CN111928970A - 地物类型对地表温度的影响关系获取方法 - Google Patents
地物类型对地表温度的影响关系获取方法 Download PDFInfo
- Publication number
- CN111928970A CN111928970A CN202010612441.2A CN202010612441A CN111928970A CN 111928970 A CN111928970 A CN 111928970A CN 202010612441 A CN202010612441 A CN 202010612441A CN 111928970 A CN111928970 A CN 111928970A
- Authority
- CN
- China
- Prior art keywords
- surface temperature
- ground
- acquiring
- temperature
- regression coefficient
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000001419 dependent effect Effects 0.000 claims abstract description 11
- 238000002834 transmittance Methods 0.000 claims description 21
- 238000002310 reflectometry Methods 0.000 claims description 20
- 230000009471 action Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 10
- 230000001965 increasing effect Effects 0.000 claims description 6
- 238000001816 cooling Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及一种地物类型对地表温度的影响关系获取方法，通过利用单窗算法对所述Landsat影像数据进行地表温度反演，得到地表温度图像，在所述地表温度图像上获取各地物类型样本的地表温度；通过将地表温度作为因变量，地物类型作为自变量，构建多元回归模型，通过训练多元回归模型得到每种地物类型的回归系数值，根据回归系数获取对地物类型对地表温度的影响关系，从而将地物类型对地表温度的影响进行量化，本发明可以准确识别地物类型对地表温度的贡献，为城市微观生态和城市热岛研究提供准确的基础数据。
Description
技术领域
本发明涉及地理信息技术领域，尤其是涉及一种地物类型对地表温度的影响关系获取方法。
背景技术
城市热岛效应是指城市气温明显高于周边郊区气温的现象。目前，城市热岛效应严重制约着人们的日常生活和城市的可持续发展，其中，地表温度是反映城市热岛效应的一个重要指标。
传统的地物类型对地表温度的影响关系的研究，往往需要结合多项数据对各地物类型进行复杂的分析计算，并将分析计算结果与技术人员的判断相结合，得到地物类型对地表温度的影响关系，该过程复杂且耗时耗力，准确率较低。
发明内容
本申请实施例提供了一种地物类型对地表温度的影响关系获取方法，可以准确获取地物类型对地表温度的影响关系。所述技术方案如下：
第一方面，本申请实施例提供了一种地物类型对地表温度的影响关系获取方法，包括以下步骤：
获取Landsat影像数据；
利用单窗算法对所述Landsat影像数据进行地表温度反演，得到地表温度图像；
在所述地表温度图像上获取各地物类型样本的地表温度；
将所述地表温度作为因变量，所述地物类型作为自变量，构建并训练多元回归模型，得到每种地物类型的回归系数值；
根据所述回归系数值，获取各地物类型与地表温度的影响关系。
可选的，在所述地表温度图像上获取各地物类型样本的地表温度，包括：
根据预设的不透水面分类体系，在Landsat影像上确定每一种地物类型的采样样本；
在所述地表温度图像上获取对应样本的地表温度。
可选的，所述构建并训练多元回归模型的步骤包括：
将所述各地物类型转换为哑变量；
根据所述哑变量和各地物类型样本的地表温度，构建并训练回归模型，得到每种地物类型的回归系数值：
其中，LST为地表温度，b0为截距，bj为第j个变量的回归系数，dj为第j个变量的哑变量；n为变量的个数。
可选的，根据所述回归系数值，获取各地物类型与地表温度的影响关系，包括：
判断所述回归系数值是否大于参考值，若是，则该地物类型与地表温度的影响关系为对地表温度具有增温作用；
否则，该地物类型与地表温度的影响关系为对地表温度具有降温作用。
可选的，所述Landsat影像数据包括：像元亮温、近地层大气温度、近红外波段的反射率、红光波段的反射率和大气剖面水分含量；
利用单窗算法对所述Landsat影像数据进行地表温度反演，得到地表温度图像的步骤包括：
根据所述近地层大气温度，利用大气平均作用温度模型获取大气平均作用温度；
根据所述近红外波段的反射率和红光波段的反射率，获取地表比辐射率；
根据所述大气剖面水分含量，利用大气透射率估计模型获取大气透过率；
按照以下公式，获取各像元的地表温度：
其中，TS为像元的地表温度，T6为像元亮温，Ta为大气平均作用温度，C、D为中间变量；所述中间变量C、D按照以下公式获取：
C＝ε·τ
D＝(1-τ)·[1+(1-ε)τ]
其中，ε为地表比辐射率，τ为大气透过率。
可选的，所述根据预设的不透水面分类体系，在Landsat影像上确定每一种地物类型的采样样本步骤中，每一种地物类型的样本数量至少为100个，每一种地物类型的样本中该地物类型的面积占比超过90％。
