使用Landsat数据预测陆地温度（LST）的研究：四种算法的比较

抽象的

用于预测陆地温度（LST）变化的软计算模型对于评估和预测世界迅速变化的世界气候非常有用。在本研究中，应用了四种软计算技术，即多变量自适应回归花键（MARS），小波神经网络（WNN），自适应神经线推理系统（ANFIS）以及动态演化的神经舒缩推理系统（DENFIS），并比较最佳模型可用于预测北京地区的LST变化。本研究中考虑了地形改变，以准确预测LST;此外，陆地4/5 TM和Landsat 80Li_Tirs拍摄了四年（1995年，2004年，2010年和2015年）用于研究研究区域的LST变化。使用统计分析，测定系数评估四种模型（R.²），均方根误差（RMSE）和平均绝对误差（MAE）在训练和测试阶段，火星是用来估计重要变量应在设计模型加以考虑。结果表明，地表温度为0.28℃/年因在研究区城市变化研究的面积增大。此外，地形变化和先前记录的温度变化对研究区的LST预测显著的影响。此外，该模型的结果显示，火星，ANFIS和DENFIS模型可以用来预测研究区的LST。该ANFIS模型显示，在训练的最高性能（R.² = 0.99, RMSE = 0.78°C, MAE = 0.55°C) and testing (R.² = 0.99, RMSE = 0.36°C, MAE = 0.16°C) stages; therefore, the ANFIS model can be used to predict the LST changes in the Beijing area. The predicted LST shows that the change in climate and urban area will affect the LST changes of the Beijing area in the future.

1.介绍

气候变化是世界面临的最关键挑战之一。以前的研究报告说，气候变化对陆地表面温度及其其他参数具有显着影响[1那2]．城市地区的扩张被认为是土地利用和陆地温度变化的重要因素[3.那4.]．以前的研究表明，在中国，城市成长和气候变化，包括温度变化是经济和社会发展导致的严重问题[5.那6.]．因此，研究预测地表温度变化的方法至关重要。

LST定义为地表-大气界面内长波辐射和湍流热通量交换时感受到的温度[7.-9.]．LST越来越多地利用来评估城市区域的气候变化。卫星图像用作表面温度趋势和可变性信息的信息来源。李等人。[8.[总结了从卫星图像部署的模型的基础和理论背景。Avdan和Jovanovska（2016）介绍了一些用于从Landsat图像计算LST的方法，他们得出结论，所用方法在检索LST方面取得了成功。张等人。[10]利用Landsat图像处理对艾比湖1998 - 2011年的地表温度变化进行了评价，发现Landsat图像处理是估算地表温度与土地覆被因子关系的良好工具。Vlassova等人[11]评估了三种不同的旧地面图像处理技术。他们使用大气校正参数计算器基于RTE，即，单信道（SC）方法和单窗（MW）的方法，和的近似值（ACPC）工具和两种算法施加辐射传输方程（RTE）反转发现，这三种方法可以用于估计LANDSAT热图像的LST。

最近，软计算技术广泛用于研究环境变化。valipou [12]研究了用于检测干旱和湿润年份的神经网络（NN）方法，他发现NN方法适合于估计环境变化。Tran等人[13]应用回归模型估计越南河内市的LST模式，发现该方法可用于具有类似城市增长的其他城市。艾哈迈德等人[14]利用NN模型对孟加拉国达卡2019 - 2029年的土地覆盖变化进行了模拟，结果表明气温变化将大于或等于30°C。Ranjan等人[15]利用NN与地理信息学技术结合估算LST，他们发现该模型可以精确预测LST。Lee和Jung（2014）使用NN近似于韩国的LST，发现它可以应用于以高精度预测LST变化。Kestens等人。[16利用基于Landsat图像的一般线性模型来模拟加拿大魁北克省的LST变化，并发现从卫星图像估计的数据可用于检测LST变化。杨等人。[17]应用四种插值方法，以预测英格兰的LST变化，即逆距离加权（IDW），样条，克里格和Cokriging，并在从图像处理近似LST时使用Kriging方法推荐。李等人。[18]研究了LST估计图像间隙的有效性，并观察到陆地卫星图像的分辨率是用于高精度地估计LST变化重要。

最近，人们发现集成的软计算模型能够更好地检测不同的环境变化[19那20.]．高级回归和集成的NN型号显示出良好的性能作为LST，水位变化，每月温度变化，每月温度变化和蒸发的非线性性能的预测模型11那19-21]．例如，小波神经网络(WNN)用于预测水位变化，而自适应神经模糊推理系统(ANFIS)用于预测水位变化和LST变化[21那22]．ANFIS为动态行为提供更好的性能[23那24.]．Kisi等。[19]研究不同的情况与ANFIS模型来预测在土耳其的温度变化。他们建立了与网格划分的ANFIS是变化预测的优化模型。此外，Kisi等。[20.]开发了一种动态演变模糊神经推理系统（DENFIS），这是一个集成的模糊模型，以预测水表面的蒸发，发现DENFIS的性能优于ANFIS作为用于水的蒸发的预测模型。Wang等人。[25.那26.]利用软计算对中国的太阳辐射进行建模，他们发现多层感知器（MLP）和径向基神经网络模型在中国不同气候带的太阳辐射探测中更准确；此外，ANFIS和M5模型树在预测中国某些台站的太阳辐射方面更为有效。同时，多元自适应回归样条（MARS）技术被认为是预测和分类建模输入数据的有效工具，尤其是在输入数据有限的情况下[27.]．发现火星技术可用于陆地覆盖分类和对太阳辐射的预测[28.那29.]．

