CN111861170B - 一种碳排放空间制图方法、密度空间分布确定方法与装置 - Google Patents
一种碳排放空间制图方法、密度空间分布确定方法与装置 Download PDFInfo
- Publication number
- CN111861170B CN111861170B CN202010646976.1A CN202010646976A CN111861170B CN 111861170 B CN111861170 B CN 111861170B CN 202010646976 A CN202010646976 A CN 202010646976A CN 111861170 B CN111861170 B CN 111861170B
- Authority
- CN
- China
- Prior art keywords
- density
- pixel
- resident
- area
- building
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 100
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000009436 residential construction Methods 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 238000010276 construction Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- DFPOZTRSOAQFIK-UHFFFAOYSA-N S,S-dimethyl-beta-propiothetin Chemical compound C[S+](C)CCC([O-])=O DFPOZTRSOAQFIK-UHFFFAOYSA-N 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001464837 Viridiplantae Species 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/06—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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种碳排放空间制图方法、密度空间分布确定方法与装置，属于环境监测技术领域，其中制图方法包括从居住建设用地水平方向上的覆盖率，和不同建筑物楼层不同导致的垂直方向上的密度差异两方面相结合，定义居民居住密度，然后通过居民居住密度与居民定居指数之间的相关性，根据小部分区域的居民居住密度与居民定居指数，建立表示二者映射关系的回归模型，然后利用该回归模型，结合整个目标区域的居民定居指数，能够得到整个目标区域的精确居民居住密度，在此基础上，结合单位居住密度下的碳排放量，得到目标区域的高分辨率的居民居住碳排放空间分布格局，能够快速确定居民居住碳排放空间分布，且得到的空间分布图精度高，适用性较强。
Description
技术领域
本发明属于环境监测技术领域，具体涉及一种碳排放空间制图方法、密度空间分布确定方法与装置。
背景技术
城市居民居住碳排放空间分析是实施低碳城市建设中的一项重要内容，而居民居住碳排放空间制图是进行居民居住碳排放空间分析的基础。传统技术中，一般是基于统计数据进行各个区域的城市居民居住碳排放的核算，优点是方法简单，数据易于获取，且数据具有长期性、连续性和广泛性，便于不同区域间或不同时间段的比较，已得到广泛的应用；但该方法的缺点是，统计的城市居民居住碳排放量数据比较粗略，缺乏精确的空间属性，且无法体现碳排放空间分布的非均质特征，不能准确反映城市快速建设过程中居民居住碳排放的空间变化特点。
为实现居民居住碳排放空间分析，目前存在两种探索性方法，第一种方法是通过开发或引入模型进行居民居住碳排放估算，这类方法的缺点是，模型的适应范围有限，且模型中应用的数据不易获取，方法的适用性存在较大的局限性。第二种方法是从微观视角基于大样本进行实地调研，对城市居民居住用能碳排放的空间特征及形成机制进行研究，这类方法的特点是虽然能够得到碳排放精确的空间属性，能够进行空间数据分析，但缺点是投入的工作量较大，且获得的数据不连续，不宜推广，适用性差。
发明内容
本发明的目的是提供一种碳排放空间制图方法，用于解决现有方法不能准确反映城市快速建设过程中居民居住碳排放的空间变化特点，以及用于解决现有居民居住碳排放空间分析方法的适用性差的问题。同时，本发明提供一种碳排放空间制图装置，用于解决上述问题。
本发明提出一种居民居住密度空间分布的确定方法，用于解决现有方法通过统计工作得到某个区域的指标总量，无法量化地区指标分布的问题。同时，本发明提供一种居民居住密度空间分布的确定装置。
基于上述目的，一种碳排放空间制图方法的技术方案如下：
(1)根据目标区域中的夜间灯光数据和遥感影像，确定目标区域中各像元内的居民定居指数；
(2)获取目标区域中部分区域的遥感影像，利用该遥感影像，确定出所述部分区域内每个建筑物的高度，每个像元内的居住建设用地总面积，每个像元内的各个建筑物的平面分布面积，以及每个像元内的建设用地覆盖率；
计算所述部分区域内的居民居住密度，计算公式如下：
RSDi＝Ki×Ai