可选的，还包括以下步骤：
按照以下公式，对所述回归系数值进行标准化：
其中，bj′为第j个变量标准化后的回归系数，σdj为第j个变量的哑变量的标准差，σLST为地表温度的标准差；
根据所述标准化后的回归系数值，确定不透水面的地物类型对地表温度的影响程度大小。
第二方面，本申请实施例提供了一种地物类型对地表温度的影响关系获取装置，包括：
数据获取模块，用于获取Landsat影像数据；
地表温度反演模块，用于利用单窗算法对所述Landsat影像数据进行地表温度反演，得到地表温度图像；
地表温度获取模块，用于在所述地表温度图像上获取各地物类型样本的地表温度；
回归系数值获取模块，用于将所述地表温度作为因变量，所述地物类型作为自变量，构建并训练多元回归模型，得到每种地物类型的回归系数值；
影响关系获取模块，用于根据所述回归系数值，获取各地物类型与地表温度的影响关系。
第三方面，本申请实施例提供了一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述地物类型对地表温度的影响关系获取方法的步骤。
第四方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述地物类型对地表温度的影响关系获取方法的步骤。
在本申请实施例中，通过利用单窗算法对所述Landsat影像数据进行地表温度反演，得到地表温度图像，在所述地表温度图像上获取各地物类型样本的地表温度；通过将地表温度作为因变量，地物类型作为自变量，构建多元回归模型，通过训练多元回归模型得到每种地物类型的回归系数值，根据回归系数获取对地物类型对地表温度的影响关系，从而将地物类型对地表温度的影响进行量化，准确识别地物类型对地表温度的贡献，为城市微观生态和城市热岛研究提供准确的基础数据。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本发明一个示例性的实施例中一种地物类型对地表温度的影响关系获取方法的流程图；
图2为本发明一个示例性的实施例中一种地物类型对地表温度的影响关系获取装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，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它例子，都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“若干个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
如图1所示，本发明提供了一种地物类型对地表温度的影响关系获取方法，包括以下步骤：
步骤S1：获取Landsat影像数据。
Landsat影像数据是指Landsat卫星上携带OLI陆地成像仪(Operational LandImager)和TIRS热红外传感器(Thermal Infrared Sensor)获取到的遥感影像数据，Landsat卫星一共有11个波段，波段1-7，9-11的空间分辨率为30米，波段8为15米分辨率的全色波段。所述Landsat影像数据可以包括：像元亮温、近地层大气温度、近红外波段的反射率、红光波段的反射率和大气剖面水分含量等数据。
步骤S2：利用单窗算法对所述Landsat影像数据进行地表温度反演，得到地表温度图像。
单窗算法是指覃志豪等人提出的根据地表比辐射率、大气透射度和大气平均作用温度来反演地表温度，以提高地表温度反演精度的算法。所述地表比辐射率、大气透射度和大气平均作用温度可根据像元亮温、近地层大气温度、近红外波段的反射率、红光波段的反射率和大气剖面水分含量等数据计算得到。在本申请实施例中，利用单窗算法对30千米分辨率的Landsat 8的热红外波段进行地表温度反演，得到30千米分辨率的地表温度图像。
步骤S3：在所述地表温度图像上获取各地物类型样本的地表温度。
所述地物类型样本可以为用户预先在Landsat影像上确定的取样区域，再在所述地表温度图像上获取各地物类型样本的地表温度。
步骤S4：将所述地表温度作为因变量，所述地物类型作为自变量，构建并训练多元回归模型，得到每种地物类型的回归系数值。
在一个例子中，可以将所述各地物类型转换为哑变量的方式，对所述各地物类型进行量化；在其他实施例中，还可以是通过不同的数字标识各地物类型的方式或其他本领域技术人员容易想到的方式对所述地物类型进行量化。
所述多元回归模型用于获取各地物类型对地表温度的影响关系，所述多元回归模型可以是线性回归模型、逻辑回归模型、多项式回归模型、逐步回归模型、岭回归模型或套索回归模型。
步骤S5：根据所述回归系数值，获取各地物类型与地表温度的影响关系。
所述回归系数是指自变量对因变量影响大小的参数，回归系数越大，表示该自变量对因变量的影响越大。
所述各地物类型与地表温度的影响关系可以包括增温作用和降温作用。
具体地，在一个例子中，可将所述回归系数值与一参考值进行比较，根据回归系数与参考值的大小判断该地物类型对地表温度为增温作用或降温作用。其中，所述参考值的设定可根据实际情况或用户需求进行设定。
在本申请实施例中，通过利用单窗算法对所述Landsat影像数据进行地表温度反演，得到地表温度图像，在所述地表温度图像上获取各地物类型样本的地表温度；通过将地表温度作为因变量，地物类型作为自变量，构建多元回归模型，通过训练多元回归模型得到每种地物类型的回归系数值，根据回归系数获取对地物类型对地表温度的影响关系，从而将地物类型对地表温度的影响进行量化，准确识别地物类型对地表温度的贡献，为城市微观生态和城市热岛研究提供准确的基础数据。
