基于热知识引导多类型蚁群算法的热岛冷却方法及系统

1.本发明属于地理信息科学技术领域，具体涉及一种基于热知识引导多类型蚁群算法的热岛冷却方法及系统。


背景技术：

2.在快速城市化的背景下，城市地区自然绿地向不透水表面的转化速度大大加快，导致全球主要城市出现一系列与人类活动相关的生态环境问题。其中，热岛效应是影响最为广泛的城市化导致的气候变化。热岛效应的特点是城市地区的地表温度高于农村地区，造成了显著的负面影响，包括极端热伤害事件、生物多样性减少、能源消耗增加等，危害了城市居民的身体健康和城市的可持续发展。2022年，全球夏季极端高温天气频发，多国最高气温刷新历史纪录，各国首脑开始积极寻求遏制城市升温的解决方案。其中城市绿地可以产生显著的降温效果，优化绿地的空间布局可以有效遏制高温并缓解热岛效应。
3.作为城市热岛冷却的重要手段，制定合理且有效的绿地空间优化规划需要解决两个问题：
①
准确量化城市热岛的范围和强度；
②
在城市层面设计识别不透水面向绿地转化空间位置的模型。首先，在量化城市热岛范围和强度上，关键在于确定农村的背景温度值，现有方法大多分为基于边界和基于温度突变阈值两类。尽管基于边界的方法简单有效，但城乡边界划定的准确性极大影响了城乡温差计算的结果；基于温度突变阈值的方法不需要定义城乡边界，但地表温度沿城乡方向衰减曲线的突变点(或断点)往往是人为主观确定的，并且拟合函数中的参数在城市热岛背景下没有明确的物理意义。其次，在城市热岛冷却上，确定增加绿地的数量和空间位置以提高热岛冷却效果仍是难题，一些基于城市系统动力学或物理热模型模拟建筑环境中热交换过程的方法，虽然精度较高，但计算时间成本较大，难以指导城市层面的绿化规划；一些仿生智能算法如蚁群算法、遗传算法、粒子群算法等，经过空间化改造后，在解决土地资源的空间优化上表现出良好的性能，但优化算法往往过于关注用地适宜性与地表特征，忽视了城市多维综合特征，优化用地斑块的空间分布较为分散，难以关注城市中亟需冷却的区域。
4.因此，亟需建立能够避免主观性干扰的城市热岛强度界定方法，将识别出的城市热环境信息集成到优化模型中，最大限度地减少当前土地利用布局变化，在城市层面以高空间分辨率自动化调整和优化土地利用类型分布，从而降低城市地表温度，缓解城市热岛效应。


技术实现要素：

5.针对现有技术不足，本发明提供一种基于热知识引导多类型蚁群算法的热岛冷却方法及系统，基于遥感影像数据自动识别城市热岛范围和强度，并使用基于热知识引导多类型蚁群算法的城市热岛冷却方法，通过优化土地利用布局冷却识别出的城市热岛。
6.为了达到上述目的，本发明提供的技术方案是一种基于热知识引导多类型蚁群算法的热岛冷却方法，包括以下步骤：
7.步骤1，收集研究区遥感影像数据、人口热力数据，并对其进行预处理，计算生物物理成分指数，根据设定的阈值提取研究区不透水表面；
8.步骤2，计算研究区不透水表面的密度；
9.步骤3，基于步骤2计算得到的不同密度的不透水面，使用城市聚类算法提取研究区的城市主要建成区边界；
10.步骤4，根据ndvi指数和k-均值聚类算法对研究区土地利用类型进行划分，利用劈窗法反演研究区地表温度，基于城市重力中心向外围做等面积多环缓冲区，在去除缓冲区内水域和高dem区后，使用反s型方程拟合各个缓冲区中平均地表温度的衰减过程；
11.步骤5，基于城市和乡村的地表温度计算城市热岛强度，并划分为不同等级；
12.步骤6，建立多类型蚁群算法与热岛冷却土地利用优化问题的映射关系，并确定目标函数；
13.步骤7，将基于热环境感知的信息素强度更新过程耦合进多类型蚁群算法中，构建热知识引导的多类型蚁群算法；
14.步骤8，基于热知识引导的多类型蚁群算法，通过优化土地利用布局冷却识别出的城市热岛，并输出热岛冷却结果及土地利用布局优化结果。
15.而且，所述步骤1中生物物理成分指数的计算方式为：
[0016][0017]
式中，bci为生物物理成分指数，h是标准化后的tc1或“高反射率”，l是标准化后的tc3或“低反射率”，v是标准化后的tc2或“植被”，这三个指标由如下公式表示：
[0018][0019][0020][0021]
式中，tci(i＝1,2,3)表示第i种缨帽成分，tci
max
和tci
min
分别是第i个缨帽成分的最大、最小值。
[0022]
设定提取不透水面时bci的阈值，提取出研究区的不透水表面。
[0023]
而且，所述步骤2中不透水表面的密度计算公式为：
[0024][0025]
式中，densitys(r)表示中心像元s半径为r范围内的不透水面密度，di表示中心像元半径r范围内的像元i与中心像元s的距离，若像元i为不透水面像元，b
si
＝1，反之，b
si
＝0，n为中心像元s半径为r范围内像元的个数。
[0026]
而且，所述步骤3中城市聚类算法首先随机选择不透水面像元作为中心像元，并计算moore型邻域内不透水面连接区域，然后定义距离阈值l，将距离小于l的连接区域合并，并确定聚集阈值s，去除像元数小于s的连接区域，最后根据不同的不透水面密度输入值，获得研究区不同密度级别的建成区边界。
[0027]
而且，所述步骤4中ndvi指数计算公式如下：
[0028][0029]
式中，r
nir
、r
red
分别为近红外波段、红波段的反射率。
