CN116050567B - 一种城市热环境的时空降尺度变化分析方法 - Google Patents
一种城市热环境的时空降尺度变化分析方法 Download PDFInfo
- Publication number
- CN116050567B CN116050567B CN202211365577.3A CN202211365577A CN116050567B CN 116050567 B CN116050567 B CN 116050567B CN 202211365577 A CN202211365577 A CN 202211365577A CN 116050567 B CN116050567 B CN 116050567B
- Authority
- CN
- China
- Prior art keywords
- data
- surface temperature
- resolution
- model
- space
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 230000008859 change Effects 0.000 title claims abstract description 10
- 230000015556 catabolic process Effects 0.000 title claims description 9
- 238000006731 degradation reaction Methods 0.000 title claims description 9
- 230000000694 effects Effects 0.000 claims abstract description 15
- 230000005855 radiation Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 42
- 230000004913 activation Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012952 Resampling Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012800 visualization Methods 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 15
- 238000013527 convolutional neural network Methods 0.000 abstract description 4
- 230000036541 health Effects 0.000 abstract description 4
- 230000009467 reduction Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 abstract description 3
- 230000015654 memory Effects 0.000 abstract description 3
- 238000007670 refining Methods 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 abstract description 2
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012368 scale-down model Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003313 weakening 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种城市热环境的时空降尺度变化分析方法,使用卷积神经网络与长短期记忆神经网络模型进行大区域地表温度降时间尺度,后经几次基础上运用多层感知机模型的降空间尺度地表温度研究,通过查阅文献和相关资料确定地表温度密切相关的影响因子,如归一化植被指数、太阳辐射和相对湿度等,获取地表温度以及相关影响因子的高分卫星与多载荷遥感影像数据,该研究主针对MODIS地表温度数据产品进行时空降尺度,通过因子与地表温度之间的抽象关系来加强模型的准确性。产出高分辨率数据,最终将得到的降尺度数据进行空间纹理的细化,得到最后的城市热环境降尺度分析效果图,实现对城市热环境分析研究的作用,辅助政府决策和城市居民生活健康。
Description
技术领域
本发明涉及热红外遥感和环境监测领域,特别是一种城市热环境的时空降尺度变化分析方法。
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***。
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,常见的研究方法有***窗算法、劈窗算法、辐射传输方程、单窗算法等。1989年,Roth等发现地表温度分布形式和反演得到的温度值与观测点的气温值误差较小,证明了热红外遥感数据的准确性;2001年,覃志豪等首次对遥感数据运用单窗算法对地表温度进行反演,以及推算出地表温度反演所需的相关大气参数和反演公式;2006年,黄妙芬等对Landsat TM影像使用3种方法对地表温度进行反演,发现单窗算法的反演数值最为接近实测数值。利用遥感反演的地表温度应用研究也相应增多,2011年,刘春国等对Landsat EMT+的热红外波段进行反演分析,在地表温度和生态空间的关系研究中大多集中在归一化植被指数NDVI与地表温度的关系方面,有学者基于遥感数据与气象观测数据的研究表明,NDVI与地表温度间存在显著相关性,并且植被比例越高、地表温度越低。其中地表温度的时空降尺度来支撑应用分析的研究还相对较少,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,提出一种针对中分辨率成像光谱仪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降尺度分析,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。
现有技术中存在以下问题:
1、未能大范围的较高精度得到地表温度降尺度数据,研究和分析城市热环境变化;
2、遥感数据种类繁多,且规格不一,需要制作规范数据集;
3、未能构建降尺度模型以及对比模型的预测效果;
4、地表温度等数据受天气等自然条件影响缺失严重;
