CN109101955A - 基于多源卫星遥感数据的工业热异常区域识别方法 - Google Patents
基于多源卫星遥感数据的工业热异常区域识别方法 Download PDFInfo
- Publication number
- CN109101955A CN109101955A CN201811059955.9A CN201811059955A CN109101955A CN 109101955 A CN109101955 A CN 109101955A CN 201811059955 A CN201811059955 A CN 201811059955A CN 109101955 A CN109101955 A CN 109101955A
- Authority
- CN
- China
- Prior art keywords
- data
- remote sensing
- image data
- region
- monitoring region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 230000005855 radiation Effects 0.000 claims abstract description 22
- 241001269238 Data Species 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 4
- 238000002834 transmittance Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 6
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 6
- 238000002310 reflectometry Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000179 transient infrared spectroscopy Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及一种基于多源卫星遥感数据的工业热异常区域识别方法，包括：获取污染监测区域的多源卫星遥感数据；从多源卫星遥感数据中获取污染监测区域的可见光数据、近红外数据和热红外传感数据；计算污染监测区域的植被指数、地表类型信息和地表比辐射率；计算污染监测区域的热红外辐射亮温值；计算监测区域的地表温度数据；从多源卫星遥感数据中提取监测区域的地面图像数据，并将地面图像数据分割为多个子区域图像数据；提取每个子区域图像数据的区域特征信息；将子区域图像数据进行模糊分类，得到潜在工业区域图像数据；根据地表温度数据和潜在工业区域图像数据识别工业热异常区域。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于多源卫星遥感数据的工业热异常区域识别方法。
背景技术
遥感图像识别是指利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征空间划分为互不重叠的子空间，然后将图像中的各个像元划归到各个子空间对应的地物类别去。随着遥感技术的发展，光学、热红外和微波等大量不同卫星传感器对地观测的应用，获取的同一地区的多种遥感影像数据(多时相、多光谱、多传感器、多平台和多分辨率)越来越多，这就是多源遥感。与单源遥感影像数据相比，多源遥感数据所提供的信息具有冗余性、互补性和合作性。
2016年，环保部与科技企业进行合作，将京津冀及周边重点区域“2+26”城市(2指北京市和天津市，26指河北省石家庄、唐山、保定、廊坊、沧州、衡水、邯郸、邢台，山西省太原、阳泉、长治、晋城，山东省济南、淄博、聊城、德州、滨州、济宁、菏泽，河南省郑州、新乡、鹤壁、安阳、焦作、濮阳、开封26个城市)按照3km×3km划分网格，共计36793个。按照划分成的网格，加密分布大气监测点位。通过大数据定期筛选出大气污染程度较高的热点网格，发送给相关地方政府和环保部门，推动实施精准执法。
热点网格将全国2+26个城市的污染治理重点，放到了36793个3km×3km划分的网格上，实现了对污染的一步聚焦。但是，3km×3km对于微观环境来说依然不够细致，需要进一步定位出需要重点实施环保监管排查的区域的解决方案。
发明内容
本发明的目的是针对现有技术中存在的缺陷，提供一种基于多源卫星遥感数据的工业热异常区域识别方法。
为实现上述目的，第一方面,本发明提供了一种基于多源卫星遥感数据的工业热异常区域识别方法，包括：
获取污染监测区域的多源卫星遥感数据；
从所述多源卫星遥感数据中获取所述污染监测区域的可见光数据、近红外数据和热红外传感数据；
根据所述可见光数据、近红外数据获取所述污染监测区域的植被指数和地表类型信息；
根据所述植被指数和地表类型信息计算地表比辐射率；
根据所述热红外传感数据计算所述污染监测区域的热红外辐射亮温值；
根据所述地表比辐射率和热红外辐射亮温值计算得到所述监测区域的地表温度数据；
