一种城市热岛主控因素的分析方法、装置及存储介质与流程

本发明涉及环境监测技术领域，具体涉及一种城市热岛主控因素的分析方法、装置及存储介质。

背景技术：

在快速城市化的背景下，城市热岛效应作为城市气候主要特征之一有日趋严重的趋势。遥感数据的广泛应用使得在不同尺度上进行热岛效应成因分析研究成为可能，大量研究结果表明，城市非渗透地表、植被、水体等景观的组成与配置模式对热岛形成与发展有重要作用。因此，寻求高效准确的城市热岛主控因素挖掘方法，快速定位影响热岛的城市规划参数，对缓解城市热岛和构建宜居城市有重要意义。

chevan等人在1991年提出了一种层次分解(hierarchicalpartitioning)算法，用于挖掘不同影响因素对预测变量的贡献程度，目前已在城市景观与热环境研究领域得到广泛应用。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，现有技术一般是基于全局最小二乘法的线性回归分析，从而对影响因子进行全局的参数估计，但没有考虑到影响因子对城市热岛的多方面作用，造成算法精度低的缺陷，无法满足城市热岛控制因素的快速高精度挖掘的需求。

技术实现要素：

本发明实施例所要解决的技术问题在于，提供一种城市热岛主控因素的分析方法、装置及存储介质，能够快速和精准分析城市热岛控制因素。

为解决上述问题，本发明的一个实施例提供一种城市热岛主控因素的分析方法，适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的landsattm影像数据进行预处理，得到真实地表温度数据和城市绿地斑块信息；

对所述地表温度数据进行图像分割处理，得到城市热岛区域图像；

在所述城市热岛区域图像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内的平均地表温度，并选取n个绿地景观格局指数作为影响因子，计算每个所述网格单元内的城市绿地景观格局指数信息；

根据所述平均地表温度和城市绿地景观格局指数信息，采用地理加权回归算法分别构建2ⁿ个绿地格局指数的地表温度预测模型，得到对应的2ⁿ个模型决定系数r²；

利用层次分解算法对每一所述模型决定系数r²进行分解，得到每种绿地格局指数的联合贡献百分比和独立贡献百分比，识别出城市热岛的主控因素。

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的landsattm影像数据转化为真实地表温度数据；

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，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是比辐射率。

进一步地，所述图像分割处理，具体为：

对所述真实地表温度数据设置分割尺度和复杂性系数，得到地表温度分割单元；

采用集聚分析算法计算所述地表温度分割单元的集聚特征，得到城市热岛区域图像。

进一步地，所述绿地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)和最大斑块指数(lpi)。

进一步地，所述地表温度预测模型，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岛主控因素的分析装置，包括：

数据预处理模块，用于对基于遥感影像设备采集的landsattm影像数据进行预处理，得到真实地表温度数据和城市绿地斑块信息；

图像分割模块，用于对所述地表温度数据进行图像分割处理，得到城市热岛区域图像；

计算模块，用于在所述城市热岛区域图像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内的平均地表温度，并选取n个绿地景观格局指数作为影响因子，计算每个所述网格单元内的城市绿地景观格局指数信息；

预测模型模块，用于根据所述平均地表温度和城市绿地景观格局指数信息，采用地理加权回归算法分别构建2ⁿ个绿地格局指数的地表温度预测模型，得到对应的2ⁿ个模型决定系数r²；

因素分析模块，用于利用层次分解算法对每一所述模型决定系数r²进行分解，得到每种绿地格局指数的联合贡献百分比和独立贡献百分比，识别出城市热岛的主控因素。

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的landsattm影像数据转化为真实地表温度数据；

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，所述图像分割处理，具体为：

对所述真实地表温度数据设置分割尺度和复杂性系数，得到地表温度分割单元；

采用集聚分析算法计算所述地表温度分割单元的集聚特征，得到城市热岛区域图像。

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岛主控因素的分析方法。

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岛主控因素的分析方法、装置及存储介质，所述方法包括：对采集的landsattm影像数据进行预处理，得到真实地表温度数据和城市绿地斑块信息后进行图像分割，得到城市热岛区域图像后设置网格单元，计算每个网格单元内的平均地表温度，并选取n个绿地景观格局指数作为影响因子，计算每个网格单元内的城市绿地景观格局指数信息；根据平均地表温度和城市绿地景观格局指数信息，构建绿地格局指数的地表温度预测模型，对模型决定系数r²进行分解，得到每种绿地格局指数的联合贡献百分比和独立贡献百分比，从而识别出城市热岛的主控因素。本发明能够考虑城市热岛及其影响因子的空间异质性，通过改进原有的层次分解算法从而提高热岛效应的建模精度，实现城市热岛控制因素的快速高精度挖掘。