在一个示例性的实施例中，根据所述回归系数值，获取各地物类型与地表温度的影响关系，具体包括：判断所述回归系数值是否大于参考值，若是，则该地物类型与地表温度的影响关系为对地表温度具有增温作用；否则，该地物类型与地表温度的影响关系为对地表温度具有降温作用。
传统的对地表温度的影响因素的研究，往往将不透水面作为一个地物类型进行研究，然而，由于不透水面是以水不能透过表面而定义的多种物质的总称，对于其包含的多种物质，其热物理特性不同，对地表温度的影响程度不同，传统的对地表温度的影响因素的研究无法准确识别不透水面对地表温度的影响关系。针对上述问题，本申请的另一个示例性的实施例中，在所述地表温度图像上获取各地物类型样本的地表温度，包括：
根据预设的不透水面分类体系，在Landsat影像上确定每一种地物类型的采样样本，在所述地表温度图像上获取对应样本的地表温度。
在一个例子中，所述预设的不透水面分类体系包括：蓝钢、水泥、沥青、白钢、其他金属面、砖和塑胶面。在其他实施例中，所述预设的不透水面分类体系也可以根据实际需求进行划分。
所述采样样本可以由技术人员在Landsat影像观察确定，也可以是通过现有技术中其他采样手段进行确定。
优选地，为提高样本选择的准确性和全面性，所述根据预设的不透水面分类体系，在Landsat影像上确定每一种地物类型的采样样本步骤中，每一种地物类型的样本数量至少为100个，每一种地物类型的样本中该地物类型的面积占比超过90％。
具体地，可以通过获取Landsat影像上各样本的位置，在地表温度图像上的同一位置获取该样本的地表温度。
通过上述方式，根据预设的不透水面分类体系，将所述不透水面进行细分为若干地物类型，通过获取不同地物类型的回归系数值，对不透水面内部不同的地物类型对地表温度的贡献进行准确识别，为城市微观生态和城市热岛研究提供准确的基础数据。
在一个示例性的实施例中，所述构建并训练多元回归模型的步骤包括：
将所述各地物类型转换为哑变量；
根据所述哑变量和各地物类型样本的地表温度，构建并训练回归模型，得到每种地物类型的回归系数值：
其中，LST为地表温度，b0为截距，bj为第j个变量的回归系数，dj为第j个变量的哑变量，n为变量的个数。
在一个示例性的实施例中，根据所述回归系数值，获取各地物类型与地表温度的影响关系，包括：
判断所述回归系数值是否大于参考值，若是，则该地物类型与地表温度的影响关系为对地表温度具有增温作用；
否则，该地物类型与地表温度的影响关系为对地表温度具有降温作用。
在一个示例性的实施例中，所述Landsat影像数据包括：像元亮温、近地层大气温度、近红外波段的反射率、红光波段的反射率和大气剖面水分含量；
利用单窗算法对所述Landsat影像数据进行地表温度反演，得到地表温度图像的步骤包括：
根据所述近地层大气温度，利用大气平均作用温度模型获取大气平均作用温度。
所述大气平均作用温度模型为根据近地层大气温度和大气平均作用温度的相关性构建的模型，通过将所述近地层大气温度输出大气平均作用温度模型，即可得到估算的大气平均作用温度。所述大气平均作用温度模型可以根据实际需求，选择现有技术中任一可实现上述功能的大气平均作用温度模型。
根据所述近红外波段的反射率和红光波段的反射率，获取地表比辐射率。
地表比辐射率又称发射率，是指在同一温度下地表发射的辐射量与一黑体发射的辐射量的比值。在本申请实施例中，所述地表比辐射率利用植被指数NVDI值进行近似计算。具体地，所述地表比辐射率按照以下公式获取：
ε＝1.0094+0.047ln(NVDI)
其中，ε表示地表比辐射率，NVDI表示植被指数，所述植被指数NVDI的计算公式如下：
其中，NIR表示近红外波段的反射率，R表示红光波段的反射率。
根据所述大气剖面水分含量，利用大气透射率估计模型获取大气透过率；
所述大气透射率估计模型为根据大气剖面水分含量与大气透过率的相关性构建的模型，通过将所述大气剖面水分含量输入大气透射率估计模型，即可得到估算的大气透过率。所述大气透射率估计模型可以根据实际需求，选择现有技术中任一可实现上述功能的大气透射率估计模型。
按照以下公式，获取各像元的地表温度：
其中，TS为像元的地表温度，T6为像元亮温，Ta为大气平均作用温度，C、D为中间变量，所述中间变量C、D按照以下公式获取：
C＝ε·τ
D＝(1-τ)·[1+(1-ε)τ]
其中，ε为地表比辐射率，τ为大气透过率。
在一个示例性的实施例中，为避免回归系数值之前由于数值相差较大导致对地表温度的影响关系难以判断，所述地物类型对地表温度的影响关系的获取方法，还包括以下步骤：
按照以下公式，对所述回归系数值进行标准化：
其中，bj′为第j个变量标准化后的回归系数，σdj为第j个变量的哑变量的标准差，σLST为地表温度的标准差；
根据所述标准化后的回归系数值，确定不透水面的地物类型对地表温度的影响程度大小。
具体地，对所述标准化后的回归系数值求取绝对值，根据绝对值的大小对各地物类型进行排序，其中，绝对值越大则表示该地物类型对地表温度的影响程度越大。根据排序后的地物类型，可直观得到各地物类型对地表温度的影响程度。
标准化后各地物类型的回归系数值之间相差较小，便于根据各地物类型的回归系数值的大小进行排序。
如图2所示，本申请实施例还提供了一种地物类型对地表温度的影响关系获取装置，包括：
数据获取模块1，用于获取Landsat影像数据；
地表温度反演模块2，用于利用单窗算法对所述Landsat影像数据进行地表温度反演，得到地表温度图像；
地表温度获取模块3，用于在所述地表温度图像上获取各地物类型样本的地表温度；
回归系数值获取模块4，用于将所述地表温度作为因变量，所述地物类型作为自变量，构建并训练多元回归模型，得到每种地物类型的回归系数值；
影响关系获取模块5，用于根据所述回归系数值，获取各地物类型与地表温度的影响关系。
在一个示例性的实施例中，所述地表温度获取模块3包括：