式中，RSDi为i像元内的居民居住密度，Ki为i像元内的建设用地覆盖率，Ai为i像元内的居住建设用地密度指数，根据所述部分区域内每个建筑物的高度、每个像元内的居住建设用地总面积和每个像元内的各个建筑物的平面分布面积计算得到；
(3)根据所述部分区域内的居民居住密度和居民定居指数，建立居民居住密度和居民定居指数之间的映射关系，得到回归模型；
(4)根据所述回归模型，结合所述目标区域中各像元内的居民定居指数，确定整个目标区域的居民居住密度；
(5)确定目标区域内单位居民居住密度下的碳排放含量，计算该碳排放含量与整个目标区域的居民居住密度的乘积，得到目标区域内各像元的碳排放量，绘制碳排放空间分布图。
基于上述目的，一种碳排放空间制图装置的技术方案如下：
包括存储器和处理器，以及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器与所述存储器相耦合，所述处理器执行所述计算机程序时实现上述的碳排放空间制图方法。
上述两个技术方案的有益效果是：
本发明首先利用目标区域中部分区域的遥感影像提取相关信息，包括每个建筑物的高度，每个像元内的居住建设用地总面积，每个像元内的各个建筑物的平面分布面积，以及每个像元内的建设用地覆盖率，用这些信息计算居民居住密度，然后通过研究居民居住密度与居民定居指数之间的相关性，根据目标区域中的小部分区域的居民居住密度与居民定居指数，建立表示二者映射关系的回归模型，然后利用该回归模型，结合整个目标区域的居民定居指数，能够得到整个目标区域的精确居民居住密度，在此基础上，结合单位居住密度下的碳排放量，得到目标区域的高分辨率的居民居住碳排放空间分布格局，从而快速实现居民居住碳排放的高精度空间分布图。
本发明的方法能够准确反映城市快速建设过程中居民居住碳排放的空间变化特点，且居民居住密度与居民定居指数的数据均较容易获取，能够快速确定居民居住碳排放空间分布，且得到的空间分布图精度高，适用性较强。
进一步的，在计算居民居住密度，不仅要考虑居住建设用地水平方向上的覆盖率，还要考虑不同建筑物楼层不同导致的垂直方向上的密度差异，因此，所述居住建设用地密度指数的计算公式如下：
式中，P1为i像元内第1个建筑物的楼层数，P2为i像元内第2个建筑物的楼层数，Pn为i像元内第n个建筑物的楼层数，P1,P2,…,Pn根据建筑物的高度和设定单个楼层高度的比值求得；S1为i像元内第1个建筑物的平面分布面积，S2为i像元内第2个建筑物的平面分布面积，Sn为i像元内第n个建筑物的平面分布面积，S为i像元内的居住建设用地总面积。
进一步的，为了得到目标区域内单位居民居住密度下的碳排放含量，以计算目标区域内各像元的碳排放量，该目标区域内单位居民居住密度下的碳排放含量的计算式如下：
式中，K为单位居民居住密度下的碳排放含量，CT为目标区域内的居民居住碳排放总量，∑RSDi为研究区内居民居住密度的总和。
进一步的，为了确定回归模型，所述回归模型的计算式如下：
y＝b2×x2+b1×x
其中，y为居民居住密度，x为居民定居指数，b1、b2均为回归模型的参数。
基于上述目的，一种居民居住密度空间分布的确定方法的技术方案如下：
(1)根据目标区域中的夜间灯光数据和遥感影像，确定目标区域中各像元内的居民定居指数；
(2)获取目标区域中部分区域的遥感影像，利用该遥感影像，确定出所述部分区域内每个建筑物的高度，每个像元内的居住建设用地总面积，每个像元内的各个建筑物的平面分布面积，以及每个像元内的建设用地覆盖率；
计算所述部分区域内的居民居住密度，计算公式如下：
RSDi＝Ki×Ai
式中，RSDi为i像元内的居民居住密度，Ki为i像元内的建设用地覆盖率，Ai为i像元内的居住建设用地密度指数，根据所述部分区域内每个建筑物的高度、每个像元内的居住建设用地总面积和每个像元内的各个建筑物的平面分布面积计算得到；
(3)根据所述部分区域内的居民居住密度和居民定居指数，建立居民居住密度和居民定居指数之间的映射关系，得到回归模型；
(4)根据所述回归模型，结合所述目标区域中各像元内的居民定居指数，确定整个目标区域的居民居住密度。
基于上述目的，一种居民居住密度空间分布的确定装置的技术方案如下：
包括存储器和处理器，以及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器与所述存储器相耦合，所述处理器执行所述计算机程序时实现上述的居民居住密度空间分布的确定方法。
上述两个技术方案的有益效果是：
本发明首先利用目标区域中部分区域的遥感影像提取相关信息，包括每个建筑物的高度，每个像元内的居住建设用地总面积，每个像元内的各个建筑物的平面分布面积，以及每个像元内的建设用地覆盖率，用这些信息计算居民居住密度，然后通过研究居民居住密度与居民定居指数之间的相关性，根据目标区域中的小部分区域的居民居住密度与居民定居指数，建立表示二者映射关系的回归模型，然后利用该回归模型，结合整个目标区域的居民定居指数，能够得到整个目标区域的精确居民居住密度分布，为量化和可视化的研究人们在不同空间进行各种活动的指标提供了有力支撑，解决了通过统计工作得到某个区域的指标总量，而导致的无法量化地区指标分布的问题，具有较高的应用价值。
进一步的，在计算居民居住密度，不仅要考虑居住建设用地水平方向上的覆盖率，还要考虑不同建筑物楼层不同导致的垂直方向上的密度差异，因此，所述居住建设用地密度指数的计算公式如下：
式中，P1为i像元内第1个建筑物的楼层数，P2为i像元内第2个建筑物的楼层数，Pn为i像元内第n个建筑物的楼层数，P1,P2,…,Pn根据建筑物的高度和设定单个楼层高度的比值求得；S1为i像元内第1个建筑物的平面分布面积，S2为i像元内第2个建筑物的平面分布面积，Sn为i像元内第n个建筑物的平面分布面积，S为i像元内的居住建设用地总面积。