5、未能削弱降尺度影像产品斑块聚集影响,细化空间纹理。
发明内容
针对上述需要解决的问题,本发明提出一种城市热环境的时空降尺度变化分析方法,本研究进行了城市热环境时空降尺度变化分析,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)模型进行大区域地表温度(Land surface temperature,LST)降时间尺度,后在几次基础上运用多层感知机(MLP,Multilayer Perceptron)模型的降空间尺度地表温度研究,通过查阅文献和相关资料确定地表温度密切相关的影响因子,如归一化插值植被指数、太阳辐射和相对湿度等,获取地表温度以及相关影响因子的高分卫星与多载荷遥感影像数据,该研究主针对MODIS地表温度数据产品进行时空降尺度,通过因子与地表温度之间的抽象关系来加强模型的准确性。批量提取得到可使用的栅格文件,再对数据进行预处理、调整空间和时间分辨率、调用渔网对需要的数据只进行提取,剔除数据中含有的异常值,得到高分辨率和低分辨率的数据集,构建CNN-LSTM模型,加入卷积神经网络可以加快模型运行速度,而长短期记忆神经网络模型适合用于时间序列数据;调整模型各项参数,将低分辨率数据集进行训练与输出,等到地时间分辨率数据,同时构建MLP模型来使用高分率数据集加得到的地时间分辨率数据集进行训练与验证,使模型达到最优化,得到高时空分辨率数据集,训练得到具体地表温度数值与真实的遥感数据进行验证符合要求则继续进行下一步,将调整好的降尺度模型调用低分辨率的数据集通过复制的方法进一步训练,依据影响因子值不同存在的抽象关系,产出高分辨率数据,最终将得到的降尺度数据进行空间纹理的细化,得到最后的城市热环境降尺度分析效果图,实现对城市热环境分析研究的作用,辅助政府决策和城市居民生活健康。
本发明提出的地表温度的较高精度大范围降尺度变化分析可以实现对城市热岛时空特征的变化监测分析,取得基于时间序列的城市热岛强度与分布,对城市规划与发展,城市居民的健康与生活等提供决策参考。
本方法的技术方案实施步骤为:
第一步:制作训练和检验模型的粗分辨率数据集(可利用Landsat遥感影像数据反演地表温度),收集MODIS与ERA5地表温度(LST,Land Surface Temperature)与相关影响因子的遥感数据,包括植被归一化指数(NDVI,normalized differential vegetationindex)、相对湿度(RH,relative humidity)、太阳辐射、大气压强(atmosphericpressure)、降水量(precipitation)以及气温(air temperature),处理收集的所有遥感数据,得到分别为低分辨率与高分辨率的两种数据集。具体步骤为:
1.实验中LST使用MODIS11地表温度产品,同时还有ERA5地表温度再分析数据,包括地表温度产品以及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.调整各数据时间与空间分辨率,LST数据根据实际情况进行调整,MODIS地表温度数据复制为24份,制作小时为单位,统一为以每小时为单位以及1000M空间分辨率,与地表温度最具相关性的NDVI数据调整为两份,包含1000M分辨率与经过线性重采样为100M分辨率,ERA5数据线性重采样为100M分辨率,将数据集分为两部分,第一部分为第一步训练模型调整参数与性能的1000M空间分辨率数据集,第二部分为提高空间分辨率训练降尺度模型的100M分辨率数据集。
3.运用最近值替代法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。
第二步:构建CNN-LSTM降尺度模型,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。
第三步:训练与验证CNN-LSTM模型,将1000M分辨率数据集放入CNN-LSTM降尺度模型中,划分数据集训练与验证模型参数与精度,将MODIS地表温度产品数据进行时间降尺度得到每小时为单位的地表温度数据,对得到的数据进行线性重采样得到100M分辨率地表温度数据。
第四步:构建多层感知机(MLP,Multilayer Perceptron)降尺度模型,(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”;(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。
第五步:训练与验证MLP模型,将100M分辨率的NDVI、ERA5地表温度数据集和刚得到的时间降尺度地表温度数据导入模型,形成85%的训练集和15%的验证集,训练与验证MLP模型,得到地表温度空间降尺度精度和数据。
第六步: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:
上述公式(1)-(4)中y为观测值;为观测值均值;/>为预测值;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。
第七步,使用同样的数据处理流程,改变渔网大小,提取较高空间分辨率的影像数据集,对模型进行降尺度训练,使用MLP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,再进行一下次精度指标评价。
第八步,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:
上述公式(5)中的W为1000M地表温度数据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,ti+1为ti的下一地表温度点的值,公式(6)中Ti为空间降尺度后100M分辨率的某一点地表温度值,n为降尺度区域1000M分辨率地表温度数据提取点的个数,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,运用公式(6),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。完成所有步骤后得到最终的地表温度降尺度产品,产生更低尺度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。
优选的,第三步结束也可进行空间纹理细化得到地表温度时间降尺度数据。
优选的,该方法可充分结合卫星遥感影像中等空间分辨率特性和MODIS地表温度产品高时间分辨率特性,将其融合为空间尺度最优的月序列、季节序列和年序列的城市地表温度数据集。
