一種基于神經(jīng)網(wǎng)絡的預測城市熱島效應強度的方法

本發(fā)明涉及神經(jīng)網(wǎng)絡領域，具體為一種基于神經(jīng)網(wǎng)絡的預測城市熱島效應強度的方法。

背景技術(shù)：

1、城市化被認為是人類在地球表面上最明顯的活動，這意味著更多的自然下墊面，主要是植被覆蓋和可滲透區(qū)域，被轉(zhuǎn)化為人工下墊面，從而促進了城鄉(xiāng)地區(qū)土地利用/覆被變化(land?use?and?cover?change，lucc)的顯著變化；

2、目前，多數(shù)學者可以通過分析lucc變化來對地表溫度和城市熱島進行研究，但缺乏對lucc變化的預測分析及其對于城市地表溫度的影響，導致預測的城市熱島效應的可靠性和準確性偏低；

3、因此，人們急需一種基于神經(jīng)網(wǎng)絡的預測城市熱島效應強度的方法來解決上述問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于神經(jīng)網(wǎng)絡的預測城市熱島效應強度的方法，以解決上述背景技術(shù)中提出的問題。

2、為了解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

3、一種基于神經(jīng)網(wǎng)絡的預測城市熱島效應強度的方法，該方法包括以下步驟：

4、s1、采集待監(jiān)測區(qū)域當前年份及歷史年份的陸地衛(wèi)星影像，并將獲取的影像進行預處理，獲取地表溫度影像；根據(jù)土地覆蓋類型，通過原始影像及土地覆蓋類型，計算各年份的土地覆被指數(shù)，根據(jù)各年份的土地覆被指數(shù)，獲得各年份的土地覆被指數(shù)圖；通過地表溫度影像，計算各年份的城市熱島強度；

5、數(shù)據(jù)采集是從現(xiàn)有l(wèi)andsat?collection?2level?2數(shù)據(jù)集中，選取云量小于10％的陸地衛(wèi)星影像數(shù)據(jù)；

6、預處理是由于上述網(wǎng)站存儲數(shù)據(jù)都是整形，所以真實結(jié)果往往存在一定的縮放系數(shù)和偏移量，通過美國地質(zhì)調(diào)查局網(wǎng)站提供的數(shù)據(jù)使用手冊，在envi中使用band?math功能進行計算b1*0.00341802+149，即可得到真實地表溫度，此時地表溫度單位為開爾文，所以再減去273.15即可得到攝氏溫度的地表溫度；

7、s2、采集土地覆蓋類型的樣本影像，訓練支持向量機；將原始影像，通過訓練完成的支持向量機，提取各影像的土地覆蓋類型，獲得各年份的土地利用圖；

8、支持向量機(supportvector?machine，svm)是一種廣泛應用于圖像分類的機器學習算法，它具有不干擾似然函數(shù)和對訓練數(shù)據(jù)要求最小的優(yōu)點；

9、s3、構(gòu)建ca-markov模型，將歷史年份的土地利用圖，通過ca-markov模型，預測當前年份的土地利用圖，將預測的結(jié)果與當前年份的實際土地利用圖進行比較驗證；通過驗證和領域均值濾波器完善ca-markov模型；通過完善后的最終ca-markov模型，預測未來年份的土地利用圖；

10、ca-markov模型因其考慮空間和時間變化的能力而被廣泛使用，是模擬土地利用變化最有效的模型之一；

11、s4、構(gòu)建人工神經(jīng)網(wǎng)絡模型，將歷史年份的土地覆被指數(shù)圖作為輸入層，將當前年份的土地覆被指數(shù)圖作為輸出層，訓練人工神經(jīng)網(wǎng)絡模型；通過訓練完成的人工神經(jīng)網(wǎng)絡模型，預測未來年份的土地覆被指數(shù)圖；

12、s5、構(gòu)建多元線性回歸，將歷史年份的土地覆被指數(shù)作為自變量，將對應年份的城市熱島強度作為因變量，獲得城市熱島強度與土地覆被指數(shù)的回歸關(guān)系；

13、s6、將預測的未來年份的土地利用圖和土地覆被指數(shù)圖，按照土地利用等級提取土地覆被指數(shù)，根據(jù)提取的土地覆被指數(shù)結(jié)合城市熱島強度與土地覆被指數(shù)的回歸關(guān)系，預測未來年份的城市熱島強度。

14、根據(jù)上述技術(shù)方案，步驟s1中，計算各年份的土地覆被指數(shù)及城市熱島強度，具體過程如下：

15、s2-1、當前年份記為t年份，設置時間間隔為n，依次采集t年份及t-in年份，待監(jiān)測區(qū)域的陸地衛(wèi)星影像并預處理，獲取地表溫度影像，所述i∈[1，a]，所述t，n，a均為預置的固定參數(shù)；

16、s2-2、土地覆蓋類型包括建成區(qū)、林地區(qū)、水區(qū)及裸地區(qū)，根據(jù)土地覆蓋類型，土地覆被指數(shù)包括城市建筑指數(shù)、大氣阻抗植被指數(shù)、歸一化水體指數(shù)及裸土指數(shù)；

17、s2-3、根據(jù)原始圖像，計算各年份的城市建筑指數(shù)，公式如下：

18、

19、其中，ibi表示城市建筑指數(shù)，ndbi表示歸一化建筑指數(shù)；savi表示土壤調(diào)節(jié)植被指數(shù)；mndwi表示改進型歸一化水體指數(shù)；

