Spatial Data Partitioning Method Based on Manifold Learning
-
摘要: 空间数据划分是空间数据库系统进行高效空间连接操作的前提和基础。针对现有的空间数据划分方法难以保持低冗余度和高数据量均衡度以及高效支持空间连接的问题,提出了一种基于流形学习的空间数据划分算法。利用流形学习保留降维前源数据结构不变的特点,构建数据划分策略和映射方法,通过将邻近数据划分到同一数据块来减少数据冗余度,通过对最小数据块进行映射,提高整体的数据量均衡度。实验表明,本文提出的划分方法具有极低的数据冗余度和良好的数据量均衡度。Abstract: Spatial data partitioning is a prerequisite for high efficient spatial joins within spatial database systems. Low data redundancy and high data balance rates are difficult to maintain however, using existing spatial data partitioning methods. We propose a spatial data partitioning algorithm based on manifold learning. Manifold learning can retain the structures of source data to construct a data partitioning strategy and mapping method before dimensionality reduction. Assigning neighboring objects to the same data block reduces data redundancy while mapping objects to the smallest data block adds data balance. Experiments show that spatial data partitioning based on manifold learning can reduce the data redundancy rate to very low level with good data balance.
-
Keywords:
- spatial join /
- spatial data partitioning /
- manifold learning
-
城市温度高于城郊或农村温度的现象被称为城市热岛效应[1]。城市热岛效应会引起环境污染[2-3]、加剧能源消耗[4-5]、威胁城市居民健康[6-8]。在过去几十年间，大量学者致力于研究城市热岛效应[9-12]。但城乡系统复杂且城乡边界难以界定[13-14]，此外，仅用城市和乡村描述城市热环境主要差异会丢失众多地表细节特征，而这些细节特征决定了当地气候差异[15]。基于此，文献[13]提出了局部气候带（local climate zone, LCZ）的概念。
LCZ是指在水平尺度上几百米到几千米范围内，具有均匀的地表覆盖、结构、材质和人类活动的区域[13]，包括建成景观类型和自然覆盖类型。LCZ类别细化需要依据建筑比例、建筑高度、建筑材料和人为散发的热量等数据，数据的准确性和全面性直接影响到LCZ分类制图结果。当前，LCZ分类制图主要使用中低分辨率遥感数据（如Landsat影像和MODIS影像）[16-18]和地理数据（如地籍图、土地分类数据集、三维建筑数据集、道路数据库等）[19-21]。但中低分辨率遥感数据很难精确描绘出城市景观及其内部构成[22-23]，且地理数据获取难度大、成本高。多视角高分辨率遥感影像的出现能够有效反映不同地物的细节特征[24-25]，并且可以通过多视角影像估算城市建筑高度[26-27]，为LCZ制图提供不可或缺的数据。同其他多视角卫星相比，资源3号（Zi Yuan-3, ZY-3）卫星的三线阵立体相机最大程度地减少了多视角图像的辐射度变化，同时可以通过多图像匹配或融合方法来减少遮挡，使得获取的建筑高度精度更高[28-29]，因此本文采用ZY-3卫星影像进行建筑高度提取以及LCZ和土地分类制图。
