一种城市热环境主控因素的空间制图方法、装置及介质与流程

本发明涉及环境监测技术领域，具体涉及一种城市热环境主控因素的空间制图方法、装置及介质。

背景技术：

高速城市化推进导致城市建设用地扩张，深刻地改变地表热量平衡，使得城市热环境不断恶化。遥感影像数据的广泛应用使得在不同空间尺度上进行城市热环境驱动机理研究成为可能。但是，过往的研究常常把城市视作均质的区域，分析得到的结果是单一的一个主控因素，大大忽略了城市景观格局的高度异质性特征。因此，寻求简单高效的城市热环境主控因素空间制图方法，快速定位影响城市热环境的关键景观要素，对改善城市热环境和构建宜居城市有着重要的实践意义。

但是，在对现有技术的研究与实践过程中，本发明的发明人发现，现有技术一般采取单一的地理加权回归方法(geographicweightedregression)或层次分解算法(hierarchicalpartitioning),分析结果较为片面，导致基于地理形象的建模精度较低，缺乏一种合理和准确地构建城市热环境主控因素空间制图方法。

技术实现要素：

本发明实施例所要解决的技术问题在于，提供一种城市热环境主控因素的空间制图方法、装置及介质，准确地构建城市热环境主控因素空间图。

为解决上述问题，本发明的一个实施例提供一种城市热环境主控因素的空间制图方法，适用于在计算机设备中执行，包括如下步骤：

对基于遥感影像设备采集研究区域的landsattm影像数据进行预处理，得到城市地表温度数据和城市绿地斑块信息；

在所述研究区域中设置若干个相同规格的网格单元，采用区域统计法计算每个所述网格单元的平均地表温度，并选取与城市热环境有密切关系的景观格局指数，计算所述每个网格单元内的城市绿地景观格局指数信息；

以所述每个网格单元为样本，分别计算所述平均地表温度与所选取的景观格局指数之间的相关性系数，根据其绝对值依次排序，选取绝对值最高的前4个作为典型绿地格局指数；

根据所述平均地表温度和所述4个典型绿地格局指数，采用地理加权回归算法分别构建2⁴个绿地格局指数的城市热环境预测模型，得到对应的2⁴个模型局部决定系数localr²的空间分布特征；

利用层次分解算法分别对所述2⁴个模型局部决定系数localr²进行分解，得到每一网格单元内每种绿地格局指数的联合贡献百分比和独立贡献百分比，完成城市热环境主控因素的空间制图。

进一步地，所述预处理具体为：

采用第一公式对基于遥感影像设备采集研究区域的landsattm影像数据转化为城市地表温度数据；

利用面向对象方法对所述landsattm影像图像进行景观类型分类，提取得到城市绿地斑块信息。

进一步地，所述第一公式具体为：

其中，ts为真实地表温度，单位为k，a和b为常数，分别为67.35和0.46，ta为大气平均作用温度，c＝ετ和d＝(1-ε)[1+(1-ε)τ]均为中间变量，τ为大气透过率，ε为比辐射率。

进一步地，所述完成城市热环境主控因素的空间制图，具体为：

以不同颜色标注所述研究区域内每个网格单元的独立贡献比最高的绿地格局指数；

统计所述研究区域内所有网格单元的各种绿地格局指数的联合贡献百分比，并生成报表。

进一步地，所述与城市热环境有密切关系的景观格局指数包括面积百分比(per)、平均斑块大小(mps)、边界密度(ed)、总边缘长度(te)、平均斑块分维数(mpfd)、景观形状指标(lsi)和最大斑块指数(lpi)。

进一步地，所述城市热环境预测模型，具体为：

其中，lsti为位置i的地表温度值，β0(ui,vi)是位置i的回归系数，xiz为第z个格局指数，(ui,vi)为空间位置坐标，ε为特定位置i的误差。

本发明的一个实施例还提供了一种城市热环境主控因素的空间制图装置，包括：

预处理模块，用于对基于遥感影像设备采集研究区域的landsattm影像数据进行预处理，得到城市地表温度数据和城市绿地斑块信息；

计算模块，用于在所述研究区域中设置若干个相同规格的网格单元，采用区域统计法计算每个所述网格单元的平均地表温度，并选取与城市热环境有密切关系的景观格局指数，计算所述每个网格单元内的城市绿地景观格局指数信息；

指数筛选模块，用于以所述每个网格单元为样本，分别计算所述平均地表温度与所选取的景观格局指数之间的相关性系数，根据其绝对值依次排序，选取绝对值最高的前4个作为典型绿地格局指数；