这里，输入变量影响预测模型的准确性。预测LST的输入变量可以分为城市变化和用途和土地几何[14那15]．LST和归一化差异植被指数（NDVI）之间的相关性已在翁中记录[30.]和Weng等人。[31.]．Rinner和Hussain [32.]和陈等人。[33.[LST与归一化差异建立索引（NDBI）之间的相关性。分析了归一化差水指数（NDWI）和归一化差异偏见指数（NDBAI），以分别划清植被中的水含量并识别土壤的良好[33.那34.]．冯等人。[35.]发现LST和NDBI之间的强烈相关性，其次是苏州市NDWI和NVDI。此外，发现城市指数（UI）与Harare的表面温度有高相关，津巴布韦[36.]．LST的强度直接相关的城市化，土地利用方式的速度，和建筑密度[14]．LST与土地使用/覆盖变化的模式有关，例如，建筑区域，植被和水体的组成[33.]．肖等人[37.]报道，不透水的表面与中国北京的LST呈正相关。因此，在本研究中应该考虑数字高程。其他研究利用了用于设计LST预测模型的大地测量坐标。例如，Ranjan等人。[15]使用实时LST测量和大地坐标估计LST。

本文利用WNN、DENFIS、ANFIS和MARS模型对北京城市地表温度进行了精确计算，预测了北京市的气温变化。此外，对输入变量(NDVI、NDWI、NDBI、UI和地形变化)进行了评估和评估，用于LST的预测。这里需要指出的是，WNN、DENFIS和MARS模型尚未利用卫星数据预测地表温度变化;此外，ANFIS模型仅限于对LST变化的预测[22]．因此，本文的主要目的是研究利用新颖的MARS、ANFIS、DENFIS和WNN模型来预测从Landsat获得的可见Landsat、近红外和TIR图像的LST变化。通过对4种模型的设计和比较，得到了一种最优的监测北京地区非线性地表温度变化的模型。

2.研究区域和数据资源

2.1。研究区

研究区域，北京，是中国的首都，它是世界上最大的城市之一，有16个区和2个县，土地面积16410公里²．北京的行政区域分为三个部分：中心城区，近郊和远郊。中心城区包括两个区，西城区和东城。郊区是由四个区，海淀，朝阳，丰台，石景山，以及远郊包括城八区和两个县，分别是通州，顺义，房山，大兴，昌平，门头沟，怀柔和平谷区和密云起来和燕青县，在图所呈现1（a）．北京已被确定为中国迅速发展中的城市之一，在经济和地区。人口分布取决于土地的海拔，如图所示1（b）．人口的增加需要额外的空间，这需要新的住宅区，从而鼓励城市化区域的快速扩张。因此，在估计耕地LST时，建筑物领域的迅速增长和扩张存在艰巨的挑战。

2.2。数据资源

在本研究中，Landsat数据用作数据的主要来源。在1995年，2004年，2010年和2015年期间拍摄的Landsat卫星图像是从美国地质调查（USGS）网站获得的2015年（表1)．这些年来被认为是对于已经拍摄的图像的时间的指标。路径123和行32覆盖整个研究领域。The map projection of the collected satellite images is Universal Transverse Mercator (UTM), and the images are of type Zone 50 N-Datum World Geodetic System (WGS) 84 with pixel size of 30 m. A total of 32 ground truth points were directly observed using a high-resolution handheld GPS (Garmin GPSMAP 62s) in field survey conducted during 1995–2015 to make the accuracy assessment highly accurate. The ancillary data used in this research include land surface parameters derived from the 90 m grid spacing DEM data of the Shuttle Radar Topographic Mission (SRTM) (Figure1（b）)．

3.方法

本节描述了诸如图像处理，LST估计和预测LST的，这在图中示出的流程图中所述的一般程序2．

3.1。土地利用/土地覆盖图

收购的卫星图像（1995年，2004年和2015年）被分为五分类方案中的七种土地使用和陆地覆盖（LULC）课程：城市（高低和低住宅区），植被（高密度植被和低密度植被），Bareland，Waterbodies和Forestland。应用了带支持向量机（SVM）分类方法的监督图像分类以对LULC类进行分类[38.]．在该方法中，研究区域的先验知识用于选择训练站点，并且使用在各个像素中包含的光谱信息来生成LULC类。最后，汇总图像更名为创建各个年份的最终形式的陆地覆盖地图（图3.)．在分类精度和Kappa系数方面取得了满意的结果。1995年建成区精度最低，为88.1%;这是预料之中的，因为建筑区域混合了树木、家庭花园和实际建筑的像素。1995年的总体准确率为95.15%，2004年为90.93%，2015年为94.28%2)．

