英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料
以2000年遥感数据提取土地利用图为例的广州市WRF环境评价
摘要：结合WRF的中尺度城市环境预测是国际学术界的当前前沿。以广州为例，本文提出了一种新的土地利用模型，将WRF中现有的USGS和MODIS模型与遥感模型进行了比较。比较结果表明，作者提出的土地利用模型与遥感数据具有最高的相似性。其次，使用新的土地利用模型来代替WRF中默认的土地利用数据进行仿真。通过将模拟结果与使用默认USGS和MODIS模型的WRF结果进行比较，表明地理模型对中尺度环境预测结果有很大影响。此外，本文介绍的地理信息模型与观测数据进行比较时显示出最佳的准确性。这项研究的结果将成为WRF在当代中尺度城市环境研究中国际前沿的重要参考。
关键词：中尺度环境评估；WRF模型；遥感
1.引言
- 1.背景
关于土地利用和城市环境相关变化的主题已成为全球的核心研究。自1970年代末以来，中国经历了一段经济改革和扩张时期，伴随着快速而广泛的城市化进程以及城市热岛（UHI）导致的城市环境恶化。近年来，对于城市规模水平，随着中尺度CFD和大气模型的发展，例如天气研究预报（WRF）[1]和第五代宾夕法尼亚州等中尺度预报计算方法国立大学-国家大气研究中尺度模型（MM5）[2]，使人们更容易理解城市土地分布与城市居民收入之间的关系。这导致了中尺度城市环境研究的爆炸式增长。
本研究在中国南方的广州进行。它是广东省的省会和最大城市，是中国第三大城市，拥有12名人口。2010年人口普查中的7800万[3]。位于中南部广东，广州的纬度为北纬112°57至114°03，北纬22°26至23°56。该城市是珠江三角洲的一部分，市中心毗邻白云山。
广州位于北回归线以南，属亚热带湿润气候，受东亚季风影响。夏天潮湿，高温，高湿度和高热指数。夏季最热的时间通常是从7月11日到8月20日，平均时间为41天[4]。另一方面，广州的城市面积也在高速增长。从《中国城市统计年鉴》的统计数据可以看出，广州市的建筑面积自2000年以来增长了4倍以上（图1），这快于全国平均增长速度。
随着广州市区面积的扩大，近年来，尤其是城市地区的平均气温也持续升高，使得市区与郊区的温差更大（图2）。根据广州统计年鉴的月平均温度数据，UHI效应相差1。城乡之间每月最低气温2℃
最近10年夏季的广州。
- 2.计算评估区
在这项研究中，在3个领域进行了WRF中的环境模拟。3个计算域的嵌套及其描述如图3和表1所示。域中心的坐标为22°116′和113°5189′. 领域1涵盖了华南大部分地区，第二领域涵盖了整个广东地区。域3涵盖了广州的主要地区。
域3中网格的边长为1 km，最小域的每一侧都有120个网格。这样，域3变成了120 km2。仅在领域3中进行城市土地利用的提取过程。为了便于比较，评估区域覆盖了广州市的7个主要区域，这些区域被选为更清晰的视图，并且在图3中用彩色标记了更清晰的视图。
1. 3 .WRF中的土地利用和地理模型
WRF模型是完全可压缩的非静液压模型（具有静液压选项）。它的垂直坐标是跟随地形的静水压力坐标。该模型使用高阶数值，并且包括Runge-Kutta二阶和三阶时间积分方案，以及水平和垂直方向的二阶到六阶对流方案指示。对于声波和重力波模式，它使用了一个时间分割的小步长。动态节省了标量变量。WRF系统包含两个动力学求解器，分别称为ARW（高级研究WRF）核心和NMM（非静水中尺度模型）核心[5]。WRF模型也被认为是广泛使用的MM5模型的继承者[6]。本文采用WRF-ARW模型。
大气和土壤-植被系统是通过物理过程动态耦合的，这是可以理解，这些物理过程会产生热能和水质在陆地表面上的传输[7-8]。WRF模型中使用的热扩散方案将植被的蒸散量预测为地表温度和土壤温度冠层。这些组件尤其根据大气表层参数根据电阻参数化。自Pan和Mahrt（1987）提出原始的LSM模型[9]以来，LSM一直在不断修改和发展，以做出更好的预测。本文选择了Noah LSM模型，该模型具有一个冠层和四个土层，厚度为0。1,0. 3,0. 6和1。从地面到底部分别为0 m（总土壤深度为2 m）。从模型输入的角度来看，LSM需要土壤和植被类型以及气象强迫变量，因为此处以非耦合方式使用模型。在LSM中，基于土地利用分类方案的查找表可获取模型参数，例如表面反照率，热容，粗糙度和土壤湿度[10]。然后在模型[11]中捕获这些地表强迫的反馈，以改变地表过程并影响WRF计算中的大气下边界层，进一步导致大气环流模式，气温和湿度的变化。因此，土地利用类型的分布和变化在大气局部环流，降水，温度和湿度的变化中起着关键作用。