构建预测模型模块，用于根据所述平均地表温度和所述4个典型绿地格局指数，采用地理加权回归算法分别构建2⁴个绿地格局指数的城市热环境预测模型，得到对应的2⁴个模型局部决定系数localr²的空间分布特征；

制图模块，用于利用层次分解算法分别对所述2⁴个模型局部决定系数localr²进行分解，得到每一网格单元内每种绿地格局指数的联合贡献百分比和独立贡献百分比，完成城市热环境主控因素的空间制图。

进一步地，所述预处理具体为：

采用第一公式对基于遥感影像设备采集研究区域的landsattm影像数据转化为城市地表温度数据；

利用面向对象方法对所述landsattm影像图像进行景观类型分类，提取得到城市绿地斑块信息。

进一步地，所述完成城市热环境主控因素的空间制图，具体为：

以不同颜色标注所述研究区域内每个网格单元的独立贡献比最高的绿地格局指数；

统计所述研究区域内所有网格单元的各种绿地格局指数的联合贡献百分比，并生成报表。

本发明的一个实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的城市热环境主控因素的空间制图方法。

实施本发明实施例，具有如下有益效果：

本发明实施例提供的一种城市热环境主控因素的空间制图方法、装置及介质，所述方法包括：对基于遥感影像设备采集研究区域的landsattm影像数据进行预处理，得到城市地表温度数据和城市绿地斑块信息；在所述研究区域中设置若干个相同规格的网格单元，采用区域统计法计算每个所述网格单元的平均地表温度，并选取与城市热环境有密切关系的景观格局指数，计算所述每个网格单元内的城市绿地景观格局指数信息；以所述每个网格单元为样本，分别计算所述平均地表温度与所选取的景观格局指数之间的相关性系数，根据其绝对值依次排序，选取绝对值最高的前4个作为典型绿地格局指数；根据所述平均地表温度和所述4个典型绿地格局指数，采用地理加权回归算法分别构建2⁴个绿地格局指数的城市热环境预测模型，得到对应的2⁴个模型局部决定系数localr²的空间分布特征；利用层次分解算法分别对所述2⁴个模型局部决定系数localr²进行分解，得到每一网格单元内每种绿地格局指数的联合贡献百分比和独立贡献百分比，完成城市热环境主控因素的空间制图。本发明能够充分发挥地理加权回归在空间表达的优势和层次分解在贡献百分比挖掘的优势，考虑了城市热环境影响因素的空间异质性，准确地构建城市热环境主控因素空间图，实现城市热环境主控因素的快速精准定位。

附图说明

图1为本发明第一实施例提供的一种城市热环境主控因素的空间制图方法的流程示意图；

图2为本发明第一实施例提供的热环境主控因素空间分布及个主控因素占比状况图；

图3为本发明第一实施例提供的另一种城市热环境主控因素的空间制图方法的流程示意图；

图4为本发明第二实施例提供的一种城市热环境主控因素的空间制图装置的结构示意图。

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。

首先介绍本发明可以提供的应用场景，如构建城市热岛主控因素的空间图。

需要说明的是，本发明具体实施例中，以广州市核心区20km×20km为案例区域，遥感影像数据源为2011年6月1日的landsattm影像和2010年城市航拍影像。本发明可以在其它遥感影像数据上使用，如modis影像数据就提供了1km空间分辨率的地表温度数据，该数据能用于城市群尺度上的城市热环境驱动机理研究。除外，可将本发明提供的方法也可以推广到其它学科，用于主控因素空间制图。

本发明第一实施例：

请参阅图1-3。

如图1所示，本实施例提供的一种城市热环境主控因素的空间制图方法，适于在计算机设备中执行，包括如下步骤：

s101、对基于遥感影像设备采集研究区域的landsattm影像数据进行预处理，得到城市地表温度数据和城市绿地斑块信息；

具体的，对于步骤s101，基于landsattm影像数据计算城市地表温度状况ts，基于2010年该研究区航拍影像数据，利用面向对象方法对影像数据进行景观类型分类，提取城市绿地斑块信息。

