本发明涉及神经网络领域，具体为一种基于神经网络的预测城市热岛效应强度的方法。
背景技术：
1、城市化被认为是人类在地球表面上最明显的活动，这意味着更多的自然下垫面，主要是植被覆盖和可渗透区域，被转化为人工下垫面，从而促进了城乡地区土地利用/覆被变化(land use and cover change，lucc)的显著变化；
2、目前，多数学者可以通过分析lucc变化来对地表温度和城市热岛进行研究，但缺乏对lucc变化的预测分析及其对于城市地表温度的影响，导致预测的城市热岛效应的可靠性和准确性偏低；
3、因此，人们急需一种基于神经网络的预测城市热岛效应强度的方法来解决上述问题。
技术实现思路
1、本发明的目的在于提供一种基于神经网络的预测城市热岛效应强度的方法，以解决上述背景技术中提出的问题。
2、为了解决上述技术问题，本发明提供如下技术方案：
3、一种基于神经网络的预测城市热岛效应强度的方法，该方法包括以下步骤：
4、s1、采集待监测区域当前年份及历史年份的陆地卫星影像，并将获取的影像进行预处理，获取地表温度影像；根据土地覆盖类型，通过原始影像及土地覆盖类型，计算各年份的土地覆被指数，根据各年份的土地覆被指数，获得各年份的土地覆被指数图；通过地表温度影像，计算各年份的城市热岛强度；
5、数据采集是从现有landsat collection 2level 2数据集中，选取云量小于10％的陆地卫星影像数据；
6、预处理是由于上述网站存储数据都是整形，所以真实结果往往存在一定的缩放系数和偏移量，通过美国地质调查局网站提供的数据使用手册，在envi中使用band math功能进行计算b1*0.00341802+149，即可得到真实地表温度，此时地表温度单位为开尔文，所以再减去273.15即可得到摄氏温度的地表温度；
7、s2、采集土地覆盖类型的样本影像，训练支持向量机；将原始影像，通过训练完成的支持向量机，提取各影像的土地覆盖类型，获得各年份的土地利用图；
8、支持向量机(supportvector machine，svm)是一种广泛应用于图像分类的机器学习算法，它具有不干扰似然函数和对训练数据要求最小的优点；
9、s3、构建ca-markov模型，将历史年份的土地利用图，通过ca-markov模型，预测当前年份的土地利用图，将预测的结果与当前年份的实际土地利用图进行比较验证；通过验证和领域均值滤波器完善ca-markov模型；通过完善后的最终ca-markov模型，预测未来年份的土地利用图；
10、ca-markov模型因其考虑空间和时间变化的能力而被广泛使用，是模拟土地利用变化最有效的模型之一；
11、s4、构建人工神经网络模型，将历史年份的土地覆被指数图作为输入层，将当前年份的土地覆被指数图作为输出层，训练人工神经网络模型；通过训练完成的人工神经网络模型，预测未来年份的土地覆被指数图；
12、s5、构建多元线性回归，将历史年份的土地覆被指数作为自变量，将对应年份的城市热岛强度作为因变量，获得城市热岛强度与土地覆被指数的回归关系；
13、s6、将预测的未来年份的土地利用图和土地覆被指数图，按照土地利用等级提取土地覆被指数，根据提取的土地覆被指数结合城市热岛强度与土地覆被指数的回归关系，预测未来年份的城市热岛强度。
14、根据上述技术方案，步骤s1中，计算各年份的土地覆被指数及城市热岛强度，具体过程如下：
15、s2-1、当前年份记为t年份，设置时间间隔为n，依次采集t年份及t-in年份，待监测区域的陆地卫星影像并预处理，获取地表温度影像，所述i∈[1，a]，所述t，n，a均为预置的固定参数；
16、s2-2、土地覆盖类型包括建成区、林地区、水区及裸地区，根据土地覆盖类型，土地覆被指数包括城市建筑指数、大气阻抗植被指数、归一化水体指数及裸土指数；
17、s2-3、根据原始图像，计算各年份的城市建筑指数，公式如下：
18、
19、其中，ibi表示城市建筑指数，ndbi表示归一化建筑指数；savi表示土壤调节植被指数；mndwi表示改进型归一化水体指数；
20、根据下列公式计算归一化建筑指数ndbi：
21、
22、其中，swir表示短波红外波段的反射率，对应landsat 8波段6；nir代表近红外波段的反射率，对应landsat 8波段5；
23、landsat 8是美国地球观测卫星计划中的一颗卫星，它携带着一种名为operational land imager(oli)的传感器，该传感器能够捕捉来自地球表面的可见光和红外辐射，并产生各种波段的图像。
24、根据下列公式计算土壤调节植被指数savi：
25、
26、其中，red表示红波段的反射率，对应landsat 8波段4；l表示土壤调节系数且l∈[0,1]；l＝0时，表示植被覆盖度为零；l＝1时，表示土壤背景的影响为零，即植被覆盖度非常高；
27、根据下列公式计算改进型归一化水体指数mndvi：