样本确定单元，用于根据预设的不透水面分类体系，在Landsat影像上确定每一种地物类型的采样样本；
地表温度获取单元，用于在所述地表温度图像上获取对应样本的地表温度。
在一个示例性的实施例中，所述回归系数值获取模块4包括：
哑变量转换单元，用于将所述各地物类型转换为哑变量；
模型构建单元，用于根据所述哑变量和各地物类型样本的地表温度，构建并训练回归模型，得到每种地物类型的回归系数值：
其中，LST为地表温度，b0为截距，bj为第j个变量的回归系数，dj为第j个变量的哑变量；n为变量的个数。
在一个示例性的实施例中，所述影响关系获取模块5包括：
判断单元，用于判断所述回归系数值是否大于参考值，若是，则该地物类型与地表温度的影响关系为对地表温度具有增温作用；否则，该地物类型与地表温度的影响关系为对地表温度具有降温作用。
在一个示例性的实施例中，所述Landsat影像数据包括：像元亮温、近地层大气温度、近红外波段的反射率、红光波段的反射率和大气剖面水分含量；
所述地表温度反演模块2包括：
大气平均作用温度获取单元，用于根据所述近地层大气温度，利用大气平均作用温度模型获取大气平均作用温度；
地表比辐射率获取单元，用于根据所述近红外波段的反射率和红光波段的反射率，获取地表比辐射率；
大气透过率获取单元，用于根据所述大气剖面水分含量，利用大气透射率估计模型获取大气透过率；
地表温度获取单元，用于按照以下公式，获取各像元的地表温度：
其中，TS为像元的地表温度，T6为像元亮温，Ta为大气平均作用温度，C、D为中间变量；所述中间变量C、D按照以下公式获取：
C＝ε·τ
D＝(1-τ)·[1+(1-ε)τ]
其中，ε为地表比辐射率，τ为大气透过率。
在一个示例性的实施例中，所述样本确定单元确定的采样样本中，每一种地物类型的样本数量至少为100个，每一种地物类型的样本中该地物类型的面积占比超过90％。
在一个示例性的实施例中，所述地物类型对地表温度的影响关系获取装置还包括：
标准化单元，用于按照以下公式，对所述回归系数值进行标准化：
其中，bj′为第j个变量标准化后的回归系数，σdj为第j个变量的哑变量的标准差，σLST为地表温度的标准差；
影响程度大小确定单元，用于根据所述标准化后的回归系数值，确定不透水面的地物类型对地表温度的影响程度大小。
需要说明的是，上述实施例提供的地物类型对地表温度的影响关系获取装置在执行地物类型对地表温度的影响关系获取方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分为不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的地物类型对地表温度的影响关系获取装置与地物类型对地表温度的影响关系获取方法属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
本申请实施例还提供了一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述地物类型对地表温度的影响关系获取方法的步骤。
本申请实施例可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
本申请实施例还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述地物类型对地表温度的影响关系获取方法的步骤。
本申请实施例所述地物类型对地表温度的影响关系获取方法从地物材质为基础，深入分析了不同的不透水面的地物类型对地表温度的影响及程度，从而为城市热岛研究，提供数据支持，从而进一步为缓解城市热岛效应，提供数据支撑。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。
Claims (10)
1.一种地物类型对地表温度的影响关系获取方法，其特征在于，包括以下步骤：
获取Landsat影像数据；
利用单窗算法对所述Landsat影像数据进行地表温度反演，得到地表温度图像；
在所述地表温度图像上获取各地物类型样本的地表温度；
将所述地表温度作为因变量，所述地物类型作为自变量，构建并训练多元回归模型，得到每种地物类型的回归系数值；
根据所述回归系数值，获取各地物类型与地表温度的影响关系。
2.根据权利要求1所述的地物类型对地表温度的影响关系获取方法，其特征在于，在所述地表温度图像上获取各地物类型样本的地表温度，包括：
根据预设的不透水面分类体系，在Landsat影像上确定每一种地物类型的采样样本；
在所述地表温度图像上获取对应样本的地表温度。
3.根据权利要求1所述的地物类型对地表温度的影响关系获取方法，其特征在于，所述构建并训练多元回归模型的步骤包括：
将所述各地物类型转换为哑变量；
根据所述哑变量和各地物类型样本的地表温度，构建并训练回归模型，得到每种地物类型的回归系数值：
其中，LST为地表温度，b0为截距，bj为第j个变量的回归系数，dj为第j个变量的哑变量；n为变量的个数。
4.根据权利要求1所述的地物类型对地表温度的影响关系获取方法，其特征在于，根据所述回归系数值，获取各地物类型与地表温度的影响关系，包括：
判断所述回归系数值是否大于参考值，若是，则该地物类型与地表温度的影响关系为对地表温度具有增温作用；
否则，该地物类型与地表温度的影响关系为对地表温度具有降温作用。
5.根据权利要求1所述的地物类型对地表温度的影响关系获取方法，其特征在于，所述Landsat影像数据包括：像元亮温、近地层大气温度、近红外波段的反射率、红光波段的反射率和大气剖面水分含量；
利用单窗算法对所述Landsat影像数据进行地表温度反演，得到地表温度图像的步骤包括：
根据所述近地层大气温度，利用大气平均作用温度模型获取大气平均作用温度；