附图说明

图1为本发明第一实施例提供的一种城市热岛主控因素的分析方法的流程示意图；

图2为本发明第一实施例提供的2⁴个模型决定系数r²表；

图3为本发明第一实施例提供的不同绿地景观格局指数独立贡献和联合贡献百分比的示意图；

图4为本发明第一实施例提供的另一种城市热岛主控因素的分析方法的流程示意图；

图5为本发明第二实施例提供的一种城市热岛主控因素的分析装置的结构示意图。

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，如分析城市热岛主控因素。

需要说明的是，使用本发明时可根据应用需求更换原始地表温度数据，如modis影像可提供1km空间分辨率的地表温度数据，能用于城市群尺度的热岛效应分析，同样适合于本方法。除外，可将本发明的算法推广到其它学科，用于挖掘自变量对因变量的贡献程度。本发明具体实施例中，以广州市核心区为案例区域，以2011年6月1日landsattm影像和2010年高空间分辨率遥感影像为数据源。

本发明第一实施例：

请参阅图1-4。

如图1所示，本实施例提供的一种城市热岛主控因素的分析方法，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的landsattm影像数据进行预处理，得到真实地表温度数据和城市绿地斑块信息；

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的landsattm影像数据转化为真实地表温度数据；

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。

具体的，对所述地表温度数据进行图像分割，采用集聚分析算法计算地表温度分割单元的集聚特征，获得城市热岛范围。同时利用面向对象方法提取城市绿地斑块信息。

s102、对所述地表温度数据进行图像分割处理，得到城市热岛区域图像；

具体的，对于步骤s102，在本实施例当中，根据地表温度影像特征，设置分割尺度为5，复杂性系数为0.3，得到地表温度分割单元。然后采用集聚分析算法计算地表温度分割单元的集聚特征，获得城市热岛范围。同时利用面向对象方法对2010年该研究区高空间分辨率影像进行景观类型分类，提取城市绿地斑块信息。

s103、在所述城市热岛区域图像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内的平均地表温度，并选取n个绿地景观格局指数作为影响因子，计算每个所述网格单元内的城市绿地景观格局指数信息；

对于步骤s103，具体的，只局限于热岛范围内，设置一定400m×400m的网格单元，采用区域统计法计算单位内平均地表温度。根据前人研究成果，本实施例选取对城市热岛有重要影响的绿地景观格局指数作为影响因子，所选取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)和最大斑块指数(lpi)四个，最后求算每个网格单元内部的城市绿地景观格局指数信息。

s104、根据所述平均地表温度和城市绿地景观格局指数信息，采用地理加权回归算法分别构建2ⁿ个绿地格局指数的地表温度预测模型，得到对应的2ⁿ个模型决定系数r²；

对于步骤s104，具体的，考虑所有可能的绿地格局指数组合，即，若模型考虑到的格局指数有n个，则需要构建的模型个数为2ⁿ个。利用地理加权回归算法构建2ⁿ个绿地格局指数的地表温度预测模型，得到2ⁿ个模型决定系数r²。

s105、利用层次分解算法对每一所述模型决定系数r²进行分解，得到每种绿地格局指数的联合贡献百分比和独立贡献百分比，识别出城市热岛的主控因素。

对于步骤s105，具体的，利用层次分解算法对所有决定系数r2进行分解，得到每种绿地格局指数的联合贡献百分比和独立贡献百分比，根据独立贡献百分比大小最终识别出城市热岛的主控因素，如图3所示，结果显示面积百分比(per)的独立贡献率最大(30.86％)，表示绿地面积百分比能独立解释城市热岛的30.86％，边界密度(ed)次之(29.09％)，平均斑块大小(mps)的独立贡献率最大，仅有9.86％。因此，可以得到绿地面积百分比是城市热岛的主控因素，边界密度的作用次之。

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，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是比辐射率。

在优选的实施例中，所述图像分割处理，具体为：

对所述真实地表温度数据设置分割尺度和复杂性系数，得到地表温度分割单元；

采用集聚分析算法计算所述地表温度分割单元的集聚特征，得到城市热岛区域图像。

在优选的实施例中，所述绿地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)和最大斑块指数(lpi)。

在优选的实施例中，所述地表温度预测模型，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。

具体的，如图2所示，考虑所有可能的绿地格局指数组合，本实施例共4个格局指数，则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个模型决定系数r²。

如图4所示，在具体的实施例中，还提供了另一种城市热岛主控因素的分析方法，包括：利用遥感影像分别获取城市地表温度与城市绿地信息，再利用影像分割和集聚度分析耦合的方法提取城市热岛范围；设置一定大小的网格单元，求算热岛范围内每个单元内部的平均温度和绿地格局指数；改进原有的层次分解算法，考虑所有可能的绿地格局指数组合，利用地理加权回归算法分别构建地表温度与格局指数的局部模型，获得所有模型决定系数r²；利用层次分解算法对所有r²进行分解，得到每种绿地格局指数的独立贡献百分比，最终识别出城市热岛的主控因素。