28、
29、其中，green代表近红外波段的反射率，对应landsat 8波段3；
30、s2-4、根据获取的原始图像，计算各年份的大气阻抗植被指数，公式如下：
31、
32、其中，arvi表示大气阻抗植被指数；blue代表蓝波段的反射率，对应landsat 8波段2；
33、s2-5、根据原始图像，计算各年份的归一化水体指数，公式如下：
34、
35、其中，ndwi表示归一化水体指数；
36、s2-6、根据原始图像，计算各年份的裸土指数，公式如下：
37、
38、其中，bsi表示裸土指数；
39、s2-7、根据上述公式，计算出各年份的土地覆被指数后，获得各年份的土地覆被指数图；
40、s2-8、根据地表温度影像，计算各年份的城市热岛强度，公式如下；
41、uhii＝tu-tr
42、其中，uhii表示城市热岛强度；tu表示城区地表温度；tr代表郊区地表温度。
43、根据上述技术方案，步骤s3中，预测未来年份的土地利用图，具体过程如下：
44、s3-1、构建ca-markov模型，将获取的t-n年份及t-2n的土地利用图，利用马尔科夫链分析后，通过ca-markov模型，预测t年份的土地利用图；
45、s3-2、在验证部分，以t-n年份的土地利用图为基底，结合t-2n年份到t-n年份的土地利用图的变化，对t年份的土地利用图进行j次迭代模拟，j∈[1，b]，所述b为预置的固定参数，然后将模拟结果与t年份的实际土地利用图进行比较，选取饱和度最高的迭代次数，作为迭代模拟的最佳次数；
46、s3-3、通过验证和领域均值滤波器将ca-markov模型完善，获得最终ca-markov模型；
47、s3-4、将获取的t年份及t-n的实际土地利用图，利用马尔科夫链分析后，通过最终ca-markov模型，预测t+n年份的土地利用图。
48、根据上述技术方案，步骤s4中，预测未来年份的土地覆被指数图，具体过程如下：
49、s4-1、构建人工神经网络模型，将t-in年份的土地覆被指数图作为输入层，将t年份的土地覆被指数图作为输出层，训练人工网络模型；
50、s4-2、通过训练完成的人工网络模型，预测t+n年份的土地覆被指数图。
51、根据上述技术方案，步骤s5中，获得城市热岛强度与土地覆被指数的回归关系，具体过程如下：
52、s5-1、构建多元线性回归，公式表达如下：
53、y＝β0+β1x1+β2x2+…+βkxk
54、其中，y表示因变量，xk表示第k个自变量，β0表示y轴截距，βk表示每个自变量的斜率系数，k∈[1，c]，所述c表示自变量的总数；
55、s5-2、将t-in年份的土地覆被指数作为自变量，将对应年份的城市热岛强度作为因变量，输入到构建的多元线性回归中；
56、通过平均绝对误差、均方误差、均方根误差、平均绝对百分比误差进行准确性评估，具体公式如下：
57、
58、其中，mae表示平均绝对误差，mse表示均方误差，rmse表示均方根误差，mape表示平均绝对百分比误差，yi表示因变量的真实值，yi'表示因变量的预测值；
59、获得城市热岛强度与土地覆被指数的回归关系。
60、根据上述技术方案，步骤s5中，预测未来年份的城市热岛强度，具体过程如下：
61、s6-1、将预测的t+n年份的土地利用图和土地覆被指数图，按照土地利用等级提取土地覆被指数；所述土地利用等级是根据土地利用图中各区域的性质，划分出代表区域；
62、s6-2、将提取出的t+n年份的土地覆被指数，结合城市热岛强度与土地覆被指数的回归关系，预测出t+n年份的城市热岛强度。
63、与现有技术相比，本发明所达到的有益效果是：
64、本发明综合考虑了土地利用的变化对城市热岛效应产生的影响，将其加入到预测模型中，同时，采用人工神经网络对土地覆被指数进行了模拟预测，能够针对大范围城市区进行城市热岛预测，不仅使得预测结果更加精准可靠，而且提高产品的质量。
1.一种基于神经网络的预测城市热岛效应强度的方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于神经网络的预测城市热岛效应强度的方法，其特征在于：步骤s1中，计算各年份的土地覆被指数及城市热岛强度，具体过程如下：
3.根据权利要求2所述的一种基于神经网络的预测城市热岛效应强度的方法，其特征在于：步骤s3中，预测未来年份的土地利用图，具体过程如下：
4.根据权利要求3所述的一种基于神经网络的预测城市热岛效应强度的方法，其特征在于：步骤s4中，预测未来年份的土地覆被指数图，具体过程如下：
5.根据权利要求4所述的一种基于神经网络的预测城市热岛效应强度的方法，其特征在于：步骤s5中，获得城市热岛强度与土地覆被指数的回归关系，具体过程如下：
6.根据权利要求5所述的一种基于神经网络的预测城市热岛效应强度的方法，其特征在于：步骤s6中，预测未来年份的城市热岛强度，具体过程如下：
