(1)检索Landsat-5TM卫星亮度温度(BT)的图像。根据陈et al。 39),一个两步过程应用于获得Landsat-5TM图像的亮度温度在这个研究。在第一步中,带6的数字数据(DNs)变成了辐射亮度(RTM6)使用以下公式: (1) R TM 6 = V 255年 R 马克斯 − R 最小值 + R 最小值 , 在哪里 V代表了乐队的DN 6, (2) R 马克斯 = 1.896 兆瓦 ∗ 厘米 − 2 ∗ 老 − 1 , (3) R 最小值 = 0.1534 兆瓦 ∗ 厘米 − 2 ∗ 老 − 1 。

在第二步中,辐射亮度变成了在卫星亮度温度在摄氏度(°C) (BT),使用下面的公式: (4) 英国电信 = K 1 ln K 2 / R TM 6 / b + 1 − 273.15 , K1 = 1260.56 K和K2 = 607.66 (mW∗厘米吗⁻²老∗⁻¹ μ 米⁻¹),发射前的校准常数下统一发射率的假设;和 b代表了传感器的反应时有效的光谱范围大大高于50%, b= 1.239 ( μ 米)( 29日]。

(2)检索Landsat-8卫星亮度温度(BT)的图像。第一步是变换的DN热红外波段光谱辐射( l _λ)通过使用下列方程从陆地卫星获得用户手册( 40]: (5) l λ = 米 l Qcal + 一个 l , 在哪里 l _λ是瓦特的TOA光谱辐射/ (m²∗消毒器∗ μ 米), 米 _l乐队特定乘法从元数据,重新调节因素^l是带特定添加剂重新调节因子,Qcal代表的象征价值量化和校准标准产品像素( D)。

第二步是乐队辐射转化为BT在摄氏使用下面的转换公式: (6) 英国电信 = K 2 ln K 1 / l λ + 1 − 273.15 , BT是卫星亮度温度在摄氏度,和K1和K2代表热转换的元数据。

地表发射率( ε 使用方程()值了 7)[ 41]。 (7) ε = 米 ⋅ 光伏 + n 。

在这项研究中,我们使用 米= 0.004, n= 0.986。从方程(PV是植物提取的比例 9)。 (8) 光伏 = 归一化植被指数 − 归一化植被指数 最小值 归一化植被指数 马克斯 − 归一化植被指数 最小值 2 , (9) 归一化植被指数 = 近红外光谱 − 红色的 近红外光谱 + 红色的 , 归一化植被指数NDVI的地方。归一化植被指数_最小值和归一化植被指数_马克斯的最大和最小值归一化植被指数,分别。emissivity-corrected低水位体系域值然后检索使用方程( 10)。

亮度温度假设地球是黑体,它不是,这可能导致错误的表面温度。为了减少这些错误,辐射校正是重要的,做是为了检索LST使用方程(从结核病 9)[ 42]。 (10) 低水位体系域 = 英国电信 1 + λ 英国电信 ∗ ln ε / ρ , LST摄氏度,BT at-sensor亮度温度在摄氏度, λ(11.5 μ 米)发出的辐射的波长: ρ = h ∗ c / σ = 1.438 ∗ 10 − 2 可, σ是斯蒂芬玻尔兹曼常数, h普朗克常数, c是光速, ε是地表发射率(伦敦)。计算LST的四月是呈现在图 4和表 31995年、2004年、2010年和2015年。

火星模型是非线性和非参数回归模型,可用于预测非线性LST测量( 28, 29日]。样条是一个效用定义分段多项式,并应用于一个类的函数中使用的输入输出数据插值( 28]。一个共同的样条函数三次样条或knote [ 43]。knote数字和位置是固定的回归曲线。向前和向后过程应用于建立knote。基本功能(BFs)是用来搜索结。BFs为火星的线性组合模型为一组函数代表预测之间的关系( y 1号)和目标变量如下: (11) y = β 0 + ∑ 米 = 1 米 β 米 男朋友 米 , 在哪里 β 米 , 米= 0,1,…, 米,是未知系数,可以估计的最小二乘法 男朋友 米 是 米th基函数表示反映双( 28]。这些都是线性BFs形式( x− t)₊和( t− x)₋, t被knote [ 28]。

因此,火星过程中执行三个步骤。首先,提出算法选择所有可能的基本功能及其相关节。第二,向后算法摆脱所有基本功能,以产生最佳组合现有的节,,最后,平滑操作获得连续执行分区边界( 43]。