本发明所要解决的技术问题:1、大范围的较高精度得到地表温度降尺度数据,研究和分析城市热环境变化;2、遥感数据种类繁多,且规格不一,需要制作规范数据集;3、构建降尺度模型以及对比模型的预测效果;4、地表温度等数据受天气等自然条件影响缺失严重;5、削弱降尺度影像产品斑块聚集影响,细化空间纹理。
本发明的有益效果是:1、模型降尺度结果精确度较高;2、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;3、可以针对大范围的地域进行地表温度降尺度。
附图说明
图1为本发明的城市热环境的时空降尺度变化分析方法过程结构图;
图2为本发明的CNN-LSTM模型结构;
图3为本发明的MLP模型结构;
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
以下通过特定的具体实例并结合附图说明本发明的实施方案,本领域的人员可根据说明书的内容了解本发明的其他特点与功效。本发明亦可通过其他不同的具体实例加以施行或应用,本说明书中的各项细节亦可基于不同观点与应用,在不背离本发明的精神下进行各种修改与变更。
图1为本发明的城市热环境的时空降尺度变化分析方法过程结构图,本发明包括步骤为:
第一步:制作训练和检验模型的粗分辨率数据集,可利用Landsat遥感影像数据反演地表温度,收集MODIS与ERA5地表温度(LST,Land Surface Temperature)与相关影响因子的遥感数据,包括植被归一化指数(NDVI,normalized differential vegetationindex)、相对湿度(RH,relative humidity)、太阳辐射、大气压强(atmosphericpressure)、降水量(precipitation)以及气温(air temperature),处理收集的所有遥感数据,得到分别为低分辨率与高分辨率的两种数据集。具体步骤为:
1.实验中LST使用MODIS11地表温度产品,同时还有ERA5地表温度再分析数据,包括地表温度产品以及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.调整各数据时间与空间分辨率,LST数据根据实际情况进行调整,MODIS地表温度数据复制为24份,制作小时为单位,统一为以每小时为单位以及1000M空间分辨率,与地表温度最具相关性的NDVI数据调整为两份,包含1000M分辨率与经过线性重采样为100M分辨率,ERA5数据线性重采样为100M分辨率,将数据集分为两部分,第一部分为第一步训练模型调整参数与性能的1000M空间分辨率数据集,第二部分为提高空间分辨率训练降尺度模型的100M分辨率数据集。
3.运用最近值替代法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。
第二步:构建CNN-LSTM降尺度模型,如图2所示,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。
第三步:训练与验证CNN-LSTM模型,将1000M分辨率数据集放入CNN-LSTM降尺度模型中,划分数据集训练与验证模型参数与精度,将MODIS地表温度产品数据进行时间降尺度得到每小时为单位的地表温度数据,对得到的数据进行线性重采样得到100M分辨率地表温度数据。
第四步:构建多层感知机(MLP,Multilayer Perceptron)降尺度模型,如图3所示,(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”;(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。
第五步:训练与验证MLP模型,将100M分辨率的NDVI、ERA5地表温度数据集和刚得到的时间降尺度地表温度数据导入模型,形成85%的训练集和15%的验证集,训练与验证MLP模型,得到地表温度空间降尺度精度和数据。
第六步: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:
上述公式(1)-(4)中y为观测值;为观测值均值;/>为预测值;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。
第七步,使用同样的数据处理流程,改变渔网大小,提取较高空间分辨率的影像数据集,对模型进行降尺度训练,使用MLP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,再进行一下次精度指标评价。
第八步,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:
上述公式(5)中的W为1000M地表温度数据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,ti+1为ti的下一地表温度点的值,公式(6)中Ti为空间降尺度后100M分辨率的某一点地表温度值,n为降尺度区域1000M分辨率地表温度数据提取点的个数,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,运用公式(6),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。完成所有步骤后得到最终的地表温度降尺度产品,产生更低尺度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。
优选的,第三步结束也可进行空间纹理细化得到地表温度时间降尺度数据。
优选的,该方法可充分结合卫星遥感影像中等空间分辨率特性和MODIS地表温度产品高时间分辨率特性,将其融合为空间尺度最优的月序列、季节序列和年序列的城市地表温度数据集。
以上所述,本发明的技术关键点:1、加入除MODIS与ERA5地表温度(LST)数据外,植被归一化指数(NDVI)、相对湿度(RH)、太阳辐射(SISF)、大气压强、降水量以及气温等影响因子数据制作数据集;2、提出分别1000M和100M分辨率渔网批量提取程序处理遥感影像、处理异常值等的数据预处理;3、构建CNN-LSTM模型实现时间降尺度,后构建MLP模型实现空间降尺度,得到目标时空降尺度地表温度数据;
仅为本发明较佳的具体实施方式;但本发明的保护范围并不局限于此。任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其改进构思加以等同替换或改变,都应涵盖在本发明的保护范围内。
且本发明未述及之处适用于现有技术。
Claims (3)