[0030]
利用k-均值聚类算法将研究区划分为水域、低ndvi区域、中ndvi区域、高ndvi区域4种地表覆盖类型，利用劈窗法反演研究区地表温度，计算同心圆环内除去水体和高dem区的地表温度平均值，并使用反s型方程对地表温度点进行拟合，反s型方程表示方式如下：
[0031][0032]
令方程f(r)对变量r求二阶导数得：
[0033][0034][0035]
式中，f(r)为第r个多环缓冲区的地表温度，f
″
(r)为f(r)的二阶导数，t、c、α、d均为待拟合的常数，e为自然常数，h为方程求导过程中的中间变量。
[0036]
农村背景温度为二阶导数f
″
(r)的极值点对应的地表温度，即：
[0037][0038]
此时对应两个解r1和r2，则f(r1)和f(r2)分别代表城市核心区和农村背景温度，即：
[0039][0040][0041]
基于各个等面积缓冲区的平均温度，使用非线性最小二乘法求解得到反s型方程的4个参数，其中参数t和c是两条水平渐近线，当r接近无穷大时，f(r)趋近c，即城市边缘区的平均温度；当r＝0时，f(r)趋近t，即城市核心区的平均温度，由于r1+r2＝d，因此参数d表示近似的城市范围。
[0042]
而且，所述步骤5中城市热岛强度δt计算方式如下：
[0043]
δt＝t
urban-t
rural
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0044]
式中，t
urban
表示城市背景温度，为城市主要建成区内的平均地表温度，t
rural
表示农村背景温度。
[0045]
将求得的城市热岛强度划分为不同等级。
[0046]
而且，所述步骤6中建立多类型蚁群算法与热岛冷却土地利用优化问题的映射关系为：蚁群的种类与土地利用类型的数量相同，每种蚁群中初始蚂蚁的数量由遥感影像上每种土地利用类型的像元数量决定，初始状态遥感影像中每个像元被一只蚂蚁随机占据，每个像元最终的蚂蚁种类被导出为最佳土地利用布局方案，每个像元的当前搜索空间是k，k为蚂蚁的种类数量，也是土地利用类型的数量，在迭代过程中，如果本次迭代像元的目标函数比上一次迭代增长，则像元选择本次迭代中选择概率最大的k种蚂蚁，像元的土地利用类型变为k；否则，像元将保持当前土地利用类型；种群为k的蚂蚁在迭代t次时对像元(i,j)
的选择概率p
ijk
(t)定义如下：
[0047][0048]
式中，η
ijk
(t)表示种群为k的蚂蚁在像元(i,j)处的启发值，τ
ijk
(t)表示种群为k的蚂蚁在像元(i,j)处的信息素强度，η
ijtype
(t)表示种群属于k的蚂蚁在像元(i,j)处的启发值，τ
ijtype
(t)表示种群属于k的蚂蚁在像元(i,j)处的信息素强度，0《k《k，常数α和β用于调整这两个因素的相对重要性。
[0049]
启发值η
ijk
定义如下：
[0050][0051]
式中，suit
ijk
表示种群为k的蚂蚁在像元(i,j)处的用地适宜性，∑
(i,j)∈x suit
ijk
表示整个研究区内用地适宜性的总和，x表示整个研究区。
[0052]
信息素强度τ
ijk
(t)是引导多类型蚁群算法实现土地利用优化的唯一因素，将其初始化为：
[0053][0054]
式中，g是整个研究区域中的像元总数。
[0055]
信息素强度在每次迭代时更新原则为：如果本次迭代像元(i,j)处的土地利用类型发生变化，则在本次迭代结束时增强变化后像元(i,j)处土地利用类型的信息素强度，并降低其他几种土地利用类型在像元(i,j)处的信息素强度，即：
[0056]
τ
ijk
(t+1)＝τ
ijk
(t)(1-ρ)+δτ
ijk
(t)
ꢀꢀꢀꢀꢀꢀꢀ
(17)
[0057][0058]
式中，τ
ijk
(t)、τ
ijk
(t+1)分别为第t次、t+1次迭代的信息素强度，ρ是控制挥发速率的系数，r是是调整信息素附加值的系数，δτ
ijk
(t)是指种群为k的蚂蚁在像元(i,j)留下的信息素，由初始化后的τ
ijk
(0)确定。
[0059]
经过多次迭代后，特定蚁群在不同像元上的信息素会根据信息素更新过程占据主导地位，从而在最后阶段输出稳定、最优的土地利用分配。
[0060]
多类型蚁群算法的目标共有两个，分别为最大限度地提高土地适宜性、最大限度地减少地表温度与人体舒适温度之间的差异，目标函数f
ij
定义如下：
[0061]fij
＝maxk(μ
×
suit
ijk-v
×
abs (lst
ijhtt-lst
ijk
))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0062]
式中，μ和ν分别是土地适宜性和地表温度的权重，suit
ijk
表示种群为k的蚂蚁在像元(i,j)处的用地适宜性，lst
ijhtt
代表人体舒适温度，lst
ijk
是每次迭代像元变化后的土地利用类型k的地表温度。
[0063]
由于热红外波段数据和地表发射率是地表温度lst反演的两个重要因素，考虑到不同土地类型的地表发射率仅与ndvi指数相关，在土地利用类型发生变化后，采用以下两种策略对不同阶段土地利用类型修改后的热红外波段和ndvi的值进行更新：1)每次迭代结束后，使用变化后的土地利用类型k在原始影像中对应的热红外波段的最低值和ndvi最高值，此方法在蚁群算法迭代的过程中使用；2)以当前像元为中心做缓冲区，并使用缓冲区内
