CN114005048A - 基于多时相数据的土地覆盖变化与热环境影响研究方法 - Google Patents
基于多时相数据的土地覆盖变化与热环境影响研究方法 Download PDFInfo
- Publication number
- CN114005048A CN114005048A CN202111309910.4A CN202111309910A CN114005048A CN 114005048 A CN114005048 A CN 114005048A CN 202111309910 A CN202111309910 A CN 202111309910A CN 114005048 A CN114005048 A CN 114005048A
- Authority
- CN
- China
- Prior art keywords
- land
- area
- surface temperature
- temperature
- land cover
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 94
- 230000008859 change Effects 0.000 title claims abstract description 91
- 238000011160 research Methods 0.000 title claims abstract description 85
- 230000000694 effects Effects 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 230000004044 response Effects 0.000 claims abstract description 6
- 238000005315 distribution function Methods 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 74
- 238000004458 analytical method Methods 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 26
- 230000005855 radiation Effects 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000012544 monitoring process Methods 0.000 claims description 15
- 230000001932 seasonal effect Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 12
- 238000010521 absorption reaction Methods 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 238000011158 quantitative evaluation Methods 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000005457 Black-body radiation Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000010219 correlation analysis Methods 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 235000011720 Vaccinium uliginosum Nutrition 0.000 description 1
- 244000077233 Vaccinium uliginosum Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于多时相数据的土地覆盖变化与热环境影响研究方法,实施步骤如下:获取待监测区域的多时相遥感图像,对待监测区域不同时相的遥感数据进行土地覆盖分类制图研究,并统计各土地覆盖类型的面积;对待监测区域不同时相的遥感数据进行地表温度反演,对温度进行分级,分析不同温度等级的时空变化情况;在探究土地覆盖及其变化对地表温度的影响方面:首先,分析不同土地覆盖类型的地表温度在不同季节的温度响应;其次,通过引入地表特征参数半定量研究其与地表温度之间的关系;接着研究土地覆盖类型变化后对地表温度的贡献占比;最后,通过引入分布函数,研究不同土地覆盖类型的热源区信息,此研究方法具有分类精度高等优点。
Description
技术领域
本发明涉及土地覆盖变化与热环境影响评估领域,具体涉及一种基LUCC的土地利用/覆盖变化对地表热环境影响的研究方法。
背景技术
“土地利用/覆盖变化”是全球环境变化与可持续发展的重要研究内容,在“国际地圈与生物圈计划”和“国际全球变化的人文因素计划”的共同推动下,LUCC研究已成为当前全球环境变化研究的核心内容之一。土地利用/覆盖类型在热力学性质上的差异一直被认为是影响陆地表面温度的根本原因,因而随着土地利用/覆盖类型的变化陆地表面温度也会随之改变,继而影响地表热环境。因此,了解土地利用/覆盖变化对地表热环境的影响对于评估陆地景观规划的热效应配置十分重要。近年来,随着我国城市化进程的加快,以及人类对地表改造能力的不断增强,使得土地利用/覆盖特征在时间和空间上发生了很大变化。其中城市化进程加快,造成的城市建设用地面积显著增加,城市绿地面积减少,城市热岛效应加剧,城市环境质量和宜居程度下降等。这些问题引起广泛关注,其中,叶笃正院士在第21届国际科技联盟理事会上提出应同等重视土地利用所引发的全球环境问题和温室气体所引起的环境问题。这一提议被很多国家接受,进而,LUCC研究成为国际性的研究课题。早期LUCC研究主要集中在土地利用/覆盖类型的人工调查、分类与制图。随着农业区位论的提出,更倾向于把土地看作经济资源,目的是要达到利益最大化以及土地利用/覆盖静态模式的最优分析。到20世纪上半叶,工业化和城镇化快速发展,促使土地利用/覆盖的剧烈变化,这一时期的LUCC研究的主要特点也转向各学科LUCC研究理论和模型的建立,LUCC研究趋于系统化、科学化。到20世纪末,LUCC研究覆盖了地理学的各个领域及空间尺度的各个级别。目前随着LUCC研究的不断深入,遥感、地理信息系统、深度学习、数据挖掘等新的技术手段也在其中发挥了重要的作用。
遥感技术进行LUCC研究必须要与社会经济活动相结合。遥感手段主要通过影像获取土地覆盖分类结果,然后利用地理信息系统技术将其与自然或人文特征相结合进行分析,而从事社会科学的地学工作者,多从人类的行为和政策导向等方面分析与LUCC的相互影响和作用。可想,两者相互结合就会形成特殊的优势。但在一些LUCC研究中需要不可或缺的社会经济因素(政策、人口、收入、产量、消费、贸易和人口迁移等)很难实现空间化。而且社会经济数据和遥感数据在时间和空间分辨率等方面存在着较大的匹配难度。
地表温度是区域和全球尺度上陆地表层系统过程的关键参数,它综合了地表与大气的相互作用以及大气和陆地之间能量交换的结果。地表温度作为众多基础学科和应用领域的一个关键参数,能够提供地表能量平衡状态的时空变化信息,在数值预报、全球环流模式以及区域气候模式等研究领域得到广泛应用。精确的地表温度信息不仅有助于评估地表能量与水文平衡、热惯量和土壤湿度,而且有助于获取全球表面温度及掌握其长期变化。因为,地表温度具有显著的空间异质性特征,传统上基于气象站点的观测方法很难获得整个区域的地表温度,很难做到在大尺度上加以把握。目前,随着遥感技术的不断发展,利用热红外遥感反演法获取地表温度成为地学研究的热点,利用热红外遥感获取地表温度,具有大范围、快速、方便、信息量大、精确度高等特点。因此广泛应用于地表温度的监测研究中。土地利用/覆盖变化会引起地表温度的变化,因此,探讨土地利用/覆盖变化与地表温度之间的关系具有重要意义。
