CN116842343A - 基于卫星观测与空间换算量化城市森林对温度影响的方法 - Google Patents

Abstract

本发明公开一种基于卫星观测与空间换算量化城市森林对温度影响的方法，包括以下步骤：1)影像数据、地表参数变量与气候变量获取与处理；2)基于深度学习方法的森林覆盖提取；3)城市森林的空间连通性景观模式分析；4)基于移动窗口策略与空间换时间方法的城市森林对地表温度影响的评价方法构建与特征分析。本发明在高分辨率高分遥感数据的基础上，利用改进的深度学习语义分割模型进行高分辨率的森林覆盖识别；再结合移动窗口策略与空间换时间方法，通过地表温度、反照率、蒸散发、净辐射通量结合，构建卫星观测与空间换时间方法结合的城市森林对地表温度影响的评价方法，实现城市森林空间模式的气候响应评价。

Description

基于卫星观测与空间换算量化城市森林对温度影响的方法

技术领域

本发明涉及城市森林对温度影响的评估技术领域，具体说是一种基于卫星观测与空间换算量化城市森林对温度影响的方法。

背景技术

现有技术中，准确表征城市森林变化，如造林、毁林与景观模式变化，有助于量化其对气候的真实影响，达到通过改善森林经营活动实现调节城市热环境的目的。基于站点野外观测的方式因气象站点分布不均匀，无法支撑一定时空尺度上的气候监测需求。

基于气候模式模拟的方式进行森林导致的温度变化量化，气候模式所需参数较为复杂，一些模拟大区域尺度气候的方法很难捕捉区域或局地尺度的典型温度差异。

而基于卫星数据与简单的统计分析方法来评估森林对地表温度的影响通常只考虑变化本身带来的影响，没有考虑变化的同时还有其他地表背景状况会影响温度本身，使得计算的结果存在较大的差异，无法准确表达森林变化带来的真实温度影响，因为森林与周边临近区域存在一定的温度差异，这些差异受地表反照率与蒸散发等的影响，如森林一般比临近的草地或农田有更低的反照率，因为森林的根系更长，具有较明显的蒸散特征。

此外，森林边界、森林内部以及发生破碎的森林，因其空间模式变化带来的气候差异值得探讨，这些都促使人们逐渐关注森林活动与其临近区域的生物物理机制效应及其气候关联，以及如何利用庞大的遥感数据群体来解决上述评估方法的不足。

现有的基于MODIS产品的森林响应气候的评估因其空间分辨率较粗，无法再现真实地表的异质性变化，在小区域尺度的使用中无法表征发生的森林变化，表现较差。因而需要寻求高分辨的遥感数据产品来支撑区域与局地尺度的森林响应气候的评估，特别是利用一些代表本土地表特征的参数，如土地覆盖、地表温度、反照率、蒸散发等数据。

总之虽然可用的遥感数据产品数量丰富，但能反映局地信息的数据产品其精度仍需不断改善，该类产品需要不仅能够描述城市森林的空间变化，也可描绘城市森林破碎化的具体表现；另外，采用的量化温度的方法需要科学分析引起这些变化的内外在因素。

上述所有已知的监测城市森林对地表温度影响的方法，一方面只能监测有限尺度的变化，当发生一些显著的温度变化时，如站点尺度的监测，其能力显得较为不足，即使一些气候模式能够实现大尺度或小尺度的监测，但是模式参数设置复杂，分辨率不能保证。

另一方面，结合遥感数据进行空间统计的方法，忽略了背景的影响，也没有全面量化影响温度变化的生物物理参数；此外，遥感数据产品的多样化，精度差异性，不能完全代表局地尺度的地表特征，难以反映一些森林活动导致的地表类型的精细空间变化，然而这些变化恰恰在局地尺度上对于气候的反馈表现出敏感性。这就需要发展高可靠度的数据产品，提升方法应用的准确性。

当前在区域尺度上，使用Landsat发展的土地覆盖产品描述森林变化较多，因其具有中分辨率的特点，以及公开可用的数据较多，因而有较强的使用优势。但是它们在数据生成过程中通常对于不同地表类型的定义无法统一，无法适应特定区域的需求，对于更为细致的变化也存在监测的不足。