3.2。来自Landsat-5TM和Landsat-8的土地表面温度检索

3.2.1。检索卫星亮度温度（BT）

(1)基于Landsat-5TM影像的卫星亮度温度(BT)反演．基于Chen等人[39.]，本研究采用两步法从Landsat-5TM影像中获取亮度温度。第一步，将波段6的数字数(DNs)转换为辐射亮度(RTM6)，计算公式如下: 在哪里V.表示第6波段的DN，和

第二步，将辐射亮度转换为摄氏(°C)下的卫星亮度温度(BT)，公式如下: 其中K1 = 1260.56 K和K2 = 607.66 (mW∗cm^-2 ∗ sr^-1 m^-1），这是在统一发射率的假设下的预先验证常数;和B.表示传感器响应大大高于50%时的有效光谱范围，B. = 1.239 (米)(29.]．

（2）从Landsat-8图像检索卫星亮度温度（BT）．第一步是将热红外频带的DN转换为光谱辐射（L._λ.）通过使用从Landsat用户手册获得的以下等式[40]： 在哪里L._λ.是瓦特/（m的TOA光谱辐射）² ∗ ster ∗ 米），m_L.是带特定乘法重新缩放因子从元数据，A^L.是特定频带的加法重缩放因子，Qcal表示量化和校准标准产品像素的符号化值(D.)．

第二步是使用以下转换公式将频带辐射转换为Celsius中的BT： 其中BT是摄氏度中的卫星亮度温度，K1和K2表示来自元数据的热转换。

3.2.2。表面发射率（ ）恢复

陆地表面发射率（ ）值由公式(7.) ［41.]．

在这项研究中，我们使用过m= 0.004,N = 0.986. PV is the proportion of vegetation extracted from equation (9.)． 其中，NDVI是归一化差异植被指数。NDVI_闵和ndvi_最大限度是NDVI的最小值和最大值。然后使用等式检索发射率校正的LST值（10)．

亮度温度假设地球是一个黑体，但它不是，这可能会导致地表温度的误差。为了最小化这些误差，发射率校正是很重要的，它可以使用方程(9.) ［42.]． 其中LST是摄氏度，BT是摄氏中的传感器亮度温度，λ.（11.5. m）是发出光线的波长： mK,σ.是斯特凡 - 博尔兹曼常数，H普朗克常数,C是光速，和ε.是土地表面发射率（LSE）。4月份的LST计算的计算4.和桌子3.1995年，2004年，2010年和2015年的年。

3.3。设计和评估预测模型的

本节将采用四种方法预测温度变化，并进行比较。采用回归和集成的神经网络模型对LST进行检测。应用并研究了MARS、WNN、ANFIS和DENFIS模型。下面对这四种方法进行总结。在本研究中，利用2010年和2015年的地表温度来设计和评价模型。为了预测2010年和2015年的LST，我们使用了过去两年的数据和估计图像节点的地形变化。

3.3.1。多元自适应回归样条（MARS）算法

MARS模型是一种非线性和非参数回归模型，可用于预测非线性LST测量[28.那29.]．样条是由多项式分段定义的一种效用，它被应用于一类用于输入输出数据插值的函数[28.]．常见的样条函数是立方样条或结[43.]．该knote数量和位置是固定的回归样条。向前和向后的过程被应用到建立knote。基本功能（BFS）被用于搜索的KNotes。高炉的MARS模型的线性组合被显影为代表（预测之间的关系的一组功能 ）和LST的目标变量如下： 在哪里 那m= 0, 1，…m，是未知系数，可以通过最小的方形方法估计是m-表示反射对的th基函数[28.]．这些是形式的线性BFS（X−T.）₊和 （T.−X）₋， 和T.作为knote [28.]．

因此，MARS过程分三步进行。首先，正向算法选择所有可能的基本函数及其相关节点。其次，向后算法去除所有基本函数以产生现有节点的最佳组合，最后执行平滑操作以获得连续的分割边界[43.]．

Quirós等。[29.]总结了MARS的分类方法。第一个与成对分类有关，其中输出可以编码为0或1，从而将分类视为回归。第二种可能涉及两种以上的分类，分类为MARS的混合称为Poly MARS [29.]．本研究采用的第一种技术。

3.3.2。小波神经网络（WNN）算法

小波网络由张和本维尼斯特[出台44.]．小波神经网络算法利用高度非线性小波函数将神经网络和小波分解连接起来[21]. 地表温度预报( ）基于小波神经网络的可得: 在哪里是系数变量，是扩张变量，是翻译变量，和是小波函数。

小波神经网络包含三层，分别是输入小波或隐藏小波和输出小波。在本研究中，我们使用5个输入参数，25个带有墨西哥帽小波函数的隐藏层，以及单个输出层来预测LST值。小波函数的选择是基于应用的，许多小波函数可以应用在小波神经网络预测模型中。在本研究中，利用墨西哥帽小波函数进行非线性地表温度测量。