从所述多源卫星遥感数据中提取所述监测区域的地面图像数据，并将所述地面图像数据分割为多个子区域图像数据；
提取每一个所述子区域图像数据的区域特征信息，所述区域特征信息包括纹理特征、光谱特征、形状特征；
根据所述区域特征信息将所述子区域图像数据进行模糊分类，得到潜在工业区域图像数据；
根据所述地表温度数据和所述潜在工业区域图像数据识别工业热异常区域。
进一步的，所述根据所述植被指数和地表类型信息计算地表比辐射率具体包括：
根据公式计算植被覆盖度，其中，NDVIV为纯植被像元的植被指数，NDVIS为纯裸土像元的植被指数，NDVI为混合像元的植被指数；
根据所述植被覆盖度和所述地表类型信息计算地表比辐射率。
进一步的，所述根据所述植被覆盖度和所述地表类型信息计算地表比辐射率具体包括：
其中，ε10、ε11分别为TM(Thematic Mapper)数据的第10和第11波段；PV为植被覆盖度，为地表比辐射率。
进一步的，在从所述多源卫星遥感数据中获取所述污染监测区域的可见光数据、近红外数据和热红外传感数据之后，所述方法还包括：
对所述可见光数据、近红外数据和热红外传感数据进行预处理，所述预处理包括辐射定标、大气校正、条带去除。
进一步的，所述根据所述地表比辐射率和热红外辐射亮温值计算得到所述监测区域的地表温度数据具体包括：
Ts＝A0+A1Ti+A2Tj
其中，Ts是地表温度；Ti和Tj分别是对应i与j波段的热红外辐射亮温值；A0、A1和A2为转换参数，根据大气透过率和地表比辐射率确定。
进一步的，所述根据所述地表温度数据和所述潜在工业区域图像数据识别工业热异常区域具体包括：
根据所述地表温度数据和所述潜在工业区域图像数据，采用具有对称不变性的圆形结构元素B，使B的半径在指定范围内连续膨胀以得到含有大小不同的圆形结构元素集合S＝{B1,B2,B3,…,Bm}，其中，m表示B膨胀的次数，Bm是从B1开始连续膨胀得到的最大圆形结构元素，并且选取图像I，将S中元素分别与I进行闭运算以得到J；
用J对I进行四邻域的对偶灰度重建操作，得到重建图像P*I(J)；
将P*I(J)减去I，获得差值图像D以增强工业热异常区域；
计算出D的最大灰度值Dmax和最小灰度值Dmin，并设定阈值系数TF，得到最优阈值Tr对D进行二值化分割，得到工业热异常区域。
第二方面,本发明提供了一种设备，包括存储器和处理器，所述存储器用于存储程序，所述处理器用于执行第一方面及第一方面的各种实现方式中的方法。
第三方面,本发明提供了一种包含指令的计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行第一方面及第一方面的各种实现方式中的方法。
第四方面,本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面及第一方面的各种实现方式中的方法。
本发明提供的基于多源卫星遥感数据的工业热异常区域识别方法，采用卫星遥感数据实现地表温度的反演，结合数学形态学识别工业热异常区域，获取潜在工业活动热点区域信息，每个工业热异常区域的面积和强度反应区域工业排放或者污染程度的重要特征。将污染监测重点聚焦到工业热异常区域，使污染监测更加具有针对性。
附图说明
图1为本发明实施例一提供的基于多源卫星遥感数据的工业热异常区域识别方法流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1为本发明实施例一涉及的基于多源卫星遥感数据的工业热异常区域识别方法流程图。如图1所示，具体包括如下步骤：
步骤101，获取污染监测区域的多源卫星遥感数据；
从多源卫星遥感数据库中提取污染监测区域的极轨气象卫星遥感数据、静止气象卫星遥感数据、高光谱遥感卫星数据。
极轨气象卫星获得的图像包括：云、云的系统、冷热锋、台风、湖泊、森林、山脉、冰雪、火灾、烟雾、油污等的图像数据。静止气象卫星携带有各种气象遥感仪器，能够接收和测量地球及其大气层的可见光、红外与微波辐射，并将它们转换成电信号传送到地面。地面台站将卫星送来的电信号复原绘制成各种云层、地表和洋面图片。高光谱遥感卫星影像数据包括在电磁波谱的可见光、近红外、中红外和热红外波段范围内，获取许多非常窄的光谱连续的影像数据。
步骤102，从多源卫星遥感数据中提取污染监测区域的可见光数据、近红外数据和热红外传感数据；
从多源卫星遥感数据中提取污染监测区域的可见光数据、近红外数据和热红外传感数据之后，对可见光数据、近红外数据和热红外传感数据进行预处理，预处理包括辐射定标、大气校正、条带去除。
辐射定标是指计算地物的光谱反射率或光谱辐射亮度时，或者需要对不同时间、不同传感器获取的图像进行比较时，都必须将图像的亮度灰度值转换为绝对的辐射亮度。
大气校正是指传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映，其中包含了由大气吸收，尤其是散射作用造成的辐射量误差。大气校正就是消除这些由大气影响所造成的辐射误差，反演地物真实的表面反射率的过程。
