一种基于MODIS数据的人居环境自然要素时空演变特征分析方法
本发明涉及一种基于modis数据的人居环境自然要素时空演变特征分析方法,属于遥感地学应用。
背景技术:
1、人居环境自然要素是指影响人类生活质量的自然生态系统组成部分,包括空气质量、地表温度、水体指数和植被覆盖度等。这些要素的变化直接关系到区域生态环境健康、资源利用的可持续性以及居民的生活舒适度和安全性。随着工业化和城市化的加速,许多地区面临着严峻的环境挑战,如空气污染、城市热岛效应、水资源短缺和植被退化等。因此,研究和分析这些自然要素的时空演变特征,对于制定有效的环境治理政策和推动区域可持续发展具有重要意义。
2、modis(中分辨率成像光谱仪)是美国航空航天局(nasa)提供的全球卫星遥感数据源,广泛应用于监测和评估全球及区域生态环境变化。modis具备每日观测能力,提供高时间和空间分辨率的数据,包括地表温度、地表反射率和植被指数等多种产品。这些数据为研究全球气候变化、生态系统动态和土地利用变化提供了重要的基础信息。利用modis数据进行时序分析,可以全面揭示人居环境要素的动态变化过程和规律,为科学研究和实际应用提供高价值的信息支持,是人居环境监测与管理领域的重要工具。
技术实现思路
1、本发明要解决的问题是:当前方法普遍依赖地面站点数据,存在空间覆盖不连续、监测成本高昂且难以实现大范围同步观测的局限;同时,现有研究多侧重于单一要素或静态分析,缺乏对多自然要素(如空气质量、植被覆盖、地表温度、水体分布等)协同演变的长时序、高频率动态监测与深度关联分析,导致难以系统揭示人居环境自然系统的整体演变规律和内在驱动机制。
2、为了解决以上技术问题,本发明提供的一种基于modis数据的人居环境自然要素时空演变特征分析方法,包括以下步骤:
3、步骤1:时间变化特征分析
4、借助行政区划数据,分区统计得到各行政区划单元在研究时间段内逐年的年均pm2.5、白天地表温度、夜晚地表温度、水体指数以及年最大植被覆盖度均值;然后利用一元线性回归趋势分析方法,计算各行政区划单元各自然要素的时间变化斜率,揭示所述自然要素的时间变化特征; 其中,所述研究时间段为2000年以来的连续年份序列,年份序号,为总年数;所述自然要素包括pm2.5浓度、白天地表温度、夜晚地表温度、水体指数和植被覆盖度;所述时间变化斜率的计算公式为:
5、
6、式中,为第年的自然要素值,表示要素呈上升趋势,表示呈下降趋势;
7、步骤2:趋势性与显著性对比分析
8、借助theil-sen趋势分析方法,采用以下两种公式中的任意一种计算各像元各自然要素的趋势度:median趋势度或mean趋势度,并与一元线性回归趋势分析方法的结果进行对比分析;同时结合mann-kendall检验和f检验两种统计分析方法,分别计算各像元各自然要素变化的显著性统计量,并对比分析显著性特征;其中,所述像元为modis遥感影像的基本空间单元;趋势度的计算公式为以下两种之一: (a) theil-sen median趋势度:
9、
10、(b) theil-sen mean趋势度:
11、
12、式中,分别为第年和第年的自然要素值,表示上升趋势,表示下降趋势;
13、所述mann-kendall检验中,标准化检验统计量的计算公式为:
14、其中,,;若,表示在置信水平下存在显著的趋势变化,为标准正态分布分位数; 所述f检验中,f统计量的计算公式为:
15、式中,为回归平方和,为误差平方和,为第年的回归值,为研究时间段内自然要素的平均值;
16、步骤3:稳定性特征分析
17、采用变异系数法,计算各像元各自然要素的变异系数或标准差,定量分析自然要素变化的稳定性特征;其中,对于pm2.5和地表温度,采用变异系数进行计算:
18、
19、对于水体指数和植被覆盖度,采用标准差进行计算:
20、
21、式中,或值越大,表示自然要素年际波动越大,时序稳定性越差;反之则表示时序稳定性越好;
22、步骤4:持续性特征与未来变化趋势分析
23、利用hurst指数,采用重标极差(r/s)分析法计算各像元各自然要素的hurst指数,探讨自然要素变化的持续性特征;同时,结合步骤2中得到的趋势性分析结果,对自然要素的未来变化趋势进行综合预测;其中,所述hurst指数的计算方法为:将时间序列分为个长度为的子区间,计算每个子区间的重标极差,并拟合关系式,两端取对数后通过最小二乘法回归得到值; 若,表示时间序列具有持续性,未来变化趋势与历史变化趋势相同;若,表示随机性;若,表示反持续性,未来变化趋势与历史变化趋势相反;所述未来变化趋势的综合预测,是根据趋势性分析结果(上升或下降)与持续性分析结果(持续或反持续)共同判定。
24、优选的:步骤1中所述行政区划数据包括江苏省13个地级市、苏南苏北苏中三大分区以及全省范围;所述研究时间段的长度为16年,即。
25、优选的:步骤2中所述mann-kendall检验的置信水平取0.10、0.05和0.01,对应的临界值分别为1.64、1.96和2.56。
26、优选的:步骤2中所述f检验的结果,根据的正负和显著性水平值,将变化趋势划分为9个等级:极显著减少、显著减少、不显著减少、极显著不变、显著不变、不显著不变、不显著增加、显著增加、极显著增加。
27、优选的:步骤4中,对计算获得的hurst指数进行聚类分析,将其分为如下四类:为强持续性,为弱持续性,为弱反持续性,为强反持续性。
28、优选的:步骤4中所述重标极差(r/s)分析法中,子区间长度取值为8、4、2、1,对应的子区间个数分别为2、4、8、16。
29、本发明具有如下有益效果:
30、首先体现在其能够突破传统地面监测方法的多重限制,实现大范围、高效率的人居环境自然要素动态跟踪与分析。基于modis数据,该方法通过利用其高时间分辨率和广泛的空间覆盖能力,克服了地面监测在空间和时间上的局限性,有效填补了数据缺口。这种基于卫星遥感的大尺度、新方法不但降低了对昂贵地面监测站点的依赖,节省了大量的人力和经济成本,还能在短时间内获取广泛区域的全面环境信息,从而大幅提高了对动态环境变化进行实时监测与评价的能力。此外,通过数据自动化处理和分析能力的整合,该系统能够快速响应并生成高时效性的环境报告,为应对突发性环境事件提供了重要的数据支持。这种时空连续性的数据获取方式在实现对环境变化的长期稳健性监测方面具有无可比拟的优势,确保了环境决策的科学性和前瞻性。
31、其次,该分析方法通过多要素融合,系统化提升了对人居环境自然要素的解读深度与广度,实现了对复杂环境系统的整体性把握。不同于传统单一指标监测或静态分析,该方法通过多模态数据融合技术,深度整合了空气质量、植被、温度、水体等多种自然要素的信息,能从整体视角解析它们的交互作用和协同演变特征。例如,城市化过程中,modis数据支持下的地表温度和植被指数的综合分析,可以揭示城市热岛效应的动态变化及其与城市扩张的关联性,这对于优化城市规划具有直接的指导意义。同时,通过机器学习算法对海量遥感数据进行深入挖掘,该方法还能自动识别环境变化的关键驱动因素和预警信号,为科学制定污染防治及生态修复策略提供了坚实的基础。总体而言,这项发明不仅大幅提升了环境监测与分析的技术水平,还推动了人们对自然环境复杂动态过程的深入理解,并为可持续发展目标的实现提供了有力支持。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com