3.3.3。自适应神经油交干扰系统（ANFIS）算法

在ANFIS中，FIS参数使用NN反向传播算法来计算。该系统依赖于FIS和具有模糊IF-THEN规则。由张[引入的ANFIS模型45.能够近似于紧凑型的任何真实连续功能到任何精度水平。换句话说，ANFI被定义为使用模糊规则和相关的模糊推理方法来学习和规则优化的系统[46.]．在这项研究中，我们应用了组合的学习规则，它使用传统的背传播和最小二乘方法来准确估计模型的参数[47.]．该模型由五层起来。每个层的方法是在[呈现20.]．Kisis等人[19[总结说，输入和输出神经元可以通过模糊量化方法来模糊化。

3.3.4。动态演化神经油墨推理系统（Denfis）算法

该DENFIS模式也像ANFIS模型的集成模型[19那48.]．在DANFIS中，通过在模型中应用不断的模糊神经网络（EFUNN）来计算FIS参数[20.]．因此，ANFIS与DENFIS的主要区别在于EFuNN的应用[20.]．EFuNN采用mamdani型模糊规则[48.]因此，通过没有权重层的模糊成员资格函数直接分配输入变量[48.]．此外，不断变化的连接主义系统是一种基于距离的快速的一移算法，它执行数据集中的群集数的动态近似，并在输入数据空间中分配集群中心的位置[20.]．在这种聚类方法中，聚类中心到数据点的最大距离必须小于用户定义的阈值。在该模型中，所描述的模型体系结构采用一种基于与Takagi-Sugeno模糊系统交联的演进方法来实现[19那20.]．

3.3.5。模型的输入变量和性能评价

在本研究中，使用并评估所选点的NDVI，NDWI，NDBI，UI和地形更改。MARS方法用于对预测北京市LST的输入变量进行分类。

四个应用的模型的性能分析中进行基于三个统计分析方法，即，决定系数（R.²)、均方根误差(RMSE)和平均绝对误差(MAE)，由公式(13） - （15)． 在哪里y和F是实际和预测值LST分别是实际值的平均值，以及N为测量的次数。

4.结果和讨论

4.1. 1995年至2015年观察到的LULC和过渡

LULC的研究区为1995，2004，和2015的空间图案在图中示出3.．林地和植被土地占主导地位;然而，他们以城市地区的连续增量减少。1995年，城市地区，植被，贫瘠的土地和森林是主要的土地使用类型，率分别为14.35％，15.14％，13.18％和56.08％。有人发现，城市地区有密集的内置表面，被农田和山脉包围。2004年，高住宅区，植被，贫瘠的土地和森林是主要的土地使用类型，率分别为18.13％，13.74％，15.79％和51.37％。2015年，建筑面积是主要的土地利用型，百分比为23.02％，其次是贫瘠的土地和植被（分别为14.30％和10.07％）。统计分类比较结果呈现在表格中4.-6.．这一对比表明，在建筑表面区域有显著的增长;1995年至2004年植被变化显著，植被密集区转变为城区或荒地。分析1995 - 2015年土地利用/土地覆被变化，建成区增加8.68%，植被减少5.07%。这里的根本变化是植被带和荒地变成了发达地区。

4.2。LST 1995年，2004年，2010年和2015年

在LST，这显示在图5.使用ArcGIS10.3，萃取。根据图1（b）和4.，城市的几何形状会影响地表温度，结果萧等人引用。[37.]确认这一事实。mushore等。[36.]利用选择点来评估研究区域内预测的温度变化的重要性。在本文中，我们对250个随机分布点进行了测试，选取这些点是为了准确反映研究区地表温度的分布情况，如图所示4.和6.．在图中提取和展示了每年研究区域的大地测量坐标（纬度，经度和高度）和LST5.和6.．现有的城市地区选自一至180点;水面和水附近的区域选自180至200点;以及适合城市活动的森林和农场土地选自200至250点。

桌子3.列出了LST的四年学习的统计参数（平均值，最大值，最小值和标准偏差（STD））。从表格3.，据观察，有在北京地区地表温度的变化2095至15年。此外，它表明，对于所有的情况下，标准偏差接近，差别很小。此外，温度变化对1995年，2004年，2010年，和2015年分别为21.45，21.35，30.11，19.01和°C，。结果表明，在研究区和研究区的地形对温度变化的预测相当大的影响显著的温度变化。此外，测量值表明，LST迅速0.28℃，变化的斜率/年增加基于在平均值的变化从1995年至2015年同时，从图1，可以观察到地形变化很高。因此，大地测量坐标（纬度（LAT。），经度（长。）和矫正高度（H））用作本研究的输入因子。

4.3。预测陆地温度

首先，输入变量应评估和评估。火星是预测模型[最佳分类算法27.那29.]. 根据以往的研究，NDVI、NDWI、NDBI、UI和地形变化是影响LST变化的主要因素。从文献中可以看出，这些变量的影响取决于所考虑的案例。肖等[37.[LST与北京市土地几何的变化与北京市土地几何之间的高相关性。这里，使用火星分类评估和评估NDVI，NDWI，NDBI，UI，地形更改和先前的温度记录。因此，计算了2010年研究区域的NDVI，NDWI，NDBI和UI，用于模拟2010年的LST。此外，1995年和2005年的LST和大地测量坐标用于选择点。对于每个变量，重要因素（if）计算为0到100。数字7.显示变量的IF。从图7.可以看出，地形变化的影响很大，这证实了肖等人的结论[37.]北京地区。此外，关于LST的预测，先前温度记录的影响大于70％。这意味着之前的LST记录可用于估计未来的LST。桌子7.呈现使用MARS模型预测2010年LST的不同输入变量的确定值的系数。从表格7.，可以看出，型号4适合在我们的情况下使用。其次，所选的输入参数用于设计如下所示的模型。

