一种城市热环境的时空降尺度变化分析方法技术

本发明专利技术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。策和城市居民生活健康。策和城市居民生活健康。

【技术实现步骤摘要】
一种城市热环境的时空降尺度变化分析方法


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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，常见的研究方法有分裂窗算法、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。
[0004]现有技术中存在以下问题：
[0005]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；
[0006]2、遥感数据种类繁多，且规格不一，需要制作规范数据集；
[0007]3、未能构建降尺度模型以及对比模型的预测效果；
[0008]4、地表温度等数据受天气等自然条件影响缺失严重；
[0009]5、未能削弱降尺度影像产品斑块聚集影响，细化空间纹理。

技术实现思路

[0010]针对上述需要解决的问题，本专利技术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。
[0011]本专利技术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。
[0012]本方法的技术方案实施步骤为：
[0013]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 vegetation index)、相对湿度(RH,relative humidity)、太阳辐射、大气压强(atmospheric pressure)、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：
[0014]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。
[0015]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。
[0016]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。
[0017]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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，包括地表温度产品以及来源各不同的其余数据，对得到的遥感数据进行批量的裁剪、重采样、渔网提取、属性表转换等预处理，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优化器和进行一些参数设置；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“s...

【专利技术属性】
技术研发人员：朱霞，张浩，刘原萍，刘其悦，李旭青，高凌寒，李国洪，占玉林，臧文乾，方小云，
申请(专利权)人：北华航天工业学院，
类型：发明
国别省市：