20、根據(jù)下列公式計算歸一化建筑指數(shù)ndbi：

21、

22、其中，swir表示短波紅外波段的反射率，對應landsat?8波段6；nir代表近紅外波段的反射率，對應landsat?8波段5；

23、landsat?8是美國地球觀測衛(wèi)星計劃中的一顆衛(wèi)星，它攜帶著一種名為operational?land?imager(oli)的傳感器，該傳感器能夠捕捉來自地球表面的可見光和紅外輻射，并產(chǎn)生各種波段的圖像。

24、根據(jù)下列公式計算土壤調(diào)節(jié)植被指數(shù)savi：

25、

26、其中，red表示紅波段的反射率，對應landsat?8波段4；l表示土壤調(diào)節(jié)系數(shù)且l∈[0,1]；l＝0時，表示植被覆蓋度為零；l＝1時，表示土壤背景的影響為零，即植被覆蓋度非常高；

27、根據(jù)下列公式計算改進型歸一化水體指數(shù)mndvi：

28、

29、其中，green代表近紅外波段的反射率，對應landsat?8波段3；

30、s2-4、根據(jù)獲取的原始圖像，計算各年份的大氣阻抗植被指數(shù)，公式如下：

31、

32、其中，arvi表示大氣阻抗植被指數(shù)；blue代表藍波段的反射率，對應landsat?8波段2；

33、s2-5、根據(jù)原始圖像，計算各年份的歸一化水體指數(shù)，公式如下：

34、

35、其中，ndwi表示歸一化水體指數(shù)；

36、s2-6、根據(jù)原始圖像，計算各年份的裸土指數(shù)，公式如下：

37、

38、其中，bsi表示裸土指數(shù)；

39、s2-7、根據(jù)上述公式，計算出各年份的土地覆被指數(shù)后，獲得各年份的土地覆被指數(shù)圖；

40、s2-8、根據(jù)地表溫度影像，計算各年份的城市熱島強度，公式如下；

41、uhii＝tu-tr

42、其中，uhii表示城市熱島強度；tu表示城區(qū)地表溫度；tr代表郊區(qū)地表溫度。

43、根據(jù)上述技術(shù)方案，步驟s3中，預測未來年份的土地利用圖，具體過程如下：

44、s3-1、構(gòu)建ca-markov模型，將獲取的t-n年份及t-2n的土地利用圖，利用馬爾科夫鏈分析后，通過ca-markov模型，預測t年份的土地利用圖；

45、s3-2、在驗證部分，以t-n年份的土地利用圖為基底，結(jié)合t-2n年份到t-n年份的土地利用圖的變化，對t年份的土地利用圖進行j次迭代模擬，j∈[1，b]，所述b為預置的固定參數(shù)，然后將模擬結(jié)果與t年份的實際土地利用圖進行比較，選取飽和度最高的迭代次數(shù)，作為迭代模擬的最佳次數(shù)；

46、s3-3、通過驗證和領域均值濾波器將ca-markov模型完善，獲得最終ca-markov模型；

47、s3-4、將獲取的t年份及t-n的實際土地利用圖，利用馬爾科夫鏈分析后，通過最終ca-markov模型，預測t+n年份的土地利用圖。

48、根據(jù)上述技術(shù)方案，步驟s4中，預測未來年份的土地覆被指數(shù)圖，具體過程如下：

49、s4-1、構(gòu)建人工神經(jīng)網(wǎng)絡模型，將t-in年份的土地覆被指數(shù)圖作為輸入層，將t年份的土地覆被指數(shù)圖作為輸出層，訓練人工網(wǎng)絡模型；

50、s4-2、通過訓練完成的人工網(wǎng)絡模型，預測t+n年份的土地覆被指數(shù)圖。

51、根據(jù)上述技術(shù)方案，步驟s5中，獲得城市熱島強度與土地覆被指數(shù)的回歸關(guān)系，具體過程如下：

52、s5-1、構(gòu)建多元線性回歸，公式表達如下：

53、y＝β0+β1x1+β2x2+…+βkxk

54、其中，y表示因變量，xk表示第k個自變量，β0表示y軸截距，βk表示每個自變量的斜率系數(shù)，k∈[1，c]，所述c表示自變量的總數(shù)；

55、s5-2、將t-in年份的土地覆被指數(shù)作為自變量，將對應年份的城市熱島強度作為因變量，輸入到構(gòu)建的多元線性回歸中；

56、通過平均絕對誤差、均方誤差、均方根誤差、平均絕對百分比誤差進行準確性評估，具體公式如下：

57、

58、其中，mae表示平均絕對誤差，mse表示均方誤差，rmse表示均方根誤差，mape表示平均絕對百分比誤差，yi表示因變量的真實值，yi'表示因變量的預測值；

59、獲得城市熱島強度與土地覆被指數(shù)的回歸關(guān)系。

60、根據(jù)上述技術(shù)方案，步驟s5中，預測未來年份的城市熱島強度，具體過程如下：

61、s6-1、將預測的t+n年份的土地利用圖和土地覆被指數(shù)圖，按照土地利用等級提取土地覆被指數(shù)；所述土地利用等級是根據(jù)土地利用圖中各區(qū)域的性質(zhì)，劃分出代表區(qū)域；

62、s6-2、將提取出的t+n年份的土地覆被指數(shù)，結(jié)合城市熱島強度與土地覆被指數(shù)的回歸關(guān)系，預測出t+n年份的城市熱島強度。

63、與現(xiàn)有技術(shù)相比，本發(fā)明所達到的有益效果是：

64、本發(fā)明綜合考慮了土地利用的變化對城市熱島效應產(chǎn)生的影響，將其加入到預測模型中，同時，采用人工神經(jīng)網(wǎng)絡對土地覆被指數(shù)進行了模擬預測，能夠針對大范圍城市區(qū)進行城市熱島預測，不僅使得預測結(jié)果更加精準可靠，而且提高產(chǎn)品的質(zhì)量。