变化后的土地类型k对应的热红外波段的平均值和ndvi的平均值，该方法用于全部迭代结束后最终结果的输出。
[0064]
而且，所述步骤7中构建基于热环境感知的信息素强度更新过程，包括感知自身和评估环境两个方面，其中蚂蚁的自我感知能力增强过程表示为：
[0065][0066]
式中，τ
ijk
(t)为第t次迭代的信息素强度，pop
ij
是像元(i,j)处的人口密度，pop
mean
是研究区人口密度的平均值，pop
max
是人口密度最大值。
[0067]
如果热岛强度等级很高，像元(i,j)现在用地类型的信息素强度将被降低，即：
[0068][0069]
式中，τ
ijk
(t)为第t次迭代的信息素强度，θ
l
为基于热岛强度的信息素浓度衰减系数，m为设定的高等级热岛强度的等级。
[0070]
蚂蚁的评估环境能力通过构建感知邻域u实现，异常温度区的感知过程表示如下：
[0071][0072]
diflst
ij
＝lst
ij-lst
uijp
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(23)
[0073][0074]
式中，τ
ijk
(t)为第t次迭代的信息素强度，θz为由温差控制的信息素强度衰减系数，u
ijp
为以蚂蚁在像元(i,j)为中心的p
×
p范围内的感知邻域，为感知邻域的平均地表温度，lst
ij
为像元(i,j)的地表温度，diflst
ij
为像元(i,j)的温差，diflst
abnormal
和diflst
max
是常数，分别代表异常温差和最大温差。
[0075]
对于热核心区域的瓦解过程定义如下：
[0076][0077]
式中，τ
ijk
(t)为第t次迭代的信息素强度，hi
xy
为以像元(i,j)为感知邻域中的高等级热岛数量，u
ijp
为以蚂蚁在像元(i,j)为中心的p
×
p范围内的感知邻域，n为整个影像，n为要优化的三种土地利用类型的总像元数，θc为由热核心区控制的信息素强度衰减系数。
[0078]
每次迭代，信息素强度均会更新，根据实际情况选择信息素强度更新公式，具体使用如果同时满足多种情况，则将满足条件的公式相乘即可。
[0079]
而且，所述步骤8中热岛冷却结果以表格形式展示各等级热岛数量的变化情况、暴露在高等级热岛下人群数量等，以空间图形式展示冷却后各等级热岛的空间分布情况，土地利用布局优化结果为优化后各类型用地的数量结构及空间分布。
[0080]
本发明还提供一种基于热知识引导多类型蚁群算法的热岛冷却系统，用于实现如上所述的一种基于热知识引导多类型蚁群算法的热岛冷却方法。
[0081]
而且，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中
的程序指令执行如上所述的一种基于热知识引导多类型蚁群算法的热岛冷却方法。
[0082]
与现有技术相比，本发明具有如下优点：
[0083]
1)使用参数具有明确物理意义的方程描述城乡热特征变化，避免了城乡地表温度衰减拟合的人为干扰，提升了城市热岛强度界定的客观性和准确性；
[0084]
2)在城市热岛识别及冷却方面，引入反s型方程拟合城乡地表温度衰减趋势，并通过将城市热岛领域知识和人口分布特征耦合进多类型蚁群算法，构建了热知识引导的多类型蚁群算法冷却识别出的城市热岛，与传统的热岛界定及优化算法相比，避免了农村背景温度确定时的主观性，并通过热知识引导算法更关注降温急迫区，使被优化像元的空间分布更加合理有效；
[0085]
3)充分考虑了热环境、热聚集特征、人口空间分布特征，结合多类型蚁群算法的空间寻优能力，输出合理性和适用性更高的土地利用空间布局优化方案和热岛冷却方案，为城市可持续热环境规划、缓解城市热岛效应提供了有力的工具。
附图说明
[0086]
图1为本发明方法的总体流程图。
[0087]
图2为本发明实施例武汉市不透水表面的密度空间分布图。
[0088]
图3为本发明实施例武汉市不同密度级别的建成区边界。
[0089]
图4为本发明实施例反s型方程拟合地表温度点示意图。
[0090]
图5为本发明实施例武汉市2022年反s型方程拟合结果。
[0091]
图6为本发明实施例武汉市2022年热岛强度等级示意图。
[0092]
图7为本发明基于热知识引导的多类型蚁群算法示意图。
[0093]
图8为本发明基于热知识引导的多类型蚁群算法与传统多类型蚁群算法优化像元的空间分布对比图。
具体实施方式
[0094]
本发明提供一种基于热知识引导多类型蚁群算法的热岛冷却方法及系统，下面以武汉市为例，结合附图对本发明的技术方案作进一步说明。
[0095]
实施例一
[0096]
如图1所示，本发明提供一种基于热知识引导多类型蚁群算法的热岛冷却方法，包括以下步骤：
[0097]
步骤1，收集武汉市遥感影像数据、人口热力数据，并对其进行预处理，计算生物物理成分指数，根据设定的阈值提取武汉市不透水表面。
[0098]
收集的landsat8 oli遥感影像时间节点为2022年8月3日，当天天气条件良好，影像含云量小于1％，经过大气校正、影像无缝拼接预处理操作后，得到用于后续分析的数据。基于预处理后的数据计算生物物理成分指数bci，具体计算方式为：