土地利用很大程度上是通过土地覆盖变化来影响区域和全球环境。根据自然界能量传递的作用方式,不同土地覆盖类型和格局会在地表形成不同的热量特征、辐射特征及人文特征,在很大程度上影响区域热环境。在区域LUCC与热环境的关系研究中,通常是利用多时相的遥感影像提取土地覆盖类型信息,同时进行陆地表面温度反演,然后进行叠加对比分析,从而探究LUCC对热环境的影响程度,多数研究者选择大中城市作为研究区域,来探讨LUCC与地表温度间的关系,但未考虑典型区域的适应性。基于此本发明以不同时相的遥感影像为数据源,通过遥感解译获取多时相土地覆盖数据并与地表温度反演数据相结合,综合利用RS和GIS空间分析技术,探究了土地覆盖类型和地表热环境的关系响应以及土地覆盖变化对城市热环境的贡献情况,定量揭示了土地覆盖变化与城市热环境间的关系,为进一步研究土地覆盖变化对热环境的影响提供依据、为优化城市生态环境等提供参考。
发明内容
本发明要解决的技术问题是提供一种基于多时相数据的土地覆盖变化与热环境影响研究方法,其具有分类精度高且准确、通用性好、反演结果可靠实用、适用范围广、直观性强的特点。
为解决上述技术问题,本发明采用的技术方案为:
一种基于多时相数据的土地覆盖变化与热环境影响研究方法,其特征在于步骤如下:
1)获取待监测区域的多时相遥感图像,对待监测区域不同时相的遥感数据进行土地覆盖分类制图研究,并统计各土地覆盖类型的面积;对待监测区域不同时相的土地覆盖类型的变化速度进行研究,并设立研究节点,对比待监测区域设立前后,不同土地覆盖类型的单一土地覆盖动态度和综合土地覆盖动态度两种不同的动态度的变化;
2)对待监测区域不同时相的遥感数据进行地表温度反演,对地表温度进行分级,分析待监测区域不同温度等级下的时空变化情况;
3)在探究土地覆盖及其变化对地表温度的影响方面;首先,分析不同土地覆盖类型的地表温度在不同季节的温度响应;其次,通过引入地表特征参数半定量研究其与地表温度之间的关系;接着利用不透水面信息部分消除地表温度的季节影响后,定量分析土地覆盖类型变化后对地表温度的贡献占比;最后,通过引入分布函数,定量分析待监测区域不同土地覆盖类型的热源区信息,通过重心移动轨迹进一步探究土地覆盖类型变化对热源区的影响。
所述步骤1)中对待监测区域不同时相的遥感数据进行土地覆盖分类制图研究,并统计各土地覆盖类型的面积的详细步骤包括:
A1)根据美国地质调查局的土地利用/覆盖分类系统和中国科学院土地资源分类系统这两种分类系统,并结合用于解译的图像特征和待监测区域的实际土地覆盖情况,构建待监测区域的土地利用/覆盖分类标准,综合考虑待监测区域数据空间分辨率及季节差异因素,制定待监测区域的土地覆盖分类体系;
A2)选择训练样本,训练样本的选择应满足以下几方面要求:选择每种地物类型的训练样本数量必须要适当,太少的训练样本不具有代表性且难以保证准确性,而太多的样本会增加计算量;训练样本的面积应该足够大,且尽量不选择位于不同地物类别之间的边界附近,保证所选像元的纯净度;选择的训练样本均匀分布在研究区内;
A3)建立解译标志,根据遥感图像上目标及周围的影像特征——纹理、大小、色调、形状、图型以及影像上目标的空间排列组合规律,并通过地物间的相互关系,经过综合推理、深入分析来识别目标,建立待监测区域的解译标志;
A4)选择分类方法,在对比最小距离法、最大似然法、神经网络分类法、马氏距离法、支持向量机分类方法、随机森林分类法后,选择分类效果表现较好的随机森林方法进行分类;通过选取训练样本,随机构建决策树模型、对决策树分类结果进行综合分析,投票得到最终分类结果;
A5)进行分类精度评价,对图像分类结果进行精度分析,利用混淆矩阵对分类结果进行定量评价;
所述步骤A5)中对图像分类结果进行精度分析,利用混淆矩阵对分类结果进行定量评价的详细步骤包括:
A51)计算总体精度,所述的总体精度,指被正确分类的像元总和除总像元数,其中,被正确分类的像元总和为混淆矩阵的主对角线数值之和,总像元数等于所有真实参考源的像元总和,根据得到总体精度,其中表示i行i列上的值,n表示分类后的误差矩阵的行数,M表示的是进行分类时所有需要检测地物分类样本的总数;
A54)计算Kappa 系数,所述的Kappa 系数,作为评价精度的一个重要指标,它综合运用了混淆矩阵的所有参数,根据得到Kappa系数,其中和分别表示i列的和与i行的和,表示i行i列上的值,n表示分类后的误差矩阵的行数,M表示的是进行分类时所有需要检测地物分类样本的总数;
所述步骤1)中对待监测区域不同时相的土地覆盖类型的变化速度进行研究,并设立研究节点,对比待监测区域设立前后,不同土地覆盖类型的单一土地覆盖动态度和综合土地覆盖动态度两种不同的动态度的变化的详细步骤包括:
B1)计算单一土地覆盖类型变化动态度,单一土地覆盖动态度的意义在于能清晰地反映出每种土地覆盖类型变化幅度与速度,也能通过类型间的比较反映出变化的类型差异,为以后的驱动力分析提供依据,根据得到监测时段内某种土地覆盖类型的动态度,其中K为监测时段内某种土地覆盖类型的动态度;为监测初期某种土地覆盖类型的数量;为监测期末某种土地覆盖类型的数量;T为研究时段长,当T的时段设定为年时,K的值就是该研究区某种土地覆盖类型年变化率;
B2) 计算待监测区域的综合土地覆盖动态度,根据得到综合土地覆盖动态度,其中为监测起始时间第i类土地覆盖类型的面积;为监测时段内第i类土地覆盖类型转为非i类土地覆盖类型的面积和非第i类土地覆盖类型转为i类土地覆盖类型的面积绝对值之和;T为监测时段长度,当T的时段设定为年时,LC的值就是该研究区综合土地覆盖年变化率;
B3)分析待监测区域的地类转化情况,地类转化情况包括建设用地转入及空间变化分析、耕地转出及空间变化分析、水域转出及空间变化分析。
所述步骤2)中对待监测区域不同时相的遥感数据进行地表温度反演,对地表温度进行分级,分析待监测区域不同温度等级下的时空变化情况的详细步骤包括:
C1)计算像元平均温度,其像元平均温度遥感反演原理及算法主要根据基于普朗克定律和热红外辐射传输方程,根据得到黑体辐射亮度,其中表示辐射波长,T表示绝对温度,h表示普朗克常数,c表示真空中的光速,k表示玻尔兹曼常数;
C3)计算地表比辐射率,选择第一作者覃志豪提出的NDVI阈值改进算法反演地表比辐射率;通过改进的归一化差异水体指数掩膜提取水体;其中,组成城镇像元的是建筑物和绿化植被组成的混合像元;自然表面像元是不同比例的植被叶冠和裸土所组成的混合像元;
C4)进行大气水汽含量遥感反演,利用MODIS数据反演大气水汽含量的物理基础是利用反射的太阳辐射检测水汽对辐射吸收的大小,总水汽量可用水汽的吸收通道和非吸收通道间反射的太阳辐射差值获得,根据与得到大气的水汽含量,式中为大气透过率;w 为大气水汽含量,和分别表示MODIS数据第2波段和第19波段的表观反射率,和 为常数;
C5)进行地表温度反演,根据单通道算法反演地表温度,当空气中大气水汽含量处于0.5g•cm-2~2g•cm-2之间时,利用单通道法反演地表温度其误差在1K~2K之间;
C6)进行地表温度等级划分,采用不同时间序列的地表温度反演数据进行研究区地表温度时空变化分析;采用地表温度归一化方法将地表温度分布范围统一到0~1之间,根据进行归一化,其中为归一化后的像元值,为第i个像元的地表温度反演值,为范围内的最大LST值,为范围内的最小LST值。
所述步骤3)中分析不同土地覆盖类型的地表温度在不同季节的温度响应具体是指利用前期土地覆盖分类结果,结合待监测区域相同时间的地表温度图,利用ArcGIS空间分析模块,将地表温度图与土地类型图进行叠加分析,得到待监测区域不同季节土地覆盖类型的地表温度最大值、最小值、平均值、标准差并进行单个样本的T检验,目的是检验不同土地利用类型间的地表平均温度是否达到显著性水平;
所述步骤3)中通过引入地表特征参数半定量研究其与地表温度之间的关系,具体是指引入一些具体的能够表示地表信息的指数来探究其与地表温度的关系;其中,研究植被选取归一化植被指数为代表,研究水域选取改进型归一化水体指数为代表,研究建筑选取归一化建筑指数为代表;