但是，随着深度学习技术的发展，为更高分辨率的遥感数据用于发展高精度的森林覆盖产品提供了可能性，遥感数据产品、参数结合可靠的温度评价方法实现城市森林对地表温度的影响评估需依赖于遥感数据的准确性以及方法的可靠性。

因此，亟需构建一种结合高分辨率的森林覆盖数据与地表参数数据以及空间换时间方法的技术框架，针对城市森林造林、毁林及景观模式对地表温度的影响进行定量分析的方法。

发明内容

本发明的目的是针对现有技术存在的不足，提供一种基于卫星观测与空间换算量化城市森林对温度影响的方法；其技术方案如下：

一种基于卫星观测与空间换算量化城市森林对温度影响的方法，包括以下步骤：

1)影像数据、地表参数变量与气候变量获取与处理：基于卫星观测获取高分辨率影像用于生成森林覆盖数据；

收集地表参数变量用于进行每月地表温度的反演，采用辐射传输方程进行地表温度反演；

收集蒸散发、地表反照率、净辐射每月的分布数据；所有的数据均需保证图像质量与空间一致性，避免受云和阴影的影响；将获取的月份数据进行累计均值计算生成年度地表温度、蒸散发、地表反照率与净辐射数据；

2)基于深度学习方法的森林覆盖提取：利用改进的深度学习语义分割模型，将面向对象方法所得森林覆盖类型的真实标签作为输入，驱动该模型构建森林覆盖提取的方法并进行森林覆盖分布制图；

3)城市森林的空间连通性景观模式分析：在步骤2)的基础上，利用形态学空间模式分析方法进行城市森林景观模式识别；

4)基于移动窗口与空间换时间方法评价潜在的城市森林变化对地表温度的影响：在步骤2)与3)的基础上，将上述数据进行尺度统一，利用移动窗口策略，在有效格网的基础上，结合空间换时间方法分析造林、毁林以及景观模式变化前后的地表温度、蒸散发、反照率与净辐射的差异，并基于差异性统计分析的结果与统计检验的方法，在线性回归分析方法的支撑下量化生物物理特征参数对于地表温度的解释性，形成空间分布结果图谱。

进一步地，所述的步骤1)中从中国资源卫星数据与应用中心获取数据；该数据基于美国宇航局的DEM数据、道路数据、地表真实数据进行有理函数模型正射校正；且从谷歌地球引擎上按月份获取了Landsat OLI、TIRS数据并进行预处理，该数据进行了云量筛选与图像组合，确保图像的质量；

同时从武汉大学获取Hi-GLASS地表数据，包括每月一期的蒸散发、反照率与净辐射数据；涉及的30m分辨率的地表参数数据都进行了平均值操作且得到年度分布数据；获取的2m分辨率的数据均需要通过升尺度与30m分辨率的数据保持分辨率的匹配。

进一步地，所述的步骤2)中改进的深度学习语义分割模型定是在典型的卷积网络结构U-Net模型基础上发展而来，该改进的U-Net模型由两个路径组成，在两个路径的基础上共同完成图像的分割，即左边部分的收缩路径用于提取高维的特征信息，而右边部分的扩张路径用于精准的进行分割位置定位；

在模型训练中，在原有U-Net模型基础上，改进的U-Net模型引入了基于分类交叉熵的忽略边缘分类交叉熵函数：IELoss；用于解决样本图像边缘区域的边缘谱信息和上下文信息缺失以及类别过拟合的问题，即在计算损失值时，通过忽略样本图像的边缘区域来计算样本图像的中间区域，以避免图像边缘像素的过拟合。

进一步地，所述的IELoss计算公式如下：

其中，N是样本图像中的像元总数；r是所选区域像元数与图像总像元数之比；i是样本图像的像元；M是类别总数，当前模型中的类型M为3；真实标签是经过独热编码后，M层由0和1组成的张量，是{c＝1，2，...，M}，这是一个三通道张量；样本前向传播得到的像元类型概率值是一个由M层范围内的值组成的张量[0,1]，/>是{c＝1，2，...，M}，然后通过对模型进行改进，得到最优参数，从而缩小了/>和/>之间的差值。

进一步地，改进的U-Net模型的训练采用面向对象分割与SVM方法进行真实标签的准备，包括1000幅256×256等尺寸的训练、验证与测试标签图像，可与1000幅原始图像含4波段对照；