地表温度可以调节城市大气的下层空气温度[22]，并且能够充分表示大范围区域的连续温度[30]。基于LCZ地表温度的热岛效应研究主要有季节性或长时序地表温度与LCZ关系描述分析[18, 31-32]、不同城市之间LCZ与地表温度关系的对比分析[30, 33]和建筑高度、建筑比例等变量与热岛强度的相关性分析[34]。LCZ分类依据城市冠层参数，而城市冠层数据是基于气候视角对城市形态进行量化表述[35]，城市形态是引起环境问题的原因之一[36]。但目前的研究绝大部分是在整个城市区域的尺度上分析城市形态与地表温度的响应关系，忽略了每类LCZ内部城市形态与地表温度关系的差异性，导致在针对每类LCZ提出合理化的缓解热岛效应建议时缺乏理论支撑。另外，城市形态与温度关系容易受季节影响[13]，因此城市热环境分析中必须要考虑季节性差异。
为了解决不同LCZ类别内部影响地表温度的城市形态变量的差异性，以及不同季节城市形态变量与地表温度关系的差异性，本文以深圳市ZY-3遥感影像为基础，制作基于街区的LCZ分类图，用皮尔逊偏相关和逐步回归模型分析城市形态对不同LCZ类别的季节性地表温度的影响。
1 研究数据与研究方法
1.1 研究区域
深圳市位于广东省中南部海滨，区域内地形复杂，呈狭长形，地貌类型多样，属南亚热带海洋性季风气候，气候四季变化不分明，终年温和暖湿，日照时间长。作为粤港澳大湾区发展的核心引擎之一和中国特色社会主义先行示范区，深圳是中国经济特区、全国性经济中心城市和国际化城市，是中国第一个全部城镇化的城市。然而，在深圳市城镇化过程中，人工地表面积急剧增加，导致城市热岛现象出现，因此减缓深圳热岛效应，使其更有利于居民居住和城市可持续发展，成为深圳城市规划中的重要目标。
深圳市以往的热岛研究主要集中在不同年份、不同季节地表温度的描述性对比分析和二维景观配置对地表温度的影响分析，缺乏从LCZ角度结合城市三维参数研究城市形态与地表温度的定量关系[37-41]。本文以深圳市为研究对象，致力于从城市形态规划的角度提供缓解城市热岛的科学依据，所用数据及参数汇总情况见表 1。
表 1 所用数据汇总Table 1. Data Used in This Paper数据 分辨率 时间 用途 遥感数据 ZY-3 2.1 m 2013-03-12 — 2014-02-02 土地覆盖分类和LCZ制图 Landsat8 30 m 2013—2015 地表温度反演 谷歌地球 2014 LCZ制图参考和土地覆盖分类图精度评价 地理数据 建筑高度 矢量 2013 土地覆盖分类和LCZ制图以及城市形态变量计算 道路网 矢量 2013 土地覆盖分类和LCZ制图 1.2 地表温度反演
为了更好地反映地表温度的空间分布，减少偶然误差的影响，本文将2013-2015年间所有Landsat 8影像反演得到的地表温度均值化，将深圳的季节分为3类[42]，即夏季（6月-9月）、过渡季（4月、5月、10月、11月）和冬季（12月至次年3月）。
用于地表温度反演的数据是从美国地质调查局（United States Geological Survey, USGS）获取的已完成大气校正的Landsat 8 Surface Reflectance Tier 1(Landsat8_SR）产品，重采样后其空间分辨率为30 m。该产品基于QA(quality assessment）波段对云和云阴影进行掩膜。地表温度（land surface temperature, LST）的反演公式为[10]:
$$ \mathrm{LST}=\frac{T_{B}}{1+\left(\lambda \times T_{B} / \rho\right) \ln \varepsilon} $$ (1) 式中，TB是亮度温度（K），从Landsat8_SR产品的10波段获得；λ是热红外波段的中心波长，取λ=10.8μm；ρ=1.438×10-2m∙K；ε是基于归一化植被指数（normalized difference vegetation index, NDVI）得到的地表比辐射率，水体（NDVI < 0）的地表比辐射率是0.992 5，裸土（0≤NDVI < 0.15）的地表比辐射率是0.923，植被（NDVI > 0.727）的地表比辐射率是0.986，其他土地类型的地表比辐射率计算式为[42-45]:
$$ \varepsilon=1.0094+0.047 \times \ln (\text { NDVI }) $$ (2) 1.3 土地分类制图和建筑高度计算
ZY-3卫星是中国第一颗民用高分辨率立体测绘卫星，能通过具有一定交会角的前视、正视和后视相机对同一区域进行不同视角的观测，获取该区域3个角度的立体影像，从而为获取大范围城市三维信息提供数据来源。ZY-3的正视影像、前后视影像、多光谱影像的空间分辨率分别为2.1 m、3.5 m和5.8 m。