1.一种城市热环境的时空降尺度变化分析方法,其特征在于,本方法包括以下步骤:
步骤1:制作训练和检验模型的粗分辨率数据集,收集MODIS与ERA5地表温度与相关影响因子的遥感数据,包括植被归一化指数、相对湿度、太阳辐射、大气压强、降水量以及气温,处理收集的所有遥感数据,得到分别为低分辨率与高分辨率的两种数据集;具体步骤如下:
步骤1.1实验中LST使用MODIS11地表温度产品,同时还有ERA5地表温度再分析数据,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,进行预处理,最终整理为EXCEL表格数据;
步骤1.2调整各数据时间与空间分辨率,LST数据根据实际情况进行调整,MODIS地表温度数据复制为24份,制作小时为单位,统一为以每小时为单位以及1000M空间分辨率,与地表温度最具相关性的NDVI数据调整为两份,包含1000M分辨率与经过线性重采样为100M分辨率,ERA5数据线性重采样为100M分辨率,将数据集分为两部分,第一部分为第一步训练模型调整参数与性能的1000M空间分辨率数据集,第二部分为提高空间分辨率训练降尺度模型的100M分辨率数据集;
步骤1.3运用最近值替代法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;
步骤2:构建CNN-LSTM降尺度模型,其中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;其中LSTM模型包括输入层和隐层h1:有64个神经元,激活函数均为“relu”;隐层h2:有32个神经元,激活函数为“relu”,Dropout为0.3;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优化器进行参数设置;
步骤3:训练与验证CNN-LSTM模型,将1000M分辨率数据集放入CNN-LSTM降尺度模型中,划分数据集训练与验证模型参数与精度,将MODIS地表温度产品数据进行时间降尺度得到每小时为单位的地表温度数据,对得到的数据进行线性重采样得到100M分辨率地表温度数据;
步骤4:构建多层感知机降尺度MLP模型,MLP模型包括输入层和隐层h1:有64个神经元,激活函数均为“relu”;隐层h2:有32个神经元,激活函数为“relu”;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;
步骤5:训练与验证MLP模型,将100M分辨率的NDVI、ERA5地表温度数据集和刚得到的时间降尺度地表温度数据导入MLP模型,形成85%的训练集和15%的验证集,训练与验证MLP模型,得到地表温度空间降尺度精度和数据;
步骤6: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:
上述公式(1)-(4)中y为观测值;为观测值均值;/>为预测值;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;
步骤7,使用上述同样的数据处理流程,改变渔网大小,提取较高空间分辨率的影像数据集,对模型进行降尺度训练,使用MLP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,并进行下一次精度指标评价;
步骤8,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:
上述公式(5)中的W为1000M地表温度数据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,ti+1为ti的下一地表温度点的值,公式(6)中Ti为空间降尺度后100M分辨率的某一点地表温度值,n为降尺度区域1000M分辨率地表温度数据提取点的个数,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;运用公式(6),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;完成以上所有步骤后进行整理和空间可视化,得到最终的地表温度降尺度产品,产生更低尺度的城市热岛强度和时空分布信息。
2.根据权利要求1所述的一种城市热环境的时空降尺度变化分析方法,其特征在于,所述步骤1.3结束后进行空间纹理细化得到地表温度时间降尺度数据。
3.根据权利要求2所述的一种城市热环境的时空降尺度变化分析方法,其特征在于,该方法可充分结合卫星遥感影像中等空间分辨率特性和MODIS地表温度产品高时间分辨率特性,将其融合为空间尺度最优的月序列、季节序列和年序列的城市地表温度数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211365577.3A CN116050567B (zh) | 2022-10-31 | 2022-10-31 | 一种城市热环境的时空降尺度变化分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211365577.3A CN116050567B (zh) | 2022-10-31 | 2022-10-31 | 一种城市热环境的时空降尺度变化分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116050567A CN116050567A (zh) | 2023-05-02 |
CN116050567B true CN116050567B (zh) | 2023-12-15 |
Family
ID=86122448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211365577.3A Active CN116050567B (zh) | 2022-10-31 | 2022-10-31 | 一种城市热环境的时空降尺度变化分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050567B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016132161A1 (en) * | 2015-02-16 | 2016-08-25 | Kontoes Charalampos | Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data. |
