CN115270638B - 一种城市热环境降尺度时空分析与预测方法及系统 - Google Patents
一种城市热环境降尺度时空分析与预测方法及系统 Download PDFInfo
- Publication number
- CN115270638B CN115270638B CN202210963085.8A CN202210963085A CN115270638B CN 115270638 B CN115270638 B CN 115270638B CN 202210963085 A CN202210963085 A CN 202210963085A CN 115270638 B CN115270638 B CN 115270638B
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- surface temperature
- data set
- downscaling
- 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 32
- 238000004458 analytical method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000001556 precipitation Methods 0.000 claims abstract description 10
- 230000005855 radiation Effects 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 230000004913 activation Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 45
- 230000006870 function Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 10
- 238000011160 research Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种城市热环境降尺度时空分析与预测方法及系统，系统包括：获取待测目标空间的影像数据集，并对影像数据集进行数据预处理，得到待测数据集；将待测数据集输入至训练好的预测模型，得到地表温度预测数据；对地表温度预测数据进行空间纹理细化，得到降尺度预测信息；降尺度预测信息用于反映城市热岛强度和时空分布；预测模型的确定方法包括：根据地表温度和影响因子数据构建样本数据集；影响因子数据包括植被归一化指数、相对湿度、太阳辐射、大气压强、降水量和气温；构建CNN‑LSTM预测模型；根据样本数据集对CNN‑LSTM预测模型进行训练和验证，得到训练好的预测模型。本发明能够提高训练模型的全面性，从而对地表温度进行高精度的预测分析。
Description
技术领域
本发明涉及遥感地表温度变化模拟技术领域，特别是涉及一种城市热环境降尺度时空分析与预测方法及系统。
背景技术
城市热环境是指城市空间环境在热力场中的综合表现。具体而言，是以城市下垫面的地表温度和空气温度为核心，以受人类活动影响而改变后的传输大气状况、下垫面状况和太阳辐射为组成部分的一个可以影响人类及其活动的物理环境系统。
当前全球城市内区域尺度范围内开展的城市空间热环境研究和治理大多以热岛效应为主要内容，热岛效应在某种程度上是城市空间热环境的一种集中性反应和体现。1972年，Rao首次提出应用遥感数据开展城市热岛效应研究，标志着城市热环境研究从城市冠层和边界层进入到了城市地表层的新阶段；葛荣凤等利用1991-2011年期间的8期TM遥感影像数据，结合全局自相关和重心模型等方法，分析了北京市六环范围内的城市热岛效应演变规律和时空变化特征；Yuan等利用美国Minnesota城市地区2000～2002年4个不同季节的TM/ETM+影像，对比分析地表温度与归一化植被指数和不渗透面盖度之间的定量关系。热岛研究目前受到数据的时间和空间分辨率的限制，城市地表温度与人体的健康和冷暖感受密切相关，既是描述城市空间热环境状况、解释城市空间热环境形成的重要参数，也是当前城市空间热环境研究的核心内容之一。地表温度(Land surface temperature，LST)的降尺度时空预测研究还相对较少，包瑞清等建立机器学习回归模型，通过Landsat OLI8数据中对地表温度有密切相关性的绿地、建设用地和水体来预测地表温度，从而在热环境评价方面为规划提供参考；祝新明等引入多尺度地理加权回归MGWR来分析归一化植被指数(NDVI)、数字高程模型(DEM)、坡度和经纬度对地表温度空间格局影像的尺度差异，提出一种针对MODIS地表温度产品的空间降尺度算法。数据集的预处理和影响因子的选择缺少规范和全面性，不能为模型训练提供好的依据，没有对模型适用类型的详细介绍，从而缺少对于地表温度精度较高的预测分析，同时不能提供热环境实时的大范围的研究需要，这是目前研究存在的部分局限性。