- 4 .WRF中的土地使用信息
土地使用信息由程序Geogrid内插到WRF计算中。土工格栅的目的是定义模拟域，并将各种地面数据集插值到模型网格中。除了计算每个网格点的纬度，经度和地图比例因子外，geogrid还将对土壤类别，地形高度，年平均深层土壤温度，每月植被分数，每月反照率，最大雪反照率和坡度进行插值默认情况下，将其分类为模型网格。
默认情况下，geogrid程序将根据美国地质调查局（USGS）的24类数据对土地使用类别进行插值。此USGS数据基于美国地质调查局1992-1993年的AVHRR卫星数据。它具有不同的水平分辨率：10 arc min，5 min，2 min和30 arc seconds。最后的距离大约为1 km。如今，该数据在世界许多地区已经过时。结果，WRF模型在版本3之后发布。图1提供了另一种土地利用数据集，该数据集基于中分辨率成像光谱仪2001（MODIS）卫星产品[12]进行了修改，适用于包含20种土地利用类别的Noah地表模型。由于不同的土地利用类别可以对应不同的计算参数，因此在版本3之前的LSM选项。WRF中的1个都使用LANDUSE。TBL定义了土地利用的所有类别的参数，包括反照率，水分可用性，9mu;m处的发射率，粗糙度长度，热惯性等。用于计算。
2.从遥感（RS）数据中提取土地利用数据
- 1.本研究中使用的遥感（RS）数据
本文采用Landsat-7增强型专题测绘仪Plus（ETM ）生成的免费RS影像导出领域3中研究区域的土地利用数据。该数据集可从Glovis的USGS页面下载（http：///glovis.usgs.gov/）轻松实现。纬度的RS数据23°1′和经度113°5′可以覆盖域3的计算区域，并且使用该区域中的1级乘积。
Landsat-7的RS数据集包括8个不同波长的波段。由于热波段6数据文件是指以高增益和低增益获取其波段的增益设置，因此波段6中的增益设置作为两个单独的波段文件提供。像GIS这样的相关系统具有将多种来源的信息在空间上相互关联的能力。形状文件有助于插补和可视化许多其他类型的数据，例如城市和人口统计数据。许多研究和研究模型都依赖于以下能力：使用各种计算机可用的研究工具来从图像中分析和提取信息，然后将这些发现作为具有不同层次和场景图像的项目的一部分来表达。
通过分别使用B70，B40和B20波段的组合作为R，G，B颜色进行复合，我们可以得到“自然色”色彩，因为在该颜色中可以更清晰地识别城市
2. 2.从2000年的RS数据集中提取土地利用数据
为了从RS数据中得出每个土地利用类别的信息并对其进行分类，在获取该区域的卫星图像后，将具有最大可能性的监督分类应用于整个Domain 3区域。分类使用的软件包是ArcGIS 10。1由Esri和IDRISI Selva开发，由Clark Labs开发。
监督分类算法需要研究区域的先验知识（即地面真相），由于土地利用类别的不同，可以从不同的群体中获得这些知识。本文的土地利用分类与森林，草地，湿地，农田，城市，贫瘠的土地和水的WRF模型中的MODIS土地利用分类基本一致。本文从RS数据中推导出土地利用类别，WRF MODIS土地利用模型中相应的类别编号如图4所示。引入真实样本作为选择代表实际现象的像素集，以训练计算机系统识别数据模式。由于论文研究期间很难进行实地考察，因此使用Google地球上的自然彩色图像和照片来帮助记录该地区土地利用类型的真实性。此过程在GIS中完成。
GIS中记录的区域和像素称为训练场，这是本研究中的监督分类中用于计算机训练的过程。尽管该方法可能会低估类别差异，但它具有一些优点，包括自动辅助和节省时间[13]。训练数据类别应该通过使用更多的训练数据来代表该类别，以便暴露出连续范围的光谱特性的更多变化[14]。因此，为了获得更可靠的结果，每个土地利用类别的最小样本数（像素）应大于用于分类的带数的10倍（图4）。
本研究中使用的监督分类方法（最大似然）是与遥感影像数据一起使用的最受欢迎的监督分类方法之一[15]和经典参数分类，它将对每个模型进行高斯概率密度模型的二阶统计课[16]。该方法基于像素属于特定类别的概率。可以在IDRISI中指定每个类别的概率，并可以指定与特定培训地点签名相关的概率密度函数。在这项研究中，用于分类准确性评估的参考点数量为60，其中大多数已通过Google Earth的照片进行了验证。每个类别的概率设置为1/9，最小可能性设置为0.05.