奎洛斯et al。 29日)总结了火星的分类方法。第一个涉及到成对分类,输出可以被编码为0或1,从而治疗分类的回归。第二个可能性涉及两类,多分类作为一个混合的火星称为聚火星( 29日]。本研究采用第一种方法。

介绍了算法的张和Benveniste [ 44]。将连接神经网络的算法和小波分解与高度非线性小波函数( 21]。LST预测( y k 基于算法可以得到如下: (12) y k = ∑ 我 = 1 米 C k − 我 ψ 一个 我 x k − 我 − b 我 + w , 在哪里 C k − 我 系数是变量, 一个 我 是膨胀变量, b 我 是翻译变量,然后呢 ψ 是一个小波函数。

算法包含三个层次,即输入小波或隐藏,以及输出,分别。在这项研究中,我们使用五个输入参数,25个隐藏层和墨西哥帽小波函数,和一个输出层预测LST值。小波函数的选择是基于应用程序,和许多小波函数可以应用在算法的预测模型。在这项研究中,墨西哥帽小波函数是用于执行非线性LST测量。

简称ANFIS, FIS参数计算使用神经网络反向传播算法。系统取决于金融中间人和模糊if - then规则。简称ANFIS模型引入了张成泽( 45)可以逼近任何连续函数在紧集的精度水平。换句话说,简称ANFIS是定义为一个系统,使用模糊规则和相关的模糊推理方法用于学习和规则优化( 46]。在这项研究中,我们应用结合学习规则,使用传统的反向传播和最小二乘方法估计模型的参数准确( 47]。该模型由五层组成的。每一层的过程提出了( 20.]。基西人et al。 19总结,输入和输出神经元可以fuzzified模糊量化方法。

DENFIS模型也是一个集成模型(简称ANFIS模型 19, 48]。在DANFIS, FIS参数计算使用神经网络bp算法采用进化模糊神经网络(EFuNN)在模型中 20.]。因此,简称ANFIS的主要区别和DENFIS EFuNN的应用( 20.]。EFuNN雇佣了Mamdani-type模糊规则( 48]。因此,输入变量是直接分配给规则通过模糊隶属度函数没有权重层( 48]。此外,联结主义的发展系统是一个基于距离,速度快,一次走刀算法执行动态集群的数量数据集的近似和分配的位置输入数据空间集群中心( 20.]。在这种聚类方法,集群中心和数据点之间的最大距离必须小于一个用户定义的阈值。在这个模型中,描述模型架构在一个进化方法进行基于交联Takagi-Sugeno模糊系统( 19, 20.]。

在这项研究中,该参数、NDWI NDBI, UI,地形变化所选的点是使用和评估。火星方法用于分类预测北京市的LST的输入变量。

四个应用模型的性能分析是进行基于三种统计分析方法,即确定系数( R²),均方根误差(RMSE)和平均绝对误差(MAE),由方程( 13)- ( 15)。 (13) R 2 = 1 − ∑ 我 = 1 N y 我 − f 我 2 ∑ 我 = 1 N y 我 − y ¯ 2 , (14) RMSE = 0.5 ∑ 我 = 1 N y 我 − f 我 2 , (15) 美 = 1 N ∑ 我 = 1 N y 我 − f 我 , 在哪里 y和 f分别是LST的实际值与预测值 y ¯ 是实际值的平均值, N是测量的数量。

在这项研究中,所选数据用于研究火星的性能,算法,简称ANFIS,和DENFIS LST预测;在这里,使用Matlab软件构建的模型。温度在区域附近的北京从1995年到2015年期间增加,如图 4和表 3。此外,从图 4,它可以观察到,城市地区增加了大约20%从1995年到2015年期间。LST的分布取决于土地利用变化和地理。此外,城市地区的气温都高于其他土地利用类型。因此,预测模型可用于检测未来的LST变化。这部小说在本研究模型设计应用于估计温度变化。获得的模型是使用几个选定的大地坐标点和之前的LST的变化。2010年的数据部署的目标LST培训阶段,和2015年的LST利用测试阶段的目标。

(1)火星模型。火星设计模型,五个参数作为输入:纬度,经度,正高,LST的时期从1995年到2004年,和2010年的LST(用作目标值)。石的数量可以计算使用广义交叉验证(GCV) [ 28]。图 8(一个)显示了GCV 199石。从这个图中,可以看出最小GCV观察到151石。然而,模型设计在这个实例中使用一个常数参数0.7414和151石。设计的性能模型显示在图 8 (b)。此外,对预测模型进行了统计分析,和 R²模型的发现是0.97,而RMSE和梅是0.78和0.55°C,分别。从统计分析,发现LST测量和预测之间的相关性高,和模型误差很小。因此,该模型可以用于检测LST在研究区域的选定点变化。