4.3.1。培训设计阶段

本文利用选取的数据，研究了MARS、WNN、ANFIS和DENFIS在LST预测中的性能;在这里，模型是用Matlab软件建立的。1995 - 2015年北京周边地区气温呈上升趋势，如图所示4.和桌子3.．而且，来自图4.可以看出，1995年至2015年期间，城市面积增加了约20%。LST的分布随土地利用和地理位置的变化而变化。此外，城市地区的温度高于其他土地利用类型。因此，预测模型可用于探测未来的LST变化。本研究设计的新模型用于估算温度变化。这些模型是使用几个选定点的大地坐标和以前的LST变化获得的。2010年的数据被部署为培训阶段的目标LST，2015年的LST被用作测试阶段的目标。

（1）模型MARS．为了设计MARS模型，将五个参数用作输入：纬度，经度，正向高度，1995年至2004年期间的LST，以及2010年的LST（其用作目标值）。可以使用广义交叉验证（GCV）计算BFS的数量[28.]．数字8（a）显示199个BFS的GCV。从该图中，观察到在151bFS观察到最小GCV。但是，在这种情况下设计的模型使用了恒定参数0.7414和151BFS。设计模型的性能如图所示8（b）．此外，该预测模型的统计分析进行，R.²对于该模型，发现为0.97，而RMSE和MAE分别为0.78和0.55°C。从统计分析中，发现LST测量和预测之间的相关性高，模型错误很小。因此，该模型可用于在研究区域的所选点上检测LST变化。

（2）小波网络模型．对于小波神经网络的设计，许多小波网络模型都试图优化小波网络在训练阶段的结构。研究发现，可应用于本研究的最佳模型见[21]．这种结构允许使用统计分析。R.²Wnn的RMSE和MAE分别为0.67,2.57°C和1.86°C。因此，输入年有五个值为大地测量坐标和LST的先前观察;另外，采用25个小波神经元的隐藏层来预测LST测量的未来值。数字9.从图中说明了2010年的测量和预测的LST。9.和统计分析，观察到小波神经网络模型的性能比在训练阶段MARS模型的低。

（3） ANFIS模型．对于ANFIS模型，模型的成员函数（MFS）的数量和类型是确定模型精度的主要因素。八种不同的MFS可以应用于ANFIS模型。八个MFS用两个MF和十个时期进行评估，以减少CPU时间;还计算了八个MF的RMSE。高斯，梯形，三角形的RMSE，D.乙状结肠，P.sigmoid、pi-shaped、two Gaussian、generalized bell分别为1.71、1.64、2.38、1.65、1.52、1.61、1.45、1.62℃。然而，采用双高斯函数来预测LST。此外，评估两个和三个mf以限制CPU和内存使用。两个和三个MFs的RMSE分别为1.45和1.42°C。在这项工作中，选择了三个mf来预测LST。最后，本文采用了基于3个MFs和两个具有50个纪元的高斯函数的ANFIS模型。设计的模型如图所示10（a）．使用等式进行评估ANFIS模型的性能（13） 到 （15)．R.²，设计模型的RMSE为0.99,0.46°C, MAE为0.26°C。数字10（b）显示了对LST训练数据的测量值和预测值。从图10（b），可以看出，在LST测量期间没有丢失的信息。而且，测量和预测的LST之间的相关性高，并且观察到最小RMSE和MAE。从这些结果来看，可以得出结论，ANFIS模型优于MARS和WNN，用于预测来自培训数据的LST，因此可以用来预测北京LST。

（4）Denfis模型．在培训阶段，ANFI和DENFI之间的主要区别是EFUNN的应用，如前所述。此外，群集中心和数据点之间的最大距离必须小于用户定义的阈值[20.]．在该研究中，距离阈值为0.1。因此，efunn应用于估计下一个时期。数字11（a）说明了Efunn训练时期的均方误差（MSE）。从这个图中，可以观察到，需要16个时期来获得Denfis模型的最佳性能。否则，在Denfis模型中使用了用于ANFIS模型的MFS的相同参数，即三个MF和高斯函数。设计的Denfis设计模型的性能如图所示11 (b)．对模型误差进行统计评价，得到R.²，发现RMSE和MAE分别为0.91,1.42°C和0.90°C。此外，Akaike的信息标准（AIC）[49.， ANFIS模型为−11.72,WNN模型为4.23。训练阶段的结果表明，ANFIS模型是预测LST值的最优模型，而WNN模型是最差模型。

4.3.2。测试和比较阶段

在测试阶段，还对四种模型的性能进行了评估。图形12和桌子8.显示散点图，用于LST的观测和预测值和模型误差的统计分析。线性配件也显示在图中。从图12和桌子8.，可以看出，ANFIS和DENFIS模型观测与预测的相关性较高。测试阶段最差的模型是小波神经网络模型。ANFIS模型的模型误差最小，RMSE和MAE分别为0.36和0.16°C。ANFIS、DENFIS、MARS和WNN模型的线性拟合斜率分别为0.98、0.93、0.87和0.70。这意味着ANFIS模型在测试阶段最优地检测LST。