Amap和Map World是高德地图和天地图矢量数据，它们可以提供建筑足迹、道路和水体的信息，OSM(open street map）是道路开源数据（https://www.openstreetmap.org/）。上述地理数据和ZY-3影像的差异需要经过人工纠正。归一化数字表面模型（normalized digital surface model, n DSM）用来表征地面以上物体的高度，生成n DSM流程主要包括：首先，采用ZY-3立体影像的正视和前视影像[28]，通过半全局匹配方法[46]生成数字表面模型（digital surface model, DSM）；然后，通过形态学顶帽重建得到n DSM [47]，计算过程如图 1所示；最后，在n DSM获取的基础上，以建筑高度的地理数据为基准，遗失的建筑高度数据用n DSM数据填补，得到建筑及其高度数据，如图 2(a)所示。
本文将土地覆盖分为7类：草地/灌木、树木、裸土、道路、建筑物、水体、其他不透水面[48]。首先采用地理数据（Amap、Map World和OSM）识别建筑物、道路和水，以Amap数据为基准，缺失的建筑物用Map World填补，共同将最初矢量形式的建筑足迹转换为建筑对象；道路是OSM和Map World的综合，即用Map World来补充OSM中遗漏的部分道路；水体从Map World中提取。然后，掩膜ZY-3遥感影像中上述3个类别区域，以n DSM、NDVI、归一化水体指数（normalized difference water index, NDWI）和光谱特征作为输入，采用随机森林分类器将图像剩余部分分为草地/灌木、树木、裸土和其他不透水面。最后进行手动校正，进一步完善分类结果，如图 2(b)所示。
通过随机抽样对建筑高度数据和土地分类结果进行评估，选择68个不同高度级别的建筑和926个土地分类的像素，计算出建筑高度均方根误差（root mean squared error, RMSE）是7.89 m，土地分类总体精度是88.33%, Kappa系数是0.863，精度验证见图 3，混淆矩阵见表 2。
![]()
图 3 估计建筑高度和参考建筑高度比较Figure 3. Comparison of Estimated Building Height and Reference Building Height表 2 土地覆盖分类的混淆矩阵Table 2. Confusion Matrix of Land-cover Classification土地覆盖类别 土地覆盖类别 总数 使用者精度/ % 其他不透水面 草地/灌木 树木 裸土 建筑物 水体 道路 其他不透水面 92 2 0 11 21 11 8 145 63.45 草地/灌木 0 115 5 1 0 0 0 121 95.04 树木 0 13 152 0 0 0 0 165 92.12 裸土 21 0 0 108 0 0 0 129 83.72 建筑物 3 2 0 0 145 0 0 150 96.67 水体 1 0 0 0 0 88 0 89 98.88 道路 7 1 1 0 0 0 118 127 92.91 总数 124 133 158 120 166 99 126 926 生产者精度/% 74.19 86.47 96.2 90 87.35 88.89 93.65 1.4 LCZ分类制图和分析样本的选择
街区作为城市的基本单元，对城市规划有重要意义[49]，因此本文以城市街区为单元绘制LCZ分类图。LCZ划分参考因素较多，为了避免建筑高度、建筑比例等因素的误差引起的LCZ类别错分，本文采用人工标定方法划分LCZ类别，最终确定13个LCZ类别，包括7类建成景观类型（LCZ1为紧凑高层建筑、LCZ2为紧凑中层建筑、LCZ3为紧凑低层建筑、LCZ4为开敞高层建筑、LCZ5为开敞中层建筑、LCZ6为开敞低层建筑、LCZ8为大型低层建筑）和6类自然覆盖类型（LCZA为密集树木、LCZB为稀疏树木、LCZD为低矮植被、LCZE为岩石/硬化地面、LCZF为裸土/沙地、LCZG为水体）。首先基于道路网将深圳城区划分成大小不同的街区；然后根据地表覆盖和房屋高度数据，并参考ZY-3遥感影像，按照LCZ定义与参数[13]确定每个街区类型，得到初步LCZ图；最后通过人工目视检查的方式，对整个研究区进行核查，纠正错误的分类结果，得到最终的LCZ分类图，结果如图 4所示。通过随机抽样对LCZ分类结果进行评估，选择1 427个样本，得到LCZ分类总体精度为99.51%, Kappa系数是0.995，混淆矩阵见表 3。
