本发明属于人工智能与生态环境自然资源，尤其设计基于多源遥感数据和线性回归算法的区域人为热空间分配量化方法。
背景技术：
1、温室气体影响导致全球气温升高已成为全球应对气候变化主流观点。人为热排放对地表辐射平衡的影响越来越不可忽视。精确的高时空分辨率人为热排放清单对研究温室气体减排、全球气候变化具有十分重要的意义。现有基于传统方法获取的人为热排放清单空间分辨率较低，对于城市地区气象和空气质量模式而言分辨率太低难以满足要求，空间分配准确率有待提高。
2、对于区域人为热排放分布的计算，其分辨率一般较低，通常在25km及以上。目前，仍没有利用遥感数据提高传统方法构建的人为热排放清单的分辨率。同时，在应用遥感数据构建人为热排放清单时通常仅考虑了夜间灯光数据（ntl）和植被指数（ndvi），同时未有考虑过结合机器学习算法，造成现有训练模式随环境变化稳定性较差，。
技术实现思路
1、发明目的：针对上述现有存在的问题和不足，本发明的目的是提供了一种基于线性回归算法和多源遥感数据的区域人为热空间分配量化方法，可应用于气象、生态环境、自然资源领域人为热排放的精细化空间计算。
2、技术方案：为实现上述发明目的，本发明采用以下技术方案：一种基于线性回归算法和多源遥感数据的区域人为热空间分配量化方法，包括以下步骤：
3、步骤s1，基于空间分布数据和统计数据，得到低分辨率下的区域人为热排放空间分布清单；步骤s2，利用遥感资料并进行归一化处理，得到归一化后的各空间分配因子；所述遥感资料包括夜间灯光指数ntl、植被指数ndvi、经度lon和维度lat，经过归一化后的空间分配因子包括夜间灯光指数ntlnor、人口定居指数hsi和植被修正夜间灯光城市指数vanui、经度lonnor和维度latnor；
4、步骤s3，采用线性回归算法，在低分辨率下建立人为热与归一化后空间分配因子之间的估算模型；
5、步骤s4，最后利用高分辨率的遥感资料数据，计算得到高分辨率下的区域人为热空间网格排放数据。
6、进一步的，所述低分辨率为25km，所述高分辨率为500m。
7、进一步的，步骤s2中所述各空间分配因子通过下式（1）计算得到，
8、 （1）
9、式中，为归一化夜间灯光指数，指每个格点的夜间灯光指数，和分别是区域最小夜间灯光指数和最大夜间灯光指数；最大归一化植被指数，是选取时段的归一化植被指数；表示归一化后的人居指数，表示归一化后的植被修正夜间灯光城市指数。
10、进一步的，步骤s3的中所述通过线性规划算法建立人为热与归一化后空间分配因子之间的估算模型的具体步骤如下：
11、（1）以夜间灯光指数ntlnor、人口定居指数hsi和植被修正夜间灯光城市指数vanui、经度lonnor和维度latnor作为回归因子，建立多元线性预测向量；
12、 （2）
13、式中，是回归因子的一维向量，和分别为权重和修正因子，由机器学习获得；是人为排放数据预测值，
14、（2）然后采用最小二乘法确定和，并以均方误差mse最小值时作为线性回归拟合最佳情况，完成拟合。
15、进一步的，步骤（2）中采用最小二乘法确定和的值时，以均方误差mse最小值时作为线性回归拟合最佳情况，完成拟合得到模型权重和修正因子，从而确定回归因子与人为热的关系，
16、 （3）
17、式中，表示区域内第i个网格内第j时刻的人为热排放数据预测值，表示区域内第i个网格内第j时刻的人为热排放数据的观测值。
18、进一步的，步骤s4中，以500m高分辨率ntlnor、ndvimax和经度lonnor和维度latnor数据带入训练好的估算模型中，得到高分辨率的区域人为热空间部分。
19、进一步的，步骤s1中空间分布数据包括人口分布数据和co排放清单数据，从而得到空间分配因子；所述统计数据包括人口数据和能源消费数据，从而得到包括人体排热、工业废热排放、交通源排放、建筑排热的人为热排放总量；最后通过得到的人为热排放总量和空间分配因子得到区域人为热排放空间分布清单。
20、有益效果：与现有技术相比，本发明具有以下优点：本发明基于多源遥感数据，得到500m分辨率的遥感指数数据，并结合25km分辨率的空间分布数据、线性回归算法和遥感指数数据建立人为热空间分配模型，最终得到500m空间分辨率的区域人为热排放清单，克服了传统空间人为热分配空间分辨率较低且分配不准确等问题。同时，本发明基于多源遥感数据，考虑多源数据的组合相对于传统仅考虑ntlnor和his因子的情形，具有更佳的精确度。
1.一种基于线性回归算法和多源遥感数据的区域人为热空间分配量化方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于线性回归算法和多源遥感数据的区域人为热空间分配量化方法，其特征在于：所述低分辨率为25km，所述高分辨率为500m。
3.根据权利要求1所述基于线性回归算法和多源遥感数据的区域人为热空间分配量化方法，其特征在于：步骤s2中所述各空间分配因子通过下式（1）计算得到，
4.根据权利要求1所述基于线性回归算法和多源遥感数据的区域人为热空间分配量化方法，其特征在于：步骤s3的中所述通过线性规划算法建立人为热与归一化后空间分配因子之间的估算模型的具体步骤如下：
5.根据权利要求4所述基于线性回归算法和多源遥感数据的区域人为热空间分配量化方法，其特征在于：步骤（2）中采用最小二乘法确定和的值时，以均方误差mse最小值时作为线性回归拟合最佳情况，完成拟合得到模型权重和修正因子，从而确定回归因子与人为热的关系，
6.根据权利要求4所述基于线性回归算法和多源遥感数据的区域人为热空间分配量化方法，其特征在于：步骤s4中，以500m高分辨率ntlnor、ndvimax和经度lonnor和维度latnor数据带入训练好的估算模型中，得到高分辨率的区域人为热空间部分。
7.根据权利要求1所述基于线性回归算法和多源遥感数据的区域人为热空间分配量化方法，其特征在于：步骤s1中空间分布数据包括人口分布数据和co排放清单数据，从而得到空间分配因子；所述统计数据包括人口数据和能源消费数据，从而得到包括人体排热、工业废热排放、交通源排放、建筑排热的人为热排放总量；最后通过得到的人为热排放总量和空间分配因子得到区域人为热排放空间分布清单。