基于训练和测试阶段的表现，可以认为ANFIS模型是预测北京地区地表温度的最优模型。应用ANFIS模型对2025年和2035年的地表温度进行检测，结果如图所示(13日)．另外，对观测年和预测年的平均值进行了线性拟合，如图所示13（b）．预测值表明，LST将迅速增加，并且变化的斜率为0.33°C /年。还观察到这一点R.²线性拟合为0.94，预测趋势与2010年和2015年的LST测量结果相似。此外，可以看出，与城市地区相比，水、森林和农场地区的LST预测值没有显示任何显著变化。这意味着气候和城市面积的变化将影响未来北京地区的地表温度变化。

5.结论

尽管由于气候变化，在全球温度变化中对地表温度（LST）进行了广泛的评估，但综合软计算模型的应用仍然局限于检测地表温度。本研究旨在设计一个集成的软计算模型来检测北京地区的地表温度。开发并比较了四个模型，即MARS、WNN、ANFIS和DENFIS。此外，使用MARS方法对输入变量进行分类。利用陆地卫星图像和不同的软件挖掘1995年4月至2015年的LST变化。此外，还进行了统计分析，以评估开发模型的性能。从结果可以得出以下结论。

首先，在研究期间的温度值，通过图像的分析，给出了对比的是，已经在北京城市温度的​​变化显著;温度升高0.28℃/年。此外，植被覆盖，由于人口增长和经济活动下降。此外，NDVI，NDWI，NDBI，UI，以及北京和以前的温度记录的地理变化的分类显示，表面和以前LST变化对研究区的LST预测显著的影响。

其次，对预测模型的评估表明，综合模糊模型，ANFIS和DENFI，是检测北京地区LST变化的最佳模型。此外，结果表明MARS模型具有有限的输入参数表现出良好的性能。WNN模型在预测LST变化方面表现出最薄弱的性能。培训和测试阶段的ANFI模型的性能令人满意，因为它具有低的最小误差;培训和测试阶段的RMSE分别为0.46和0.36°C。

最后，预测的LST值表明，气候和城市地区的变化将会影响未来北京地区的LST变化。此外，这种方法可用于评估和预测来自卫星图像的其他区域的LST。

数据可用性

Landsat数据从Earthexplorer下载：https://earthexplorer.usgs.gov/．辅助数据包括从梭雷达地形任务（SRTM）90 M网格间距DEM数据的陆地面参数。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