根据所述近红外波段的反射率和红光波段的反射率，获取地表比辐射率；
根据所述大气剖面水分含量，利用大气透射率估计模型获取大气透过率；
按照以下公式，获取各像元的地表温度：
其中，TS为像元的地表温度，T6为像元亮温，Ta为大气平均作用温度，C、D为中间变量；所述中间变量C、D按照以下公式获取：
C＝ε·τ
D＝(1-τ)·[1+(1-ε)τ]
其中，ε为地表比辐射率，τ为大气透过率。
6.根据权利要求2所述的地物类型对地表温度的影响关系获取方法，其特征在于，所述根据预设的不透水面分类体系，在Landsat影像上确定每一种地物类型的采样样本步骤中，每一种地物类型的样本数量至少为100个，每一种地物类型的样本中该地物类型的面积占比超过90％。
7.根据权利要求1所述的地物类型对地表温度的影响关系获取方法，其特征在于，还包括以下步骤：
按照以下公式，对所述回归系数值进行标准化：
其中，bj′为第j个变量标准化后的回归系数，σdj为第j个变量的哑变量的标准差，σLST为地表温度的标准差；
根据所述标准化后的回归系数值，确定不透水面的地物类型对地表温度的影响程度大小。
8.一种地物类型对地表温度的影响关系获取装置，其特征在于，包括：
数据获取模块，用于获取Landsat影像数据；
地表温度反演模块，用于利用单窗算法对所述Landsat影像数据进行地表温度反演，得到地表温度图像；
地表温度获取模块，用于在所述地表温度图像上获取各地物类型样本的地表温度；
回归系数值获取模块，用于将所述地表温度作为因变量，所述地物类型作为自变量，构建并训练多元回归模型，得到每种地物类型的回归系数值；
影响关系获取模块，用于根据所述回归系数值，获取各地物类型与地表温度的影响关系。
9.一种计算机可读存储介质，其上储存有计算机程序，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1-7任意一项所述地物类型对地表温度的影响关系获取方法的步骤。
10.一种计算机设备，其特征在于：包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任意一项所述地物类型对地表温度的影响关系获取方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010612441.2A CN111928970B (zh) | 2020-06-30 | 2020-06-30 | 地物类型对地表温度的影响关系获取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010612441.2A CN111928970B (zh) | 2020-06-30 | 2020-06-30 | 地物类型对地表温度的影响关系获取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111928970A true CN111928970A (zh) | 2020-11-13 |
| CN111928970B CN111928970B (zh) | 2022-06-03 |
Family
ID=73316837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010612441.2A Active CN111928970B (zh) | 2020-06-30 | 2020-06-30 | 地物类型对地表温度的影响关系获取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111928970B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113192007A (zh) * | 2021-04-07 | 2021-07-30 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种多尺度信息融合的地热异常区提取方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013234984A (ja) * | 2011-09-07 | 2013-11-21 | Jfe Steel Corp | 温度測定方法および温度測定装置 |
| KR101682142B1 (ko) * | 2016-09-02 | 2016-12-13 | 유한회사 드림위즈 | 경하중도로용 조성물을 이용한 경하중도로의 시공방법 |
| CN107941344A (zh) * | 2017-11-15 | 2018-04-20 | 中国科学院遥感与数字地球研究所 | 一种基于地表温度遥感反演的钢铁厂去产能监测方法 |
| CN109374564A (zh) * | 2018-08-20 | 2019-02-22 | 广州地理研究所 | 一种多源遥感数据城市不透水面提取方法 |
| CN109490209A (zh) * | 2018-11-15 | 2019-03-19 | 中国科学院遥感与数字地球研究所 | 一种基于城市不透水面和dem的城市地表径流检测方法 |
| 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 |
| CN111178169A (zh) * | 2019-12-12 | 2020-05-19 | 广州地理研究所 | 一种基于遥感影像的城市地表覆盖物精细分类方法及装置 |
-
2020