表 3 LCZ分类的混淆矩阵Table 3. Confusion Matrix of LCZ ClassificationLCZ类别 LCZ类别 总数 使用者精度/% LCZ1 LCZ2 LCZ3 LCZ4 LCZ5 LCZ6 LCZ8 LCZA LCZB LCZD LCZE LCZF LCZG LCZ1 85 0 0 1 0 0 0 0 0 0 0 0 0 86 98.84 LCZ2 0 122 0 0 1 0 0 0 0 0 0 0 0 123 99.19 LCZ3 0 0 87 0 0 1 0 0 0 0 0 0 0 88 98.86 LCZ4 0 0 0 91 1 0 0 0 0 0 0 0 0 92 98.91 LCZ5 0 1 0 0 143 0 0 0 0 0 0 0 0 144 99.31 LCZ6 0 0 0 0 0 115 0 0 0 0 0 0 0 115 100 LCZ8 0 0 0 0 0 0 106 0 0 0 0 0 0 106 100 LCZA 0 0 0 0 0 0 0 79 0 0 0 0 0 79 100 LCZB 0 0 0 0 0 0 0 0 148 1 0 0 0 149 99.33 LCZD 0 0 0 0 0 0 0 0 0 125 0 0 0 125 100 LCZE 0 0 0 0 0 0 0 0 0 0 130 1 0 131 99.24 LCZF 0 0 0 0 0 0 0 0 0 0 0 78 0 78 100 LCZG 0 0 0 0 0 0 0 0 0 0 0 0 111 111 100 总数 85 123 87 92 145 116 106 79 148 126 130 79 111 1 427 生产者精度/% 100 99.19 100 98.91 98.62 99.14 100 100 100 99.21 100 98.73 100 直接以街区为研究单元的问题在于街区大小形态各异和街区边缘气候容易受到相邻街区气候的影响。因此，在街区划分LCZ的基础上，从每个街区中选出尺寸形状一致且位于街区中心的LCZ样本，综合考虑样本纯净度（保证样本仅包含一类LCZ，因此样本尺寸不能太大）、代表性（能反映样本内部LCZ的空间特征，因此样本尺寸不能太小）以及样本数量，最终将分析样本尺寸定为150 m×150 m，样本量共有1 369个（建成景观类型共588个），对每个样本的LCZ类别逐一核查，保证样本的准确性。
1.5 数据分析方法
综合以往研究中常用的城市形态变量，本文选择了14个城市形态变量，其中二维城市形态变量以景观构成为主，包括其他不透水面比例（other impervious surface areas fraction, OSF）、草地/灌木比例（grass surface fraction, GSF）、树木比例（tree surface fraction, TSF）、裸土比例（soil surface fraction, SSF）、建筑比例（building surface fraction, BSF）、水域比例（water surface fraction, WSF）、道路比例（road surface fraction, RSF）和建筑朝向方差（orientation variance, OV）；三维城市形态变量以建筑结构为主，包括高度方差（height variance, HV）、平均高度（mean height, MH）、体形系数（shape coefficient, SC）、容积率（plot ratio, PR）、建筑体积和（building volume, BV）和天空开阔度（sky view factor, SVF)[50-51]。
在地表温度定量分析中，首先用单因素方差判断不同LCZ类别之间的季节性地表温度是否存在显著性差异，然后用皮尔逊偏相关分析研究建筑类型中城市形态变量和地表温度之间的相关性，其中二维变量和三维变量互为对方控制变量，最后用逐步回归模型研究不同LCZ类别的城市形态变量对地表温度的相对贡献性，确保最终模型纳入的变量都具有显著性并且没有严重的多重共线性。
2 结果分析
2.1 不同LCZ类别的季节性地表温度分析
通过单因素方差分析（P < 0.05），判断出3个季节的LCZ类型之间地表温度存在显著差异，结果如图 5所示。为了探究深圳不同LCZ类型之间的季节性地表温度差异，绘制了3个季节不同LCZ类别的地表温度箱型图，如图 6所示。
由图 6可知，不同LCZ地表温度在3个季节呈现相对一致的变化趋势：（1）建成景观类型的平均温度高于自然覆盖类型的平均温度，并且大部分建成景观类型的地表温度远高于全区域平均温度。（2）在建成景观类型中，LCZ2的平均温度最高，并且LCZ8的平均温度与其相差不足1℃，LCZ6和LCZ4的平均温度最低，LCZ1—LCZ3的平均温度高于LCZ4—LCZ6。然而，不同LCZ地表温度在3个季节也存在一定差异：（1）夏季和过渡季节的每类建成景观类型的温差大于冬季，尤其是LCZ4—LCZ6和LCZ1（紧凑高层）。（2）在过渡季节，仅有不足25%的LCZB（稀疏树木）和LCZD（低矮植被）高于平均温度，而在冬季，该比例明显增加，约55%的LCZD高于平均温度。