在优选的实施例中，所述预处理具体为：

采用第一公式对基于遥感影像设备采集研究区域的landsattm影像数据转化为城市地表温度数据；

利用面向对象方法对所述landsattm影像图像进行景观类型分类，提取得到城市绿地斑块信息。

在优选的实施例中，所述第一公式具体为：

其中，ts为真实地表温度，单位为k，a和b为常数，分别为67.35和0.46，ta为大气平均作用温度，该数据可参阅2011年6月1日研究区大气状况得到，c＝ετ和d＝(1-ε)[1+(1-ε)τ]均为中间变量，τ为大气透过率，ε为比辐射率。

s102、在所述研究区域中设置若干个相同规格的网格单元，采用区域统计法计算每个所述网格单元的平均地表温度，并选取与城市热环境有密切关系的景观格局指数，计算所述每个网格单元内的城市绿地景观格局指数信息；

具体的，对于步骤s102，根据所选取研究区的范围，设置一定500m×500m的网格单元，计算每个网格单元内平均地表温度。根据已有研究成果，本实施例选取了与城市环境有密切关联的格局指数，所选取的景观格局指数包括面积百分比(percentcover，per)、平均斑块大小(meanpatchsize,mps)、边界密度(edgedensity,ed)、总边缘长度(totaledge,te)、平均斑块分维数(meanpatchfractaldimension,mpfd)、景观形状指标(landscapeshapeindex,lsi)和最大斑块指数(largestpatchindex,lpi)共7个，求算每个网格单元内部的城市绿地景观格局指数信息。

在优选的实施例中，所述与城市热环境有密切关系的景观格局指数包括面积百分比(per)、平均斑块大小(mps)、边界密度(ed)、总边缘长度(te)、平均斑块分维数(mpfd)、景观形状指标(lsi)和最大斑块指数(lpi)。

s103、以所述每个网格单元为样本，分别计算所述平均地表温度与所选取的景观格局指数之间的相关性系数，根据其绝对值依次排序，选取绝对值最高的前4个作为典型绿地格局指数；

具体的，对于步骤s103，以所有的网格单元为样本，求算平均地表温度与所选取的城市绿地格局指数之间的相关性系数，通过绝对值后排序得到前4个相关性最高的典型绿地格局指数，在本实施例中，将面积百分比(per)、平均斑块大小(mps)、边界密度(ed)和最大斑块指数(lpi)作为下一步城市热环境建模的自变量。

s104、根据所述平均地表温度和所述4个典型绿地格局指数，采用地理加权回归算法分别构建2⁴个绿地格局指数的城市热环境预测模型，得到对应的2⁴个模型局部决定系数localr²的空间分布特征；

具体的，对于步骤s104，考虑得到的相关性最高的4个绿地格局指数的所有可能组合，本实施例共4个格局指数，因此所有的模型组合共有2⁴个。利用地理加权回归算法构建2⁴个绿地格局指数的地表温度预测模型，得到2⁴个模型局部决定系数localr²的空间分布特征。

在优选的实施例中，所述与城市热环境有密切关系的景观格局指数包括面积百分比(per)、平均斑块大小(mps)、边界密度(ed)、总边缘长度(te)、平均斑块分维数(mpfd)、景观形状指标(lsi)和最大斑块指数(lpi)。

在优选的实施例中，所述城市热环境预测模型，具体为：

其中，lsti为位置i的地表温度值，β0(ui,vi)是位置i的回归系数，xiz为第z个格局指数，(ui,vi)为空间位置坐标，ε为特定位置i的误差。

s105、利用层次分解算法分别对所述2⁴个模型局部决定系数localr²进行分解，得到每一网格单元内每种绿地格局指数的联合贡献百分比和独立贡献百分比，完成城市热环境主控因素的空间制图。

具体的，对于步骤s105，如图2所示，利用层次分解算法对所有模型得到的具有空间分布特征的localr²进行分解，得到各个网格单元内每种绿地格局指数的联合贡献百分比和独立贡献百分比，如图2(a)所示，最终通过识别每个网格单元内的独立贡献百分比最大的格局指数完成城市热环境主控因素空间制图，本实施例结果请参阅图2(b)，结果显示城市热环境的主控因素空间分布具有明显差异，城市绿地的面积百分比(per)在空间上分布范围最广，占到案例区域范围的69.29％，其次是边界密度(ed)，占比为26.48％，最大斑块指数(lpi)占比为3.88％，平均斑块大小(mps)的范围最小，仅有0.36％。