发明内容
为了克服现有技术的不足，本发明的目的是提供
为实现上述目的，本发明提供了如下方案：
一种城市热环境降尺度时空分析与预测方法，包括：
获取待测目标空间的影像数据集，并对所述影像数据集进行数据预处理，得到待测数据集；
将所述待测数据集输入至训练好的预测模型，得到地表温度预测数据；
对所述地表温度预测数据进行空间纹理细化，得到降尺度预测信息；所述降尺度预测信息用于反映城市热岛强度和时空分布；
所述预测模型的确定方法包括：
根据地表温度和影响因子数据构建样本数据集；所述影响因子数据包括植被归一化指数、相对湿度、太阳辐射、大气压强、降水量和气温；
构建CNN-LSTM预测模型；
根据所述样本数据集对所述CNN-LSTM预测模型进行训练和验证，得到所述训练好的预测模型。
优选地，所述根据地表温度和影响因子数据构建样本数据集，包括：
基于不同数据来源，分别获取所述地表温度和所述影响因子数据；
分别对所述地表温度和所述影响因子数据进行数据预处理，得到所述样本数据集。
优选地，所述分别对所述地表温度和所述影响因子数据进行数据预处理，得到所述样本数据集，包括：
对所述地表温度和所述影响因子数据均依次进行批量裁剪、重采样、渔网提取和属性表转换，得到第一表格数据；
调整所述第一表格数据中的时间分辨率，得到第二表格数据；
对所述第二表格数据进行数据清洗和数据替换，得到所述样本数据集。
优选地，所述空间纹理细化的公式为：
其中，W为所述地表温度预测数据的数据集中的相邻两点之间的平均差值，ti为所述地表温度预测数据的数据集第i个地表温度的值，Ti为预测得到的第i个地表温度值，MAE为所述预测模型的均方误差，n为预测区域地表温度提取点的个数。
优选地，所述CNN-LSTM预测模型包括依次连接的一维输入卷积层、池化层、输入层、隐藏层和输出层；
所述一维输入卷积层的卷积核的个数为32，所述卷积核的大小为7，所述一维输入卷积层的激活函数为relu；所述池化层的大小为7，所述输入层包括64个神经元，所述输入层的激活函数为relu；所述隐藏层包括第一隐层和第二隐层；所述第一隐层包括64个神经元，所述第一隐层的激活函数为relu；所述第二隐层包括32个神经元，所述第二隐层的激活函数为relu；所述输出层包括1个神经元，所述输出层的激活函数为sigmoid。
优选地，在根据所述样本数据集对所述CNN-LSTM预测模型进行训练和验证，得到所述训练好的预测模型之后，还包括：
根据评价指标对所述训练好的预测模型进行评价，得到评价结果；所述评价指标包括均方误差、均方根误差、平均绝对误差和决定系数；
根据所述评价结果进行数据可视化展现。
优选地，所述评价指标的计算公式为：
其中，MSE为所述均方误差，RMSE为所述均方根误差，MAE为所述平均绝对误差，R2为所述决定系数，y为遥感数据处理后的得到的真实值，为遥感数据处理后得到的真实值的均值，/>为模型得到的预测值，wi为地表温度提取点对应权重，为异常值时降低权重，n为预测区域地表温度提取点的个数。
一种城市热环境降尺度时空分析与预测系统，包括：
待测数据获取模块，用于获取待测目标空间的影像数据集，并对所述影像数据集进行数据预处理，得到待测数据集；
预测模块，用于将所述待测数据集输入至训练好的预测模型，得到地表温度预测数据；
纹理细化模块，用于对所述地表温度预测数据进行空间纹理细化，得到降尺度预测信息；所述降尺度预测信息用于反映城市热岛强度和时空分布；
样本数据构建模块，用于根据地表温度和影响因子数据构建样本数据集；所述影响因子数据包括植被归一化指数、相对湿度、太阳辐射、大气压强、降水量和气温；
模型构建模块，用于构建CNN-LSTM预测模型；
训练模块，用于根据所述样本数据集对所述CNN-LSTM预测模型进行训练和验证，得到所述训练好的预测模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种城市热环境降尺度时空分析与预测方法及系统，系统包括：获取待测目标空间的影像数据集，并对所述影像数据集进行数据预处理，得到待测数据集；将所述待测数据集输入至训练好的预测模型，得到地表温度预测数据；对所述地表温度预测数据进行空间纹理细化，得到降尺度预测信息；所述降尺度预测信息用于反映城市热岛强度和时空分布；所述预测模型的确定方法包括：根据地表温度和影响因子数据构建样本数据集；所述影响因子数据包括植被归一化指数、相对湿度、太阳辐射、大气压强、降水量和气温；构建CNN-LSTM预测模型；根据所述样本数据集对所述CNN-LSTM预测模型进行训练和验证，得到所述训练好的预测模型。本发明能够提高训练模型的全面性，从而对地表温度进行高精度的预测分析。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的实施例中的城市热环境降尺度时空分析与预测方法示意图；