所述步骤3)中利用不透水面信息部分消除地表温度的季节影响后,定量分析土地覆盖类型变化后对地表温度的贡献占比,具体是指为了进一步量化城市土地覆盖类型及其与热环境的关系,将不透水面覆盖度划分为代表不同城市发展水平的类别;采用等距离分级法对像元进行分组,并根据其丰度值,将每个像元分为10个相等级别,具体为0-10%、10-20%、30%、…、90-100%;用这种方法对各不透水面分组范围内的陆地表面温度进行分组,有助于详细分析不同分组内的陆地表面温度,并能对不同城市密度地区的城市热环境的空间分布进行分析和比较;
所述步骤3)中通过引入分布函数,定量分析待监测区域不同土地覆盖类型的热源区信息,通过重心移动轨迹进一步探究土地覆盖类型变化对热源区的影响具体是指通过引入分布指数,来量化每种土地覆盖类型对热效应的贡献,并确定其热源或汇的性质,根据得到,其中表示第i种土地覆盖类型的面积;表示第i种土地覆盖类型中地表温度为高温区和极高温区的面积;S表示研究区的总面积;表示研究区中地表温度为高温区和极高温区的面积;如果DI>1,说明该种土地覆盖类型对研究区热环境有很大的贡献,应定义为热源;如果DI<1,说明该种地类对研究区热环境的贡献很小。
本发明具有下述优点:
1、本发明在对比最小距离法、最大似然法、神经网络分类法、马氏距离法、支持向量机分类方法、随机森林分类法后,选择分类效果表现较好的随机森林方法进行分类,得到的分类结果分类精度高且准确。
2、本发明使用单一土地覆盖动态度和综合土地覆盖动态度用来描述研究区内某种土地覆盖类型在一定时间范围内的变化情况,可清晰地反映出每种土地覆盖类型变化幅度与速度,也可通过类型间的比较反映出变化的类型差异,为其以后的驱动力分析提供依据。
3、在进行大气水汽含量遥感反演时,传统上,获取大气水汽含量多是根据经验公式或是大气辐射传输模型模拟,但结果仅限在点上的数据,很难反映大气水汽含量在空间上的分布差异,本发明利用遥感反演大气水汽含量能很好的弥补这个缺点,并且能够将大气水汽含量精确到像元尺度,这能很大程度上提高地表温度反演精度。
4、本发明利用单通道算法反演地表温度,该方法自提出以来在不同研究区的应用都取得较好效果,反演结果可靠实用。
5、本发明采用了不同时间的遥感影像,利用地表温度归一化方法将地表温度分布范围统一到0-1之间,增加了可比性,较准确地利用不同时间序列的地表温度反演数据进行研究区地表温度时空变化分析,其直观性较强,有利于后续分析。
6、本发明为了量化植被、水域以及不透水面与地表温度的关系,避免分析太过笼统宽泛,引入了一些具体的能够表示地表信息的指数来探究其与地表温度的关系。其中,研究植被选取归一化植被指数(NDVI)为代表,研究水域选取改进型归一化水体指数(MNDWI)为代表,研究建筑选取归一化建筑指数(NDBI)为代表。
7、本发明为了消除由于研究使用不同年份和季节的数据时由年份和季相差异对地表温度产生的影响,运用了地表温度归一化、以及研究时段仅使用夏季到夏季、冬季到冬季的的变化研究,并使用平均温度参与计算,大大减少了由于数据年份和季相差异对地表温度产生的影响,通过引入不透水面信息,来模拟分析年份和季相差异对地表温度的影响情况,为土地覆盖变化对地表温度的影响分析消除了季节性差异的影响,可以广泛的应用于农业、环保、水利、国土等部门。
附图说明
图1为本发明实施例的基本流程示意图。
图2为本发明实施例得到的平潭岛土地覆盖分类图,其中:A)为2001-08-12的土地覆盖分类图;B)为2010-07-20的土地覆盖分类图;C)为2013-07-12的土地覆盖分类图;D)为2000-12-13的土地覆盖分类图;E)为2010-12-27的土地覆盖分类图;F)为2013-12-03的土地覆盖分类图。
图3为本发明实施例得到的平潭岛2000-2013年地表温度反演结果图,其中:A)为2001-08-12的地表温度反演结果图;B)为2010-07-20的地表温度反演结果图;C)为2013-07-12的地表温度反演结果图;D)为2000-12-13的地表温度反演结果图;E)为2010-12-27的地表温度反演结果图;F)为2013-12-03的地表温度反演结果图。
图4为本发明实施例的平潭岛2000-2013 年地表温度等级图,其中:A)为2001-08-12的地表温度等级图;B)为2010-07-20的地表温度等级图;C)为2013-07-12的地表温度等级图;D)为2000-12-13的地表温度等级图;E)为2010-12-27的地表温度等级图;F)为2013-12-03的地表温度等级图。
图5为本发明实施例得到的NDVI和MNDWI与地表温度间的散点图,其中:A)为2000-12-13的NDVI和MNDWI与地表温度间的散点图;B)为2010-12-27的NDVI和MNDWI与地表温度间的散点图;C)为2013-12-03的NDVI和MNDWI与地表温度间的散点图;D)为2001-08-12的NDVI和MNDWI与地表温度间的散点图;E)为2010-07-20的NDVI和MNDWI与地表温度间的散点图;F)为2013-07-12的NDVI和MNDWI与地表温度间的散点图。
图6为本发明实施例得到的MNDWI与地表温度间的散点图,其中:其中:A)为2000-12-13的MNDWI与地表温度间的散点图;B)为2010-12-27的MNDWI与地表温度间的散点图;C)为2013-12-03的MNDWI与地表温度间的散点图;D)为2001-08-12的MNDWI与地表温度间的散点图;E)为2010-07-20的MNDWI与地表温度间的散点图;F)为2013-07-12的MNDWI与地表温度间的散点图。
图7为本发明实施例得到的NDBI与地表温度间的散点图。其中:其中:A)为2000-12-13的NDBI与地表温度间的散点图;B)为2010-12-27的NDBI与地表温度间的散点图;C)为2013-12-03的NDBI与地表温度间的散点图;D)为2001-08-12的NDBI与地表温度间的散点图;E)为2010-07-20的NDBI与地表温度间的散点图;F)为2013-07-12的NDBI与地表温度间的散点图。
图8为本发明实施例得到的平潭岛2000-2013 年不透水面盖度图,其中:A)为2001-08-12的不透水面盖度图;B)为2010-07-20的不透水面盖度图;C)为2013-07-12的不透水面盖度图;D)为2000-12-13的不透水面盖度图;E)为2010-12-27的不透水面盖度图;F)为2013-12-03的不透水面盖度图。
图9为本发明实施例得到的不同平均地表温度与平均不透水面占比之间关系图。
图10为本发明实施例得到的平潭岛不同地类的DI值及高温区面积图,其中:A)为2000-12-13的不同地类的DI值及高温区面积图;B)为2010-12-27的不同地类的DI值及高温区面积图;C)为2013-12-03的不同地类的DI值及高温区面积图;D)为2001-08-12的不同地类的DI值及高温区面积图;E)为2010-07-20的不同地类的DI值及高温区面积图;F)为2013-07-12的不同地类的DI值及高温区面积图。
图11为本发明实施例得到的平潭岛热源区空间分布图,其中:A)为2001-08-12的热源区空间分布图;B)为2010-07-20的热源区空间分布图;C)为2013-07-12的热源区空间分布图;D)为2000-12-13的热源区空间分布图;E)为2010-12-27的热源区空间分布图;F)为2013-12-03的热源区空间分布图。
具体实施方式
如附图所示,本发明以平潭为具体实施例来证明本发明的方法是可行的:
一、不同时相的遥感数据土地覆盖类型研究:
本发明实施例中使用的主要遥感数据包括:2000-2013年研究区共6景夏、冬两季遥感影像数据,包含Landsat-5、Landsat-7和Landsat-8数据,其中2010 年2景遥感影像数据采用的是 Landsat-5数据,2000年前后的2景遥感影像使用Landsat-5和Landsat-7数据。2013 年的2景采用的Landsat-8数据,遥感影像来源美国地质勘探局,本发明实施例中使用的用于大气水汽含量反演的 MODIS 数据来源于(https://ladsweb.modaps.eosdis.nasa.gov/)网站,成像时间选取与上述Landsat影像成像时间最接近,本发明实施例中使用的30米空间分辨率的DEM数据源于地理空间数据云。
1平潭岛遥感影像分类
目前,研究中最常用的土地利用分类体系是美国地质调查局的土地利用/覆盖分类系统和中国科学院土地资源分类系统。本发明主要根据这两种分类系统,并结合用于解译的影像特征和研究区的实际土地覆盖情况,来构建研究区的土地利用/覆盖分类标准,将平潭岛土地覆盖类型分为4个一级类,分别分为:建设用地、林地、水域、耕地。3个二级类,分别为:沙地、裸土地、滩涂。综合考虑研究区数据空间分辨率及季节差异等因素,制定研究区的土地覆盖分类体系如表1所示。
表1研究区土地利用/覆盖遥感分类体系
1.1平潭岛训练样本选择与解译标志建立
训练样本的选择对图像分类结果起决定性作用,为保证选择的训练样本具有代表性,应满足以下几方面要求:选择每种地物类型的训练样本数量必须要适当,太少的训练样本不具有代表性且难以保证准确性,而太多的样本会增加计算量;训练样本的面积应该足够大,且不选择位于不同地物类别之间的边界附近,保证所选像元的纯净度;选择的训练样本应该均匀分布在研究区内。本发明根据遥感图像上目标及周围的影像特征——纹理、大小、色调、形状、图型等以及影像上目标的空间排列组合规律等,并通过地物间的相互关系,经过综合推理、深入分析来识别目标,建立了解译标志。
1.2平潭岛分类方法的选择
本发明在对比最小距离法、最大似然法、神经网络分类法、马氏距离法、支持向量机分类方法、随机森林分类法后,选择在研究区分类效果表现较好的随机森林方法进行分类。该方法是一种机器学习方法,通过选取训练样本,随机构建决策树模型、对决策树分类结果进行综合分析,投票得出最终分类结果。本发明通过 ENVI 5.3随机森林遥感分类算法插件(Random Forest Classification)进行土地覆盖分类,对平潭岛2000-2013年不同时相的遥感影像分类,其分类结果如图二所示。
1.3分类精度评价
精度评价是指将图像分类结果与标准数据或实测数据进行校验,用来确定分类过程及分类结果的准确程度。通过对图像分类结果进行精度分析,分类者才能确定分类方法是否有效;使用者才能根据分类结果的精度,正确、有效地获取分类结果中的可用信息。精度验证一般有两种形式:一是以目视为主,对分类结果有个定性评价,具有较强的主观性;二是利用混淆矩阵或ROC曲线,对分类结果进行定量评价,其中,混淆矩阵比较常用。ROC曲线是用图形的形式表示分类精度,优点是形象易懂,混淆矩阵通常是一个N行N列的矩阵,其中行表示遥感数据分类得到的类别数据,列表示参考数据。本文选择总体精度、生产者精度、使用者精度、和 Kappa系数作为混淆矩阵的基本统计参数来检验遥感分类精度。
(1)总体精度:指被正确分类的像元总和除总像元数,其中,被正确分类的像元总和为混淆矩阵的主对角线数值之和,总像元数等于所有真实参考源的像元总和,其表达式为:
(2)生产者精度:指在每一类别中,其中分类准确的总像元数与作为独立的训练样区的该类型地物的总像元个数的比值,其表达式为:
(3)使用者精度:表示其中的一个像元被分到其中指定正确的地物类别的概率,其表达式为:
(4)Kappa 系数:作为评价精度的一个重要指标,它综合运用了混淆矩阵的所以参数,其表达式为:
本发明基于分层随机采样法选取分类样本,对随机森林法分类结果进行评价。本次分类结果的精度评价主要依据包括:原有的土地利用现状数据;高空间分辨率的遥感数据。其中,2000年的遥感影像分类结果参照2000年平潭岛土地利用现状图,利用目视解译法与原始图像进行精度验证。2010年的遥感影像分类结果而言,参照2010年平潭岛土地利用现状图,并结合高空间分辨率影像(2009 年快鸟数据)进行精度验证。2013年的遥感影像分类结果,结合谷歌影像利用目视解译法进行精度验证。由表2、表3、表4可以看出水域和林地的使用者精度和生产者精度相对较高,裸土地和滩涂的使用者精度较低,3期数据的分类总体精度均大于83.88%,Kappa系数均大于0.8099。
表2 2000 年 12 月 23 日土地覆盖分类误差矩阵
表3 2010 年 12 月 20 日土地覆盖分类误差矩阵
表4 2013 年 12 月 30 日土地覆盖分类误差矩阵
1.4平潭岛土地覆盖变化速度
土地覆盖变化动态度可以从整体上定量的反映出区域土地覆盖变化的速度和程度,对比较土地覆盖变化的区域差异和预测未来土地覆盖变化趋势具有积极作用,它包括单一土地覆盖动态度和综合土地覆盖动态度。
平潭岛单一土地覆盖类型变化动态度
单一土地覆盖动态度用来描述研究区内某种土地覆盖类型在一定时间范围内的变化情况。单一土地覆盖动态度的意义在于可清晰地反映出每种土地覆盖类型变化幅度与速度,也可通过类型间的比较反映出变化的类型差异,为其以后的驱动力分析提供依据。表达式为:
式中,K为研究时段内某种土地覆盖类型的动态度;为研究初期某种土地覆盖类的数量;为研究期末某种土地覆盖类型的数量;T为研究时段长,当T的时段设定为年时K的值就是该研究区某种土地覆盖类型年变化率。根据以上公式计算研究区单一土地覆盖类型变化动态度。计算得知总体上2000-2013年建设用地的年际变化率均大于4.35%,且2010-2013年变化率达到23.48%,说明在平潭综合实验区成立以后3年建设用地增加显著。2000-2013年裸土地的年际变化率均大于54%,说明这13年里裸土地不断增加。2000-2013年水域的年际变化率均大于5.18%,表明这13年里水域面积不断减少。其中,2000-2013年耕地的年际变化率均大于0.66%,表明这13年里耕地面积不断减少。2000-2013年林地的年际变化率均不显著,变化率均小于1.76%。说明近13年间林地的变化量很少,这和当地的保护林地的政策紧密相关。
平潭岛综合土地覆盖动态度
综合土地覆盖动态度是用来描述一定研究区域内土地覆盖类型在一定时间范围内的变化过程。其表达式为:
式中,为监测时段内第i类土地覆盖类型转为非i类土地覆盖类型的面积和非第i类土地覆盖类型转为i类土地覆盖类型的面积绝对值之和;T为监测时段长度,当T的时段设定为年时,LC的值就是该研究区综合土地覆盖年变化率。
二、平潭岛地表温度遥感反演:
基于普朗克定律,在理想条件下,黑体的光谱辐照亮度是其热力学温度和波长的函数,而卫星传感器接收到的辐射信息,不仅包含地表经大气传输的辐射能,而且还包括大气自身向外辐射到达传感器的能量,普朗克黑体辐射定律和热红外辐射传输方程共同描述了热红外辐射传输,也是地表温度反演算法的基础。
2.1单通道算法反演地表温度
单通道算法是针对单个热红外波段来反演陆地表面温度提出的,其计算的一般方程:
2.2亮温推算
借助定标系数对热红外波段DN值进行辐射定标,结果是将像元的DN值转换成大气层上界的光谱辐射亮度,然后用普朗克方程反推星上亮度温度,计算公式如下:
2.3地表比辐射率
地表比辐射率是地表温度反演过程中的一个必要参数,但获得实时的地表比辐射率数据相当困难。众多学者通过归一化植被指数与地表比辐射率的经验模型来完成地表发射率的遥感估算。本文选择第一作者覃志豪提出的NDVI阈值改进算法反演地表比辐射率。其不仅考虑自然地表,且还考虑水体和城镇这两种地表类型。通过改进的归一化差异水体指数掩膜提取水体,并赋值为0.995。其中,组成城镇像元的是建筑物和绿化植被组成的混合像元。自然表面像元是不同比例的植被叶冠和裸土所组成混合像元。进而,我们可以定义,当NDVI小于0.05 时可认为是纯裸土像元,植被覆盖度为0;当NDVI大于0.7时可以认为纯植被像元,植被覆盖度为1;当NDVI介于0.05和0.7之间时可认为是混合像元。
2.4平潭岛大气水汽含量遥感反演