- 2020-06-30 CN CN202010612441.2A patent/CN111928970B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013234984A (ja) * | 2011-09-07 | 2013-11-21 | Jfe Steel Corp | 温度測定方法および温度測定装置 |
| KR101682142B1 (ko) * | 2016-09-02 | 2016-12-13 | 유한회사 드림위즈 | 경하중도로용 조성물을 이용한 경하중도로의 시공방법 |
| CN107941344A (zh) * | 2017-11-15 | 2018-04-20 | 中国科学院遥感与数字地球研究所 | 一种基于地表温度遥感反演的钢铁厂去产能监测方法 |
| CN109374564A (zh) * | 2018-08-20 | 2019-02-22 | 广州地理研究所 | 一种多源遥感数据城市不透水面提取方法 |
| CN109490209A (zh) * | 2018-11-15 | 2019-03-19 | 中国科学院遥感与数字地球研究所 | 一种基于城市不透水面和dem的城市地表径流检测方法 |
| 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 |
| CN111178169A (zh) * | 2019-12-12 | 2020-05-19 | 广州地理研究所 | 一种基于遥感影像的城市地表覆盖物精细分类方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 刘闻雨 等: "城市建筑材质一地表温度关系的多源遥感研究", 《遥感应用》 * |
| 李婧: "基于形态要素的不透水面对地表温度的影响研究—以哈尔滨为例", 《中国优秀博硕士学位论文全文数据库(硕士) 基础科学辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113192007A (zh) * | 2021-04-07 | 2021-07-30 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种多尺度信息融合的地热异常区提取方法 |
| CN113192007B (zh) * | 2021-04-07 | 2022-01-21 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种多尺度信息融合的地热异常区提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111928970B (zh) | 2022-06-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Southworth | An assessment of Landsat TM band 6 thermal data for analysing land cover in tropical dry forest regions | |
| Darvishzadeh et al. | Inversion of a radiative transfer model for estimation of rice canopy chlorophyll content using a lookup-table approach | |
| Liu et al. | MNDISI: A multi-source composition index for impervious surface area estimation at the individual city scale | |
| Guha et al. | Annual assessment on the relationship between land surface temperature and six remote sensing indices using Landsat data from 1988 to 2019 | |
| He et al. | Using wavelet analysis of hyperspectral remote-sensing data to estimate canopy chlorophyll content of winter wheat under stripe rust stress | |
| Atzberger et al. | Suitability and adaptation of PROSAIL radiative transfer model for hyperspectral grassland studies | |
| CN107941344B (zh) | 一种基于地表温度遥感反演的钢铁厂去产能监测方法 | |
| Zheng et al. | Retrieval of forest growing stock volume by two different methods using Landsat TM images | |
| Sheng et al. | Impacts of land-cover types on an urban heat island in Hangzhou, China | |
| Baghzouz et al. | Monitoring vegetation phenological cycles in two different semi-arid environmental settings using a ground-based NDVI system: A potential approach to improve satellite data interpretation | |