进一步的，为了得到目标区域内单位居民居住密度下的碳排放含量，以计算目标区域内各像元的碳排放量，该目标区域内单位居民居住密度下的碳排放含量的计算式如下：
式中，K为单位居民居住密度下的碳排放含量，CT为目标区域内的居民居住碳排放总量，∑RSDi为研究区内居民居住密度的总和。
进一步的，为了确定回归模型，所述回归模型的计算式如下：
y＝b2×x2+b1×x
其中，y为居民居住密度，x为居民定居指数，b1、b2均为回归模型的参数。
进一步的，为了确定目标区域中各像元内的居民定居指数，所述目标区域中各像元内的居民定居指数的计算式如下：
式中，RSI为居民定居指数，OLSnor为标准化后的夜间灯光像元值，NDVImax为设定时间内最大的归一化植被指数。
附图说明
图1是本发明碳排放空间制图方法实施例中的方法流程图；
图2是本发明碳排放空间制图方法实施例中的目标区域的居民定居指数分布图；
图3是本发明碳排放空间制图方法实施例中建立的回归模型示意图；
图4是本发明碳排放空间制图方法实施例中的部分居民居住密度分布图；
图5是本发明碳排放空间制图方法实施例中的居民居住碳排放空间分布图；
图6是本发明碳排放空间制图装置实施例中的装置示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的说明。
碳排放空间制图方法实施例：
本实施例提出一种碳排放空间制图方法，其基本原理是，先利用遥感影像，确定目标区域的其中一小部分区域的居民居住密度，然后建立这小部分区域的居民居住密度与居民定居指数之间的映射关系，然后利用该映射关系，结合目标区域中的居民定居指数，求出整个目标区域的居民居住密度分布，最后利用该居民居住密度分布，结合单位像元内的碳排放量，确定居民居住碳排放空间分布，绘制成图即可，其整体流程如图1所示。下面，具体阐述本实施例的碳排放空间制图步骤：
步骤1，利用目标区域的DMSP-OLS(Defense Meteorological SatelliteProgram’s Operational Line-Scan System,国防气象卫星项目实用行扫描)夜间灯光数据和可见光-近红外遥感影像(为中低分辨率遥感影像，影像覆盖范围大，有较长时间序列)，确定目标区域的居民定居指数，采用的居民定居指数(Resident Settlement Index，RSI)公式如下：
式中，RSI为居民定居指数；OLSnor为标准化后的夜间灯光DN值(即像元值)；NDVImax为一年内最大的归一化植被指数(Normalized Difference Vegetataion Index,NDVI)。
本步骤中，OLSnor是根据DMSP-OLS夜间灯光数据确定的，其过程为：
1)获取目标区域的DMSP-OLS夜间灯光数据(即DMSP-OLS影像)；
2)对DMSP-OLS夜间灯光数据进行标准化，也就是，将DMSP-OLS影像的像元值范围0～63，转化为范围0～1，具体的标准化公式如下：
式中，OLS表示夜间灯光影像(即DMSP-OLS影像)中的某一像元值；OLSmin、OLSmax分别表示目标区域内夜间灯光影像的最小像元值和最大像元值。
本步骤中，NDVImax是根据可见光-近红外遥感影像确定的，由于归一化植被指数是利用绿色植物对光谱反射的特征，组合近红外(NIR)、红外(IR)等波段的反射率得到的，且绿色植被具有一定的季节性周期，因此，需要对归一化植被指数进行处理，经常使用的处理方法是提取一年内植被指数的最大值，其确定公式如下：
NDVImax＝Max{NDVI1,NDVI2,…,NDVIn} (3)
式中，Max表示求最大值，NDVI1,NDVI2,…,NDVIn表示一年内的逐幅NDVI影像(即可见光-近红外遥感影像)。
本步骤中，根据公式(1)计算得到目标区域的居民定居指数分布如图2所示，分布图表示了目标区域的居民定居指数分布情况，图中每个像元用一个小方格表示，每个像元对应的灰度值表示该位置的居民定居指数。
步骤2，确定目标区域中部分区域的居住建设用地密度指数，具体步骤如下：
2-1)获取该部分区域的高分辨率遥感影像，利用该影像通过计算机解译或目视解译，得到同原始高分辨率影像分辨率一致的建筑物3D信息、居住建设用地数据及覆盖率数据，其中，居住建设用地数据包括上述部分区域中每个像元内的居住建设用地总面积，每个像元内的各个建筑物的平面分布面积。
2-2)计算上述部分区域中每个像元内的居住建设用地密度指数，其计算式如下：
式中，Ai为上述部分区域中i像元内的居住建设用地密度指数；P1为i像元内第1个建筑物的楼层数，S1为i像元内第1个建筑物的平面分布面积；P2为i像元内第2个建筑物的楼层数，S2为i像元内第2个建筑物的平面分布面积；Pn为i像元内第n个建筑物的楼层数，Sn为i像元内第n个建筑物的平面分布面积；S为i像元内居住建设用地总面积。本步骤中，S、S1、S2、…、Sn是通过步骤2-1)中的居住建设用地数据确定的。
本步骤中，在某个像元内的某个建筑物的楼层数时，以求Pn为例，在步骤2-1)中获取的建筑物3D信息中，找到i像元第n个建筑物的高度，利用第n个建筑物的高度除以平均单层高度(为设定值)，能够得到Pn。同理，可以按照相同的计算方法得到P1,P2,…,Pn-1。
2-3)根据步骤2-1)和步骤2-2)中的相关数据，计算高精度的居民居住密度，其计算式如下：
RSDi＝Ki×Ai (5)