即在原始影像上选取一定区域的样本区域，并对其进行分类生成森林、非森林、水体标签以代替手动绘制的标签，所有参与模型训练的原始图像与标签图像都经过水平、斜对角、垂直方向旋转图像增强提高样本的数量并学习更多标签类别真实的特征；读取图像后，将最大值归一化，标签为独热编码，即将平面的每一类标签分别变换为一个由0和1组成的层；

且为了训练改进后的U-Net模型，增加了批处理归一化层和Dropout层；选择Adam作为优化器，初始学习率为0.001，并进行50次反向传播迭代；损失函数为IELoss，r为0.5。

进一步地，所述步骤3)中的景观模式由Soille和Vogt提出的形态学空间模式分析MSPA方法获取；

MSPA方法是一种图像处理方法，用于测量、识别和分割栅格图像的空间模式，使用数学形态学方法，最初用于描述森林破碎化的空间格局，具有确定景观格局中网络要素的独特功能；基于步骤2)中预测的城市森林覆盖分布，将森林类别作为前景，将其他类型作为背景，输入数据为2m×2m的二值化的栅格数据，利用栅格间欧几里得距离阈值的8邻域前景连通性和1像素边缘宽度对景观格局进行分析；利用森林像素生成核心、分支、边缘、穿孔、小岛、桥、环7种景观类型。

进一步地，所述步骤4)中的空间换时间方法是假设城市森林发生的造林、毁林与景观模式变化的一种假设变化，因而这是一种潜在的温度变化影响，并假设变化的地表类型都具有相似的背景气候；

之后借助移动窗口，具体设置为0.05°×0.05°尺寸，来评价森林与周边临近的其他土地覆盖类型以及景观核心区域周边其他区域它们的地表温度或反照率、蒸散发及净辐射的差异性，参与计算的有效格网需满足变化前的类型占据格网的80％以上，而变化后的类型需占5％以上，最后完成每个格网内变化前后平均差异值的计算。

进一步地，地表温度参数影响采用如下方程计算：

ΔLST_AFF＝LST_F1-LST_O1 (2)

ΔLST_DEF＝LST_O2-LST_F2 (3)

ΔLST_O2C＝LST_C-LST_O (4)

ΔLST_C2O＝LST_O-LST_C (5)

其中ΔLST_AFF、ΔLST_DEF、ΔLST_O2C和ΔLST_C2O分别表示造林、毁林与其他类型转为核心区以及核心区转为其他类型引起的地表温度的变化；

LST_F1是造林后森林的平均地表温度，LST_O1是造林前其他地表类型的平均地表温度，LST_O2是毁林后其他地表类型的平均地表温度，LST_F2是毁林前森林的平均地表温度，LST_C是景观核心区的平均地表温度，LST_O是其他类型的平均地表温度；

ΔLST_AFF、ΔLST_DEF、ΔLST_O2C和ΔLST_C2O为正值表示造林、毁林以及景观模式变化带来增温的影响，反之负值则表示为降温影响，零值表示没有明显的差异。

有益效果：本发明具有以下有益效果：

1)本发明在高分辨率高分遥感数据的基础上，利用改进的深度学习语义分割模型进行高分辨率的森林覆盖识别；再结合移动窗口策略与空间换时间方法，将假设的造林(非森林转为森林)与毁林变化(森林转为非森林)以及景观模式变化(核心区转为其他、其他转为核心区)与地表温度、反照率、蒸散发、净辐射通量结合，构建卫星观测与空间换时间方法结合的城市森林对地表温度影响的评价方法，实现城市森林空间模式的气候响应评价；

2)本发明将深度学习模型生成的高分辨率森林覆盖数据与地表参数数据结合作为城市森林对地表温度影响评价方法的重要输入数据，提升了可用数据的空间分辨率，有助于捕捉精细的地表变化；

3)本发明整合卫星观测、移动窗口策略技术与空间换时间方法量化城市森林及其空间模式的区域地表温度的生物物理响应机制，充分发挥多源遥感监测的时空优势，提升卫星观测方法的实际预测精度，为城市森林的合理空间配置实现有效的气候缓解提供科学的指导。