光学遥感影像在获取、记录、成像与传输的过程中，由于系统性能的制约或各类外界环境的影响，部分影像容易出现条带噪声现象，条带噪声极大降低了光学遥感影像的可用度，使得后续的影像处理工作无法正常进行，条带去除即去除条带噪声的过程。
步骤103，根据可见光数据、近红外数据获取污染监测区域的植被指数和地表类型信息；
其中，植被指数包括植被像元的植被指数、土壤像元的植被指数、混合像元的植被指数；根据可见光数据、近红外数据得到近红外波段的反射率、红光波段的反射率和地表类型信息。地表类型信息主要包括纯植被和裸地两类，根据混合像元的植被指数NDVI阈值判断地表类型，一般通过直方图分布可以确定纯植被和裸地的值。
植被指数计算公式：
其中，RNIR为近红外波段的反射率，Rred为红光波段的反射率。
步骤104，根据植被指数和地表类型信息计算地表比辐射率；
具体的，根据公式
计算植被覆盖度，其中，NDVIV为植被像元的植被指数，NDVIS为土壤像元的植被指数；NDVI为混合像元的植被指数。
其中，ε10、ε11分别代表TM(Thematic Mapper)数据的第10和第11波段；PV代表植被覆盖度，的结果为地表比辐射率。
利用可见-近红外波段数据来获取植被指数。同时，如果在计算NDVI值时出现异常值，相邻像元的波段将被用来代替数据异常的像元值。大面积的数据缺失则使用空间插值的方法来处理。
考虑到数据获取的实际情况和Landsat 8热红外双通道特性，选择NDVI法来获取地表的发射率。利用Landsat 8可见光数据计算地表植被覆盖度，结合发射率波谱库数据来生产Landsat 8地表比辐射率产品。利用Landsat 8可见光与近红外数据动态获取观测时刻的植被覆盖度，并结合地表类型与新构建的发射率库获得像元尺度的发射率。
步骤105，根据热红外传感数据计算污染监测区域的热红外辐射亮温值；
根据普朗克定律，获得热红外辐射亮温值：
T＝K2/ln(K1/L+1) (4)
其中，T为亮度温度；L为热红外波段的辐射亮度值；K1，K2为常量，TIRS传感器第10波段，K1＝774.89(Wm－2sr－1μm－1)，K2＝1321.08K，第11波段，K1＝480.89(Wm－2sr－1μm－1)，K2＝1201.14K。
步骤106，根据所述地表比辐射率和热红外辐射亮度值计算得到所述监测区域的地表温度数据；
此处采用劈窗算法反演地表温度，利用11μm和12μm两个热红外波段的热红外辐射亮温值的线性或非线性组合来消除大气影响来获取地表温度。以Landsat 8热红外传感器TIRS为主要数据源，针对现有劈窗通道地表温度反演算法中存在的问题进行改进，从Landsat 8自身热红外数据建立水汽反演的新算法，实现Landsat 8热红外数据在无水汽数据条件下的地表温度反演，提高地表温度的估算精度。
根据如下公式计算地表温度：
Ts＝A0+A1Ti+A2Tj (5)
其中，Ts是地表温度；Ti和Tj分别是对应i与j波段的热红外辐射亮温值，单位为K，结合Landsat8特性，则有i＝10，j＝11；A0、A1和A2是热红外传感器TIRS10、11波段的转换参数，由大气透过率和地表比辐射率等因子确定，对于不同的算法，它们的值各不相同。
步骤107，从多源卫星遥感数据中提取监测区域的地面图像数据，并将地面图像数据分割为多个子区域图像数据；
由于多源卫星遥感数据尺寸较大，需要进行图像分割之后才能进行后续处理。图像分割是将数字图像划分成互不相交的区域的过程。
将多源卫星遥感数据分割成多个单元的子区域遥感数据，具体分割方法包括基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。
图像分割之后得到的多个子区域遥感数据进行标记，将每个子区域赋予唯一的区域编码。根据区域编码能够查询到对应的唯一的区域。
步骤108，提取每一个子区域图像数据的区域特征信息；
其中，区域特征信息包括纹理特征、光谱特征、形状特征。区域特征信息是该子区域区别于其他子区域的相应特点或特性，或这些特点和特性的集合。区域特征是通过测量或处理进行抽取。每一幅图像都具有能够区别于其他类图像的自身特征，有些是可以直观地感受到的自然特征，如亮度、边缘、纹理和色彩等；有些则是需要通过变换或处理才能得到的，如矩、直方图以及主成份等。
纹理特征需要在包含多个像素点的区域中进行统计计算。纹理特征的提取方法包括统计方法、几何法、模型法和信号处理法。
光谱特征是自然界中任何地物都具有其自身的电磁辐射规律，如具有反射，吸收外来的紫外线、可见光、红外线和微波的某些波段的特性，它们又都具有发射某些红外线、微波的特性；少数地物还具有透射电磁波的特性。
形状特征包括轮廓特征和区域特征。轮廓特征用到物体的外边界，区域特征关系到整个形状区域。形状特征的提取方法包括边界特征法、傅里叶形状描述符法、几何参数法等。
步骤109，根据区域特征信息将子区域图像数据进行模糊分类，得到潜在工业区域图像数据；
根据以下区域特征进行分类:
(1)NDVI小于某阈值如小于0.2，定义为植被；
(2)红外和热红外特征大于预设阈值,如大于10000，为云层；
(3)紧致度大于预设阈值,如0.5，提高斑块的个数；