所有的作者都对这项工作做出了同样的贡献。

致谢

这项工作得到了中国国家重点研究和发展方案的支持，否定了。2016YFC0803105和中国国家自然科学基金会授予否。41771451。

参考文献

1. P. Brohan，J. J.肯尼迪，I.哈里斯，S. F.邰蒂和P. D.琼斯“在区域和全球观测温度变化的不确定性的估计：从1850一个新的数据集，”地球物理研究杂志：大气，卷。111，没有。D12，2006。查看在：出版商网站|谷歌学术
2. J. Hansen, R. Ruedy, M. Sato, K. Lo，“全球表面温度变化”，地球物理学评论，卷。48，没有。4，2010。查看在：出版商网站|谷歌学术
3. D. Argüeso, J. P. Evans, A. J. Pitman，和A. Di Luca，“气候变化条件下城市扩张对热压力的影响”，《公共科学图书馆•综合》，卷。10，没有。2，文章ID e0117066，2015。查看在：出版商网站|谷歌学术
4. I. R. Hegazy和M. R. Kaloop，“用GIS和遥感技术监测埃及Daqahlia省的城市增长和土地利用变化检测”，国际可持续建筑环境杂志，第4卷，第4期。1，第117-124，2015。查看在：出版商网站|谷歌学术
5. Y. Tang，S.Xi，X. Chen和Y. Lian，“量化中国珠江三角洲洪水制度的多重气候变化和人类活动影响因素”，“气象进展， 2016年，第3928920篇，11页，2016年。查看在：出版商网站|谷歌学术
6. Zhou L.， R. E. Dickinson, Y. Tian等，“中国城市化对气候影响显著的证据”，美国国家科学院院刊，卷。101，没有。26，pp。9540-9544,2004。查看在：出版商网站|谷歌学术
7. C. J. Myneni, L. Chapman, J. E. Thornes，和C. Baker，“气象学和气候学的陆地表面温度遥感:综述”，气象应用，卷。18，不。3，pp。296-306，2011。查看在：出版商网站|谷歌学术
8. Z.-L。李,B.-H。唐慧武等，“卫星反演地表温度的研究现状与展望，”遥感环境，第131卷，第14-37页，2013。查看在：出版商网站|谷歌学术
9. U. Sobrino和G. Jovanovska，“使用Landsat 8卫星数据自动映射陆地温度的算法”中国传感器杂志，卷。2016年，文章编号1480307，8页，2016年查看在：出版商网站|谷歌学术
10. 张飞，龚慧敏，王建军，“基于Landsat影像的地表温度变化检测:以新疆艾比湖流域为例，”湿地，卷。38，不。1，pp。65-80,2018。查看在：出版商网站|谷歌学术
11. L. Vlassova，F.Perez-Cabello，H.Nieto，P.Martín，D.Riaño和J. de la Riva，“Landsat-5 TM图像中的土地表面温度检索方法评估适用于多尺度树草生态系统建模，“遥感，第6卷，第2期5, pp. 4345-4368, 2014。查看在：出版商网站|谷歌学术
12. M. Valipour，“潮湿地区降水分析的神经网络优化检测干旱和潮湿的报警”，“气象应用，第23卷，第1期，第91-1002016页。查看在：出版商网站|谷歌学术
13. D. X. Tran, F. Pla, P. Latorre-Carmona, S. W. Myint, M. Caetano, H. V. Kieu，“表征土地利用和土地覆盖变化与地表温度之间的关系”，ISPRS摄影测量和遥感， 2017, vol. 124, pp. 119-132。查看在：出版商网站|谷歌学术
14. B.艾哈迈德M. Kamruzzaman，X.朱，M·拉赫曼和K.彩，“模拟土地覆盖变化及其对在孟加拉国达卡地表温度的影响，”遥感，第5卷，第5期。11, pp. 5969-5998, 2013。查看在：出版商网站|谷歌学术
15. A. Ranjan, A. Anand, P. Kumar, S. Verma，和L. Murmu，“在印度太阳城乔特布尔(拉贾斯坦邦)使用人工神经网络结合地理信息学技术预测地表温度”，亚洲地理信息学杂志，卷。17，不。3，第14-23，2017年。查看在：谷歌学术
16. Y. Kestens，A.品牌，M. Fournier等，“建模土地表面温度变化为热与热相关的健康事件风险的影响”，“国际健康地理学杂志，第10卷，第1号，第页。7, 2011.查看在：出版商网站|谷歌学术
17. J. Yang，Y. Wang和P.八月，“使用空间插值和卫星衍生的表面发射率估计土地表面温度”环境信息学杂志，第4卷，第4期。1，页37-44,2004。查看在：出版商网站|谷歌学术
18. F.李，T. J.杰克逊，W. P. Kustas等人，“从陆地卫星5和7 SMEX02 / SMACEX期间推导地表温度，”遥感环境，第92卷，第2期4, 2004。查看在：出版商网站|谷歌学术
19. O. Kisi，V.德米尔和S.金，“通过使用地理输入三个不同的自适应神经模糊方法长期月温度的估计，”中国灌溉和排水工程，卷。143，不。12，第04017052，2017年。查看在：出版商网站|谷歌学术
20. O. Kisi，I. Mansouri和J. W. Hu，“蒸发建模的一种新方法：动态不断发展的神经模糊推理系统，”气象进展，2017年第卷，文章编号5356324，共9页，2017年。查看在：出版商网站|谷歌学术
21. M. El-Diasty和S. Al-Harbi，“小波网络模型的发展与气象影响的准确水位预测”，应用海洋研究，卷。53，pp。228-235,2015。查看在：出版商网站|谷歌学术
22. K. Bisht和S. Dodamani，使用Landsat 7 ETM +图像和模糊系统技术估算和建模陆地温度，美国地球物理学会，华盛顿特区，美国，2016。
23. Y.刘，张W.和Y.张，“动态模糊神经为基础的氩弧焊人的智能建模与控制”IEEE自动化科学与工程交易，第12卷，第1期，第324-335页，2015年。查看在：出版商网站|谷歌学术
24. Y刘和Y。Zhang，“管道GTAW过程中基于迭代局部ANFIS的人-焊工智能建模和控制：数据驱动方法，”IEEE / Mechatronics的Asme事务，卷。20，没有。3，pp。1079-1088,2015。查看在：出版商网站|谷歌学术