[0099][0100]
式中，bci为生物物理成分指数，h是标准化后的tc1或“高反射率”，l是标准化后的tc3或“低反射率”，v是标准化后的tc2或“植被”，这三个指标可由如下公式表示：
[0101][0102][0103][0104]
式中，tci(i＝1,2,3)表示第i种缨帽成分，tci
max
和tci
min
分别是第i个缨帽成分的最大、最小值。
[0105]
设定提取不透水面时bci的阈值为-0.1，提取出武汉市的不透水表面。在提取的武汉市不透水面上随机生成100个点，与谷歌地图的遥感影像进行对比，发现不透水面提取一致性较高，为91％。
[0106]
步骤2，计算武汉市不透水表面的密度。
[0107]
不透水表面的密度计算公式为：
[0108][0109]
式中，densitys(r)表示中心像元s半径为r范围内的不透水面密度，di表示中心像元半径r范围内的像元i与中心像元s的距离，若像元i为不透水面像元，b
si
＝1，反之，b
si
＝0，n为中心像元s半径为r范围内像元的个数。
[0110]
基于密度公式计算得到不透水面密度空间分布，如图2所示，高密度区域(密度》70％)集中在武汉建筑最密集的商业中心，低密度区域的边缘(密度在35-50％以内)与武汉都市发展区的规划边界相似。
[0111]
步骤3，基于步骤2计算得到的不同密度的不透水面，使用城市聚类算法提取研究区的城市主要建成区边界。
[0112]
以水面密度》35％、》50％和》70％的不透水面作为城市聚类算法(city clustering algorithm,cca)的输入数据，随机选择不透水面像元作为中心像元，并计算moore型邻域(中心像元周围的8个相邻像元)内不透水面连接区域，定义距离阈值l为200m，将距离小于为200m的连接区域合并，聚集阈值s设为10000，去除像元数小于10000的连接区域，最后根据不同的不透水面密度输入值，获得武汉市不同不透水面密度级别的建成区边界，如图3所示。
[0113]
步骤4，根据ndvi指数和k-均值聚类算法对研究区土地利用类型进行划分，利用劈窗法反演研究区内的地表温度，基于城市重力中心向外围做等面积多环缓冲区，在去除缓冲区内水域和高dem区后，使用反s型方程拟合各个缓冲区中平均地表温度的衰减过程。
[0114]
ndvi指数计算公式如下：
[0115][0116]
式中，r
nir
、r
red
分别为近红外波段、红波段的反射率。
[0117]
利用k-均值聚类算法将研究区划分为4种地表覆盖类型，包括水域，低ndvi区域(lndvi，例如道路、建城区、裸地和工业区)，中ndvi区域(mndvi，例如草地，稀疏植被覆盖区和裸地)，高ndvi区(hndvi，例如森林和植被区)。参考2022年土地利用覆盖分类产品，平均分类精度为81％。
[0118]
利用劈窗法反演武汉市的地表温度，结果如图4所示。计算同心圆环内除去水体和高dem区的地表温度平均值，并使用反s型方程对各个缓冲区中平均地表温度的衰减过程进行拟合。
[0119]
反s型方程表示方式如下：
[0120][0121]
方程f(r)对变量r的二阶导数为：
[0122][0123][0124]
式中，f(r)为第r个多环缓冲区的平均地表温度，f
″
(r)为f(r)的二阶导数，t、c、α、d均为待拟合的常数，e为自然常数，h为方程求导过程中的中间变量。
[0125]
由于函数的二阶导数描述了地表温度从城市到周边的衰减率变化，因此城市核心区的平均温度和农村背景温度可以被确定为二阶导数f
″
(r)的极值点对应的地表温度，即：
[0126][0127]
此时对应两个解r1和r2，则f(r1)和f(r2)分别代表城市核心区和农村背景温度，即：
[0128][0129][0130]
基于各个等面积缓冲区的平均地表温度，使用matlab r2021a的非线性最小二乘法求解得到反s型方程的4个参数，如表1所示，其中参数t和c是两条水平渐近线，当r接近无穷大时，f(r)趋近c，即城市边缘区的平均地表温度；当r＝0时，由于α的值通常在2到6之间，这时f(r)＝(t-c)/(1+e-α
)+c趋近t，t表征城市核心区的平均地表温度。由于r1+r2＝d，因此参数d表示近似的城市范围。
[0131]
求解得到的反s型方程参数如表1所示，拟合结果的调整r2为0.98，表明反s型方程可以较好地拟合城市地表温度的衰减过程。
[0132]
表1城乡地表温度衰减拟合参数
[0133][0134]
如图5所示，武汉市地表温度随着远离城市中心而逐渐降低，地表温度先缓慢下降，然后迅速下降，最后再次缓慢下降。将表1中的方程参数代入反s型方程，求得武汉市农村背景温度为30.70℃。
[0135]
步骤5，基于城市和乡村的地表温度计算城市热岛强度，并划分为不同等级。
[0136]
城市热岛强度δt计算方式如下：
[0137]
δt＝t
urban-t
rural
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0138]
式中，t
urban
表示城市背景温度，为城市低密度建成区内的平均地表温度，t