在传统上,获取大气水汽含量多是根据经验公式或是大气辐射传输模型模拟,但结果仅限在点上的数据,很难反映大气水汽含量在空间上的分布差异。利用遥感反演大气水汽含量能很好的弥补这个缺点,并且能够将大气水汽含量精确到像元尺度,这能很大程度上提高地表温度反演精度。MODIS数据反演大气水汽含量的物理基础是利用反射的太阳辐射检测水汽对辐射吸收的大小,总水汽量可用水汽的吸收通道和非吸收通道间反射的太阳辐射差值获得。MODIS 数据包含36个波段,其中第17、18和19波段为大气吸收波段,第2和5波段为大气窗口波段。且第2波段大透射率接近于1,而第19波段对大气水汽表现为强吸收。因此,可利用这两个波段反射率相比,来估算大气水汽含量。计算公式下:
式中,为大气透过率;w 为大气水汽含量,和分别表示MODIS数据第2波段和第19波段的表观反射率;和 为常数,不同地表类型有不同的取值,结合研究区实际地表类型,采用混合型地表的参数 = 0.02,= 0.651。
2.5平潭岛地表温度反演
本文利用单通道算法反演地表温度,该方法自提出以来在不同研究区的应用都取得较好效果。由于利用遥感技术反演地表温度,反演结果无法逐像元、实时检验,下面列举几位从事温度反演算法研究的研究成果,佐证本文反演结果的可用性。根据第一作者Jiménez-Munoz等人的研究成果,当空气中大气水汽含量处于0.5 g•cm-2~2 g•cm-2之间时,利用单通道法反演地表温度其误差应在1K~2K之间。图3为2000-2013年6期数据地表温度反演结果,表5为2000-2013年6期数据地表温度反演结果统计结果。
表5 2000-2013 年温度反演结果统计
2.6地表温度等级划分
本发明采用了不同时间的遥感影像,为增加可比性,较准确地利用不同时间序列的地表温度反演数据进行研究区地表温度时空变化分析。本发明采用地表温度归一化方法将地表温度分 布范围统一到 0~1 之间,其归一化公式如下:
地表温度具有很强的连续性。因此,将温度划分等级后可以更直观的表现出温度的变化情况,同时,温度分级后也能和城市热岛效应中“岛”的概念相通。地表温度等级划分方法有多种,常用的划分方法包括等间隔划分法、标准差划分法和自然间断点法。其中,等间隔划分法是将数据划分为若干个相等大小的范围,然后通过确定划分类别数,自动确定其取值范围。其主观性较大,划分效果不明显,直观性较差,不利于后续分析;标准差划分法是同时考虑了数据的均值和标准差,按照其不同的组合来进行数据等级的划分。自然间断点分级法能将对分类间隔加以识别,可对相似值进行最恰当地分组,并可使各个类之间的差异最大化。本发明利用自然间断点分级法对地表温度进行分级,并对地表温度进行重分类,划分为7个类别,分别是极低温区、低温区、较低温区、中温区、较高温区、高温区和极高温区。如图4所示,可知夏季建设用地密集区为高温区或极高温区,冬季则不明显,表6统计了平潭岛2000-2013年各温度区的面积,2000-2010年冬季极低温区、低温区和较低温区面积均呈下降趋;中温区、较高温区、高温区和极高温区均呈上升趋势。其中极低温区减少15.03km2,减幅46.26%;高温区增加9.97km2,增幅27.25%。2000-2013年冬季极低温区和中温区面积呈下降趋;低温区、较低温区、较高温区、高温区和极高温区均呈上升变化趋势。
表6 2000-2013 年不同等级温度区面积统计
三、平潭岛土地覆盖变化对地表温度的影响分析:
不同土地覆盖类型对应的地表温度有差异,利用前期土地覆盖分类结果,结合平潭岛相同时间的地表温度图,利用ArcGIS空间分析模块,将地表温度图与土地类型图进行叠加分析,得到平潭岛2000-2013年6期不同季节土地覆盖类型的地表温度最大值、最小值、平均值、标准差并进行单个样本的T检验,目的是检验不同土地利用类型间的地表平均温度是否达到显著性水平,其中,显著性水平均设置为0.05。本发明选择研究区夏、冬季6期影像作为分析对象,其余时期的分析方法与之类似。
3.1 地表参数与地表温度的关系
植被、水域以及不透水面是典型的地表覆盖类型。为量化其与地表温度的关系,避免分析太过笼统宽泛,需要引入一些具体的能够表示地表信息的指数来探究其与地表温度的关系。其中,研究植被选取归一化植被指数为代表,研究水域选取改进型归一化水体指数为代表,研究建筑选取归一化建筑指数为代表。
归一化植被指数与地表温度的关系
研究地表温度与归一化植被指数之间的关系时,首先需要获取地表温度与NDVI相对应的一组数据,做线性相关分析。值得注意的是:本发明在多次实验的基础上,决定仅使用NDVI(大于0的值)来进行相关性分析。因为在图像中NDVI < 0的像元多为水体或少数异常值,而水体的温度变化较小,将其考虑在内会降低数据间的相关性。本发明利用ArcGIS随机点生成工具,选择具有相同坐标的若干个点的反演温度值和NDVI值。然后通过Matlab软件生成散点图,根据收集的数据进行线性相关分析,得到2000-2013年的地表温度与 NDVI的相关趋势图如图5所示,拟合方程如表7所示,从表7中可以看出,线性规律基本一致,地表温度均随 NDVI 数值的增大而减小,说明植被覆盖度可以影响地表温度,但二者的关系在冬季表现较夏季差。在植被稀疏区NDVI值较小,其相对温度较高;植被茂盛区 NDVI 值较大,但其相对温度较低。
表7 NDVI 和 MNDWI 与地表温度间的回归方程
3.1.2改进型水体指数与地表温度的关系
研究地表温度与水域的关系时,首先需要确定MNDWI阈值来提取水体,然后在提取的水体基础上,需要收集到地表温度与MNDWI相对应的一组数据,做线性相关分析。本文利用ArcGIS随机点生成工具,在温度反演结果图和MNDWI图上提取具有相同坐标的若干个点的地表温度值和MNDWI值。图6表示2000-2013年的地表温度与MNDWI的相关趋势图,从图6可以看出,当MNDWI大于0时,地表温度均随MNDWI数值的增大而减小,当MNDWI小于0时,地表温度均随MNDWI数值的增大而增大,但季节表现不明显。说明水体温度变化的季节效应不显著,这可能和水体的性质有关,即使在水体密集区MNDWI的数值变化较大,但其相对温度变化较小。
归一化建筑指数与地表温度的关系
研究地表温度与NDBI的关系时,需要收集地表温度与NDBI相对应的一组数据,做线
性相关分析。本发明利用ArcGIS随机点生成工具,在温度反演结果图和NDBI图上提取具有相同坐标的若干个点的地表温度值和NDBI值。然后根据这组数据,利用Matlab生成相应的散点图,并且求取拟合方程。图7表示2000-2013年的地表温度与 NDBI 的相关趋势图。由图6可以看出,地表温度均随NDBI数值的增大而增大。说明NDBI值在不同土地覆盖类型之间,地表温度存在较大差异,其中,水域的NDBI数值较小,对应的地表温度较低。
3.2 地表温度的季节性差异影响分析
地表温度反演结果是表示卫星过境时的地表瞬时温度。由于研究使用不同年份和季节的数据,接下来探究土地覆盖变化对地表温度的影响时,由年份和季相差异对地表温度产生的影响需要考虑到。本发明为了消除此影响主要运用了地表温度归一化、以及研究时段仅使用夏季到夏季、冬季到冬季的的变化研究,并使用平均温度参与计算,这样大大减少了由于数据年份和季相差异对地表温度产生的影响。本发明通过引入不透水面信息,来模拟分析年份和季相差异对地表温度的影响情况,为土地覆盖变化对地表温度的影响分析又部分消除了季节性差异的影响。
平潭岛不透水面信息提取
遥感影像中广泛存在混合像元,严重影响遥感技术在地表信息获取等方面的应用,为了充分发挥影像的潜力,混合像元分解技术产生并不断发展。本发明利用ENVI软件插件实现不透水面盖度信息提取,第一作者徐涵秋通过统计有关不透水面信息提取的研究论文发现,当前许多不透水面信息的反演精度都可以达到 85%以上,图8表示平潭岛2000-2013年不透水面盖度反演结果。
不透水面等级划分
为了进一步量化城市土地覆盖类型及其与热环境的关系,本发明将不透水面覆盖度划分为代表不同城市发展水平的类别,采用等距离分级法对像元进行分组,并根据其丰度值,将每个像元分为10个相等级别(0-10%、10-20%、30%、…、90-100%)。用这种方法对各不透水面分组范围内的陆地表面温度进行分组,有助于详细分析不同分组内的陆地表面温度,并可对不同城市密度地区的城市热环境的空间分布进行分析和比较。