25. L.王，澳Kisi，M. Zounemat-Kermani，G. A.萨拉萨尔，Z.朱和W宫“太阳辐射预测使用不同的技术：模型评估和比较，”可再生和可持续能源评论，卷。61，第384-397，2016a。查看在：出版商网站|谷歌学术
26. L. Wang，O. Kisi，M. Zounemat-Kermani等，“使用不同自适应神经模糊方法和M5模型树的中国太阳辐射预测”国际气候学杂志，第37卷，第2期3, pp. 1141-1155, 2016b。查看在：出版商网站|谷歌学术
27. V.N.Sharda，S. O.Prasher，R. M.Patel，P. R. Ojasvi和C. Prakash，“多变量自适应回归样条（MARS）的表现”在Himalayan微流域中预测具有有限数据的中小型微流域的径流“，”水文科学杂志，卷。53，不。6，pp。1165-1175，2008。查看在：出版商网站|谷歌学术
28. B. Keshtegar，C.莫特和O. Kisi“的太阳辐射建模4项启发式回归技术的比较：克里格法VS RSM，MARS和M5模型树”可再生和可持续能源评论，第81卷，第330-341页，2018。查看在：出版商网站|谷歌学术
29. E. Quirós， Á Felicísimo，和a . Cuartero，“测试多元自适应回归样条(MARS)作为TERRA-ASTER卫星图像土地覆盖分类的一种方法，”传感器，卷。9，没有。11，pp。9011-9028，2009。查看在：出版商网站|谷歌学术
30. Q.翁，“遥感？GIS评价城市扩张及其对珠江三角洲地表温度的影响，“国际遥感杂志，卷。22，没有。10，第2099至14年，2001年。查看在：出版商网站|谷歌学术
31. Q. Weng，D. Lu和B. Liang，“城市表面生物物理描述符和陆地温度变化”摄影测量工程与遥感，卷。72，没有。11，页。1275年至1286年，2006年。查看在：出版商网站|谷歌学术
32. C. Rinner和M. Hussain，“多伦多城市热岛 - 探索土地使用与表面温度之间的关系”遥感，卷。3，不。6，pp。1251-1265,2011。查看在：出版商网站|谷歌学术
33. X.-L.陈，H.-M。赵，p.-x.李，Z.-Y.尹，“城市热岛与土地利用/覆盖变化关系的基于图像的基于图像的分析，”遥感环境，卷。104，没有。2，pp.133-146,2006。查看在：出版商网站|谷歌学术
34. H. M. Zhao和X. L. Chen，“使用归一化差异偏见指数在快速映射到TM / ETM +”的裸露区域“2005年IEEE国际地球科学与遥感国际研讨会，2005年论文集，页1666-1668,IGARSS ' 05，首尔，韩国，2005年7月。查看在：谷歌学术
35. 冯勇，高才，仝贤，雷志军，“苏州地区地表温度空间分布特征及其影响因素研究”，地理科学进展，2017,36(6):759 - 763。遥感，卷。11，不。2，p。182,2019。查看在：出版商网站|谷歌学术
36. T. Mushore，J. Odindi，T. Dube和O. Mutanga，使用哈拉雷大都市城市津巴布韦的中分辨率卫星数据预测未来的城市表面温度，“建筑和环境，第122卷，第397e410页，2017。查看在：出版商网站|谷歌学术
37. R.-B.肖Z.-Y.欧阳，H.郑，W.-F.李E. W. Schienke和X.-K.王，“不透水表面和他们在北京，中国陆地表面温度影响的空间格局，”环境科学杂志，第19卷，第2期，第250-256页，2007年。查看在：出版商网站|谷歌学术
38. J. R. Jensen，遥感环境：地球资源视角，培生教育印度，班加罗尔，印度，2009。
39. Y.-h.陈，王J.和X.-B.李，“夏季基于卫星遥感对城市热场的研究，”遥感土地和资源，第4卷，第4期。1, 2002。查看在：谷歌学术
40. 美国地质调查局，陆地卫星8数据用户手册2016年，美国弗吉尼亚州莱斯顿，美国地质勘探局。
41. J. A. Sobrino, J. C. Jiménez-Muñoz，和L. Paolini，“基于LANDSAT TM 5的地表温度反演”，遥感环境，卷。90，没有。4，第434-440页，2004年。查看在：出版商网站|谷歌学术
42. “城市热岛研究中地表温度与植被丰度关系的研究”，国家自然科学基金面上项目，遥感环境，卷。89，没有。4，pp。467-483，2004。查看在：出版商网站|谷歌学术
43. K. M.特平，D. R. Lapen，E. G. Gregorich等人，“使用多元自适应回归样条（MARS），以确定土壤和玉米之间的关系（Zea Mays.L.）生产性质，“加拿大土壤科学杂志，卷。85，没有。5，第625-636，2005。查看在：出版商网站|谷歌学术
44. Q. Zhang And A. Benveniste，“小波网络”，神经网络学报，卷。3，不。6，PP。889-898,1992。查看在：出版商网站|谷歌学术
45. J.-S.R.张，“ANFIS：基于自适应网络模糊推理系统，”IEEE在系统，人和控制论上的交易，卷。23，不。3，pp。665-685,1993。查看在：出版商网站|谷歌学术
46. H.Sanikhani，O.Kisi，E.Maroufpoor和Z. M. Yaseen，“使用多种人工智能模型的参考蒸发温度的温度建模：不同建模场景的应用”理论和应用的气候学，第135卷，第2期1-2，页449-462,2019。查看在：出版商网站|谷歌学术
47. M. R. Kaloop, M. El-Diasty, J. W. Hu，“利用自适应神经模糊推理系统实时预测水位变化”，测绘，自然灾害和风险，第8卷，第2期2, pp. 1320-1332, 2017。查看在：出版商网站|谷歌学术
48. N. Kasabov和Q. Song，“Denfis：动态发展神经模糊推理系统及其在时间序列预测的应用”，模糊系统上的IEEE事务，卷。10，没有。2002年。查看在：出版商网站|谷歌学术
49. R. Moghadam, M. Izadbakhsh, F. Yosefvand, S. Shabanlou，“使用萤火虫算法模拟侧孔流量系数的ANFIS网络优化”，应用水科学，卷。9，p。84,2019。查看在：出版商网站|谷歌学术

版权

版权所有©2020 Elhadi K. Mustafa等人。这是一篇发布在创意公共归因许可证如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。