rural
表
示农村背景温度。
[0139]
根据步骤3得到的武汉市低密度建成区边界，求得城市平均地表温度为32.85℃，结合步骤4求得的农村背景温度，计算得到武汉市城乡温差为2.15℃。如表2所示，定义农村背景温度到城市背景温度为一级城市热岛，在城市背景温度上每增加一倍城乡温差，热岛等级加1，大于四倍温差的区域视为五级热岛，武汉市热岛强度等级如图6所示。
[0140]
表2热岛强度等级定义
[0141][0142]
步骤6，建立多类型蚁群算法与热岛冷却土地利用优化问题的映射关系，并确定目标函数。
[0143]
多类型蚁群算法流程如图7所示，建立多类型蚁群算法(multi-type ant colony optimization,maco)与热岛冷却土地利用优化问题的映射关系为：蚁群的种类与土地利用类型的数量相同，每种蚁群中初始蚂蚁的数量由遥感影像上每种土地利用类型的像元数量决定，初始状态遥感影像中每个像元被一只蚂蚁随机占据，每个像元最终的蚂蚁种类被导出为最佳土地利用布局方案，每个像元的当前搜索空间是k，k为蚂蚁的种类数量，也是土地利用类型的数量，本实施例中待优化用地类型为lndvi、mndvi、hndvi三类，因此k为3。在迭代过程中，如果本次迭代像元的目标函数比上一次迭代增长，则像元选择本次迭代中选择概率最大的k种蚂蚁，像元的土地利用类型变为k；否则，像元将保持当前土地利用类型。种群为k(0《k《k)的蚂蚁在迭代t次时对像元(i,j)的选择概率p
ijk
()可以定义如下：
[0144][0145]
式中，η
ijk
()表示种群为k的蚂蚁在像元(i,j)处的启发值，τ
ijk
()表示种群为k的蚂蚁在像元(i,j)处的信息素强度，η
ijtype
()表示种群属于k的蚂蚁在像元(i,j)处的启发值，τ
ijtype
()表示种群属于k的蚂蚁在像元(i,j)处的信息素强度，常数α和β用于调整这两个因素的相对重要性，本实施例中分别设为0.75和1.25。
[0146]
启发值η
ijk
定义如下：
[0147][0148]
式中，suit
ijk
表示种群为k的蚂蚁(土地利用类型k)在像元(i,j)处的用地适宜性，∑
(i,j)∈x suit
ijk
表示整个研究区内用地适宜性的总和，x表示整个研究区。
[0149]
信息素强度τ
ijk
()是引导多类型蚁群算法实现土地利用优化的唯一因素，将其初始化为：
[0150][0151]
式中，g是整个研究区域中的像元总数。
[0152]
信息素强度在每次迭代时更新原则为：如果本次迭代像元(i,j)处的土地利用类型发生变化，则在本次迭代结束时增强变化后像元(i,j)处土地利用类型的信息素强度，并降低(即挥发)其他几种土地利用类型在像元(i,j)处的信息素强度，即：
[0153]
τ
ijk
(t+1)＝τ
ijk
(t)(1-ρ)+δτ
ijk
(t)
ꢀꢀꢀꢀꢀꢀꢀ
(17)
[0154][0155]
式中，τ
ijk
(t)、τ
ijk
(t+1)分别为第t次、t+1次迭代的信息素强度，ρ是控制挥发速率的系数，r是是调整信息素附加值的系数，δτ
ijk
()是指种群为k的蚂蚁在像元(i,j)留下的信息素，由初始化后的τ
ijk
(0)确定。
[0156]
经过多次迭代后，特定蚁群在不同像元上的信息素会根据信息素更新过程占据主导地位，从而在最后阶段输出稳定、最优的土地利用分配。
[0157]
多类型蚁群算法的目标共有两个，分别为最大限度地提高土地适宜性、最大限度地减少地表温度与人体舒适温度之间的差异，目标函数f
ij
定义如下：
[0158]fij
＝maxk(μ
×
suit
ijk-v
×
abs (lst
ijhtt-lst
ijk
))
ꢀꢀꢀꢀꢀꢀ
(19)
[0159]
式中，μ和ν分别是土地适宜性和地表温度的权重，本实施例中设为等权，即μ＝ν＝0.5，suit
ijk
表示种群为k的蚂蚁在像元(i,j)处的用地适宜性，lst
ijhtt
代表人体舒适温度，lst
ijk
是每次迭代像元变化后的土地利用类型k的地表温度。
[0160]
由于热红外波段数据和地表发射率是地表温度lst反演的两个重要因素，因此在土地利用类型发生变化后，需要对热红外波段和地表发射度的值进行更新。考虑到不同土地类型的地表发射率仅与ndvi指数相关，本发明在不同阶段使用不同策略来更新土地利用类型修改后的像元热红外波段和ndvi的值：1)结束每次迭代后，使用变化后的土地利用类型k在原始影像中对应的热红外波段的最低值和ndvi最高值，此方法为了获得最大的冷却潜力，并在算法迭代的过程中使用；2)以当前像元为中心做缓冲区，并使用缓冲区内变化后的土地类型k对应的热红外波段的平均值和ndvi的平均值，该方法试图通过考虑区域异质性来模拟实际的冷却效果，并用于全部迭代结束后最终结果的输出。
[0161]
步骤7，将基于热环境感知的信息素强度更新过程耦合进多类型蚁群算法中，构建热知识引导的多类型蚁群算法。
[0162]
基于热环境感知的信息素强度更新过程包括感知自身和评估环境两个方面，分别定义如下：
[0163]
1)增强蚂蚁的自我感知能力。
[0164]