附图说明

图1为本发明整体流程图；

图2为改进的U-Net网络结构图；

图3为实施例1中杭州市与肇庆市通过改进的U-Net模型预测森林覆盖的结果图；

图4为实施例1中杭州市与肇庆市森林与非森林分布图；

图5为实施例1中杭州市和肇庆市2020年潜在植树造林和毁林对地表温度变化的影响图；

图6为实施例1中杭州市和肇庆市植树造林和毁林对地表参数的影响图；

图7为实施例1中造林、毁林对蒸散发变化数据△ET的关联影响图；

图8为实施例1中造林、毁林对反照率变化数据△albedo的关联影响图；

图9为实施例1中造林、毁林对净辐射变化数据△Rn的关联影响图；

图10为实施例1中杭州市和肇庆市2020年潜在景观核心区和其他类型之间转换的平均地表温度变化图；

图11为实施例1中杭州市和肇庆市其他类型向核心区转换以及核心区向其他类型转换导致的温度变化图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，本实施例在以本发明技术方案为前提下进行实施，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。

如图1所示，本发明主要包括以下步骤：1)影像数据、地表参数变量与气候变量获取与处理；2)基于深度学习方法的森林覆盖提取；3)城市森林的空间连通性景观模式分析；4)基于移动窗口策略与空间换时间方法的城市森林对地表温度影响的评价方法构建与特征分析。

步骤1)具体如下：获取2020年的高分1号与6号影像用于生成森林覆盖数据。收集Landsat 8OLI、TIRS数据用于进行每月地表温度的反演，采用辐射传输方程进行地表温度反演；收集Landsat蒸散发、地表反照率、净辐射每月的分布数据；所有的数据都需保证图像质量与空间一致性，避免受云、阴影等的影响。将获取的月份数据进行累计均值计算生成年度地表温度、蒸散发、地表反照率与净辐射数据。

步骤2)具体如下：利用改进的深度学习的语义分割模型，将面向对象方法所得森林覆盖类型的真实标签作为输入，驱动该模型构建森林覆盖提取的方法并进行森林覆盖分布制图。

步骤3)具体如下：在步骤2)的基础上，利用形态学空间模式分析方法进行城市森林景观模式识别。

步骤4)具体如下：在步骤2)与3)的基础上，将上述数据进行尺度统一，利用移动窗口策略，在有效格网的基础上，结合空间换时间方法分析造林、毁林以及景观模式变化前后的地表温度、蒸散发、反照率与净辐射的差异，并基于差异性统计分析的结果与统计检验的方法，在线性回归分析方法的支撑下量化这些生物物理特征参数对于地表温度的解释性，形成有效的空间分布结果图谱。

实施例1

如图2-图11，本实施例以杭州市与肇庆市为例，对本发明的具体内容进一步的说明。

1)数据获取与处理如下：从中国资源卫星数据与应用中心获取融合后2m分辨率的2020年的高分1号(GF-1)和6号(GF-6)数据；该数据基于美国宇航局的DEM数据、道路数据、地表真实数据进行有理函数模型正射校正，共有4个波段(蓝光、绿光、红光与近红外)，分别有8幅GF-1和1幅GF-6数据覆盖肇庆市，有10幅GF-6数据覆盖杭州市。其中还从谷歌地球引擎(Google Earth Engine，GEE)上按月份获取了Landsat OLI、TIRS数据并进行预处理，该数据进行了云量筛选与图像组合，确保图像的质量。

然后基于Saratoon等(2013)中的辐射传输方程进行地表温度的反演。同时从武汉大学获取了Hi-GLASS地表数据产品(http://higlass.whu.edu.cn/)，如每月一期的蒸散发(ET)、反照率(albedo)与净辐射(Rn)数据。涉及的30m分辨率的地表参数数据都进行了平均值操作得到年度分布数据。获取的2m分辨率的数据均需要通过升尺度与这些30m分辨率的数据保持分辨率的匹配。

2)森林覆盖提取建模与制图分析：基于上述获取的高分辨率GF-1/6数据与改进的U-Net模型进行森林覆盖提取，如图2所示，为改进的U-Net模型，是在典型的卷积网络结构U-Net模型基础上发展而来，该模型由两个路径组成，在两个路径的基础上共同完成图像的分割，即左边部分的收缩路径用于提取高维的特征信息，而右边部分的扩张路径用于精准的进行分割位置定位。