不透水面与地表温度情景模拟
地表温度随城市景观格局变化、城市扩张和季节的变化而变化。为了量化这些变化对城市热环境的影响,有必要将城市扩张对各区域地表温度的影响与季节变化的影响区分开来。本发明通过模拟地表温度情景,用定量的方式确定季节性变化和城市扩张是如何影响城市地表温度的,虽然在不同季节相互关系可能不同,但不同等级的平均不透水面占比与其平均地表温度之间存在较强的线性关系,图9展示了平潭岛2000-2013年不同平均地表温度与平均不透水面占比之间的关系。整体来看,冬季平均地表温度与平均不透水面占比的关系较夏季更稳定。但夏季平均地表温度与平均不透水面占比的相关性要强于冬季。
地类转化对地表温度的影响
为探究地类之间的相互转化对地表温度的影响,本发明选取3个时段(2000-2010、2010-2013、2000-2013)夏、冬两季的数据,重点分析耕地、水域的转出以及建设用地的转入对地表温度的影响,其余地类的分析方法与之类似。为了能够定量描述地类间的转化所引起地表温度的变化效应,本发明引入温度贡献占比的概念,定义地类i转化后的平均温度为T1,假如地类i不发生变化时的平均温度为T2,那么T1-T2则表示转化的温度差,因此温度贡献占比可由下面公示计算得出:
地类转化对地表温度的影响
首先,引入分布指数概念,来量化每种土地覆盖类型对热效应的贡献,并确定其热源或汇的性质,计算公式如下:
式中:表示第i种土地覆盖类型的面积;表示第i种土地覆盖类型中地表温度为高温区(包括高温区和极高温区)的面积;S表示研究区的总面积;表示待监测区域中地表温度为高温区(包括高温区和极高温区)的面积。如果DI>1,说明该种土地覆盖类型对待监测区域热环境有很大的贡献,应定义为热源;如果DI<1,说明该种地类对待监测区域热环境的贡献很小,图10表示2000-2013年6期数据不同土地覆盖类型的DI值和高温区面积统计。图11统计了2000-2013年6期数据热源区的空间分布。整体来看,建设用地的DI值较高,其中2000年12月、2010年7月2013年7月和2013年12月建设用地的DI值都大于1,2001年8月的值也处于优势地位。可以得出建设用地在任何季节对研究区的热环境均表现为热源,相反,水域和林地对平潭岛热环境贡献不明显。2000年12月滩涂和裸土地也表现为热源,但其高温区面积很少,占比约为1%,可见它们对热环境的贡献很小,可忽略不计。
Claims (4)
1.一种基于多时相数据的土地覆盖变化与热环境影响研究方法,其特征在于步骤如下:
1)获取待监测区域的多时相遥感图像,对待监测区域不同时相的遥感数据进行土地覆盖分类制图研究,并统计各土地覆盖类型的面积;对待监测区域不同时相的土地覆盖类型的变化速度进行研究,并设立研究节点,对比待监测区域设立前后,不同土地覆盖类型的单一土地覆盖动态度和综合土地覆盖动态度两种不同的动态度的变化;
2)对待监测区域不同时相的遥感数据进行地表温度反演,对地表温度进行分级,分析待监测区域不同温度等级下的时空变化情况;
3)在探究土地覆盖及其变化对地表温度的影响方面;首先,分析不同土地覆盖类型的地表温度在不同季节的温度响应;其次,通过引入地表特征参数半定量研究其与地表温度之间的关系;接着利用不透水面信息部分消除地表温度的季节影响后,定量分析土地覆盖类型变化后对地表温度的贡献占比;最后,通过引入分布函数,定量分析待监测区域不同土地覆盖类型的热源区信息,通过重心移动轨迹进一步探究土地覆盖类型变化对热源区的影响。
2.根据权利要求1所述的基于多时相数据的土地覆盖变化与热环境影响研究方法,其特征在于:所述步骤1)中对待监测区域不同时相的遥感数据进行土地覆盖分类制图研究,并统计各土地覆盖类型的面积的详细步骤包括:
A1)根据美国地质调查局的土地利用/覆盖分类系统和中国科学院土地资源分类系统这两种分类系统,并结合用于解译的图像特征和待监测区域的实际土地覆盖情况,构建待监测区域的土地利用/覆盖分类标准,综合考虑待监测区域数据空间分辨率及季节差异因素,制定待监测区域的土地覆盖分类体系;
A2)选择训练样本,训练样本的选择应满足以下几方面要求:选择每种地物类型的训练样本数量必须要适当,太少的训练样本不具有代表性且难以保证准确性,而太多的样本会增加计算量;训练样本的面积应该足够大,且尽量不选择位于不同地物类别之间的边界附近,保证所选像元的纯净度;选择的训练样本均匀分布在研究区内;
A3)建立解译标志,根据遥感图像上目标及周围的影像特征——纹理、大小、色调、形状、图型以及影像上目标的空间排列组合规律,并通过地物间的相互关系,经过综合推理、深入分析来识别目标,建立待监测区域的解译标志;
A4)选择分类方法,在对比最小距离法、最大似然法、神经网络分类法、马氏距离法、支持向量机分类方法、随机森林分类法后,选择分类效果表现较好的随机森林方法进行分类;通过选取训练样本,随机构建决策树模型、对决策树分类结果进行综合分析,投票得到最终分类结果;
A5)进行分类精度评价,对图像分类结果进行精度分析,利用混淆矩阵对分类结果进行定量评价;
所述步骤A5)中对图像分类结果进行精度分析,利用混淆矩阵对分类结果进行定量评价的详细步骤包括:
A51)计算总体精度,所述的总体精度,指被正确分类的像元总和除总像元数,其中,被正确分类的像元总和为混淆矩阵的主对角线数值之和,总像元数等于所有真实参考源的像元总和,根据得到总体精度,其中表示i行i列上的值,n表示分类后的误差矩阵的行数,M表示的是进行分类时所有需要检测地物分类样本的总数;
A54)计算Kappa 系数,所述的Kappa 系数,作为评价精度的一个重要指标,它综合运用了混淆矩阵的所有参数,根据得到Kappa系数,其中和分别表示i列的和与i行的和,表示i行i列上的值,n表示分类后的误差矩阵的行数,M表示的是进行分类时所有需要检测地物分类样本的总数;
所述步骤1)中对待监测区域不同时相的土地覆盖类型的变化速度进行研究,并设立研究节点,对比待监测区域设立前后,不同土地覆盖类型的单一土地覆盖动态度和综合土地覆盖动态度两种不同的动态度的变化的详细步骤包括:
B1)计算单一土地覆盖类型变化动态度,单一土地覆盖动态度的意义在于能清晰地反映出每种土地覆盖类型变化幅度与速度,也能通过类型间的比较反映出变化的类型差异,为以后的驱动力分析提供依据,根据得到监测时段内某种土地覆盖类型的动态度,其中K为监测时段内某种土地覆盖类型的动态度;为监测初期某种土地覆盖类型的数量;为监测期末某种土地覆盖类型的数量;T为研究时段长,当T的时段设定为年时,K的值就是该研究区某种土地覆盖类型年变化率;
B2) 计算待监测区域的综合土地覆盖动态度,根据得到综合土地覆盖动态度,其中为监测起始时间第i类土地覆盖类型的面积;为监测时段内第i类土地覆盖类型转为非i类土地覆盖类型的面积和非第i类土地覆盖类型转为i类土地覆盖类型的面积绝对值之和;T为监测时段长度,当T的时段设定为年时,LC的值就是该研究区综合土地覆盖年变化率;
B3)分析待监测区域的地类转化情况,地类转化情况包括建设用地转入及空间变化分析、耕地转出及空间变化分析、水域转出及空间变化分析。
3.根据权利要求1所述的基于多时相数据的土地覆盖变化与热环境影响研究方法,其特征在于:所述步骤2)中对待监测区域不同时相的遥感数据进行地表温度反演,对地表温度进行分级,分析待监测区域不同温度等级下的时空变化情况的详细步骤包括:
C1)计算像元平均温度,其像元平均温度遥感反演原理及算法主要根据基于普朗克定律和热红外辐射传输方程,根据得到黑体辐射亮度,其中表示辐射波长,T表示绝对温度,h表示普朗克常数,c表示真空中的光速,k表示玻尔兹曼常数;
C3)计算地表比辐射率,选择第一作者覃志豪提出的NDVI阈值改进算法反演地表比辐射率;通过改进的归一化差异水体指数掩膜提取水体;其中,组成城镇像元的是建筑物和绿化植被组成的混合像元;自然表面像元是不同比例的植被叶冠和裸土所组成的混合像元;