将中国深圳市的LCZ地表温度分布情况与美国拉斯维加斯、捷克布拉格等城市对比[30, 32-33, 52-53]，相同的是这些城市中与工业区相关的区域温度始终较高，温度最低的都是LCZA或LCZG, LCZ1—LCZ3的平均温度高于LCZ4—LCZ6。但不同城市的不同LCZ的季节性地表温度有不同的变化规律，主要表现在每类LCZ以及LCZ类型之间的温差不同，比如布拉格春、夏、秋三季变化规律比较一致，且LCZ3平均温度略高于LCZ2，但深圳市LCZ2平均温度始终高于LCZ3。这些城市之间最大的差别是城市气候特征、建筑空间布局，而季节变化也与气候有关，说明气候和建筑空间布局是影响建成景观类型地表温度的主要因素。
2.2 城市形态与季节性地表温度分析
利用皮尔逊偏相关分析研究不同季节建成景观类型城市形态变量和地表温度之间的相关性，结果见表 4。由表 4可以看出，二维变量中OSF、BSF与地表温度显著正相关，并且夏季OSF的相关性（0.387, P < 0.01）大于BSF的相关性（0.210, P < 0.01);GSF和TSF与地表温度有显著负相关影响，并且GSF的相关性始终最强；SSF、WSF、RSF 3个变量对地表温度有一定负影响，其中WSF仅在夏季与地表温度相关性显著（P < 0.01);SSF和OV在3个季节与地表温度相关性弱且均不显著（P > 0.05）。三维变量中SC、SVF与地表温度正相关，其中SVF与地表温度显著正相关，且相关性强于SC。SC是影响建筑物耗热量指标的重要因素之一，消耗的能源越多，地表温度越高，因此SC与地表温度正相关。SVF测量了周边建筑或环境遮蔽的程度，SVF越大，遮挡程度越弱，遮阳效果越差，地面接受的太阳辐射越强，可能导致更高的地表温度。与SC相比，SVF更能直接影响地表热辐射强度，所以相关性强于SC。负相关性最强的三维变量是MH。
表 4 不同季节建成景观类型中城市形态变量与地表温度偏相关系数Table 4. Partial Pearson Correlation Coefficients Between Urban Morphology and LST in Build-up Types in Different Seasons季节 二维变量 三维变量 OSF GSF TSF SSF BSF WSF RSF OV BV MH SC PR HV SVF 夏季 0.387** -0.481** -0.322** -0.041 0.210** - 0.124** -0.126** 0.012 - 0.314** - 0.327** 0.033 -0.138** -0.294** 0.241** 过渡季 0.225** -0.457** -0.339** -0.064 0.359** - 0.029 0.007 -0.035 - 0.235** - 0.249** 0.103* -0.075 -0.144** 0.271** 冬季 0.231** -0.519** -0.262** -0.049 0.384** - 0.07 - 0.032 0.024 - 0.458** - 0.465** 0.125** -0.232** -0.307** 0.481** 注：*表示P < 0.05 (双侧)，**表示P < 0.01 (双侧) 采用逐步回归模型，研究不同季节建成景观类型中城市形态变量与地表温度的回归关系，结果如表 5所示。表 5中R2是回归平方和与总平方和的比值，反映了回归方程的拟合优度，也就是自变量解释能力。随着自变量个数的增加，R2会高估实际的拟合优度，因此用调整后的R2来说明方程的拟合优度。结果显示，在不同季节，不同LCZ类型的城市形态变量与地表温度关系有明显差异，具体表现在变量影响方向和强度不同。