使用人口热力数据和热岛强度级别数据扩展蚂蚁的感知信息域，并通过评估像元是否位于人口稠密区域来确定冷却紧迫度。具体而言，人口密集地区和高热岛强度区对降温的需求较高，而人口稀疏地区(如农村和工业园区)和低热岛强度区的温度可以保持不变。当像元位于人口稠密区域时，像元(i,j)现在用地类型的信息素强度将被降低，即：
[0165][0166]
式中，τ
ijk
(t)为第t次迭代的信息素强度，pop
ij
是像元(i,j)处的人口密度，本实施例中，人口密度使用人口热力数据表示，pop
mean
是研究区人口密度的平均值，pop
max
是人口
密度最大值。
[0167]
如果热岛强度等级很高，像元(i,j)现在用地类型的信息素强度将被降低，这可以被表示为：
[0168][0169]
式中，τ
ijk
(t)为第t次迭代的信息素强度，θ
l
为基于热岛强度的信息素浓度衰减系数，本实施例中热岛等级3、4、5的θ
l
分别设为0.9、0.8、0.7。
[0170]
2)增强蚂蚁的评估环境能力。
[0171]
由于人类活动和不合理的土地分配，城市中的一些地区可能与周围地区存在过度的温差。因此，在优化算法的迭代过程中，蚂蚁应该考虑自身与周围环境之间的温差，以评估像元(i,j)是否位于异常高温区域。为每只蚂蚁构建感知邻域u，异常温度区的优化过程可以表示如下：
[0172][0173][0174][0175]
式中，τ
ijk
(t)为第t次迭代的信息素强度，θz为由温差控制的信息素强度衰减系数，u
ijp
为以蚂蚁在像元(i,j)为中心的p
×
p范围内的感知邻域，为感知邻域的平均地表温度，lst
ij
为像元(i,j)的地表温度，diflst
ij
为像元(i,j)的温差，diflst
abnormal
和diflst
max
是常数，分别代表异常温差和最大温差。
[0176]
此外，随着城市建设，一些高等级热岛聚集的地区逐渐成为热核心区，由于这些地区的冷却设施不足，可能会导致热危害事件，因此，蚂蚁需要评估感知邻域中高等级热岛的聚集，通过优化土地利用类型来瓦解热核心区域，该过程可以表示为：
[0177][0178]
式中，τ
ijk
(t)为第t次迭代的信息素强度，hi
xy
为以像元(i,j)为感知邻域中的高等级热岛数量，u
ijp
为以蚂蚁在像元(,j)为中心的
×
p范围内的感知邻域，n为整个影像，n为要优化的三种土地利用类型(lndvi、mndvi、hndvi)的总像元数，θc为由热核心区控制的信息素强度衰减系数，本实施例中设为0.8。
[0179]
每次迭代，信息素强度均会更新，需要根据实际情况选择信息素强度更新公式，具体使用如果同时满足多种情况，则将满足条件的公式相乘，如像元同时位于人口密集地区、高热岛强度区和异常高温区域时，高热岛强度区和异常高温区域时，
[0180]
步骤8，基于热知识引导的多类型蚁群算法通过优化土地利用布局冷却识别出的城市热岛，并输出热岛冷却结果及土地利用布局优化结果。
[0181]
热岛冷却结果以表格形式展示各等级热岛数量的变化情况、暴露在高等级热岛下人群数量等，以空间图形式展示冷却后各等级热岛的空间分布情况。土地利用布局优化结
果为优化后各类型用地的数量结构及空间分布。
[0182]
表三展示了传统多类型蚁群算法和本发明提出的基于热知识引导的多类型蚁群算法在热岛冷却效果方面的对比，从表3可知，基于热知识引导的多类型蚁群算法实现了更好的热岛冷却效果，将4级和5级的热岛数量分别减少了7.2％和5.1％，并降低了居民暴露在高等级热岛下的风险。
[0183]
表3两种算法热岛冷却效果对比
[0184][0185]
图8为本发明提出的基于热知识引导的多类型蚁群算法与传统多类型蚁群算法优化像元的空间分布对比图，从被优化像元的空间分布上来看，本发明提出的基于热知识引导的多类型蚁群算法能够考虑热岛等级信息、识别热异常区，被优化像元的空间分布与高等级热岛的分布高度一致，避免了多类型蚁群算法优化像元的空间分布随机性。
[0186]
实施例二
[0187]
基于同一发明构思，本发明还提供一种基于热知识引导多类型蚁群算法的热岛冷却系统，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的程序指令执行如上所述的一种基于热知识引导多类型蚁群算法的热岛冷却方法。
[0188]
具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。
[0189]
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施案例，做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

技术特征：