C4)进行大气水汽含量遥感反演,利用MODIS数据反演大气水汽含量的物理基础是利用反射的太阳辐射检测水汽对辐射吸收的大小,总水汽量可用水汽的吸收通道和非吸收通道间反射的太阳辐射差值获得,根据与得到大气的水汽含量,式中为大气透过率;w 为大气水汽含量,和分别表示MODIS数据第2波段和第19波段的表观反射率,和 为常数;
C5)进行地表温度反演,根据单通道算法反演地表温度,当空气中大气水汽含量处于0.5g•cm-2~2g•cm-2之间时,利用单通道法反演地表温度其误差在1K~2K之间;
4.根据权利要求1所述的基于多时相数据的土地覆盖变化与热环境影响研究方法,其特征在于:所述步骤3)中分析不同土地覆盖类型的地表温度在不同季节的温度响应具体是指利用前期土地覆盖分类结果,结合待监测区域相同时间的地表温度图,利用ArcGIS空间分析模块,将地表温度图与土地类型图进行叠加分析,得到待监测区域不同季节土地覆盖类型的地表温度最大值、最小值、平均值、标准差并进行单个样本的T检验,目的是检验不同土地利用类型间的地表平均温度是否达到显著性水平;
所述步骤3)中通过引入地表特征参数半定量研究其与地表温度之间的关系,具体是指引入一些具体的能够表示地表信息的指数来探究其与地表温度的关系;其中,研究植被选取归一化植被指数为代表,研究水域选取改进型归一化水体指数为代表,研究建筑选取归一化建筑指数为代表;
所述步骤3)中利用不透水面信息部分消除地表温度的季节影响后,定量分析土地覆盖类型变化后对地表温度的贡献占比,具体是指为了进一步量化城市土地覆盖类型及其与热环境的关系,将不透水面覆盖度划分为代表不同城市发展水平的类别;采用等距离分级法对像元进行分组,并根据其丰度值,将每个像元分为10个相等级别,具体为0-10%、10-20%、30%、…、90-100%;用这种方法对各不透水面分组范围内的陆地表面温度进行分组,有助于详细分析不同分组内的陆地表面温度,并能对不同城市密度地区的城市热环境的空间分布进行分析和比较;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111309910.4A CN114005048A (zh) | 2021-11-07 | 2021-11-07 | 基于多时相数据的土地覆盖变化与热环境影响研究方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111309910.4A CN114005048A (zh) | 2021-11-07 | 2021-11-07 | 基于多时相数据的土地覆盖变化与热环境影响研究方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114005048A true CN114005048A (zh) | 2022-02-01 |
Family
ID=79927878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111309910.4A Pending CN114005048A (zh) | 2021-11-07 | 2021-11-07 | 基于多时相数据的土地覆盖变化与热环境影响研究方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114005048A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272679A (zh) * | 2022-08-08 | 2022-11-01 | 北京理工大学 | 地热有利区的辨识方法、装置、终端及存储介质 |
CN115861791A (zh) * | 2022-11-07 | 2023-03-28 | 中电科大数据研究院有限公司 | 一种公益诉讼线索的生成方法、生成装置及存储介质 |
CN116481600A (zh) * | 2023-06-26 | 2023-07-25 | 四川省林业勘察设计研究院有限公司 | 一种高原林业生态监测预警系统及方法 |
CN116563721A (zh) * | 2023-07-12 | 2023-08-08 | 浙江领见数智科技有限公司 | 基于分层分类思想的烟田提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548146A (zh) * | 2016-11-01 | 2017-03-29 | 北京航天泰坦科技股份有限公司 | 基于时空分析的地表覆盖变化算法和系统 |
KR101728137B1 (ko) * | 2016-02-04 | 2017-04-19 | (주)한라지리정보 | 위성 영상과 gis를 사용한 토지피복 항목별 영상분류 방법 |
-
2021
- 2021-11-07 CN CN202111309910.4A patent/CN114005048A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101728137B1 (ko) * | 2016-02-04 | 2017-04-19 | (주)한라지리정보 | 위성 영상과 gis를 사용한 토지피복 항목별 영상분류 방법 |
CN106548146A (zh) * | 2016-11-01 | 2017-03-29 | 北京航天泰坦科技股份有限公司 | 基于时空分析的地表覆盖变化算法和系统 |
Non-Patent Citations (6)
Title |
---|
W.LI ET AL.: "潜在热源和汇与城市热岛的联系:景观格局对地表温度的不均匀影响", 《SCIENCE OF THE TOTAL ENVIRONMENT》, 14 February 2017 (2017-02-14), pages 457 - 465 * |
周正龙等: "福州主城区热岛效应与不透水面的关系及时空变化分析", 《福建师范大学学报(自然科学版)》, vol. 35, no. 1, 31 January 2019 (2019-01-31), pages 19 - 26 * |
孟丹等: "《京津冀都市圈热环境研究》", 31 January 2010, 中国环境科学出版社, pages: 69 - 83 * |
张侠: "《县域土地资源可持续利用的评价与预警研究》", 30 June 2008, 中国大地出版社, pages: 48 - 51 * |
王今殊: "北京地区地表温度空间分布特征及其与下垫面关系研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 12, 15 December 2008 (2008-12-15), pages 1 - 51 * |
郭燕滨: "典型热岛城市热环境效应的遥感动态监测与分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 07, 15 July 2018 (2018-07-15), pages 1 - 96 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272679A (zh) * | 2022-08-08 | 2022-11-01 | 北京理工大学 | 地热有利区的辨识方法、装置、终端及存储介质 |
CN115272679B (zh) * | 2022-08-08 | 2024-03-19 | 北京理工大学 | 地热有利区的辨识方法、装置、终端及存储介质 |
CN115861791A (zh) * | 2022-11-07 | 2023-03-28 | 中电科大数据研究院有限公司 | 一种公益诉讼线索的生成方法、生成装置及存储介质 |
CN115861791B (zh) * | 2022-11-07 | 2024-04-26 | 中电科大数据研究院有限公司 | 一种公益诉讼线索的生成方法、生成装置及存储介质 |