在模型训练中，在原有U-Net模型基础上，改进的U-Net模型引入了基于分类交叉熵的忽略边缘分类交叉熵函数(IELoss)用于解决样本图像边缘区域的边缘谱信息和上下文信息缺失以及类别过拟合的问题，提高了测试集的分类精度。即在计算损失值时，通过忽略样本图像的边缘区域来计算样本图像的中间区域，以避免图像边缘像素的过拟合。IELoss计算公式如方程(1)：

其中，N是样本图像中的像元总数；r是所选区域像元数与图像总像元数之比；i是样本图像的像元；M是类别总数，当前模型中的类型M为3；真实标签是经过独热编码后，M层由0和1组成的张量，是{c＝1，2，...，M}，这是一个三通道张量；样本前向传播得到的像元类型概率值是一个由M层范围内的值组成的张量[0,1]，/>是{c＝1，2，...，M}，然后通过对模型进行改进，得到最优参数，从而缩小了/>和/>之间的差值。

图2所示，IEU-Net网络结构输入经过裁切的训练、验证与测试图像，其尺寸为256×256，收缩路径每一层使用两个3×3卷积核进行卷积操作(conv)，每一次卷积都进行激活函数(ReLU)和步长为2的2×2的最大池化(max pool)进行下采样，在经过4次下采样后，特征图像的尺寸减少。然后在扩张路径下使用2×2反卷积操作(up-conv)进行上采样，特征图的通道数减半，并将上采样生成的特征图与下采样所得特征图进行组合，为了确保图像的尺寸不被扩大，再采用3×3卷积操作。在经过4次上采样，特征图像的合并组合，以及3×3卷积操作后，则生成分割图像，并保持输出图像尺寸与输入图像尺寸一致。其中，在卷积层和ReLU激活函数之间添加了一种称为Dropout层的正则化方法，以防止过拟合。即在每次训练迭代中，经过第4次和第5次卷积运算后，神经元分别以0.5的概率被丢弃。此外，在每次3×3卷积后加入Ioffe和Szegedy(2015)提出的批处理归一化(BN)，提高网络的训练速度。

为了训练改进的U-Net模型，采用面向对象分割与SVM方法进行真实标签的准备，包括1000幅256×256等尺寸的训练、验证与测试标签图像，可与1000幅原始图像含4波段对照。即在原始影像上选取一定区域的样本区域，并对其进行分类生成森林、非森林、水体标签以代替手动绘制的标签(分类总体精度在95％左右)。所有参与模型训练的原始图像与标签图像都经过水平、斜对角、垂直方向旋转图像增强提高样本的数量并学习更多标签类别真实的特征。读取图像后，将最大值归一化，标签为独热编码，即将平面的每一类标签分别变换为一个由0和1组成的层。为了训练U-net模型，增加了批处理归一化层和Dropout层。选择Adam作为优化器，初始学习率为0.001，并进行50次反向传播迭代。损失函数为IELoss，r为0.5。

通过不断调整参数得到最优的参数结果，使得训练和验证图像的损失值和精度随着迭代次数的变化逐渐减小或增大，直至趋于稳定。然后，对测试图像和整幅图像进行预测。为了避免整幅图像数据量太大，导致输入模型出现内存溢出的问题，将图像裁剪成较小的图像输入到网络中进行预测，然后将预测结果按照裁剪顺序拼接成一个完整的结果，并使用忽略边缘预测技术IELoss。

最后，采用3×3移动窗口对模型输出结果进行择多滤波以减少椒盐噪声的影响。然后采用3×3窗口的数学形态学开运算消除斑点边界和光滑边界，并排除毛刺和孤立像素。并采用精确度、召回率、F1分数、总体精度、Kappa系数、用户精度与制图精度进行预测模型及最终森林、非森林制图的验证。

3)基于移动窗口与空间换时间方法评价潜在的城市森林变化对地表温度的影响：

空间换时间方法假设城市森林发生的造林、毁林与景观模式变化是一种假设的变化，因而这是一种潜在的温度变化影响，并假设变化的地表类型都具有相似的背景气候。然后借助移动窗口，如0.05°×0.05°尺寸，来评价森林与周边临近的其他土地覆盖类型以及景观核心区域周边其他区域它们的地表温度(或反照率、蒸散发、净辐射)的差异性，参与计算的有效格网需满足变化前的类型占据格网的80％以上，而变化后的类型需占5％以上，最后完成每个格网内变化前后平均差异值的计算。

