夜间灯光数据反演大气细颗粒物浓度方法研究

发布时间：2016-08-04 09:55

1绪论

快速城市化过程带来的不透水面迅速増加，己经引起严重的环境问题，目前得到了社会的广泛关注。随着城市化进展加快，局部的环境问题也会越来越突出，进而影响到区域、茸至全球的生态环境系统。城市化最主要的表现是大量的不透水表面替代了植被为主的利用类型。快速城市化影响下的不透水面大面积增加，改变了地表径流，增加洪水灾害的频率；加重面源污染以及影响城市化流域的生物多样性；不断増加热岛效应，进而演变成一些区域性和全球性的尺度的生态环境问题。城市土地利用变化带来了不透水面的增加引起的生态环境效应是造成全球环境变化的重要原因，不断受到国际社会的关注，涉及到不透水面的城市规划和生态环境研究现己成为全球变化新的热点。如政府间气候变化专口委员会，美国国家气候评估中心等国际间科学和政策团体对全球范围内不透水面信息需求越来越迫切，通过对此数据的分析便为更加科学的决策作指导。因此，快速精确的进行大尺度不透水面制图显得尤为重要。不透水面获取的传统方法主要通过各种统计数据获得，这种方法不仅费时费力，而且由于统计口径的不稳定，易导致年份间、地区间指标不具备可比性。遥感技术具有作为一种大尺度实时快速获取地面空间信息的手段，可为城市不透水面制图提供更方便、快捷的方法，起到节约时间、人力和物力成本的作用。

.......

2DMSP－OLS与MODIS NDVI大尺度不透水面制图

2.1研究区及研究数据选取

由于整个中国的研究范围较大，不同的城市具有不同不透水面密度和类型，因化，选用整个中国作为研究对象的同时也选出能代表各种不透水面类型的城市和地区作为研究对象。其中四个省会城市北京、成都、乌鲁木齐、武没和东堯－深圳地区等五个研究区域作为研究样点城市，从上述城市中选出不透水面提取研究中所需的样本。选取另外五个省会城市哈尔滨、昆明、上海、兰州、郑州作为研究的验证样本来源地，从中选中不透水面的验证样本用来验证变量的精度和通用性。图2.1表明这些城市所处的地理位置，说明在整个中国较大的研究区域中，这些城市具有代表性。在这些城市当中，北京、上海和深圳为超级都市区，有大量的人口和GDP，分别坐落于中国的北部、东部和东南部地区。郑州、武汲和成都市是大城市，其中郑州和武汉坐落于中国中部地区，成都位于中国西部。乌鲁木齐和昆明市中等级的省会城市，分别位于中国西北和西南地区。从表2.1中可以看到每个城市区域的人口、GDP和区域面积。

2.2DMSP－OLS与MODIS NDVI大尺度不透水面制图研究方法

大尺度不透水面制图受不透水面类型的影响和数据源本身的限制，很难准确提取。不透水面的类型由于研究区域的地理位置，经济发展水平，城市发展类型，人文规划不同而不同，比如街道的造型，街道网络密度，不同的土地利用类型（商业区、居民区和工业区等），如不同城市里的灯光使用类型、照明强度可能有所不同，一般意义上不透水密度较高的地方即城市核也区灯光密度越大。但是不同城市发展类型导致的发展水平有所差异，导致在一些城市即使较低的不透水面密度和一些城市较高的不透水面密度有相同的灯光强度，都会对不透水面精确制图造成影响。如图4.5所示，北京是中国东部发达的国际大都市，当不透水面密度最小值达到0.3时，DMSP－OLS数据值已经达到饱和，而成都作为中国西南部欠发达地区的省会城市，当不透水面密度为0.55时，DMSP－OLS才出现饱和现象。数据本身自有的時点也会对不透水面测图产生影响。