CN116481600A (zh) * | 2023-06-26 | 2023-07-25 | 四川省林业勘察设计研究院有限公司 | 一种高原林业生态监测预警系统及方法 |
CN116481600B (zh) * | 2023-06-26 | 2023-10-20 | 四川省林业勘察设计研究院有限公司 | 一种高原林业生态监测预警系统及方法 |
CN116563721A (zh) * | 2023-07-12 | 2023-08-08 | 浙江领见数智科技有限公司 | 基于分层分类思想的烟田提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Comparison of satellite-based evapotranspiration models over terrestrial ecosystems in China | |
Bagan et al. | Landsat analysis of urban growth: How Tokyo became the world's largest megacity during the last 40 years | |
Xue et al. | Phenology-driven land cover classification and trend analysis based on long-term remote sensing image series | |
CN114005048A (zh) | 基于多时相数据的土地覆盖变化与热环境影响研究方法 | |
Antonarakis et al. | Using Lidar and Radar measurements to constrain predictions of forest ecosystem structure and function | |
Fu et al. | Estimating landscape net ecosystem exchange at high spatial–temporal resolution based on Landsat data, an improved upscaling model framework, and eddy covariance flux measurements | |
Kondo et al. | Comparison of the data‐driven top‐down and bottom‐up global terrestrial CO2 exchanges: GOSAT CO2 inversion and empirical eddy flux upscaling | |
Zhong et al. | Estimation of hourly land surface heat fluxes over the Tibetan Plateau by the combined use of geostationary and polar-orbiting satellites | |
Zhi et al. | Analysis of land surface temperature driving factors and spatial heterogeneity research based on geographically weighted regression model | |
CN115481368B (zh) | 一种基于全遥感机器学习的植被覆盖度估算方法 | |
CN113553764B (zh) | 一种基于深度学习网络的山火预测方法 | |
Yang et al. | The impact analysis of water body landscape pattern on urban heat island: a case study of Wuhan City | |
Yan et al. | Assimilating multi-source remotely sensed data into a light use efficiency model for net primary productivity estimation | |
CN114460013B (zh) | 滨海湿地植被地上生物量gan模型自学习遥感反演方法 | |
Zheng et al. | The desaturation method of DMSP/OLS nighttime light data based on vector data: Taking the rapidly urbanized China as an example | |
Li et al. | Estimating monthly average temperature by remote sensing in China | |
Shang et al. | Moso bamboo forest extraction and aboveground carbon storage estimation based on multi-source remotely sensed images | |
Qing-Ling et al. | Topographical effects of climate data and their impacts on the estimation of net primary productivity in complex terrain: A case study in Wuling mountainous area, China | |
Hu et al. | Integrating CART algorithm and multi-source remote sensing data to estimate sub-pixel impervious surface coverage: a case study from Beijing Municipality, China | |
Sunarta et al. | Surface Urban Heat Island (SUHI) Phenomenon in Bali and Lombok Tourism Areas Based on Remote Sensing | |
Lee et al. | Surface urban heat island in South Korea’s new towns with different urban planning | |
Chen et al. | Urban land surface temperature retrieval from high spatial resolution thermal infrared image using a modified split-window algorithm | |
Chao et al. | A spatio-temporal neural network learning system for city-scale carbon storage capacity estimating | |
Qi et al. | Evaluating multivariable statistical methods for downscaling nighttime land surface temperature in urban areas | |
Sun et al. | Construction of a spatially gridded heat flux map based on airborne flux Measurements using remote sensing and machine learning methods |
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 |