式中，RSDi为i像元居民居住密度，Ki为i像元内建设用地覆盖率，通过步骤2-1)中的覆盖率数据确定；Ai为i像元内的居住建设用地密度指数，通过步骤2-2)得到。
本步骤中，在确定居民居住密度时，不仅考虑了居住建设用地水平方向上的覆盖率，还考虑了不同建筑物楼层不同导致的垂直方向上的密度差异，因此采用居住建设用地覆盖率Ki与密度指数Ai之积，来表征居民居住密度。
步骤3，构建居民居住密度和居民定居指数之间的回归模型，具体方法如下：
在步骤1得到的目标区域的居民定居指数中，获取与步骤2中提到的相同部分区域的居民定居指数，并以该部分区域的居民居住密度为因变量，以居民定居指数为自变量，进行数据拟合，拟合得到回归模型y＝b2×x2+b1×x，如图3所示，该回归模型的模型摘要和参数估算如下表1所示：
表1
表1中，R方表示回归模型的解释程度，值一般在0到1之间，值为0.664，说明回归模型能解释66.4％的样本；F表示对回归模型做的F检验的结果，是对整个模型进行的拟合优度检验；Sig.是F检验的概率值，也叫P值，一般来说，只要F值大于设定的显著性水平的临界值，或者P值(也就是显著性Sig.的值)小于显著性水平(比如0.05或0.01)，就可以拒绝原假设，认为曲线拟合较好；df(degree of freedom)表示自由度。
步骤4，根据步骤3中得到回归模型，以步骤1中得到目标区域的居民定居指数为自变量，通过该回归模型进行反演，能够得到整个目标区域的居民居住密度，示意性的，给出反演得到的部分居民居住密度分布如图4所示。
步骤5，基于上述步骤获得的整个目标区域的高精度居民居住空间密度，对目标区域的居民居住碳排放进行空间模拟，获取研究区居民居住碳排放空间分布格局，从而快速实现居民居住碳排放的高精度空间制图。具体步骤如下：
计算目标区域内各像元的居民居住碳排放量，计算公式如下：
Ci＝K×RSDi (6)
式中，Ci为i像元的碳排放量，单位tCO2；RSDi为i像元的居民居住密度；K为单位居民居住密度所排放的二氧化碳含量，其计算式如下：
式中，CT指研究区(即目标区域)内依据统计数据计算得到的居民居住碳排放总量，单位tCO2；∑RSDi为研究区内居民居住密度的总和。
按照公式(7)，能够计算出目标区域的单位居民居住密度所排放的二氧化碳含量K＝14449.9560，将该值和步骤4得到的整个目标区域的居民居住密度带入公式(6)，计算得到整个目标区域的居民居住碳排放空间分布结果绘制成图，如图5所示，可见，该目标区域的最低居民居住碳排放量为667.395 tCO2，最高居民居住碳排放量为6181.51 tCO2，整体呈现出中心区域碳排放量高、四周区域碳排放量低的分布趋势。
本发明的碳排放空间制图方法，首先利用能够反映居民定居信息的夜间灯光数据和归一化植被指数等中低分辨率地理空间数据构建居民定居指数；同时，定义居民居住密度为居住建设用地覆盖率与建设用地密度指数之积，利用高分辨率遥感影像解译出样区(即目标区域的小部分区域)的居民居住建设用地覆盖率及密度指数，得到准确的居民居住密度数据；然后，利用样区居民居住密度与居民定居指数的相关性建立回归模型，通过回归模型结合整个目标区域的居民定居指数，反演得到整个目标区域的高分辨率居民居住密度；并在此基础上，结合统计数据核算目标区域单位居住密度下的碳排放量，得到目标区域的高分辨率的居民居住碳排放空间分布格局，从而快速实现居民居住碳排放的高精度空间制图。
本实施例中，之所以采用DMSP-OLS夜间灯光数据和遥感影像两种数据确定居民定居指数，其原因如下：
MODIS(Moderate-Resolution Imaging Spectroradiometer，为一种可见光-近红外遥感影像)为具有时间序列的多光谱遥感影像，根据MODIS计算得到的植被归一化指数NDVI与植被密度呈正相关，广泛应用于各种植被类型的分类中，NDVI又与不透水表层呈负相关，根据这一特性可以进行建成区的提取，但是仅基于可见光-近红外遥感影像提取城市信息容易受到地物类型的干扰，通常在裸土和城市的混合区域难以有效地区分出城市。而DMSP/OLS夜间灯光数据能较好的监测人类活动，但其自身也有一些缺陷，比如像元过饱和、像元溢出等。由于DMSP/OLS和植被归一化指数均有其自身的特点及缺陷，例如存在灯光溢出问题，直接采用原始数据进行城市信息提取容易造成过提取，且溢出问题因灯光光斑大小而异，不易定量分析，因此将这两种数据重新整合，构造居民定居指数。
作为其他实施方式，还可以采用其他方法结合上述两种数据确定居民定居指数，例如采用支持向量机的方法，例如参考作者Yi K P等人在2014年的期刊《Senors》上发表的一篇名称为《Mapping and evaluating the urbanization process in northeast Chinausing DMSP/OIS nighttime light data》的论文第3207-3226页中的记载，或采用光谱指数的方法，例如参考作者Lu D S等人在2008年的期刊《Remote Sensing of Environment》上发表的一篇名称为《Regional mapping of human settlements in southeastem Chinawith multisensor remotely sensed data》的论文第3207-3226页中的记载，本实施例不再详述。
本实施例中，上述步骤1和步骤2的执行顺序没有先后，既可以同时执行，也可以先进行步骤1中的内容，再进行步骤2中的内容；或者，先进行步骤2中的内容，再进行步骤1中的内容。
密度空间分布确定方法实施例：