3VIIRS－DNB与MODIS NDVI大尺度不透水面制图........41

3.1研究区概述和数据集........42
3.2VIIRS－DNB与MODIS NDVI大尺度不透水面制图研究方法........44
3.3VIIRS－DNB与MODIS NDVI大尺度不透水面制图分析........48
4大尺度不透水面制图数据变量射比研究........50
4.1研究区及研究数据........58
4.2数据预处理........60
5机器学习算法用于不透水面制图分析........75
5.1机器学习方法介绍........75
5.2数据获取和预处理........77
5.3BP－ANN回归和SVM回归方法用于不透水面制图........78
5.4机器学习方法与线性回归制图结果对比分析........80
5.5机器学习方法不透水面制图精度分析........85
5机器学习语言用于大尺度不透水面制图结论探讨........88
5.7本章小结.........89

5机器学习算法用于不透水面制图分析

5.1机器学习方法介绍

BP神经网络的基本思想为：学习训练过程通过信号的正向传播以及误差的反向传播2个过程共同组成，当正向传播时，输入层各神经元负责接收来自于外界的各种输入信息，，并传递给中间层各神经元；中间层作为内部信息的处理层，负责信息变换，而且依据信息变化能力的需求，可以设计为单隐层或多隐层的结构；当最后一个隐层传递至输出层各神经元的信息，经过进一步的处理后，完成一次学习训练的正向传播过程，并由输出层向外界输出信息的处理结果；当实际输出与期望输出不相符时，则开始误差的反向传播阶段，误差通过输出层，按误差梯度下降的方式调整和修正各层权值，并由隐层向输入层逐层反传，同时将误差分摊给各层的所有单元，进而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据，反复的进行信号的正向传播和误差的反向传播过程，即为各层权值不断调整的过程，同时也是神经网络学习训练的过程，送一过程持续进行到网络输出的误差降低到可以接受的程度或者预先设置的学习次数为止。BP神经网络模型结构包括了输入层、隐层和输出层（如图5.1所示）。

5.2数据获取和预处理

BP－ANN已有很多研究用于遥感影像的研究中，包括分类和回归方法，而回归方法是建立融合影像和参考数据么间的关系，并且通过建立的模型估计出想要的结果。先前的研究大多是基于线性回归方法。这里采用BP－ANN回归方法建立参考数据和低分辨率遥感数据之间的关系，用于大尺度不透水面分布制图。BP－ANN用于大尺度不透水面制图的流程图如5.3所示。主要分为以下几步，即首先从Landsat OLI获取的不透水面参考数据上选择样点，对应到NISI融合影像和单变量DMSP－OLSnor和NDVImean图像上的点，并提取对应的样点值；其次输入数据到BP神经元网络；再次计算各神经元误差；最后通过误差判断输出基于NISI的估计木透水结果。研究中采用软件进行操作，通过不断地调整模型中的网络训练参数得到较优值输出。

......

6结论与展望

本文主要以灯光数据和植被数据为数据源研究大尺度不透水面制图，并采用好光数据MODISNDIV相结合的方式寻找新的变量以期提高大尺度不透水面制图精度，探索新的方法应用于新的变量，用目前所得到的新的变量结合好的方法进行大尺度不透水面制图，描述城市不透水面的时空分布特征，服务于环境监测、水循环建模及城市发展决策等领域。本文的研究成果主要分为以下五个方面：（1）研究主要是通过对高分辨率的Landsat OLI数据进斤处理，获取分辨率较高不透水面数据作为低分辨率遥感数据获取大尺度不透水面的参考数据。区别于以往的基于SMA方法的不透水面制图方法。主要包括：（1）数据融合产生更高空间分辨率的融合影像；（2）通过植被指数和水体指数掩膜图像中的本体和植被；（3）对处理巧后的掩膜围像进行非监督分类；（4）将分类结果归并到不透水面和非不透水面两类，并结合Google Earth高分辨率影像进行目视验证。该处理方法简单快速，是一种中高分辨率遥感影像制图不透水面数据的可供参考的方法。

........

参考文献（略）

本文编号：84509