(4)形状参数等于预设阈值,如0.2，提高形状的贡献程度。
根据区域特征得到不同类别的子区域斑块；如植被，不透水层，水体，裸地、包括潜在工业区等。
步骤110，根据地表温度数据和潜在工业区域图像数据识别工业热异常区域。
根据所述地表温度数据和所述潜在工业区域图像数据，采用具有对称不变性的圆形结构元素B，使B的半径在指定范围内连续膨胀以得到含有大小不同的圆形结构元素集合S＝{B1,B2,B3,…,Bm}，其中，m表示B膨胀的次数，Bm是从B1开始连续膨胀得到的最大圆形结构元素，并且选取图像I，将S中元素分别与I进行闭运算以得到J；
用J对I进行四邻域的对偶灰度重建操作，得到重建图像P*I(J)；
将P*I(J)减去I，获得差值图像D以增强工业热异常区域；
计算出D的最大灰度值Dmax和最小灰度值Dmin，并设定阈值系数TF，得到最优阈值Tr对D进行二值化分割，得到工业热异常区域。
本发明实施例二提供了一种设备，包括存储器和处理器，存储器用于存储程序，存储器可通过总线与处理器连接。存储器可以是非易失存储器，例如硬盘驱动器和闪存，存储器中存储有软件程序和设备驱动程序。软件程序能够执行本发明实施例提供的上述方法的各种功能；设备驱动程序可以是网络和接口驱动程序。处理器用于执行软件程序，该软件程序被执行时，能够实现本发明实施例提供的方法。
本发明实施例三提供了一种包含指令的计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行本发明实施例一提供的方法。
本发明实施例四提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现本发明实施例一提供的方法。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于多源卫星遥感数据的工业热异常区域识别方法，其特征在于，所述方法包括：
获取污染监测区域的多源卫星遥感数据；
从所述多源卫星遥感数据中获取所述污染监测区域的可见光数据、近红外数据和热红外传感数据；
根据所述可见光数据、近红外数据获取所述污染监测区域的植被指数和地表类型信息；
根据所述植被指数和地表类型信息计算地表比辐射率；
根据所述热红外传感数据计算所述污染监测区域的热红外辐射亮温值；
根据所述地表比辐射率和热红外辐射亮温值计算得到所述监测区域的地表温度数据；
从所述多源卫星遥感数据中提取所述监测区域的地面图像数据，并将所述地面图像数据分割为多个子区域图像数据；
提取每一个所述子区域图像数据的区域特征信息，所述区域特征信息包括纹理特征、光谱特征、形状特征；
根据所述区域特征信息将所述子区域图像数据进行模糊分类，得到潜在工业区域图像数据；
根据所述地表温度数据和所述潜在工业区域图像数据识别工业热异常区域。
2.根据权利要求1所述的方法，其特征在于，所述根据所述植被指数和地表类型信息计算地表比辐射率具体包括：
根据公式计算植被覆盖度，其中，NDVIV为纯植被像元的植被指数，NDVIS为纯裸土像元的植被指数，NDVI为混合像元的植被指数；
根据所述植被覆盖度和所述地表类型信息计算地表比辐射率。
3.根据权利要求2所述的方法，其特征在于，所述根据所述植被覆盖度和所述地表类型信息计算地表比辐射率具体包括：
其中，ε10、ε11分别为TM(Thematic Mapper)数据的第10和第11波段；PV为植被覆盖度，为地表比辐射率。
4.根据权利要求1所述的方法，其特征在于，在从所述多源卫星遥感数据中获取所述污染监测区域的可见光数据、近红外数据和热红外传感数据之后，所述方法还包括：
对所述可见光数据、近红外数据和热红外传感数据进行预处理，所述预处理包括辐射定标、大气校正、条带去除。
5.根据权利要求1所述的方法，其特征在于，所述根据所述地表比辐射率和热红外辐射亮温值计算得到所述监测区域的地表温度数据具体包括：
Ts＝A0+A1Ti+A2Tj
其中，Ts是地表温度；Ti和Tj分别是对应i与j波段的热红外辐射亮温值；A0、A1和A2为转换参数，根据大气透过率和地表比辐射率确定。
6.根据权利要求1所述的方法，其特征在于，所述根据所述地表温度数据和所述潜在工业区域图像数据识别工业热异常区域具体包括：
根据所述地表温度数据和所述潜在工业区域图像数据，采用具有对称不变性的圆形结构元素B，使B的半径在指定范围内连续膨胀以得到含有大小不同的圆形结构元素集合S＝{B1,B2,B3,…,Bm}，其中，m表示B膨胀的次数，Bm是从B1开始连续膨胀得到的最大圆形结构元素，并且选取图像I，将S中元素分别与I进行闭运算以得到J；
用J对I进行四邻域的对偶灰度重建操作，得到重建图像P*I(J)；
将P*I(J)减去I，获得差值图像D以增强工业热异常区域；
计算出D的最大灰度值Dmax和最小灰度值Dmin，并设定阈值系数TF，得到最优阈值Tr对D进行二值化分割，得到工业热异常区域。
7.一种设备，包括存储器和处理器，其特征在于，所述存储器用于存储程序，所述处理器用于执行如权利要求1-6任一所述的方法。