本实施例提出一种居民居住密度空间分布的确定方法，其基本原理是，利用高分辨率遥感影像，确定目标区域的其中一小部分区域的居民居住密度，然后建立这小部分区域的居民居住密度与居民定居指数之间的映射关系，然后利用该映射关系，结合目标区域中的居民定居指数，求出整个目标区域的高精度的居民居住密度分布。由于本实施例的具体实现方法对应为上述碳排放空间制图方法实施例中的步骤1至步骤4中的内容，本实施例不再赘述。
本实施例中，最终得到了整个目标区域的高精度的居民居住密度分布，为量化和可视化的研究人们在不同空间进行各种活动的指标提供了有力支撑，而不是像现有方法中只能通过统计数据统计某个区域的某个指标总量，例如，若需要知道一个目标区域的碳排放量的空间分布，可利用此居民居住密度，按照上述碳排放空间制图方法实施例中的步骤5中的内容，将单位密度下的碳排放量，乘以该目标区域的居民居住密度，并绘制成图，就能够清晰的知晓这个目标区域中各分布空间的碳排放量。
又如，若需要知道一个目标区域的用水量的空间分布，可利用此居民居住密度，将单位居住密度下的用水量，乘以此目标区域的居民居住密度，并绘制成图，就能够清晰的知晓该目标区域中各分布空间的用水量。
相对于现有技术，本发明解决了通过统计工作得到某个区域的指标总量，无法量化地区指标分布的问题，具有较高的应用价值。
碳排放空间制图装置实施例：
本实施例提供了一种碳排放空间制图装置，包括存储器和处理器，以及存储在存储器上并在处理器上运行的计算机程序，处理器与存储器相耦合，处理器用于运行存储在存储器中的程序指令，以实现碳排放空间制图方法实施例中的碳排放空间制图方法，由于该方法在上述实例中的记载已经足够清楚、完整，本实施例不再赘述。
也就是说，以上方法实施例中的方法应理解可由计算机程序指令实现碳排放空间制图方法的流程。可提供这些计算机程序指令到处理器(如通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备等)，使得通过处理器执行这些指令产生用于实现上述方法流程所指定的功能。
具体的，如图6所示的碳排放空间制图装置，该碳排放空间制图装置可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processingunits，CPU)和存储器，一个或一个以上存储应用程序或数据的存储介质。其中，存储器和存储介质可以是短暂存储或持久存储。存储在存储介质的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，处理器可以设置为与存储介质通信，在碳排放空间制图装置上执行存储介质中的一系列指令操作。
本实施例的碳排放空间制图装置，还可以包括一个或一个以上电源，一个或一个以上有线或无线网络接口；一个或一个以上输入输出接口，其中输入接口用于获取目标区域的DMSP-OLS夜间灯光数据和可见光-近红外遥感影像；输出接口用于输出目标区域内各像元的居民居住碳排放量的计算值；和/或，一个或一个以上操作系统。例如，WindowsServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等。
本实施例所指的处理器是指微处理器MCU或可编程逻辑器件FPGA等的处理装置。
本实施例所指的存储器包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。例如：利用电能方式存储信息的各式存储器，RAM、ROM等；利用磁能方式存储信息的各式存储器，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的各式存储器，CD或DVD。当然，还有其他方式的存储器，例如量子存储器、石墨烯存储器等等。
作为其他实施方式，本实施例的碳排放空间制图还包括显示器，显示器用于显示目标区域内的居民居住碳排放空间分布。
密度空间分布确定装置实施例：
本实施例提出一种居民居住密度空间分布的确定装置，包括存储器和处理器，以及存储在存储器上并在处理器上运行的计算机程序，处理器与存储器相耦合，处理器用于运行存储在存储器中的程序指令，以实现密度空间分布确定方法实施例中的方法，由于该方法在上述实例中的记载已经足够清楚、完整，本实施例不再赘述。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种碳排放空间制图方法，其特征在于，包括以下步骤：
(1)根据目标区域中的夜间灯光数据和遥感影像，确定目标区域中各像元内的居民定居指数；具体计算公式如下：
式中，RSI为居民定居指数，OLSnor为标准化后的夜间灯光像元值，NDVImax为设定时间内最大的归一化植被指数；
(2)获取目标区域中部分区域的遥感影像，利用该遥感影像，确定出所述部分区域内每个建筑物的高度，每个像元内的居住建设用地总面积，每个像元内的各个建筑物的平面分布面积，以及每个像元内的建设用地覆盖率；
计算所述部分区域内的居民居住密度，计算公式如下：
RSDi＝Ki×Ai
式中，RSDi为i像元内的居民居住密度，Ki为i像元内的建设用地覆盖率，Ai为i像元内的居住建设用地密度指数，根据所述部分区域内每个建筑物的高度、每个像元内的居住建设用地总面积和每个像元内的各个建筑物的平面分布面积计算得到；
所述居住建设用地密度指数的计算公式如下：
式中，P1为i像元内第1个建筑物的楼层数，P2为i像元内第2个建筑物的楼层数，Pn为i像元内第n个建筑物的楼层数，P1,P2,…,Pn根据建筑物的高度和设定单个楼层高度的比值求得；S1为i像元内第1个建筑物的平面分布面积，S2为i像元内第2个建筑物的平面分布面积，Sn为i像元内第n个建筑物的平面分布面积，S为i像元内的居住建设用地总面积；