表 5 不同季节建成景观类型中城市形态变量与地表温度逐步回归分析Table 5. Stepwise Regression Between Urban Morphology and LST in Build-up Types in Different Seasons季节 变量 总体 LCZ1 LCZ2 LCZ3 LCZ4 LCZ5 LCZ6 LCZ8 夏季 OSF 0.424 0.682 GSF -0.437 - 0.404 -0.469 - 0.282 -0.252 0.332 TSF -0.236 - 0.328 WSF -0.409 RSF -0.132 -0.625 OV 0.276 BV 0.232 MH -0.318 0.202 SC -0.175 0.286 HV -0.214 SVF 0.392 R2 0.485 0.390 0.164 0.307 0.335 0.359 0.427 0.351 调正后的R2 0.480 0.361 0.150 0.253 0.304 0.349 0.413 0.331 过渡季 OSF 0.484 0.489 GSF -0.265 -0.498 TSF - 0.465 -0.182 -0.201 SSF - 0.173 BSF 0.902 0.573 0.555 0.268 WSF -0.242 RSF 0.216 0.219 OV -0.343 -0.514 -0.169 MH -0.589 HV 0.226 -0.154 SVF 0.209 0.756 0.191 R2 0.507 0.543 0.524 0.264 0.216 0.334 0.494 0.32 调正后的R2 0.504 0.471 0.509 0.237 0.204 0.319 0.455 0.305 冬季 OSF 0.332 -0.237 0.682 GSF -0.179 -0.721 -0.447 0.303 TSF - 0.238 -0.270 SSF - 0.312 0.215 BSF 0.723 0.479 0.268 0.198 WSF -0.439 RSF 0.106 -0.680 MH -0.152 -0.406 SC 0.355 HV 0.474 SVF 0.257 0.366 0.236 0.361 R2 0.584 0.518 0.330 0.554 0.190 0.426 0.666 0.092 调正后的R2 0.580 0.442 0.313 0.501 0.165 0.412 0.649 0.085 1）从变量影响方向看，共有5个变量方向一致，其中MH、TSF、GSF、WSF与地表温度是负相关关系，BSF则是正相关。MH越大，阴影面积越大，同时有助于风环流的形成，促进地表温度降低。TSF、GSF、WSF直接影响地表蒸散发，水分蒸发时带走地表热量，降低地表温度。因此MH、TSF、GSF、WSF与地表温度是负相关关系。而BSF越大，地表不透水面越多，地表吸收的太阳辐射越多，所以BSF表现出相反的相关性。
2）从变量在模型中出现的次数看，二维变量的次数明显高于三维变量，次数最高的变量是GSF，共计12次，最低的是PR，该变量没能进入逐步回归模型。从变量与地表温度的相关性看，GSF在冬季LCZ3模型中，与地表温度负相关最强（-0.721), BSF在过渡季节的总体模型中，与地表温度正相关最强（0.902），此外OSF、RSF与地表温度也有较强的相关性，说明土地覆盖类型是影响深圳市地表温度的首要因素。
3）从7个LCZ建成景观类型看，LCZ4—LCZ6和LCZ8的模型中出现的变量多于LCZ1—LCZ3，这可能是因为前者建筑比例相对低，其地物覆盖类型较多。在LCZ1—LCZ3，二维变量出现的次数远大于三维变量，尤其是在夏季没有三维变量和在过渡季节仅在LCZ1模型出现一个三维变量SVF，说明对于LCZ1—LCZ3，二维变量对地表温度的影响占据主导地位。在LCZ4—LCZ6和LCZ8模型中，虽然二维变量出现的次数仍然大于三维变量，但是同LCZ1—LCZ3相比，三维变量次数明显增加，尤其是SVF，出现在夏季LCZ8、过渡季节LCZ5、冬季LCZ5和LCZ6模型中，表明三维变量的影响程度增强。在总体模型中，BSF、OSF和SVF对地表温度的增加影响显著，GSF和MH则相反。
GSF在3个季节尤其是夏季模型中负相关性强，这是因为草地/灌木自身有一定的含水量，干热空气可以加强草地/灌木的蒸发蒸腾效率，从而降低地表温度。OSF与地表温度呈显著正相关关系，是由于不透水表面的材料（如混凝土、水泥、沥青）有较低的辐射率和较高的比热容，在将太阳辐射转化为感热的同时，蒸散发效率低。BSF与地表温度正相关关系最强，不仅因为建筑物表面多是不透水材质，还因为建筑物集聚区域人为散发热量高，易产生大量的空气污染物形成热辐射[3]。LCZA和LCZG温度最低（见图 5），具体原因是树叶可以直接遮挡和吸收大部分的太阳辐射能量，并且还能以蒸腾作用的方式将大部分太阳辐射转化为潜热，此外水分以水蒸汽状态散失到大气中会吸收空气热量，降低地表温度，因此树木和水体是地表温度下降最重要的因素。但在城市变量与地表温度相关性分析中，TSF和WSF对地表温度影响的显著性不如GSF强，主要原因是在样本中树木和水体这两类地物覆盖面积很小。从所有模型来看，MH的出现次数较多，显著性较强，并且对地表温度呈稳定的降温作用，这是因为建筑越高，阴影面积越大，地面接受到的太阳辐射越少，同时有助于形成地面风环流现象，冷却效果强[34]。此外同已有研究一致的是，二维变量比三维变量对地表温度影响更显著[22, 52]。