其中，景观模式由Soille和Vogt(2009)提出的形态学空间模式分析MSPA方法获取，MSPA方法是一种图像处理方法，用于测量、识别和分割栅格图像的空间模式，使用一系列数学形态学方法，如侵蚀、膨胀和锚定骨架。

它最初用于描述森林破碎化的空间格局，具有确定景观格局中网络要素的独特功能。基于2)中预测的城市森林覆盖分布，将森林类别作为前景，将其他类型作为背景，输入数据为2m×2m的二值化的栅格数据，利用栅格间欧几里得距离阈值的8邻域前景连通性和1像素边缘宽度对景观格局进行分析。然后利用森林像素生成核心、分支、边缘、穿孔、小岛、桥、环等7种景观类型。造林、毁林与景观模式变化(即核心区与其他类型的转换)对于地表温度等地表参数的影响采用如下方程：

ΔLST_AFF＝LST_F1-LST_O1 (2)

ΔLST_DEF＝LST_O2-LST_F2 (3)

ΔLST_O2C＝LST_C-LST_O (4)

ΔLST_C2O＝LST_O-LST_C (5)

其中ΔLST_AFF、ΔLST_DEF、ΔLST_O2C和ΔLST_C2O分别表示造林、毁林与其他类型转为核心区以及核心区转为其他类型引起的地表温度的变化，LST_F1是造林后森林的平均地表温度，LST_O1是造林前其他地表类型的平均地表温度，LST_O2是毁林后其他地表类型的平均地表温度，LST_F2是毁林前森林的平均地表温度，LST_C是景观核心区的平均地表温度，LST_O是其他类型的平均地表温度。ΔLST_AFF、ΔLST_DEF、ΔLST_O2C和ΔLST_C2O为正值表示造林、毁林以及景观模式变化带来增温的影响，反之负值则表示为降温影响，零值表示没有明显的差异。其他地表参数(ET、反照率、净辐射)在造林、毁林前后及景观模式变化前后的差异也采用上述方程计算(△ET、△albedo、△R_n)。ΔLST_AFF、ΔLST_DEF、ΔLST_O2C和ΔLST_C2O与造林、毁林及景观模式变化前后其他地表参数的变化之间的关联关系通过线性回归模型分析实现。

4)结果与分析：城市森林覆盖识别分析：图3显示了杭州市与肇庆市分别三个验证区域用于显示改进的U-Net模型预测森林覆盖的结果及其与影像、标签的比照，第一行显示的是GF-1/6原图的真彩色组合(红、绿、蓝)。第二行显示了面向对象的SVM模型中森林、非森林和水的真实标签。第三行表示改进U-Net模型的分类结果。

将空间制图结果与参考数据集进行比较，发现基于该模型的结果在空间位置和边界一致性方面与参考数据集更接近。在杭州与肇庆市，基于高分影像所得改进U-Net模型的预测总体精度为85％-89％和90％-91％、Kappa系数为0.74-0.86和0.81-0.82。森林类别的预测精度参数如精确度、召回率、F1分数分别为85％-97％和88％-96％、83％-96％和78％-95％，以及0.86-0.95和0.83-0.93。总体上森林类别的预测精度高于90％，F1分数高于0.89。可见基于面向对象分割分类获取的标签与改进的U-Net模型结合对城市森林覆盖的识别有较为可靠的预测精度。

图4则显示了杭州市与肇庆市森林与非森林的分布图，是基于高分影像与面向对象的SVM模型获取的标签生成的杭州市与肇庆市森林/非森林制图结果；制图验证总体精度在94％，森林类别的制图精度与用户精度均高于97％和93％。

城市森林造林、毁林及景观模式变化对地表温度影响的分析：图5表示杭州市和肇庆市2020年潜在植树造林和毁林对地表温度变化(△LST)的影响。

图6植树造林和毁林对地表温度、ET、反照率和Rn的影响；每个柱上的竖线表示t检验估计的95％置信区间。

图5和图6表明造林和毁林对杭州市和肇庆市的净降温作用分别为-0.62±0.30℃和-1.23±0.26℃，增温作用分别为1.71±0.16℃和1.29±0.14℃。