在优选的实施例中，所述完成城市热环境主控因素的空间制图，具体为：

以不同颜色标注所述研究区域内每个网格单元的独立贡献比最高的绿地格局指数；

统计所述研究区域内所有网格单元的各种绿地格局指数的联合贡献百分比，并生成报表。

如图3所示，在具体的实施例中，还提供了另一种城市热环境主控因素的空间制图方法，包括如下步骤：利用遥感影像数据获取城市热环境状况和城市绿地信息；设置一定大小的网格单元，选取与城市热环境有密切关联的格局指数，计算得到每个单元内平均温度信息和绿地格局指数；计算地表温度与每个格局指数的相关性系数，由此筛选出前4个相关性最高的典型格局指数；考虑这4个格局指数的所有组合，利用地理加权回归算法分别构建地表温度与格局指数的模型，获得所有模型局部决定系数localr²的空间分布特征；利用层次分解算法对所有模型的localr²进行分解，通过识别每个网格单元内的贡献百分比最大的格局指数完成城市热环境主控因素空间制图。

本实施例提供的一种城市热环境主控因素的空间制图方法，所述方法包括：对基于遥感影像设备采集研究区域的landsattm影像数据进行预处理，得到城市地表温度数据和城市绿地斑块信息；在所述研究区域中设置若干个相同规格的网格单元，采用区域统计法计算每个所述网格单元的平均地表温度，并选取与城市热环境有密切关系的景观格局指数，计算所述每个网格单元内的城市绿地景观格局指数信息；以所述每个网格单元为样本，分别计算所述平均地表温度与所选取的景观格局指数之间的相关性系数，根据其绝对值依次排序，选取绝对值最高的前4个作为典型绿地格局指数；根据所述平均地表温度和所述4个典型绿地格局指数，采用地理加权回归算法分别构建2⁴个绿地格局指数的城市热环境预测模型，得到对应的2⁴个模型局部决定系数localr²的空间分布特征；利用层次分解算法分别对所述2⁴个模型局部决定系数localr²进行分解，得到每一网格单元内每种绿地格局指数的联合贡献百分比和独立贡献百分比，完成城市热环境主控因素的空间制图。本发明能够充分发挥地理加权回归在空间表达的优势和层次分解在贡献百分比挖掘的优势，考虑了城市热环境影响因素的空间异质性，准确地构建城市热环境主控因素空间图，实现城市热环境主控因素的快速精准定位。

本发明第二实施例：

请参阅图2和图4。

如图4所示，本实施例还提供了一种城市热环境主控因素的空间制图装置，包括：

预处理模块100，用于对基于遥感影像设备采集研究区域的landsattm影像数据进行预处理，得到城市地表温度数据和城市绿地斑块信息；

具体的，对于预处理模块100，基于landsattm影像数据计算城市地表温度状况ts，基于2010年该研究区航拍影像数据，利用面向对象方法对影像数据进行景观类型分类，提取城市绿地斑块信息。

在优选的实施例中，所述预处理具体为：

采用第一公式对基于遥感影像设备采集研究区域的landsattm影像数据转化为城市地表温度数据；

利用面向对象方法对所述landsattm影像图像进行景观类型分类，提取得到城市绿地斑块信息。

在优选的实施例中，所述第一公式具体为：

其中，ts为真实地表温度，单位为k，a和b为常数，分别为67.35和0.46，ta为大气平均作用温度，该数据可参阅2011年6月1日研究区大气状况得到，c＝ετ和d＝(1-ε)[1+(1-ε)τ]均为中间变量，τ为大气透过率，ε为比辐射率。

计算模块200，用于在所述研究区域中设置若干个相同规格的网格单元，采用区域统计法计算每个所述网格单元的平均地表温度，并选取与城市热环境有密切关系的景观格局指数，计算所述每个网格单元内的城市绿地景观格局指数信息；

具体的，对于计算模块200，根据所选取研究区的范围，设置一定500m×500m的网格单元，计算每个网格单元内平均地表温度。根据已有研究成果，本实施例选取了与城市环境有密切关联的格局指数，所选取的景观格局指数包括面积百分比(percentcover，per)、平均斑块大小(meanpatchsize,mps)、边界密度(edgedensity,ed)、总边缘长度(totaledge,te)、平均斑块分维数(meanpatchfractaldimension,mpfd)、景观形状指标(landscapeshapeindex,lsi)和最大斑块指数(largestpatchindex,lpi)共7个，求算每个网格单元内部的城市绿地景观格局指数信息。

在优选的实施例中，所述与城市热环境有密切关系的景观格局指数包括面积百分比(per)、平均斑块大小(mps)、边界密度(ed)、总边缘长度(te)、平均斑块分维数(mpfd)、景观形状指标(lsi)和最大斑块指数(lpi)。