8.一种包含指令的计算机程序产品，其特征在于，当所述计算机程序产品在计算机上运行时，使得所述计算机执行如权利要求1-6任一权利要求所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6任一权利要求所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811059955.9A CN109101955A (zh) | 2018-09-12 | 2018-09-12 | 基于多源卫星遥感数据的工业热异常区域识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811059955.9A CN109101955A (zh) | 2018-09-12 | 2018-09-12 | 基于多源卫星遥感数据的工业热异常区域识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109101955A true CN109101955A (zh) | 2018-12-28 |
Family
ID=64866032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811059955.9A Pending CN109101955A (zh) | 2018-09-12 | 2018-09-12 | 基于多源卫星遥感数据的工业热异常区域识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109101955A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109801304A (zh) * | 2019-01-11 | 2019-05-24 | 重庆邮电大学 | 一种抑制裸地的建筑指数构建及建筑区域快速提取方法 |
| CN109800315A (zh) * | 2019-01-31 | 2019-05-24 | 交通运输部天津水运工程科学研究所 | 一种照相法草地盖度计量图库建立的方法及使用方法 |
| CN110849481A (zh) * | 2020-01-14 | 2020-02-28 | 北京英视睿达科技有限公司 | 一种基于卫星红外扫描识别厂区结构变化的方法及装置 |
| CN110969132A (zh) * | 2019-12-05 | 2020-04-07 | 重庆商勤科技有限公司 | 一种水源地违法项目遥感分析方法、服务器及存储介质 |
| CN111487199A (zh) * | 2020-04-23 | 2020-08-04 | 中国科学院空天信息创新研究院 | 一种基于工业生产活动特征的钢铁厂遥感提取方法 |
| CN111912819A (zh) * | 2020-07-15 | 2020-11-10 | 北京华云星地通科技有限公司 | 基于卫星数据的生态检测方法 |
| CN112990111A (zh) * | 2021-04-20 | 2021-06-18 | 北京英视睿达科技有限公司 | 臭氧生成高值区的识别方法、装置、存储介质及设备 |
| CN112991431A (zh) * | 2021-04-15 | 2021-06-18 | 北京英视睿达科技有限公司 | 区域面积确定方法、装置及电子设备 |
| CN113033381A (zh) * | 2021-03-23 | 2021-06-25 | 生态环境部卫星环境应用中心 | 基于遥感数据的矿山和固废填埋场自动提取方法和装置 |
| CN113191626A (zh) * | 2021-04-28 | 2021-07-30 | 中国科学院地理科学与资源研究所 | 一种异常区域的识别方法及装置 |
| CN113378848A (zh) * | 2021-07-08 | 2021-09-10 | 湖南元想科技有限公司 | 南荻收割区或弃割区分布提取方法、系统及存储介质 |
| US20210318172A1 (en) * | 2020-04-14 | 2021-10-14 | Utah State University | Spatially estimating thermal emissivity |
| CN114724048A (zh) * | 2022-04-11 | 2022-07-08 | 中国农业大学 | 一种高温异常区域的识别方法、装置以及存储介质 |
| CN115272883A (zh) * | 2022-09-28 | 2022-11-01 | 北京市生态环境监测中心 | 区域面源提取方法、装置、计算机设备及可读存储介质 |
| CN115272853A (zh) * | 2022-07-27 | 2022-11-01 | 清华大学 | 基于人工智能技术与大数据的工业废弃地识别方法及产品 |
| CN116385863A (zh) * | 2023-04-25 | 2023-07-04 | 北京建工环境修复股份有限公司 | 一种基于深度学习的水体中微塑料识别方法及系统 |
-
2018