3 结语
本文以深圳市ZY-3遥感影像为基础，制作基于街区的LCZ分类图，研究不同季节、不同LCZ类别的地表温度特征，分析城市形态对不同LCZ类别的季节性地表温度的影响。研究结果表明，地表温度对于LCZ类别的响应有季节性差异，主要体现在夏季的LCZ温差最大，冬季最小。此外，不同LCZ之间城市形态和季节性地表温度的关系如下：（1）不同季节各变量与地表温度之间关系存在显著性差异，表现在变量影响的方向和大小。（2）与三维变量相比，二维变量与地表温度相关性更强，尤其是在LCZ1—LCZ3（紧凑型建筑）模型中，二维变量中建筑覆盖和草地/灌木覆盖分别与地表温度有较强的正、负相关关系，树木和水体是地表温度下降最重要的因素。因此对于该类型，可以通过减少建筑密度，增加草地/灌木、树木、水体面积来降低地表温度。（3）在其他模型分析中，虽然二维变量影响同样显著，但三维变量影响增强。由于增加建筑高度有利于地表温度的降低，所以需要在对建筑空间需求一定的情况下，不仅需要增加草地、树木、水体面积，还应当增加建筑高度，以降低地表温度、缓解城市热岛效应。
需要指出的是，地表温度的计算有多种方法，尽管总体趋势和规律是相似的，但不同温度反演方法造成的不确定性，需要在今后的研究中进一步探讨。
-
[1] Zhou X, Abel D J,Truffet D. Data Partitioning for Parallel Satial Join Pocessing[J]. Geoinformatica, 1998, 2(2): 175-204 [2] Patel J M, De Witt D J. Partition Based Spatial-merge Join[C].ACM SIGMOD Int Conf on Management of Data,New York, USA,1996 [3] Zhang S, Han J, Liu Z, et al.SJMR: Parallelizing Spatial Join with Mapreduce on Clusters[C]//IEEE International Conference on Cluster Computing and Workshops. New Orleans, LA: IEEE Press, 2009: 1-8 [4] Wang Yongjie, Meng Lingkui, Zhao Chunyu. Spatial Partitioning of Massive Data Based on Hilbert Spatial Ordering Code[J]. Geomatics and Information Science of Wuhan University, 2007, 32(7): 650-653(王永杰, 孟令奎, 赵春宇. 基于 Hilbert 空间排列码的海量空间数据划分算法研究[J]. 武汉大学学报·信息科学版, 2007, 32(7): 650-653) [5] Abugov D. Oracle Spatial Partitioning: Best Practices (an Oracle White Paper)[R]. Oracle Inc, Redwood Shores, CA, 2004 [6] Guo D. Regionalization with Dynamically Constrained Agglomerative Clustering and Partitioning (REDCAP)[J]. International Journal of Geographical Information Science, 2008, 22(7): 801-823 [7] Cheng Changxiu. A Multi-scale Spatial Index Method[J]. Geomatics and Information Science of Wuhan University, 2009, 34(5): 597-601(程昌秀. 矢量数据多尺度空间索引方法的研究 [J]. 