[发明专利]一种基于人工智能获取街区尺度LCZ的方法

权利要求书

1.一种基于人工智能获取街区尺度LCZ的方法，其特征在于，包括：

获取目标区域的路网信息、遥感图像和街区成分信息；

根据路网信息将目标区域划分为多个局部气候区块；

使用训练好的像素级分类人工智能模型获取目标区域遥感图像各区块内的组成成分；

使用街区成分信息弥补像素级分类人工智能模型漏识、误识的组成成分信息；

训练像素级分类人工智能模型，具体为：

像素级分类人工智能模型包括：U-Net模型、DeepLab系列模型、全连接网络系列模型；

人工标记少部分目标区域遥感图像的组成成分作为像素级分类人工智能模型的训练集；

将训练集输入像素级分类人工智能模型进行训练；

获得训练好的像素级分类人工智能模型；

计算局部气候区块的地表形态特征参数；

所述计算局部气候区块的地表形态特征参数包括：

地表形态特征参数包括：各街区的天空视角系数SVF、街道高宽比、建筑密度BSF、建筑高度、透水面积比率PSF以及不透水面积比率ISF；

计算建筑密度、透水面积比率以及不透水面积比率包括：

将像素级分类人工智能模型和地理信息大数据进行弥补后的掩膜转换为1米分辨率；

以建筑成分像素数量、植被和裸地成分像素数量、剩余成分像素数量除以局部气候区块的总像素数量，获得各个局部气候区块的建筑密度、透水面积比率以及不透水面积比率；

计算建筑密度、透水面积比率以及不透水面积比率的方法如下：

计算单位研究区的天空视角系数局部气候区块中以半径为10米的圆形平面作为计算单元，以圆心为基准点，计算计算单元内每个建筑成分的仰角正弦值，并求平均值，获得计算单元的天空视角系数；

根据局部气候分区区块计算单元的数量求平均值，得到局部气候区块的天空视角系数：

 其中，目标区域内SVF值为：

式中，指LCZ区块内第个栅格的SVF值，s为LCZ区块内的栅格总数量，表示一个封闭街区尺度范围内建筑物、表示一个封闭街区尺度范围内水体、表示一个封闭街区尺度范围内裸地、表示一个封闭街区尺度范围内植被、一个封闭街区尺度范围内农耕用地、表示在一个封闭街区尺度范围内道路的面积，代表一个封闭街区的面积；n是单位研究区域内的建筑物数量，是建筑物与地球表面之间的角度；是单位研究区域内建筑物的高度，G是单位研究区中心点的高度，R是研究区的半径；为单位研究区域的天空视角系数；

计算建筑高度包括：

利用数字地表模型数据减数字高程模型数据得到整个研究区的成分高度；

计算掩膜中每一个建筑成分的质心，以质心点位置的高度作为该建筑成分的高度，质心点的数量等于建筑成分的数量；

局部气候区块的建筑高度等于质心点位置的高度和除以质心点的数量；

计算建筑高度HRE：

式中，为第个建筑成分的高度，n是单位研究区域内的建筑物数量；

计算街道高宽比包括：

基于计算的建筑高度，通过地理信息系统处理软件的近邻分析得到各局部气候分区区块内建筑成分的间距；

用建筑高度除以建筑间距，获得街道高宽比；

计算街道高宽比AR：；

每个LCZ区块的SVF值以街区尺度为单位，按属性分割的方法，将研究区域内的建筑拆分为独立的要素类，W为LCZ区块中各建筑成分的平均间距，通过近邻分析获取建筑物之间的距离，并计算建筑物之间的距离的平均值获得W，

式中，指近邻分析，指建筑成分和的近邻间距，指LCZ区块中建筑成分的总数，为求取的建筑成分的距离数量；LCZ类型的计算方式采用阈值划分法，综合多个特性参数值，落在分区次数最多的，即为当前LCZ区块的分区；

根据地表形态特征参数将局部气候区块分类。

2.根据权利要求1所述的一种基于人工智能获取街区尺度LCZ的方法，其特征在于，所述使用训练好的像素级分类人工智能模型获取目标区域遥感图像各区块内的组成成分包括：

组成成分包括：植被、建筑、道路、裸地、湖泊河流、农耕用地；

将获取的目标区域遥感图像输入像素级分类人工智能模型；

像素级分类人工智能模型输出目标区域遥感图像中的组成成分。