- 2018-09-12 CN CN201811059955.9A patent/CN109101955A/zh active Pending
Non-Patent Citations (2)
| Title |
|---|
| 冯钟葵等: "ENVI遥感图像处理方法(第2版)", 北京航空航天大学出版社, pages: 109 - 120 * |
| 王猛猛等: "基于Landsat 8 TIRS数据的大气水汽含量反演劈窗算法", 遥感技术与应用, vol. 32, no. 1, pages 166 - 172 * |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109801304A (zh) * | 2019-01-11 | 2019-05-24 | 重庆邮电大学 | 一种抑制裸地的建筑指数构建及建筑区域快速提取方法 |
| CN109800315A (zh) * | 2019-01-31 | 2019-05-24 | 交通运输部天津水运工程科学研究所 | 一种照相法草地盖度计量图库建立的方法及使用方法 |
| CN109800315B (zh) * | 2019-01-31 | 2022-11-29 | 交通运输部天津水运工程科学研究所 | 一种照相法草地盖度计量图库建立的方法及使用方法 |
| CN110969132A (zh) * | 2019-12-05 | 2020-04-07 | 重庆商勤科技有限公司 | 一种水源地违法项目遥感分析方法、服务器及存储介质 |
| CN110849481A (zh) * | 2020-01-14 | 2020-02-28 | 北京英视睿达科技有限公司 | 一种基于卫星红外扫描识别厂区结构变化的方法及装置 |
| US11835390B2 (en) * | 2020-04-14 | 2023-12-05 | Utah State University | Spatially estimating thermal emissivity |
| US20210318172A1 (en) * | 2020-04-14 | 2021-10-14 | Utah State University | Spatially estimating thermal emissivity |
| CN111487199A (zh) * | 2020-04-23 | 2020-08-04 | 中国科学院空天信息创新研究院 | 一种基于工业生产活动特征的钢铁厂遥感提取方法 |
| CN111487199B (zh) * | 2020-04-23 | 2022-12-20 | 中国科学院空天信息创新研究院 | 一种基于工业生产活动特征的钢铁厂遥感提取方法 |
| CN111912819A (zh) * | 2020-07-15 | 2020-11-10 | 北京华云星地通科技有限公司 | 基于卫星数据的生态检测方法 |
| CN111912819B (zh) * | 2020-07-15 | 2023-11-07 | 北京华云星地通科技有限公司 | 基于卫星数据的生态检测方法 |
| CN113033381B (zh) * | 2021-03-23 | 2021-09-10 | 生态环境部卫星环境应用中心 | 基于遥感数据的矿山和固废填埋场自动提取方法和装置 |
| CN113033381A (zh) * | 2021-03-23 | 2021-06-25 | 生态环境部卫星环境应用中心 | 基于遥感数据的矿山和固废填埋场自动提取方法和装置 |
| CN112991431A (zh) * | 2021-04-15 | 2021-06-18 | 北京英视睿达科技有限公司 | 区域面积确定方法、装置及电子设备 |
| CN112990111B (zh) * | 2021-04-20 | 2021-08-31 | 北京英视睿达科技有限公司 | 臭氧生成高值区的识别方法、装置、存储介质及设备 |
| CN112990111A (zh) * | 2021-04-20 | 2021-06-18 | 北京英视睿达科技有限公司 | 臭氧生成高值区的识别方法、装置、存储介质及设备 |
| CN113191626B (zh) * | 2021-04-28 | 2022-02-01 | 中国科学院地理科学与资源研究所 | 一种异常区域的识别方法及装置 |
| CN113191626A (zh) * | 2021-04-28 | 2021-07-30 | 中国科学院地理科学与资源研究所 | 一种异常区域的识别方法及装置 |
| CN113378848A (zh) * | 2021-07-08 | 2021-09-10 | 湖南元想科技有限公司 | 南荻收割区或弃割区分布提取方法、系统及存储介质 |
| CN113378848B (zh) * | 2021-07-08 | 2024-01-30 | 湖南元想科技有限公司 | 南荻收割区或弃割区分布提取方法、系统及存储介质 |