指数筛选模块300，用于以所述每个网格单元为样本，分别计算所述平均地表温度与所选取的景观格局指数之间的相关性系数，根据其绝对值依次排序，选取绝对值最高的前4个作为典型绿地格局指数；

具体的，对于指数筛选模块300，以所有的网格单元为样本，求算平均地表温度与所选取的城市绿地格局指数之间的相关性系数，通过绝对值后排序得到前4个相关性最高的典型绿地格局指数，在本实施例中，将面积百分比(per)、平均斑块大小(mps)、边界密度(ed)和最大斑块指数(lpi)作为下一步城市热环境建模的自变量。

构建预测模型模块400，用于根据所述平均地表温度和所述4个典型绿地格局指数，采用地理加权回归算法分别构建2⁴个绿地格局指数的城市热环境预测模型，得到对应的2⁴个模型局部决定系数localr²的空间分布特征；

具体的，对于构建预测模型模块400，考虑得到的相关性最高的4个绿地格局指数的所有可能组合，本实施例共4个格局指数，因此所有的模型组合共有2⁴个。利用地理加权回归算法构建2⁴个绿地格局指数的地表温度预测模型，得到2⁴个模型局部决定系数localr²的空间分布特征。

在优选的实施例中，所述与城市热环境有密切关系的景观格局指数包括面积百分比(per)、平均斑块大小(mps)、边界密度(ed)、总边缘长度(te)、平均斑块分维数(mpfd)、景观形状指标(lsi)和最大斑块指数(lpi)。

在优选的实施例中，所述城市热环境预测模型，具体为：

其中，lsti为位置i的地表温度值，β0(ui,vi)是位置i的回归系数，xiz为第z个格局指数，(ui,vi)为空间位置坐标，ε为特定位置i的误差。

制图模块500，用于利用层次分解算法分别对所述2⁴个模型局部决定系数localr²进行分解，得到每一网格单元内每种绿地格局指数的联合贡献百分比和独立贡献百分比，完成城市热环境主控因素的空间制图。

具体的，对于制图模块500，如图2所示，利用层次分解算法对所有模型得到的具有空间分布特征的localr²进行分解，得到各个网格单元内每种绿地格局指数的联合贡献百分比和独立贡献百分比，如图2(a)所示，最终通过识别每个网格单元内的独立贡献百分比最大的格局指数完成城市热环境主控因素空间制图，本实施例结果请参阅图2(b)，结果显示城市热环境的主控因素空间分布具有明显差异，城市绿地的面积百分比(per)在空间上分布范围最广，占到案例区域范围的69.29％，其次是边界密度(ed)，占比为26.48％，最大斑块指数(lpi)占比为3.88％，平均斑块大小(mps)的范围最小，仅有0.36％。

在优选的实施例中，所述完成城市热环境主控因素的空间制图，具体为：

以不同颜色标注所述研究区域内每个网格单元的独立贡献比最高的绿地格局指数；

统计所述研究区域内所有网格单元的各种绿地格局指数的联合贡献百分比，并生成报表。

本实施例提供的城市热环境主控因素的空间制图装置，包括：预处理模块，用于对基于遥感影像设备采集研究区域的landsattm影像数据进行预处理，得到城市地表温度数据和城市绿地斑块信息；计算模块，用于在所述研究区域中设置若干个相同规格的网格单元，采用区域统计法计算每个所述网格单元的平均地表温度，并选取与城市热环境有密切关系的景观格局指数，计算所述每个网格单元内的城市绿地景观格局指数信息；指数筛选模块，用于以所述每个网格单元为样本，分别计算所述平均地表温度与所选取的景观格局指数之间的相关性系数，根据其绝对值依次排序，选取绝对值最高的前4个作为典型绿地格局指数；构建预测模型模块，用于根据所述平均地表温度和所述4个典型绿地格局指数，采用地理加权回归算法分别构建2⁴个绿地格局指数的城市热环境预测模型，得到对应的2⁴个模型局部决定系数localr²的空间分布特征；制图模块，用于利用层次分解算法分别对所述24个模型局部决定系数localr2进行分解，得到每一网格单元内每种绿地格局指数的联合贡献百分比和独立贡献百分比，完成城市热环境主控因素的空间制图。本发明能够充分发挥地理加权回归在空间表达的优势和层次分解在贡献百分比挖掘的优势，考虑了城市热环境影响因素的空间异质性，准确地构建城市热环境主控因素空间图，实现城市热环境主控因素的快速精准定位。

本发明的一个实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的城市热环境主控因素的空间制图方法。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变形，这些改进和变形也视为本发明的保护范围。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。