两个城市在纬度梯度上也有明显的变冷和变暖趋势，即从杭州往纬度相对低的肇庆市来看，造林带来的降温更明显；往纬度相对高的杭州市来看，毁林带来的增温更明显，上述结论可以用强烈的蒸散发效应和不一致的反照率效应来解释。

图7、图8和图9分别表示造林与毁林的平均地表温度变化数据(△LST)与蒸散发变化数据△ET、反照率变化数据△albedo、净辐射变化数据△Rn的关联关系，图中直线为线性回归线；其中，净辐射变化对其的解释能力不强，即造林区域具有较高的ET，而毁林区域具有较低的ET，分别导致了降温效应和增温效应；与ET相比，造林和毁林区域的反照率变化解释了这两个纬度的地表温度变化非常小且不一致的变化。

此外，如图10和图11所示，与造林和毁林对地表温度的影响一样，景观核心区与其他类型之间的转换对平均地表温度的影响表现出一致的正、负效应，但在其他类型向核心区转换时，平均地表温度明显变冷，而在核心区向其他类型转换时，平均地表温度略有变暖，尤其是在肇庆市。

本发明通过利用深度学习语义分割方法改进获取高可靠的森林覆盖数据，并与空间换时间方法进行整合，估测了城市森林造林、毁林与景观模式变化及其蒸散发、反照率与净辐射对局地地表温度的影响，该方法从提升城市森林覆盖的精细识别为基础，立足于从高分辨率的地表参数数据来谱写真实的地表过程，从卫星观测角度描绘城市森林空间模式对地表温度影响的准确评估，为合理造林、避免毁林活动和减少森林破碎化从而促进气候减缓战略的有效实施提供重要且科学的借鉴。

上述具体实施方式只是本发明的一个优选实施例，并不是用来限制本发明的实施与权利要求范围的，凡依据本发明申请专利保护范围内容做出的等效变化和修饰，均应包括于本发明专利申请范围内。

Claims (8)

1.基于卫星观测与空间换算量化城市森林对温度影响的方法，其特征在于：包括以下步骤：

1)影像数据、地表参数变量与气候变量获取与处理：基于卫星观测获取高分辨率影像用于生成森林覆盖数据；

2)基于深度学习方法的森林覆盖提取：利用改进的深度学习语义分割模型，将面向对象方法所得森林覆盖类型的真实标签作为输入，驱动该模型构建森林覆盖提取的方法并进行森林覆盖分布制图；

3)城市森林的空间连通性景观模式分析：在步骤2)的基础上，利用形态学空间模式分析方法进行城市森林景观模式识别；

4)基于移动窗口与空间换时间方法评价潜在的城市森林变化对地表温度的影响：在步骤2)与3)的基础上，将上述数据进行尺度统一，利用移动窗口策略，在有效格网的基础上，结合空间换时间方法分析造林、毁林以及景观模式变化前后的地表温度、蒸散发、反照率与净辐射的差异，并基于差异性统计分析的结果与统计检验的方法，在线性回归分析方法的支撑下量化生物物理特征参数对于地表温度的解释性，形成空间分布结果图谱。

2.根据权利要求1所述的一种基于卫星观测与空间换算量化城市森林对温度影响的方法,其特征在于：所述的步骤1)中，收集地表参数变量用于进行每月地表温度的反演，采用辐射传输方程进行地表温度反演；

收集蒸散发、地表反照率、净辐射每月的分布数据；所有的数据均需保证图像质量与空间一致性，避免受云和阴影的影响；将获取的月份数据进行累计均值计算生成年度地表温度、蒸散发、地表反照率与净辐射数据。

3.根据权利要求1所述的一种基于卫星观测与空间换算量化城市森林对温度影响的方法,其特征在于：所述的步骤2)中，改进的深度学习语义分割模型定是在典型的卷积网络结构U-Net模型基础上发展而来，该改进的U-Net模型由两个路径组成，在两个路径的基础上共同完成图像的分割，即左边部分的收缩路径用于提取高维的特征信息，而右边部分的扩张路径用于精准的进行分割位置定位；

在模型训练中，在原有U-Net模型基础上，改进的U-Net模型引入了基于分类交叉熵的忽略边缘分类交叉熵函数：IELoss；用于解决样本图像边缘区域的边缘谱信息和上下文信息缺失以及类别过拟合的问题，在计算损失值时，通过忽略样本图像的边缘区域来计算样本图像的中间区域，以避免图像边缘像素的过拟合。