图2为本发明提供的实施例中的整体流程示意图；
图3为本发明提供的实施例中的CNN-LSTM模型结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤，而是可选地还包括没有列出的步骤，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
本发明的目的是提供一种城市热环境降尺度时空分析与预测方法及系统，能够提高训练模型的全面性，从而对地表温度进行高精度的预测分析。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的实施例中的城市热环境降尺度时空分析与预测方法示意图，如图1所示，本发明提供了一种城市热环境降尺度时空分析与预测方法，包括：
步骤100：获取待测目标空间的影像数据集，并对所述影像数据集进行数据预处理，得到待测数据集；
步骤200：将所述待测数据集输入至训练好的预测模型，得到地表温度预测数据；
步骤300：对所述地表温度预测数据进行空间纹理细化，得到降尺度预测信息；所述降尺度预测信息用于反映城市热岛强度和时空分布；
所述步骤200还包括：
步骤201：根据地表温度和影响因子数据构建样本数据集；所述影响因子数据包括植被归一化指数、相对湿度、太阳辐射、大气压强、降水量和气温；
步骤202：构建CNN-LSTM预测模型；
步骤203：根据所述样本数据集对所述CNN-LSTM预测模型进行训练和验证，得到所述训练好的预测模型。
优选地，所述根据地表温度和影响因子数据构建样本数据集，包括：
基于不同数据来源，分别获取所述地表温度和所述影响因子数据；
分别对所述地表温度和所述影响因子数据进行数据预处理，得到所述样本数据集。
优选地，所述分别对所述地表温度和所述影响因子数据进行数据预处理，得到所述样本数据集，包括：
对所述地表温度和所述影响因子数据均依次进行批量裁剪、重采样、渔网提取和属性表转换，得到第一表格数据；
调整所述第一表格数据中的时间分辨率，得到第二表格数据；
对所述第二表格数据进行数据清洗和数据替换，得到所述样本数据集。
图2为本发明提供的实施例中的整体流程示意图，如图2所示，本实施例中第一个步骤为制作训练和检验模型的粗分辨率数据集，收集LST与相关趋势面因子的遥感数据，包括植被归一化指数(Normalized Differential Vegetation Index，NDVI)、相对湿度(Relative Humidity，RH)、太阳辐射(Surface Incoming Shortwave Flux，SISF)、大气压强(Atmospheric Pressure)、降水量(Precipitation)以及气温(Air Temperature)。具体步骤为：
(1)实验中LST使用MODIS地表温度产品，其余数据来源各不相同，对得到的遥感数据进行批量的裁剪、重采样、渔网提取、属性表转换等预处理，最终整理为EXCEL表格数据。
(2)调整各数据时间分辨率，例LST数据复制为24份，统一为以每小时为单位。
(3)消除数据集中异常值的影响，使用距离异常值上方最近的正常数据值替换。
优选地，所述CNN-LSTM预测模型包括依次连接的一维输入卷积层、池化层、输入层、隐藏层和输出层；
所述一维输入卷积层的卷积核的个数为32，所述卷积核的大小为7，所述一维输入卷积层的激活函数为relu；所述池化层的大小为7，所述输入层包括64个神经元，所述输入层的激活函数为relu；所述隐藏层包括第一隐层和第二隐层；所述第一隐层包括64个神经元，所述第一隐层的激活函数为relu；所述第二隐层包括32个神经元，所述第二隐层的激活函数为relu；所述输出层包括1个神经元，所述输出层的激活函数为sigmoid。
本实施例中第二个步骤为构建实验模型。如图2所示，本发明构建CNN-LSTM预测模型，CNN模型包括：一个一维输入卷积层，有32个卷积核，大小为7，激活函数为“relu”，一个池化层，大小为7，LSTM模型包括(1)输入层和隐层h1：有64个神经元，激活函数均为“relu”；(2)隐层h2：有32个神经元，激活函数为“relu”，Dropout为0.3；(3)输出层：有1个神经元，激活函数为“sigmoid”。调整训练周期为50，批次大小为30，监视器使用h5文件监视网络的训练，并对学习率进行衰减处理，以及使用adam优化器和进行一些参数设置。