1.一种基于热知识引导多类型蚁群算法的热岛冷却方法，其特征在于，包括以下步骤：步骤1，收集研究区遥感影像数据、人口热力数据，并对其进行预处理，计算生物物理成分指数，根据设定的阈值提取研究区不透水表面；步骤2，计算研究区不透水表面的密度；步骤3，基于步骤2计算得到的不同密度的不透水面，使用城市聚类算法提取研究区的城市主要建成区边界；步骤4，根据ndvi指数和k-均值聚类算法对研究区土地利用类型进行划分，利用劈窗法反演研究区地表温度，基于城市重力中心向外围做等面积多环缓冲区，在去除缓冲区内水域和高dem区后，使用反s型方程拟合各个缓冲区中平均地表温度的衰减过程；步骤5，基于城市和乡村的地表温度计算城市热岛强度，并划分为不同等级；步骤6，建立多类型蚁群算法与热岛冷却土地利用优化问题的映射关系，并确定目标函数；步骤7，将基于热环境感知的信息素强度更新过程耦合进多类型蚁群算法中，构建热知识引导的多类型蚁群算法；步骤8，基于热知识引导的多类型蚁群算法，通过优化土地利用布局冷却识别出的城市热岛，并输出热岛冷却结果及土地利用布局优化结果。2.如权利要求1所述的一种基于热知识引导多类型蚁群算法的热岛冷却方法，其特征在于：步骤1中生物物理成分指数的计算方式为：式中，bci为生物物理成分指数，h是标准化后的tc1或“高反射率”，l是标准化后的tc3或“低反射率”，v是标准化后的tc2或“植被”，这三个指标由如下公式表示：，这三个指标由如下公式表示：，这三个指标由如下公式表示：式中，tci表示第i种缨帽成分，tci
max
和tci
min
分别是第i个缨帽成分的最大、最小值，i＝1,2,3；设定提取不透水面时bci的阈值，提取出研究区的不透水表面。3.如权利要求1所述的一种基于热知识引导多类型蚁群算法的热岛冷却方法，其特征在于：步骤2中不透水表面的密度计算公式为：式中，density
s
(r)表示中心像元s半径为r范围内的不透水面密度，d
i
表示中心像元半径r范围内的像元i与中心像元s的距离，若像元i为不透水面像元，b
si
＝1，反之，b
si
＝0，n为中心像元s半径为r范围内像元的个数。4.如权利要求1所述的一种基于热知识引导多类型蚁群算法的热岛冷却方法，其特征
在于：步骤3中城市聚类算法首先随机选择不透水面像元作为中心像元，并计算moore型邻域内不透水面连接区域，然后定义距离阈值l，将距离小于l的连接区域合并，并确定聚集阈值s，去除像元数小于s的连接区域，最后根据不同的不透水面密度输入值，获得研究区不同不透水面密度级别的建成区边界。5.如权利要求1所述的一种基于热知识引导多类型蚁群算法的热岛冷却方法，其特征在于：步骤4中ndvi指数计算公式如下：式中，r
nir
、r
red
分别为近红外波段、红波段的反射率；利用k-均值聚类算法将研究区划分为水域、低ndvi区域、中ndvi区域、高ndvi区域4种地表覆盖类型，利用劈窗法反演研究区内的地表温度，计算同心圆环内除去水体和高dem区的地表温度平均值，并使用反s型方程拟合各个缓冲区中平均地表温度的衰减过程，反s型方程表示方式如下：令方程f(r)对变量r求二阶导数得：令方程f(r)对变量r求二阶导数得：式中，f(r)为第r个多环缓冲区的地表平均温度，f
″
(r)为f(r)的二阶导数，t、c、α、d均为待拟合的常数，e为自然常数，h为方程求导过程中的中间变量；城市核心区的平均温度和农村背景温度为二阶导数f
″
(r)的极值点对应的地表温度，即：此时对应两个解r1和r2，则f(r1)和f(r2)分别代表城市核心区和农村背景温度，即：)分别代表城市核心区和农村背景温度，即：基于各个等面积缓冲区的平均地表温度，使用非线性最小二乘法求解得到反s型方程的4个参数，其中参数t和c是两条水平渐近线，当r接近无穷大时，f(r)趋近c，即城市边缘区的平均温度；当r＝0时，f(r)趋近t，即城市核心区的平均温度，由于r1+r2＝，因此参数d表示近似的城市范围。6.如权利要求1所述的一种基于热知识引导多类型蚁群算法的热岛冷却方法，其特征在于：步骤5中城市热岛强度δt计算方式如下：δt＝t
urban-t
rural
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)式中，t
urban
表示城市背景温度，为城市低密度建成区内的平均地表温度，t
rural
表示农村背景温度；将求得的城市热岛强度划分为不同等级。
7.如权利要求1所述的一种基于热知识引导多类型蚁群算法的热岛冷却方法，其特征在于：步骤6中建立多类型蚁群算法与热岛冷却土地利用优化问题的映射关系为：蚁群的种类与土地利用类型的数量相同，每种蚁群中初始蚂蚁的数量由遥感影像上每种土地利用类型的像元数量决定，初始状态遥感影像中每个像元被一只蚂蚁随机占据，每个像元最终的蚂蚁种类被导出为最佳土地利用布局方案，每个像元的当前搜索空间是k，k为蚂蚁的种类数量，也是土地利用类型的数量，在迭代过程中，如果本次迭代像元的目标函数比上一次迭代增长，则像元选择本次迭代中选择概率最大的k种蚂蚁，像元的土地利用类型变为k；否则，像元将保持当前土地利用类型；种群为k的蚂蚁在迭代t次时对像元(i,j)的选择概率p
ijk
(t)定义如下：式中，η
ijk
(t)表示种群为k的蚂蚁在像元(i,j)处的启发值，τ
ijk
(t)表示种群为k的蚂蚁在像元(i,j)处的信息素强度，η
ijtype
(t)表示种群属于k的蚂蚁在像元(i,j)处的启发值，τ
ijtype
(t)表示种群属于k的蚂蚁在像元(i,j)处的信息素强度，0<k<k，常数α和β用于调整这两个因素的相对重要性；启发值η
ijk
定义如下：式中，suit
ijk
表示种群为k的蚂蚁在像元(i,j)处的用地适宜性，∑
(i,j)∈x
suit
ijk
表示整个研究区内用地适宜性的总和，x表示整个研究区；信息素强度τ
ijk