| CN114724048A (zh) * | 2022-04-11 | 2022-07-08 | 中国农业大学 | 一种高温异常区域的识别方法、装置以及存储介质 |
| CN115272853B (zh) * | 2022-07-27 | 2023-06-27 | 清华大学 | 基于人工智能技术与大数据的工业废弃地识别方法及产品 |
| CN115272853A (zh) * | 2022-07-27 | 2022-11-01 | 清华大学 | 基于人工智能技术与大数据的工业废弃地识别方法及产品 |
| CN115272883B (zh) * | 2022-09-28 | 2023-02-21 | 北京市生态环境监测中心 | 区域面源提取方法、装置、计算机设备及可读存储介质 |
| CN115272883A (zh) * | 2022-09-28 | 2022-11-01 | 北京市生态环境监测中心 | 区域面源提取方法、装置、计算机设备及可读存储介质 |
| CN116385863A (zh) * | 2023-04-25 | 2023-07-04 | 北京建工环境修复股份有限公司 | 一种基于深度学习的水体中微塑料识别方法及系统 |
| CN116385863B (zh) * | 2023-04-25 | 2024-02-02 | 北京建工环境修复股份有限公司 | 一种基于深度学习的水体中微塑料识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109101955A (zh) | 基于多源卫星遥感数据的工业热异常区域识别方法 | |
| Yang et al. | Mapping plastic greenhouse with medium spatial resolution satellite data: Development of a new spectral index | |
| Ghasemian et al. | Introducing two Random Forest based methods for cloud detection in remote sensing images | |
| Fisher et al. | Comparing Landsat water index methods for automated water classification in eastern Australia | |
| Gašparović et al. | Automatic cost-effective method for land cover classification (ALCC) | |
| Li et al. | High-spatial-resolution surface and cloud-type classification from MODIS multispectral band measurements | |
| Zarco‐Tejada et al. | Land cover mapping at BOREAS using red edge spectral parameters from CASI imagery | |
| CN109284706B (zh) | 基于多源卫星遥感数据的热点网格工业聚集区域识别方法 | |
| Zhuge et al. | A fast cloud detection algorithm applicable to monitoring and nowcasting of daytime cloud systems | |
| Chang et al. | Multisensor satellite image fusion and networking for all-weather environmental monitoring | |
| CN108051371B (zh) | 一种面向生态环境参量遥感反演的阴影提取方法 | |
| Dihkan et al. | Evaluation of surface urban heat island (SUHI) effect on coastal zone: The case of Istanbul Megacity | |
| KR102540762B1 (ko) | 위성영상을 이용한 저수지 모니터링 방법 | |
| Ferrato et al. | Comparing hyperspectral and multispectral imagery for land classification of the Lower Don River, Toronto | |
| Kan et al. | Snow Cover Mapping for Mountainous Areas by Fusion of MODIS L1B and Geographic Data Based on Stacked Denoising Auto-Encoders. | |