具体的，本实施例中第三个步骤为训练与验证CNN-LSTM模型，将数据集导入模型，形成85％的训练集和15％的验证集，得到预测精度和预测数据。
优选地，所述空间纹理细化的公式为：
其中，W为所述地表温度预测数据的数据集中的相邻两点之间的平均差值，ti为所述地表温度预测数据的数据集第i个地表温度的值，Ti为预测得到的第i个地表温度值，MAE为所述预测模型的均方误差，n为预测区域地表温度提取点的个数。
进一步地，本实施例中第四个步骤为通过均方误差(MSE)、均方根误差(RMSE)、和平均绝对误差(MAE)、决定系数(R2)多个指标为依据，并进行数据可视化展现模型效果，衡量预测精度可以得到MLP模型预测效果较好,评价指标计算公式如下所示：
公式(1)-公式(4)中y为前面遥感数据处理得到的真实值；为前面遥感数据处理得到的真实值的均值；/>为模型得到的预测值；wi为地表温度提取点对应权重，为异常值时降低权重。
更进一步地，本实施例中第五步为，使用同样的数据处理流程，改变渔网大小，提取目标空间分辨率的影像数据集，使用CNN-LSTM模型预测数据对城市热环境进行时空分析，得到小时的地表温度预测数据。
优选地，在根据所述样本数据集对所述CNN-LSTM预测模型进行训练和验证，得到所述训练好的预测模型之后，还包括：
根据评价指标对所述训练好的预测模型进行评价，得到评价结果；所述评价指标包括均方误差、均方根误差、平均绝对误差和决定系数；
根据所述评价结果进行数据可视化展现。
优选地，所述评价指标的计算公式为：
其中，MSE为所述均方误差，RMSE为所述均方根误差，MAE为所述平均绝对误差，R2为所述决定系数，y为遥感数据处理后得到的真实值，为遥感数据处理后得到的真实值的均值，/>为模型得到的预测值，wi为地表温度提取点对应权重，为异常值时降低权重，n为预测区域地表温度提取点的个数。
具体的，本实施例中最后一个步骤为对产生的地表温度预测数据进行空间纹理细化，公式如下所示：
公式(5)中的W为数据集中的相邻两点之间的平均差值，ti为数据集中地表温度某一点的值，公式(6)Ti为预测得到的某一点地表温度值。使用得到的平均差值W来衡量预测的数据中两点间差值大小，当大于平均差值时，两点分别加减平均误差，数值大的做减法，数值小的做加法，得到最终的地表温度降尺度预测产品，产生实时的城市热岛强度和时空分布等信息，进一步辅助政府决策和保障城市居民健康生活。
本实施例进行了城市热环境时空变化分析与预测，一种使用卷神经网络与长短期记忆神经网络(Convolutional Neural Network-Long-Short Term Memory,CNN-LSTM)模型进行大区域降时间尺度地表温度(Land surface temperature,LST)精确预测的方法。首先构建训练测试模型的数据集，分析和获取与LST有密切相关性的趋势面因子，通过因子和LST之间抽象的关系来提高预测的精度，挑选相对满足要求的遥感卫星影像数据以及合适的数据时间跨度，然后对获得的数据进行统一的预处理，使其达到放入模型中训练和预测的标准；之后查阅相关资料，了解模型机理，构建CNN-LSTM模型，加入卷积神经网络可以加快模型运行速度；将用于实验的粗分辨率数据集放入模型进行划分，得到实验地区预测的LST数值，使用真实的每小时数据来进一步验证CNN-LSTM模型在该地区预测地表温度数据上的精度。最后提取目标空间分辨率的LST与趋势面因子数据，使用验证完成的模型得到每小时地表温度的预测产品，实现对于政府城市建设和居民身体健康的起到辅助作用的目的。
对应上述方法，本实施例还提供了一种城市热环境降尺度时空分析与预测系统，包括：
待测数据获取模块，用于获取待测目标空间的影像数据集，并对所述影像数据集进行数据预处理，得到待测数据集；
预测模块，用于将所述待测数据集输入至训练好的预测模型，得到地表温度预测数据；
纹理细化模块，用于对所述地表温度预测数据进行空间纹理细化，得到降尺度预测信息；所述降尺度预测信息用于反映城市热岛强度和时空分布；
样本数据构建模块，用于根据地表温度和影响因子数据构建样本数据集；所述影响因子数据包括植被归一化指数、相对湿度、太阳辐射、大气压强、降水量和气温；
模型构建模块，用于构建CNN-LSTM预测模型；
训练模块，用于根据所述样本数据集对所述CNN-LSTM预测模型进行训练和验证，得到所述训练好的预测模型。
本发明的有益效果如下：