(3)根据所述部分区域内的居民居住密度和居民定居指数，建立居民居住密度和居民定居指数之间的映射关系，得到回归模型；
(4)根据所述回归模型，结合所述目标区域中各像元内的居民定居指数，确定整个目标区域的居民居住密度；
(5)确定目标区域内单位居民居住密度下的碳排放含量，计算该碳排放含量与整个目标区域的居民居住密度的乘积，得到目标区域内各像元的碳排放量，绘制碳排放空间分布图。
2.根据权利要求1所述的碳排放空间制图方法，其特征在于，目标区域内单位居民居住密度下的碳排放含量的计算式如下：
式中，K为单位居民居住密度下的碳排放含量，CT为目标区域内的居民居住碳排放总量，∑RSDi为研究区内居民居住密度的总和。
3.根据权利要求1所述的碳排放空间制图方法，其特征在于，所述回归模型的计算式如下：
y＝b2×x2+b1×x
其中，y为居民居住密度，x为居民定居指数，b1、b2均为回归模型的参数。
4.一种居民居住密度空间分布的确定方法，其特征在于，包括以下步骤：
(1)根据目标区域中的夜间灯光数据和遥感影像，确定目标区域中各像元内的居民定居指数；
具体计算公式如下：
式中，RSI为居民定居指数，OLSnor为标准化后的夜间灯光像元值，NDVImax为设定时间内最大的归一化植被指数；
(2)获取目标区域中部分区域的遥感影像，利用该遥感影像，确定出所述部分区域内每个建筑物的高度，每个像元内的居住建设用地总面积，每个像元内的各个建筑物的平面分布面积，以及每个像元内的建设用地覆盖率；
计算所述部分区域内的居民居住密度，计算公式如下：
RSDi＝Ki×Ai
式中，RSDi为i像元内的居民居住密度，Ki为i像元内的建设用地覆盖率，Ai为i像元内的居住建设用地密度指数，根据所述部分区域内每个建筑物的高度、每个像元内的居住建设用地总面积和每个像元内的各个建筑物的平面分布面积计算得到；
所述居住建设用地密度指数的计算公式如下：
式中，P1为i像元内第1个建筑物的楼层数，P2为i像元内第2个建筑物的楼层数，Pn为i像元内第n个建筑物的楼层数，P1,P2,…,Pn根据建筑物的高度和设定单个楼层高度的比值求得；S1为i像元内第1个建筑物的平面分布面积，S2为i像元内第2个建筑物的平面分布面积，Sn为i像元内第n个建筑物的平面分布面积，S为i像元内的居住建设用地总面积；
(3)根据所述部分区域内的居民居住密度和居民定居指数，建立居民居住密度和居民定居指数之间的映射关系，得到回归模型；
(4)根据所述回归模型，结合所述目标区域中各像元内的居民定居指数，确定整个目标区域的居民居住密度。
5.根据权利要求4所述的居民居住密度空间分布的确定方法，其特征在于，目标区域内单位居民居住密度下的碳排放含量的计算式如下：
式中，K为单位居民居住密度下的碳排放含量，CT为目标区域内的居民居住碳排放总量，∑RSDi为研究区内居民居住密度的总和。
6.根据权利要求4所述的居民居住密度空间分布的确定方法，其特征在于，所述回归模型的计算式如下：
y＝b2×x2+b1×x
其中，y为居民居住密度，x为居民定居指数，b1、b2均为回归模型的参数。
7.一种碳排放空间制图装置，包括存储器和处理器，以及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器与所述存储器相耦合，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-3任一项所述的碳排放空间制图方法。
8.一种居民居住密度空间分布的确定装置，包括存储器和处理器，以及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器与所述存储器相耦合，其特征在于，所述处理器执行所述计算机程序时实现如权利要求4-6任一项所述的居民居住密度空间分布的确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010646976.1A CN111861170B (zh) | 2020-07-07 | 2020-07-07 | 一种碳排放空间制图方法、密度空间分布确定方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010646976.1A CN111861170B (zh) | 2020-07-07 | 2020-07-07 | 一种碳排放空间制图方法、密度空间分布确定方法与装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111861170A CN111861170A (zh) | 2020-10-30 |
| CN111861170B true CN111861170B (zh) | 2023-08-04 |
Family
ID=73153697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010646976.1A Active CN111861170B (zh) | 2020-07-07 | 2020-07-07 | 一种碳排放空间制图方法、密度空间分布确定方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111861170B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723782A (zh) * | 2021-08-19 | 2021-11-30 | 北京大学 | 一种基于能源消耗碳排放的精细尺度确定方法及装置 |