| Rahman et al. | A comparison of four relative radiometric normalization (RRN) techniques for mosaicing H-res multi-temporal thermal infrared (TIR) flight-lines of a complex urban scene | |
| CN111178169A (zh) | 一种基于遥感影像的城市地表覆盖物精细分类方法及装置 | |
| Mohammad et al. | Spatial variation of surface urban heat island magnitude along the urban-rural gradient of four rapidly growing Indian cities | |
| Jiao et al. | A novel two-step method for winter wheat-leaf chlorophyll content estimation using a hyperspectral vegetation index | |
| Moreira et al. | Variation in spectral shape of urban materials | |
| CN111928970B (zh) | 地物类型对地表温度的影响关系获取方法 | |
| García-Fernández et al. | High-resolution drone-acquired RGB imagery to estimate spatial grape quality variability | |
| Zhong et al. | Empirical models on urban surface emissivity retrieval based on different spectral response functions: A field study | |
| Panigada et al. | Chlorophyll concentration mapping with MIVIS data to assess crown discoloration in the Ticino Park oak forest | |
| Li et al. | Estimating the age of deciduous forests in northeast China with Enhanced Thematic Mapper Plus data acquired in different phenological seasons | |
| Oumar et al. | Predicting water stress induced by Thaumastocoris peregrinus infestations in plantation forests using field spectroscopy and neural networks | |
| Warner et al. | Does single broadband or multispectral thermal data add information for classification of visible, near‐and shortwave infrared imagery of urban areas? | |
| Zhang et al. | Study of emissivity scaling and relativity of homogeneity of surface temperature | |
| Ivan et al. | THE ASSESSMENT RELATIONSHIP BETWEEN LAND SURFACE TEMPERATURE (LST) AND BUILT-UP AREA IN URBAN AGGLOMERATION. CASE STUDY: CLUJ-NAPOCA, ROMANIA. | |
| Wang et al. | Investigate the potential of UAS-based thermal infrared imagery for maize leaf area index estimation |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee after: Guangzhou Institute of geography, Guangdong Academy of Sciences Patentee after: Guangdong Provincial Laboratory of marine science and engineering of South China (Guangzhou) Address before: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU INSTITUTE OF GEOGRAPHY Patentee before: Guangdong Provincial Laboratory of marine science and engineering of South China (Guangzhou) |
|
| CP01 | Change in the name or title of a patent holder |