本发明使用易获取和免费开放的数据源，对数据缺失等问题包容性强，可以针对大范围的地域进行地表温度预测，模型预测结果对比其他研究精确度较高。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种城市热环境降尺度时空分析与预测方法，其特征在于，包括：
获取待测目标空间的影像数据集，并对所述影像数据集进行数据预处理，得到待测数据集；
将所述待测数据集输入至训练好的预测模型，得到地表温度预测数据；
对所述地表温度预测数据进行空间纹理细化，得到降尺度预测信息；所述降尺度预测信息用于反映城市热岛强度和时空分布；
所述预测模型的确定方法包括：
根据地表温度和影响因子数据构建样本数据集；所述影响因子数据包括植被归一化指数、相对湿度、太阳辐射、大气压强、降水量和气温；
构建CNN-LSTM预测模型；
根据所述样本数据集对所述CNN-LSTM预测模型进行训练和验证，得到所述训练好的预测模型；
所述空间纹理细化的公式为：
；
；
其中，W为所述地表温度预测数据的数据集中的相邻两点之间的平均差值，ti为所述地表温度预测数据的数据集第i个地表温度的值，Ti为预测得到的第i个地表温度值，MAE为所述预测模型的均方误差，n为预测区域地表温度提取点的个数，使用得到的平均差值W来衡量预测的数据中两点间差值大小，当大于平均差值时，两点分别加减平均误差，数值大的做减法，数值小的做加法。
2.根据权利要求1所述的城市热环境降尺度时空分析与预测方法，其特征在于，所述根据地表温度和影响因子数据构建样本数据集，包括：
基于不同数据来源，分别获取所述地表温度和所述影响因子数据；
分别对所述地表温度和所述影响因子数据进行数据预处理，得到所述样本数据集。
3.根据权利要求2所述的城市热环境降尺度时空分析与预测方法，其特征在于，所述分别对所述地表温度和所述影响因子数据进行数据预处理，得到所述样本数据集，包括：
对所述地表温度和所述影响因子数据均依次进行批量裁剪、重采样、渔网提取和属性表转换，得到第一表格数据；
调整所述第一表格数据中的时间分辨率，得到第二表格数据；
对所述第二表格数据进行数据清洗和数据替换，得到所述样本数据集。
4.根据权利要求1所述的城市热环境降尺度时空分析与预测方法，其特征在于，所述CNN-LSTM预测模型包括依次连接的一维输入卷积层、池化层、输入层、隐藏层和输出层；
所述一维输入卷积层的卷积核的个数为32，所述卷积核的大小为7，所述一维输入卷积层的激活函数为relu；所述池化层的大小为7，所述输入层包括64个神经元，所述输入层的激活函数为relu；所述隐藏层包括第一隐层和第二隐层；所述第一隐层包括64个神经元，所述第一隐层的激活函数为relu；所述第二隐层包括32个神经元，所述第二隐层的激活函数为relu；所述输出层包括1个神经元，所述输出层的激活函数为sigmoid。
5.根据权利要求1所述的城市热环境降尺度时空分析与预测方法，其特征在于，在根据所述样本数据集对所述CNN-LSTM预测模型进行训练和验证，得到所述训练好的预测模型之后，还包括：
根据评价指标对所述训练好的预测模型进行评价，得到评价结果；所述评价指标包括均方误差、均方根误差、平均绝对误差和决定系数；
根据所述评价结果进行数据可视化展现。
6.根据权利要求5所述的城市热环境降尺度时空分析与预测方法，其特征在于，所述评价指标的计算公式为：
；
；
；
；
其中，为所述均方误差，/>为所述均方根误差，/>为所述平均绝对误差，/>为所述决定系数，/>为遥感数据处理后得到的真实值，/>为遥感数据处理后得到的真实值的均值，为模型得到预测值，/>为地表温度提取点对应权重，为异常值时降低权重，n为预测区域地表温度提取点的个数。
7.一种城市热环境降尺度时空分析与预测系统，其特征在于，包括：
待测数据获取模块，用于获取待测目标空间的影像数据集，并对所述影像数据集进行数据预处理，得到待测数据集；
预测模块，用于将所述待测数据集输入至训练好的预测模型，得到地表温度预测数据；
纹理细化模块，用于对所述地表温度预测数据进行空间纹理细化，得到降尺度预测信息；所述降尺度预测信息用于反映城市热岛强度和时空分布；
样本数据构建模块，用于根据地表温度和影响因子数据构建样本数据集；所述影响因子数据包括植被归一化指数、相对湿度、太阳辐射、大气压强、降水量和气温；
模型构建模块，用于构建CNN-LSTM预测模型；所述空间纹理细化的公式为：
；
；
其中，W为所述地表温度预测数据的数据集中的相邻两点之间的平均差值，ti为所述地表温度预测数据的数据集第i个地表温度的值，Ti为预测得到的第i个地表温度值，MAE为所述预测模型的均方误差，n为预测区域地表温度提取点的个数，使用得到的平均差值W来衡量预测的数据中两点间差值大小，当大于平均差值时，两点分别加减平均误差，数值大的做减法，数值小的做加法；