本实施例提供的一种城市热岛主控因素的分析方法，所述方法包括：对采集的landsattm影像数据进行预处理，得到真实地表温度数据和城市绿地斑块信息后进行图像分割，得到城市热岛区域图像后设置网格单元，计算每个网格单元内的平均地表温度，并选取n个绿地景观格局指数作为影响因子，计算每个网格单元内的城市绿地景观格局指数信息；根据平均地表温度和城市绿地景观格局指数信息，构建绿地格局指数的地表温度预测模型，对模型决定系数r²进行分解，得到每种绿地格局指数的联合贡献百分比和独立贡献百分比，从而识别出城市热岛的主控因素。本发明能够考虑城市热岛及其影响因子的空间异质性，通过改进原有的层次分解算法从而提高热岛效应的建模精度，实现城市热岛控制因素的快速高精度挖掘。

本发明第二实施例：

请参阅图2-5。

如图5所示，本实施例还提供了一种城市热岛主控因素的分析装置，包括：

数据预处理模块100，用于对基于遥感影像设备采集的landsattm影像数据进行预处理，得到真实地表温度数据和城市绿地斑块信息；

图像分割模块200，用于对所述地表温度数据进行图像分割处理，得到城市热岛区域图像；

具体的，对于图像分割模块200，根据地表温度影像特征，设置分割尺度为5，复杂性系数为0.3，得到地表温度分割单元。然后采用集聚分析算法计算地表温度分割单元的集聚特征，获得城市热岛范围。同时利用面向对象方法对2010年该研究区高空间分辨率影像进行景观类型分类，提取城市绿地斑块信息。

计算模块300，用于在所述城市热岛区域图像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内的平均地表温度，并选取n个绿地景观格局指数作为影响因子，计算每个所述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300，只局限于热岛范围内，设置一定400m×400m的网格单元，采用区域统计法计算单位内平均地表温度。根据前人研究成果，本实施例选取对城市热岛有重要影响的绿地景观格局指数作为影响因子，所选取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)和最大斑块指数(lpi)四个，最后求算每个网格单元内部的城市绿地景观格局指数信息。

预测模型模块400，用于根据所述平均地表温度和城市绿地景观格局指数信息，采用地理加权回归算法分别构建2ⁿ个绿地格局指数的地表温度预测模型，得到对应的2ⁿ个模型决定系数r²；

具体的，对于预测模型模块400，考虑所有可能的绿地格局指数组合，即，若模型考虑到的格局指数有n个，则需要构建的模型个数为2ⁿ个。利用地理加权回归算法构建2ⁿ个绿地格局指数的地表温度预测模型，得到2ⁿ个模型决定系数r²。

因素分析模块500，用于利用层次分解算法对每一所述模型决定系数r²进行分解，得到每种绿地格局指数的联合贡献百分比和独立贡献百分比，识别出城市热岛的主控因素。

具体的，对于因素分析模块500，利用层次分解算法对所有决定系数r2进行分解，得到每种绿地格局指数的联合贡献百分比和独立贡献百分比，根据独立贡献百分比大小最终识别出城市热岛的主控因素，如图3所示，结果显示面积百分比(per)的独立贡献率最大(30.86％)，表示绿地面积百分比能独立解释城市热岛的30.86％，边界密度(ed)次之(29.09％)，平均斑块大小(mps)的独立贡献率最大，仅有9.86％。因此，可以得到绿地面积百分比是城市热岛的主控因素，边界密度的作用次之。

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的landsattm影像数据转化为真实地表温度数据；

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。

具体的，对所述地表温度数据进行图像分割，采用集聚分析算法计算地表温度分割单元的集聚特征，获得城市热岛范围。同时利用面向对象方法提取城市绿地斑块信息。

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，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是比辐射率。

在优选的实施例中，所述图像分割处理，具体为：

对所述真实地表温度数据设置分割尺度和复杂性系数，得到地表温度分割单元；

采用集聚分析算法计算所述地表温度分割单元的集聚特征，得到城市热岛区域图像。

在优选的实施例中，所述绿地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)和最大斑块指数(lpi)。

在优选的实施例中，所述地表温度预测模型，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。

具体的，如图2所示，考虑所有可能的绿地格局指数组合，本实施例共4个格局指数，则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个模型决定系数r²。

本实施例提供的城市热岛主控因素的分析装置，包括：数据预处理模块，用于对基于遥感影像设备采集的landsattm影像数据进行预处理，得到真实地表温度数据和城市绿地斑块信息；图像分割模块，用于对所述地表温度数据进行图像分割处理，得到城市热岛区域图像；计算模块，用于在所述城市热岛区域图像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内的平均地表温度，并选取n个绿地景观格局指数作为影响因子，计算每个所述网格单元内的城市绿地景观格局指数信息；预测模型模块，用于根据所述平均地表温度和城市绿地景观格局指数信息，采用地理加权回归算法分别构建2ⁿ个绿地格局指数的地表温度预测模型，得到对应的2ⁿ个模型决定系数r²；因素分析模块，用于利用层次分解算法对每一所述模型决定系数r²进行分解，得到每种绿地格局指数的联合贡献百分比和独立贡献百分比，识别出城市热岛的主控因素。本发明能够考虑城市热岛及其影响因子的空间异质性，通过改进原有的层次分解算法从而提高热岛效应的建模精度，实现城市热岛控制因素的快速高精度挖掘。

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岛主控因素的分析方法。

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。