(2)算法的模型。算法的设计,许多小波网络模型试图优化的小波网络结构训练阶段。发现最优模型,该模型可以应用在这项研究中提出了( 21]。这个结构允许使用统计分析。 R²、RMSE美将是0.67,2.57°C,分别和1.86°C。因此,输入一年有五个值选择LST的大地坐标和以前的观测;此外,25的隐层小波神经元LST的用来预测未来值测量。图 9说明了测量和预测LST的2010年。从图 9和统计分析,发现算法的性能模型低于火星模型在训练阶段。

(3)简称ANFIS模型。简称ANFIS模型,数量和类型的隶属度函数(MFs)模型的主要因素,确定模型的准确性。八个不同的MFs可以简称ANFIS模型中的应用。八MFs评估两个MFs和十世减少CPU时间;八的RMSE MFs也计算。高斯的RMSE、梯形、三角形、 d乙状结肠, p乙状结肠,pi-shaped、两个高斯分布和广义贝尔是1.71,1.64,2.38,1.65,1.52,1.61,1.45,和1.62°C,分别。然而,两组高斯函数是用来预测LST。此外,两个和三个MFs是限制CPU和内存使用情况的评估。2和3的RMSE MFs是1.45和1.42°C,分别。在这个工作,三个MFs选择1号来预测。最后,简称ANFIS模型基于三个MFs和两个高斯函数与50时代应用于本研究。设计模型如图 10 ()。简称ANFIS模型的性能评估使用方程( 13)( 15)。 R²设计模型、RMSE和梅是0.99,0.46°C,分别和0.26°C。图 10 (b)显示的是测量和预测的值LST的训练数据。从图 10 (b),看到没有LST测量期间失去的信息。同时,测量数据之间的相关性和预测LST很高,和最小RMSE和梅是观察。从这些结果,可以得出结论,简称ANFIS模型比火星和预测算法的LST的训练数据,因此可以用来预测北京LST。

(4)DENFIS模型。在训练阶段,简称ANFIS和DENFIS之间的主要区别是EFuNN的应用,如前所述。此外,集群中心和数据点之间的最大距离必须小于一个用户定义的阈值( 20.]。在这项研究中,距离阈值是0.1。因此,应用EFuNN估计下一个时代。图 (11日)说明了均方误差(MSE)培训EFuNN的时代。从这个图中,可以观察到16世纪需要DENFIS模型获得最佳性能。否则,使用相同的参数MFs的简称ANFIS模型用于DENFIS模型,即三个MFs和高斯函数。的性能设计DENFIS设计模型图所示 11 (b)。模型的统计学评价错误,和的值 R²、RMSE美被发现是0.91,1.42°C,分别和0.90°C。此外,Akaike信息准则(AIC) [ 49]的模型进行了计算,发现−11.72和4.23简称ANFIS和算法模型,分别。训练阶段的结果表明,简称ANFIS模型是最优模型预测LST值,而将是最糟糕的模型。

四个模型的性能也在测试阶段评估。图 12和表 8显示一个散点图的观察和预测价值LST和模型的统计分析错误。图中所示的线性拟合也。从图 12和表 8,可以看到之间的相关性的观察和预测高简称ANFIS和DENFIS模型。此外,最糟糕的模型在测试阶段是算法的模型。最小模型误差与简称ANFIS模型,观察和RMSE和梅是0.36和0.16°C,分别。的斜率线性拟合发现是0.98,0.93,0.87,和0.70,简称ANFIS DENFIS,火星,分别和算法模型。这意味着简称ANFIS模型最优检测LST在测试阶段。

根据表演的训练和测试阶段,认为是安全简称ANFIS模型是最优模型预测的LST北京地区。简称ANFIS模型应用于检测LST的2025年和2035年,结果呈现在图 (13日)。此外,线性拟合计算,提出了观察和预测年的平均值,作为显示在图 13 (b)。预测的值表明LST将迅速增加,和变化的斜率是0.33°C /年。它也观察到 R²0.94线性拟合和预测趋势类似于LST测量为2010年和2015年。此外,它是水的LST的预报值,森林,农场区域不显示任何重大的改变比城市地区。这意味着气候变化和城市地区的LST的变化会影响北京地区在未来。