训练模块，用于根据所述样本数据集对所述CNN-LSTM预测模型进行训练和验证，得到所述训练好的预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210963085.8A CN115270638B (zh) | 2022-08-11 | 2022-08-11 | 一种城市热环境降尺度时空分析与预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210963085.8A CN115270638B (zh) | 2022-08-11 | 2022-08-11 | 一种城市热环境降尺度时空分析与预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115270638A CN115270638A (zh) | 2022-11-01 |
| CN115270638B true CN115270638B (zh) | 2024-02-06 |
Family
ID=83750346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210963085.8A Active CN115270638B (zh) | 2022-08-11 | 2022-08-11 | 一种城市热环境降尺度时空分析与预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115270638B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108896185A (zh) * | 2018-05-14 | 2018-11-27 | 河海大学 | 基于归一化沙漠指数的遥感地表温度空间降尺度方法 |
| CN109612588A (zh) * | 2019-01-02 | 2019-04-12 | 中国科学院新疆生态与地理研究所 | Lst图像数据预测方法、装置以及电子设备 |
| 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 |
| CN111199185A (zh) * | 2019-11-26 | 2020-05-26 | 广州地理研究所 | 基于XGBoost学习算法的地表温度降尺度方法、系统及设备 |
| CN111582575A (zh) * | 2020-05-06 | 2020-08-25 | 宁波大学 | 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 |
| CN112200349A (zh) * | 2020-09-16 | 2021-01-08 | 平衡机器科技(深圳)有限公司 | 一种基于单窗算法和PredRNN的遥感影像热岛效应预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106909722B (zh) * | 2017-02-10 | 2019-07-26 | 广西壮族自治区气象减灾研究所 | 一种近地面气温的大面积精准反演方法 |
-
2022
- 2022-08-11 CN CN202210963085.8A patent/CN115270638B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108896185A (zh) * | 2018-05-14 | 2018-11-27 | 河海大学 | 基于归一化沙漠指数的遥感地表温度空间降尺度方法 |
| CN109612588A (zh) * | 2019-01-02 | 2019-04-12 | 中国科学院新疆生态与地理研究所 | Lst图像数据预测方法、装置以及电子设备 |
| 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 |
| CN111199185A (zh) * | 2019-11-26 | 2020-05-26 | 广州地理研究所 | 基于XGBoost学习算法的地表温度降尺度方法、系统及设备 |
| CN111582575A (zh) * | 2020-05-06 | 2020-08-25 | 宁波大学 | 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 |