武汉大学学报·信息科学版, 2009, 34(5): 597-601) [8] Borg I,Groenen P J F. Modern Multidimensional Scaling: Theory and Applications[M]. New York:Springer, 2005 [9] Sun Weiwei, Liu Chun, Shi Beiqi, et al. Low-dimension Manifold Feature Extraction of Hyperspectral Imagery Using Dimension Reduction with ISOMAP[J]. Geomatics and Information Science of Wuhan University, 2013, 38(6): 642-647(孙伟伟, 刘春, 施蓓琦, 等. 等距映射降维用于高光谱影像低维流形特征提取[J]. 武汉大学学报·信息科学版, 2013, 38(6): 642-647) [10] Xiong Wei, Zhang Lefei, Du Bo. A Multilinear Discriminant Subspace Projection with Orthogonalization for Face Recognition[J]. Geomatics and Information Science of Wuhan University, 2015, 40(5): 583-587(熊维, 张乐飞, 杜博. 一种基于多维正交判别子空间投影的人脸识别方法[J]. 武汉大学学报·信息科学版, 2015, 40(5): 583-587) [11] Du Peijun, Wang Xiaomei, Tan Kun, et al. Dimensionality Reduction and Feature Extraction from Hyperspectral Remote Sensing Imagery Based on Manifold Learning[J]. Geomatics and Information Science of Wuhan University, 2011, 36(2): 148-152 (杜培军, 王小美, 谭琨, 等. 利用流形学习进行高光谱遥感影像的降维与特征提取[J]. 武汉大学学报·信息科学版,2011, 36(2): 148-152) [12] De Witt D J, Naughton J F, Schneider D A, et al. Practical Skew Handling in Parallel Joins[C]. The 18th VLDB Conference, Vancouver,British Columbia,Canada,1992 -
期刊类型引用(11)
1. 祝会忠，郑建行，路阳阳. 一种多频多系统部分模糊度固定算法. 测绘科学. 2024(01): 1-14 . 
百度学术
2. 祝会忠，邓小松，范佳宝，苑晓峥. 低成本GNSS终端多普勒平滑伪距定位算法. 导航定位学报. 2024(03): 8-15 . 百度学术
3. 祝会忠，孙沐凡，李军. GNSS低成本智能终端抗差自适应差分定位算法. 导航定位学报. 2024(06): 10-19 . 百度学术
4. 卢春，何祖祺，刘友谊，陈川. 基于EKF算法与卫星导航的民航货运高精度定位系统研究. 计算技术与自动化. 2024(04): 22-28 . 百度学术
5. 龚博. 一种顾及载体运动速度的平滑滤波方法. 长江信息通信. 2023(02): 57-60 . 百度学术
6. 郭迟，卢飞，邓辰龙，唐卫明，罗亚荣. 利用等价消去原理实现实时动态单点定位快速可靠收敛. 武汉大学学报(信息科学版). 2023(07): 1117-1125 . 百度学术
7. 傅鑫榕，王甫红，郭磊，栾梦杰，祝浩祈. 不同电离层模型对智能手机实时PPP精度的影响分析. 测绘地理信息. 2023(06): 26-31 . 百度学术
8. 祝会忠，范佳宝，李军. 低成本GNSS终端的抗差RTK定位性能研究. 测绘科学. 2023(12): 1-9 . 百度学术
9. 刘路，郭金运，周茂盛，鄢建国，纪兵，赵春梅. GNSS广播星历轨道和钟差精度分析. 武汉大学学报(信息科学版). 2022(07): 1122-1132 . 百度学术
10. 王颖喆，胡捷，陶贤露，刘万科，朱锋. Android智能手机双频GNSS伪距差分动态定位性能分析. 导航定位与授时. 2021(05): 103-110 . 百度学术
11. 王颖喆，陶贤露，朱锋，刘万科，张小红，吴明魁. 利用智能手机实现GNSS原始观测值的高精度差分定位. 武汉大学学报(信息科学版). 2021(12): 1941-1950 . 百度学术
其他类型引用(9)
下载:
计量
- 文章访问数: 1030
- HTML全文浏览量: 60
- PDF下载量: 724
- 被引次数: 20