4.根据权利要求3所述的一种基于卫星观测与空间换算量化城市森林对温度影响的方法，其特征在于：所述的IELoss计算公式如下：

其中N是样本图像中的像元总数；r是所选区域像元数与图像总像元数之比；i是样本图像的像元；M是类别总数，当前模型中的类型M为3；真实标签是经过独热编码后，M层由0和1组成的张量，是{c＝1，2，...，M}，这是一个三通道张量；样本前向传播得到的像元类型概率值是一个由M层范围内的值组成的张量[0，1]，/>是{c＝1，2，...，M}，然后通过对模型进行改进，得到最优参数，从而缩小了/>和/>之间的差值。

5.根据权利要求4所述的一种基于卫星观测与空间换算量化城市森林对温度影响的方法，其特征在于：改进的U-Net模型的训练采用面向对象分割与SVM方法进行真实标签的准备，包括1000幅256×256等尺寸的训练、验证与测试标签图像，可与1000幅原始图像含4波段对照；

在原始影像上选取一定区域的样本区域，并对其进行分类生成森林、非森林、水体标签以代替手动绘制的标签，所有参与模型训练的原始图像与标签图像都经过水平、斜对角、垂直方向旋转图像增强提高样本的数量并学习更多标签类别真实的特征；读取图像后，将最大值归一化，标签为独热编码，即将平面的每一类标签分别变换为一个由0和1组成的层；

且为了训练改进后的U-Net模型，增加了批处理归一化层和Dropout层；选择Adam作为优化器，初始学习率为0.001，并进行50次反向传播迭代；损失函数为IELoss，r为0.5。

6.根据权利要求1所述的一种基于卫星观测与空已换算量化城市森林对温度影响的方法，其特征在于：所述步骤3)中的景观模式由形态学空间模式分析MSPA方法获取；

MSPA用于测量、识别和分割栅格图像的空间模式，基于步骤2)中预测的城市森林覆盖分布，将森林类别作为前景，将其他类型作为背景，输入数据为2m×2m的二值化的栅格数据，利用栅格间欧几里得距离阈值的8邻域前景连通性和1像素边缘宽度对景观格局进行分析；利用森林像素生成核心、分支、边缘、穿孔、小岛、桥、环7种景观类型。

7.根据权利要求1所述的一种基于卫星观测与空已换算量化城市森林对温度影响的方法，其特征在于：所述步骤4)中的空间换时间方法是假设城市森林发生的造林、毁林与景观模式变化的一种假设变化，因而这是一种潜在的温度变化影响，并假设变化的地表类型都具有相似的背景气候；

之后借助移动窗口，来评价森林与周边临近的其他土地覆盖类型以及景观核心区域周边其他区域它们的地表温度或反照率、蒸散发及净辐射的差异性，参与计算的有效格网需满足变化前的类型占据格网的80％以上，而变化后的类型需占5％以上，最后完成每个格网内变化前后平均差异值的计算。

8.根据权利要求7所述的一种基于卫星观测与空间换算量化城市森林对温度影响的方法，其特征在于：地表温度参数影响采用如下方程计算：

ΔLST_AFF＝LST_F1--LST_O1 (2)

ΔLST_DEF＝LST_D2-LST_F2 3)

ΔLST_O2C＝LST_C-LST_O (4)

ΔLST_C2O＝LST_O-LST_C (5)

其中ΔLST_AFF、ΔLST_DEF、ΔLST_O2C和ΔLST_C2O分别表示造林、毁林与其他类型转为核心区以及核心区转为其他类型引起的地表温度的变化；

LST_F1是造林后森林的平均地表温度，LST_O1是造林前其他地表类型的平均地表温度，LST_O2是毁林后其他地表类型的平均地表温度，LST_F2是毁林前森林的平均地表温度，LST_C是景观核心区的平均地表温度，LST_O是其他类型的平均地表温度；

ΔLST_AFF、ΔLST_DEF、ΔLST_O2C和ΔLST_C2O为正值表示造林、毁林以及景观模式变化带来增温的影响，反之负值则表示为降温影响，零值表示没有明显的差异。