(t)是引导多类型蚁群算法实现土地利用优化的唯一因素，将其初始化为：式中，g是整个研究区域中的像元总数；信息素强度在每次迭代时更新原则为：如果本次迭代像元(i,j)处的土地利用类型发生变化，则在本次迭代结束时增强变化后像元(i,j)处土地利用类型的信息素强度，并降低其他几种土地利用类型在像元(i,j)处的信息素强度，即：τ
ijk
(t+1)＝τ
ijk
(t)(1-ρ)+δτ
ijk
(t)
ꢀꢀꢀꢀꢀꢀꢀ
(17)式中，τ
ijk
(t)、τ
ijk
(t+1)分别为第t次、t+1次迭代的信息素强度，ρ是控制挥发速率的系数，r是是调整信息素附加值的系数，δτ
ijk
(t)是指种群为k的蚂蚁在像元(i,j)留下的信息素，由初始化后的τ
ijk
(0)确定；经过多次迭代后，特定蚁群在不同像元上的信息素会根据信息素更新过程占据主导地位，从而在最后阶段输出稳定、最优的土地利用分配。8.如权利要求7所述的一种基于热知识引导多类型蚁群算法的热岛冷却方法，其特征在于：步骤6中多类型蚁群算法的目标共有两个，分别为最大限度地提高土地适宜性、最大限度地减少地表温度与人体舒适温度之间的差异，目标函数f
ij
定义如下：
f
ij
＝max
k
(μ
×
suit
ijk-v
×
abs (lst
ijhtt-lst
ijk
))
ꢀꢀꢀꢀꢀꢀꢀ
(19)式中，μ和v分别是土地适宜性和地表温度的权重，suit
ijk
表示种群为k的蚂蚁在像元(i,j)处的用地适宜性，lst
ijhtt
代表人体舒适温度，lst
ijk
是每次迭代像元变化后的土地利用类型k的地表温度；由于热红外波段数据和地表发射率是地表温度lst反演的两个重要因素，考虑到不同土地类型的地表发射率仅与ndvi指数相关，在土地利用类型发生变化后，采用以下两种策略对不同阶段土地利用类型修改后的热红外波段和ndvi的值进行更新：1)每次迭代结束后，使用变化后的土地利用类型k在原始影像中对应的热红外波段的最低值和ndvi最高值，此方法在蚁群算法迭代的过程中使用；2)以当前像元为中心做缓冲区，并使用缓冲区内变化后的土地类型k对应的热红外波段的平均值和ndvi的平均值，该方法用于全部迭代结束后最终结果的输出。9.如权利要求1所述的一种基于热知识引导多类型蚁群算法的热岛冷却方法，其特征在于：步骤7中构建基于热环境感知的信息素强度更新过程，包括感知自身和评估环境两个方面，其中蚂蚁的自我感知能力增强过程表示为：式中，τ
ijk
(t)为第t次迭代的信息素强度，pop
ij
是像元(i,j)处的人口密度，pop
mean
是研究区人口密度的平均值，pop
max
是人口密度最大值；如果热岛强度等级很高，像元(i,j)现在用地类型的信息素强度将被降低，即：式中，τ
ijk
(t)为第t次迭代的信息素强度，θ
l
为基于热岛强度的信息素浓度衰减系数，m为设定的高等级热岛强度的等级；蚂蚁的评估环境能力通过构建感知邻域u实现，异常温度区的感知过程表示如下：蚂蚁的评估环境能力通过构建感知邻域u实现，异常温度区的感知过程表示如下：蚂蚁的评估环境能力通过构建感知邻域u实现，异常温度区的感知过程表示如下：式中，τ
ijk
(t)为第t次迭代的信息素强度，θ
z
为由温差控制的信息素强度衰减系数，u
ijp
为以蚂蚁在像元(i,j)为中心的p
×
p范围内的感知邻域，为感知邻域的平均地表温度，lst
ij
为像元(i,j)的地表温度，diflst
ij
为像元(i,j)的温差，diflst
abnormal
和diflst
max
是常数，分别代表异常温差和最大温差；对于热核心区域的瓦解过程定义如下：式中，τ
ijk
(t)为第t次迭代的信息素强度，hi
xy
为以像元(i,j)为感知邻域中的高等级热
岛数量，u
ijp
为以蚂蚁在像元(i,j)为中心的p
×
p范围内的感知邻域，n为整个影像，n为要优化的三种土地利用类型的总像元数，θ
c
为由热核心区控制的信息素强度衰减系数；每次迭代，信息素强度均会更新，根据实际情况选择信息素强度更新公式，具体使用如果同时满足多种情况，则将满足条件的公式相乘即可。10.一种基于热知识引导多类型蚁群算法的热岛冷却系统，其特征在于，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的程序指令执行如权利要求1-9任一项所述的一种基于热知识引导多类型蚁群算法的热岛冷却方法。

技术总结
本发明公开了一种基于热知识引导多类型蚁群算法的热岛冷却方法及系统，基于遥感影像数据，经过数据预处理、城市主要建成区提取和地表温度反演后，使用反S型方程拟合城-乡地表温度梯度衰减曲线，根据建成区内平均地表温度和乡村地表温度的差值确定城市热岛强度等级及空间分布，通过将热岛等级、热聚集、城市人口空间分布等多维知识耦合进多类型蚁群算法，得到基于热知识引导多类型蚁群算法的热岛冷却方法对城市热岛进行冷却，从而获得优化像元的空间位置，并输出优化后的土地利用布局方案。本发明为城市可持续热环境规划、缓解城市热岛效应提供了有力的技术支撑。效应提供了有力的技术支撑。效应提供了有力的技术支撑。


技术研发人员：刘耀林 仝照民 杨佳明 张紫怡 王好峰 安睿
受保护的技术使用者：武汉大学
技术研发日：2023.06.06
技术公布日：2023/10/15