CN109325522B - 基于改进kmeans的重工业时序热源区域识别算法 - Google Patents

基于改进kmeans的重工业时序热源区域识别算法 Download PDF

Info

Publication number
CN109325522B
CN109325522B CN201810975322.6A CN201810975322A CN109325522B CN 109325522 B CN109325522 B CN 109325522B CN 201810975322 A CN201810975322 A CN 201810975322A CN 109325522 B CN109325522 B CN 109325522B
Authority
CN
China
Prior art keywords
heat source
heavy industry
source object
fire point
kmeans
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.)
Active
Application number
CN201810975322.6A
Other languages
English (en)
Other versions
CN109325522A (zh
Inventor
马彩虹
杨进
陈甫
马勇
李信鹏
刘建波
段建波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Institute of Remote Sensing and Digital Earth of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Remote Sensing and Digital Earth of CAS filed Critical Institute of Remote Sensing and Digital Earth of CAS
Priority to CN201810975322.6A priority Critical patent/CN109325522B/zh
Publication of CN109325522A publication Critical patent/CN109325522A/zh
Application granted granted Critical
Publication of CN109325522B publication Critical patent/CN109325522B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于改进kmeans的重工业时序热源区域识别发现算法。该方法包括：火点数据获取与预处理，并按照区域网格进行数据切分；改进自适应kmeans聚类的热源对象构建，实现空间火点数据的自适应聚类；提取热源对象的特征，包括几何、统计和属性特征；辅助高分数据，建立热源对象训练样本，采用改进SVM的重工业热源区域识别模型，实现重工业热源区域的定位识别；进行结果验证与输出。该方法作为一种新的重工业区域发现方式，利用主动式夜火数据时间分辨率高、空间覆盖范围全的优势，结合改进自适应kmeans聚类算法，有效地识别出了全球的重工业区域。为环境监测、重工业经济效益评估、区域发展等，提供了良好的辅助作用。