| CN112200349A (zh) * | 2020-09-16 | 2021-01-08 | 平衡机器科技(深圳)有限公司 | 一种基于单窗算法和PredRNN的遥感影像热岛效应预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 《长时序地表温度遥感反演与真实性检验方法研究》;马晋;《中国博士学位论文全文数据库基础科学辑》;正文第39、95页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115270638A (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
| CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
| CN105243435B (zh) | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 | |
| CN110598736A (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
| Cherkassky et al. | Computational intelligence in earth sciences and environmental applications: Issues and challenges | |
| CN108399248A (zh) | 一种时序数据预测方法、装置及设备 | |
| CN101853290A (zh) | 基于地理信息系统的气象服务效益评估方法 | |
| CN113901384A (zh) | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 | |
| CN106991666A (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
| CN102222313A (zh) | 基于核主成分分析的城市演化模拟元胞模型处理方法 | |
| CN113505923A (zh) | 一种地区电网短期负荷预测方法及系统 | |
| CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
| CN111859054A (zh) | 气象卫星数据的处理方法及装置 | |
| Liu et al. | Air quality index forecasting via genetic algorithm-based improved extreme learning machine | |
| Alonso-Montesinos et al. | The use of ANN and conventional solar-plant meteorological variables to estimate atmospheric horizontal extinction | |
| CN115049026A (zh) | 基于gsnnr的空间非平稳性关系的回归分析方法 | |
| Zhou et al. | Simulation of future dissolved oxygen distribution in pond culture based on sliding window-temporal convolutional network and trend surface analysis | |
| CN113569488A (zh) | 一种基于随机森林回归的体感温度预测方法及系统 | |
| CN115270638B (zh) | 一种城市热环境降尺度时空分析与预测方法及系统 | |
| CN117274813A (zh) | 一种基于点云技术构建城市森林林内温度的预测模型 | |
| CN117194926A (zh) | 陆上风电基地吊装窗口期预测方法及系统 | |
| CN116863341A (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 | |
| CN116702981A (zh) | 一种臭氧浓度预测方法、装置、电子设备及介质 | |
| CN115600498A (zh) | 一种基于人工神经网络的风速预报订正方法 | |
| CN115510763A (zh) | 一种基于数据驱动探索的空气污染物浓度预测方法及系统 |
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 |