同样，不同的6个波段的组合可能会在分类中产生不同的结果。这里，分为4组进行实验，以选择最适合城市分类的组合。对于已建区域中的人造材料，混凝土和沥青都显示出光谱曲线，通常从可见光到近红外和中红外区域均会增加。但是，随着混凝土的老化，它变得更暗，沥青的年龄变得更浅。结果，频带1、4和7的频谱带组合可以最好地反映城市，并且这3个频带在所有4个组中都是固定的。光谱带组合列于表2。最后，选择Tmp02的组合，因为它可以最有效地反映市区。
由于WRF中的计算网格为1 km2，因此在GIS中将Tmp02的结果重新采样为1 km（其分辨率为30 m）。该重新采样的土地利用模型被导入到WRF中，以替换默认的地理模型，并重命名为Mo2000（图5（d））。提取的Mo2000被用作原始的土地使用数据，用于进一步的城市预测和模拟。从图5的比较中可以明显看出，在该区域中，特别是对于城市地区，USGS数据几乎不能适应2000年广州市的情况，因为该数据集中的城市区域与彩色区域相比显然太小了。图是从2000年的RS数据合成的，手动增强了城市的颜色（图5（a））。同时，由版本3之后发布的WRF模型提供的MODIS土地利用数据中的市区。1似乎太大（图5（c））。与从卫星彩色渲染图像查看的默认USGS和MODIS数据相比，本作者产生的提取的Mo2000数据（图5（d））可以更好地适应城市情况。
3.在WRF中使用不同的地理模型进行仿真
为了说明使用提取的土地利用数据所得的模拟结果与使用默认地理模型所得的结果有何不同，在2000年分别将USGS，MODIS和Mo2000的数据集用作案例A，B和C。时段设置为1月，从7月20日的8:00到8月20日（格林尼治标准时间）的8:00，因为最热的日子通常发生在7月下旬和8月初。前1周的计算过程被用作预计算过程，并选择了这1个月中的非雨天进行比较和评估。分析条件的其他选项列在0中。该模拟中的微物理模型选项设置为WDM 6级，这是对WSM6的修订版，考虑了暖雨过程的双矩[17]。由于仅在领域3中进行土地使用数据集提取过程，因此将WRF计算中的领域1和2中的土地使用模型都设置为MODIS地理模型，并且将领域3替换为最新的数据土地使用案例C中作者产生的数据集。
关于模拟结果的准确性验证，使用了来自美国国家海洋与大气管理局（NOAA）和国家气候数据中心（NCDC）的免费全球气象观测数据集。[18]该地区气象站的纬度和经度是N23。217°和E113。483°，海拔为 71。0 m. 将气象站的位置设置为比较点1，并在表3中进行标记。T6（2气温）和风力（10-m的结果）的平均结果如图6所示。很明显，Mo2000的温度非常接近测量数据，USGS结果远低于观测结果。此外，对于风的结果，尽管这3种情况的结果都高于测量值，但Mo2000的结果更接近于测量值。
对于每个风速值，我们计算由以下公式定义的均方根误差（RMSE）：
其中WWRF是WRF中的预测值，Wobs是来自NOAA气象站的观测值。N是数据数。
图7显示了24小时内RMSE的变化和平均RMSE值。对于RMSE，较小的值表示风模拟结果与观测Wobs更为接近。显然，对于趋势和均方根误差值，使用MODIS和Mo2000地理模型的案例比USGS小得多。该结果表明，MODIS和Mo2000的风向效果优于USGS。比较RMSE和Wobs的变化，很明显，当Wobs值较小时，RMSE变大；当观测风速高时，RMSE变小。这表明，当风速较高时，RMSE与测量值成反比，并且WRF模拟更加准确。
此外，GIS用于在一个时间点对温度和风速结果的分布进行更直观的比较。在这里，使用典型的T2和8月4日下午（GMT）15：00的风场。对于图8中T2和风速结果的分布，当使用不同的地理模型时，显示出很大的差异。而且，在所有三种情况下，风向分布彼此相似。该结果表明，WRF中地理模型的更改会对模拟结果产生很大影响，并且可以通过更改土地利用数据来评估环境。
而且，气温和风速的分布都与城市土地的分布密切相关。图中的点状部分表示市区。显然，城市土地的分布与
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[241326]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