Description

基于改进kmeans的重工业时序热源区域识别算法
技术领域
本发明涉及主动式火点数据处理领域、空间点聚类与目标发现识别领域，更具体的说，是涉及一种基于改进kmeans的重工业时序热源区域识别方法和模型。
技术背景
重工业，包括钢铁工业、冶金工业、机械、能源(电力、石油、煤炭、天然气等)、化学、材料等工业，是为国民经济各部门提供技术装备、动力和原材料的基础工业，是实现社会再生产和扩大再生产的物质基础。一个国家/地方重工业的发展规模和技术水平，是综合实力的重要标志。但是，伴随着全球经济的发展，区域重工业发展规模盲目扩张、结构重化同构、布局分散无序等问题日益突出，出现了大量重复建设、产能过剩和恶性竞争现象。这不仅威胁到国家社会经济的可持续协调发展，也加剧了区域性资源环境压力。因此，如何准确、高效、快速的定位全球重工业区域，对于环境监测、资源管理、重大工程监理、国防安全等领域发展具有重要意义。
受资源分布的影响，重工业区域分布具有：分布范围广、区域隐蔽、布局分散无序、规模形状各异、不易查证等特点。同时，受国家环保政策以及区域经济发展的博弈影响，致使采用传统的方式，基本无法实现全球重工业热源区域发现与动态监测。但对于大部分重工业生产活动来说，热源的使用是普遍而又必须的，比如炼钢厂的炼钢炉、电解铝工厂的电解炉等，都会在生成工作中产生大量的热辐射。热源的分布，在一定程度上能够反映了厂矿企业的时空分布格局；热源的强度，在一定程度上展示了工厂热排放的强度，反映了工厂生产活动情况。因此通过对热源热辐射的监控，进而反映出重工业企业的分布和活动，成为间接监测重工业发展的一种重要而又有效的技术手段。NPP(NPOESS Preparatory Project)卫星的主动式火点数据(MODIS active fire/hotspot data)，就是监测地面高温点的产品数据。与传统统计调查相比，MODIS active fire/hotspot data应用于重工业区域发现具有以下优势：能够高回访周期、快速的获得全球高温辐射点数据，为实时监控重工业区域生产状况提供了可能；能够获取全球陆地和周边海洋的长时间连续空间观测数据，相比行政单元统计数据，具有更加丰富的空间细节信息，有利于揭示行政单元尺度以下社会经济参量时空变化规律。
本文将主动火点数据(MODIS active fire/hotspot data)应用到重工业热源区域的发现检测中，结合长时间序列数据处理方式、改进自适应的Kmeans分割方法和SVM(Support Vector Machine，SVM)模式识别技术，提出了一种基于改进自适应Kmeans的全球重工业时序热源区域发现模型。针对重工业热源区域的特点，采用基于改进自适应的Kmeans算法，实现长时序主动火点数据的自适应分割，构建热源对象。然后，辅助GoogleEarth高分数据，建立重工业热源区域训练样本数据，采用基于改进SVM的重工业热源区域识别模型，实现重工业热源区域的定位识别。作为一种准确、有效、快速的重工业热源发现与实时监督方式，该模型为重工业资源配置、环境监测、国防安全，以及全球区域资源长期可持续发展提供了必要的数据支持。
发明内容
本发明提出了一种新的重工业区域发现方法，即基于改进kmeans的重工业时序热源区域识别发现方法。其目的在于充分利用NPP Active Fire/Hotspot数据的时间分辨率高和覆盖范围广的特性，挖掘全球范围的高温点区域，并利用重工业区域的特点，采用基于自适应kmeans聚类的方式，实现工业热点区域构建。并采用基于经验阈值与SVM识别算法，高效准确的定位重工业区域。作为一种新的基于改进kmeans的重工业时序热源区域识别发现方式，该方法较好的满足了全球重工业区域定位问题，为环境监测、重工业经济效益评估、相关辅助产业配置等，提供了有利的辅助数据。
本发明一种基于改进kmeans的重工业时序热源区域识别发现方法包括以下几个步骤：
(1)长时序主动火点数据预处理层
(1-1)原始数据的获取与解析，从NASA网站中下载NPP Active Fire/Hotspot数据，并进行数据解析；
(1-2)构建全球区域网格，根据工厂区域范围，设定网格区域的大小，构建全球区域网格规范；
(1-3)数据切分保存，按照构建的全球区域网格规范，进行原始火点数据的切分。
(2)改进自适应Kmeans算法的热源对象构建层
基于空间距离的热源对象构建，并剔除野火、森林火点、秸秆焚烧等自燃热源点。其包括的步骤有：
(2-1)基于改进自适应Kmeans算法的长时序火点数据分割：针对每个小火点文件，按照基于自适应分裂的kmeans聚类算法，构建最小粒度热源对象Oik0(k＝{1,2,3,……,Ki0}，Ki0表示第i个小火点文件聚类后构建的热源对象个数；
(a)根据小火点文件的大小，计算初始聚类数目C；
(b)采用kmeans聚类算法，按照火点的空间位置，进行聚类，形成C个热源对象Oik(k＝{1,2,3,……,C})；
(c)针对每个热源对象Pi，按照空间的3倍标准差原则，进行虚假火点初步过滤，形成过滤后的热源对象Oik0(k＝{1,2,3,……,C})；