| CN115049164B (zh) * | 2022-08-15 | 2022-10-21 | 四川师范大学 | 耦合社会网络模型和碳抵消的生态网络优化方法 |
| CN115455369B (zh) * | 2022-11-10 | 2023-04-11 | 江西省地质局地理信息工程大队 | 不动产登记平台的构建方法及装置 |
| CN115658776B (zh) * | 2022-12-05 | 2023-03-31 | 武汉大学 | 联合多源数据生成全国1km碳排放空间分布图的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103530883A (zh) * | 2013-10-21 | 2014-01-22 | 河南大学 | 居民点面积空间识别方法 |
| CN104200089A (zh) * | 2014-08-27 | 2014-12-10 | 北京市环境保护监测中心 | 一种测定平房燃煤大气污染物排放量的方法 |
| US9346030B2 (en) * | 2011-12-13 | 2016-05-24 | Zakrytoe Aktsionernoe Obschestvo “Nauchno-Proizvodstvennoe Ob'edinenie Innovatekh” | Device for production of soot from rubber waste |
| CN106056591A (zh) * | 2016-05-25 | 2016-10-26 | 哈尔滨工业大学 | 一种融合光谱图像和激光雷达数据进行城市密度估计方法 |
-
2020
- 2020-07-07 CN CN202010646976.1A patent/CN111861170B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9346030B2 (en) * | 2011-12-13 | 2016-05-24 | Zakrytoe Aktsionernoe Obschestvo “Nauchno-Proizvodstvennoe Ob'edinenie Innovatekh” | Device for production of soot from rubber waste |
| CN103530883A (zh) * | 2013-10-21 | 2014-01-22 | 河南大学 | 居民点面积空间识别方法 |
| CN104200089A (zh) * | 2014-08-27 | 2014-12-10 | 北京市环境保护监测中心 | 一种测定平房燃煤大气污染物排放量的方法 |
| CN106056591A (zh) * | 2016-05-25 | 2016-10-26 | 哈尔滨工业大学 | 一种融合光谱图像和激光雷达数据进行城市密度估计方法 |
Non-Patent Citations (3)
| Title |
|---|
| Spatial effects of carbon dioxide emissions from residential energy consumption: A county-level study using enhanced nocturnal lighting;Heli Lu;《Applied Energy》;全文 * |
| 城市建设用地扩展及其碳排放研究;李亚丽;《中国博士论文全文数据库》;全文 * |
| 黄河中下游丘陵－平原过渡区乡镇土地利用相对可持续性评价;刘桂芳;《河南大学学报》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111861170A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111861170B (zh) | 一种碳排放空间制图方法、密度空间分布确定方法与装置 | |
| Alavipanah et al. | The effect of multi-dimensional indicators on urban thermal conditions | |
| Duque et al. | Measuring intra-urban poverty using land cover and texture metrics derived from remote sensing data | |
| Vastaranta et al. | Airborne laser scanning and digital stereo imagery measures of forest structure: Comparative results and implications to forest mapping and inventory update | |
| Zhang et al. | Study of urban spatial patterns from SPOT panchromatic imagery using textural analysis | |
