数据的南京地表温度反演及时空格局分析;李盼盼;《中国优秀硕士学位论文全文数据库基础科学辑》;20170615;正文第6-50页 * |
西安市城市热环境演变及其影响因素研究;王晓辉;《中国优秀硕士学位论文全文数据库基础科学辑》;20190215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111582575A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582575B (zh) | 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 | |
Huang et al. | Agricultural remote sensing big data: Management and applications | |
Son et al. | Assessment of urbanization and urban heat islands in Ho Chi Minh City, Vietnam using Landsat data | |
US7058197B1 (en) | Multi-variable model for identifying crop response zones in a field | |
CN103364781B (zh) | 基于遥感数据与地理信息系统的粮田地面参照点筛选方法 | |
Sommer et al. | Hierarchical data fusion for mapping soil units at field scale | |
CN111598045B (zh) | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 | |
CN112395914A (zh) | 一种融合遥感影像时序与纹理特征的地块作物识别方法 | |
CN102393238A (zh) | 一种草地地上干物质量遥感估测方法 | |
Carneiro et al. | Urban environment quality indicators: application to solar radiation and morphological analysis on built area | |
Wu et al. | Detecting factors controlling spatial patterns in urban land surface temperatures: A case study of Beijing | |
CN111723711A (zh) | 基于Pléiades和面向对象的地膜信息提取方法及系统 | |
Hu et al. | Retrieval of the canopy leaf area index in the BOREAS flux tower sites using linear spectral mixture analysis | |
Song et al. | Estimating effective leaf area index of winter wheat using simulated observation on unmanned aerial vehicle-based point cloud data | |
Kiavarz et al. | Predicting spatial and temporal changes in surface urban heat islands using multi-temporal satellite imagery: A case study of Tehran metropolis | |
Mushore et al. | Estimating urban LST using multiple remotely sensed spectral indices and elevation retrievals | |
Zhong et al. | Empirical models on urban surface emissivity retrieval based on different spectral response functions: A field study | |
Lou et al. | An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data | |
Li et al. | Diverse cooling effects of green space on urban heat island in tropical megacities | |
Zhu et al. | UAV flight height impacts on wheat biomass estimation via machine and deep learning | |
CN109635828A (zh) | 一种生态保护红线区典型地理国情要素提取系统及方法 | |
Mushore et al. | “Cool” Roofs as a Heat-Mitigation Measure in Urban Heat Islands: A Comparative Analysis Using Sentinel 2 and Landsat Data | |
Tzelidi et al. | Detailed urban surface characterization using spectra from enhanced spatial resolution Sentinel-2 imagery and a hierarchical multiple endmember spectral mixture analysis approach | |
Zhong et al. | A retrieval method for land surface temperatures based on UAV broadband thermal infrared images via the three-dimensional look-up table | |
Al Kuwari et al. | Optimal satellite sensor selection utilized to monitor the impact of urban sprawl on the thermal environment in doha city, Qatar |
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 |