| Cao et al. | MODIS observations reveal decrease in lake suspended particulate matter across China over the past two decades | |
| Bektas Balcik et al. | Determination of magnitude and direction of land use/land cover changes in Terkos Water Basin, Istanbul | |
| Andreev et al. | Cloud detection from the Himawari-8 satellite data using a convolutional neural network | |
| Tsay et al. | Deep learning for satellite rainfall retrieval using Himawari-8 multiple spectral channels | |
| Li | Dynamic monitoring algorithm of natural resources in scenic spots based on MODIS Remote Sensing technology | |
| Wang et al. | Coexisting cloud and snow detection based on a hybrid features network applied to remote sensing images | |
| Sun et al. | A priori surface reflectance-based cloud shadow detection algorithm for Landsat 8 OLI | |
| Krishnamoorthy et al. | Image classification using higher-order statistics-based ICA for NOAA multispectral satellite image | |
| Hosoda | Algorithm for estimating sea surface temperatures based on Aqua/MODIS global ocean data. 2. Automated quality check process for eliminating cloud contamination | |
| Duffy et al. | DeepEmSat: Deep emulation for satellite data mining |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100070 Beijing Fengtai Auto Museum West Road No. 8 Courtyard 1 Building 6 Floor 606 Applicant after: Beijing Yingshi Ruida Technology Co.,Ltd. Address before: 1202, No. 18, Yumin Middle Road, Xicheng District, Beijing 100029 Applicant before: BEIJING INSIGHTS VALUE TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230410 Address after: Unit 02, 12th Floor, 501, Building 3, Yard 20, Jinhe East Road, Chaoyang District, Beijing, 100020 Applicant after: IBM (CHINA) INVESTMENT CO.,LTD. Address before: 100070 Beijing Fengtai Auto Museum West Road No. 8 Courtyard 1 Building 6 Floor 606 Applicant before: Beijing Yingshi Ruida Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231211 Address after: New York grams of Armand Applicant after: International Business Machines Corp. Address before: Unit 02, 12th Floor, 501, Building 3, Yard 20, Jinhe East Road, Chaoyang District, Beijing, 100020 Applicant before: IBM (CHINA) INVESTMENT CO.,LTD. |