| Arribas-Bel et al. | Remote sensing-based measurement of Living Environment Deprivation: Improving classical approaches with machine learning | |
| Pang et al. | 3D building reconstruction from single street view images using deep learning | |
| Weeks | Using remote sensing and geographic information systems to identify the underlying properties of urban environments | |
| CN105516584B (zh) | 全景影像采集系统、基于其的测量天际线的装置和方法 | |
| Liu et al. | Characterizing three dimensional (3-D) morphology of residential buildings by landscape metrics | |
| Hufkens et al. | Impacts and uncertainties of upscaling of remote-sensing data validation for a semi-arid woodland | |
| Bulatov et al. | From multi-sensor aerial data to thermal and infrared simulation of semantic 3D models: Towards identification of urban heat islands | |
| Kraff et al. | How dynamic are slums? EO-based assessment of Kibera’s morphologic transformation | |
| Pan et al. | Understanding spatiotemporal evolution of the surface urban heat island in the Bangkok metropolitan region from 2000 to 2020 using enhanced land surface temperature | |
| Zhang et al. | Applying spectral mixture analysis for large-scale sub-pixel impervious cover estimation based on neighbourhood-specific endmember signature generation | |
| CN114494881A (zh) | 基于剖分网格的遥感影像变化检测方法、装置、终端 | |
| Torkko et al. | How to best map greenery from a human perspective? Comparing computational measurements with human perception | |
| Attewell et al. | The distribution of reflectances within the visual environment | |
| CN117131441A (zh) | 夜间光污染监测方法、装置、计算机设备和存储介质 | |
| Yan et al. | Evaluating simulated visible greenness in urban landscapes: An examination of a midsize US city | |
| Yang et al. | Influence of urban extent discrepancy on the estimation of surface urban heat island intensity: A global-scale assessment in 892 cities | |
| Wang et al. | An approach for radar quantitative precipitation estimation based on spatiotemporal network | |
| Pittam et al. | A remote measurement and mapping technique for orderly rapid aggregation of building stock geometry | |
| Jain et al. | A remote sensing approach to establish relationships among different land covers at the micro level | |
| Li et al. | Classification of the qilou (arcade building) using a robust image processing framework based on the Faster R-CNN with ResNet50 |
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 |