CN106483147A (zh) * | 2016-10-14 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 基于modis和实测数据协同的长时间序列被动微波土壤水分精度改进研究 |
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 |
CN112560570A (zh) * | 2020-09-29 | 2021-03-26 | 中国科学院大学 | 一种协同降尺度与数据融合的高分辨率地表温度估算方法 |
CN113486000A (zh) * | 2021-09-08 | 2021-10-08 | 中国测绘科学研究院 | 基于多源数据和深度学习的地表蒸散发数据降尺度方法 |
-
2022
- 2022-10-31 CN CN202211365577.3A patent/CN116050567B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016132161A1 (en) * | 2015-02-16 | 2016-08-25 | Kontoes Charalampos | Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data. |
CN106483147A (zh) * | 2016-10-14 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 基于modis和实测数据协同的长时间序列被动微波土壤水分精度改进研究 |
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 |
CN112560570A (zh) * | 2020-09-29 | 2021-03-26 | 中国科学院大学 | 一种协同降尺度与数据融合的高分辨率地表温度估算方法 |
CN113486000A (zh) * | 2021-09-08 | 2021-10-08 | 中国测绘科学研究院 | 基于多源数据和深度学习的地表蒸散发数据降尺度方法 |
Non-Patent Citations (1)
Title |
---|
多尺度地理加权回归的地表温度降尺度研究;祝新明等;遥感学报(第8期);第1749-1766页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116050567A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751094B (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产方法 | |
Ramirez et al. | Artificial neural network technique for rainfall forecasting applied to the Sao Paulo region | |
CN110610054B (zh) | 一种土壤湿度长方体反演模型构建方法及*** | |
CN104239706B (zh) | 一种地面观测气温时空数据集的制备方法 | |
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 | |
CN108984803B (zh) | 一种农作物产量空间化的方法及*** | |
CN112836610A (zh) | 一种基于遥感数据的土地利用变化与碳储量定量估算方法 | |
Long et al. | Reconstruction of historical arable land use patterns using constrained cellular automata: A case study of Jiangsu, China | |
CN105608293A (zh) | 融合光谱与纹理特征的森林地上生物量反演方法及*** | |
CN106951979A (zh) | 遥感、作物模型与气象预报融合的作物成熟期预测方法 | |
CN113505923B (zh) | 一种地区电网短期负荷预测方法及*** | |
CN109711102A (zh) | 一种作物灾害损失快速评估方法 | |
CN113837499A (zh) | 一种超短期风电功率预测方法及*** | |
CN109800921A (zh) | 一种基于遥感物候同化和粒子群优化算法的区域冬小麦估产方法 | |
CN114529097A (zh) | 多尺度农作物物候期遥感降维预测方法 | |
CN112651108A (zh) | 一种解耦气象要素和植被动态对水文要素影响的方法 | |
CN116029419A (zh) | 基于深度学习的长期新能源日均发电功率预测方法及*** | |
Lou et al. | An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data | |
Khan et al. | Adaptive Error Curve Learning Ensemble Model for Improving Energy Consumption Forecasting. | |
CN116050567B (zh) | 一种城市热环境的时空降尺度变化分析方法 | |
CN116403048B (zh) | 一种基于多模态数据融合的农作物生长估计模型构建方法 | |
Yang et al. | On grass yield remote sensing estimation models of China’s northern farming-pastoral ecotone | |
CN112001121A (zh) | 基于太阳辐射的大面积平缓地区预测性土壤制图方法 | |
Zhu et al. | A methodology for estimating Leaf Area Index by assimilating remote sensing data into crop model based on temporal and spatial knowledge | |
Fu et al. | Phenological analysis and yield estimation of rice based on multi-spectral and SAR data in Maha Sarakham, Thailand |
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 |