(d)统计过滤后的热源对象Pi0包含的火点个数Ni0(i＝{1,2,3,……,C})，以及外接矩形的宽Widthi0(i＝{1,2,3,……,C})和高Heighti0(i＝{1,2,3,……,C})；
(e)若max(Widthi0,Heighti0)大于设定的阈值B0，并且Ni0大于热源对象点数阈值N0，则对热源对象Oik进行再分裂，重新回到(b)；若不满足，则输出过滤后的热源对象Oik0作为一个相对独立的热源对象。
(2-2)基于拓扑关联的分割对象合并：针对每个小火点文件，构建的最小粒度热源对象Oik0，按照热源对象空间拓扑关系进行合并，形成最终的热源对象Oik1(k＝{1,2,3,……,Ki}，Ki表示第i个小火点文件合并后构建的最终热源对象个数。
(a)将每个最小粒度热源对象Oik0，赋值为Oik1；
(b)针对每个最小粒度热源对象Oik1，计算距离其最近的热源对象，记为Oil1；
(c)若热源对象Oik1、Oil1的外接矩形边界相交率大于设定阈值I0，并且热源对象Oik1、Oil1的外接矩形最大边界小于设定阈值B01则合并对象Oik1、Oil1，记为Oik1_new；
(d)对新的热源对象Oik1_new，按照空间的3倍标准差原则，进行虚假火点初步过滤，形成过滤后的热源对象Oik1；
(e)重复上述(a)-(d)，直至没有需要合并的对象为止。
(3)面向热源对象的特征提取层
为满足基于改进SVM的重工业热源区域识别准确率的需要，针对基于改进自适应Kmeans算法的热源对象构建模型构建的热源对象，采用面向热源对象的方式提取高维特征。高维特征的热源对象描述形式，为重工业热源的识别质量和准确性提供了有力保障，同时也为特征的选择提供了必要条件。本发明中提取的特征，包括几何、统计和热源属性特征，具体如下所述：
(3-1)几何特征包括热源对象的中心点位置、最大外接矩形、最大外接矩形的宽、最大外接矩形的高等；
(3-2)统计特征包括源对象包含的火点数据个数、单位面积上火点密度、火点数据的起始检测时间、火点数据的最终检测时间、以及按照日期排序的时间间隔的均值与方差；
(3-3)热源属性特征热源对象所包含的火点属性信息的最小值、最大值、均值和方差特征，其中采用的火点属性信息有VIIRS I-4波段亮温(bright_ti4)、I-5波段亮温(bright_ti4)、扫描方向像素大小(scan)、轨道方向像素大小(track)和火点辐射功率(frp)。
(4)基于改进SVM的重工业区域发现层
为提高重工业热源区域识别的准确率，采用基于改进SVM的重工业热源区域识别模型，该部分主要包括训练样本构建、基于改进SVM的重工业热源区域识别模型构建和重工业热源区域识别检测三部分构成，具体如下所述：
(4-1)训练样本构建，借助构建的热源对象的时间和几何属性，将其投影到GoogleEarth地图中，通过辅助视觉信息，人工构建重工业区域的正负例训练样本；
(4-2)基于改进SVM的重工业热源区域识别模型构建，借助构建的训练样本数据，选用基于核函数参数、多特征的选择优化算法，搭建重工业热源区域识别模型；
(4-3)重工业热源区域识别检测，采用构建好的重工业热源区域识别模型，实现全球重工业热源区域识别与发现。
(5)重工业热源区域检测结果的性能评估层
对基于改进自适应Kmeans的重工业时序热源区域发现模型的检测性能进行量化评估，使用对象级的评价指标，采用准确率(Precision)和检测率(Recall)对最终的经济汲取的重工业热源检测结果惊醒精度检验，统计出模型发现的精度误差和有效率。
本发明分析了当前重工业区域发现的研究现状，探索了基于改进自适应Kmeans的重工业时序热源区域发现模型研究具有的潜在应用前景，将长时间序列火点数据、改进自适应的Kmeans分割方法和SVM模式识别技术应用到津冀重工业区域发现建模中，提出了一种基于改进自适应Kmeans的重工业时序热源区域发现模型。为重工业资源配置、环境监测、国防安全，以及全球区域资源长期可持续发展提供了必要的数据支持的同时，还具有以下有益效果及优点：
(1)提出了一种基于长时序主动火点的重工业区域发现模型
利用长时序主动火点数据，时间分辨率高、覆盖范围广的特点，提出了一种基于长时序主动火点的重工业区域发现模型。该模型不仅可以实实时、高效、大范围的重工业区域发现与监督；同时，长时间序列数据，对天气情况的要求较低，避免了传统光学图像因天气原因，对目标识别的误判。
(2)提出了基于改进自适应Kmeans算法的热源对象构建模型
受自然离散火点的影响，长时序主动火点数据具有空间分布广、数据密度不一致的特点，提出了基于改进自适应Kmeans算法的热源对象构建模型，该模型可以根据不同矢量数据的特点，剔除部分自然离散火点，自适应的确定不同热源对象的分割粒度；同时，借助分割对象的空间拓扑关系，实现紧邻分割对象的合并，有效地避免了传统数据分割的过分割问题。
(3)建立了基于改进SVM的重工业热源区域识别模型
为实现重工业热源区域的自动识别问题，本文针对基于改进自适应Kmeans算法构建的初步热源对象，提取高维特征，构建重工业区域训练样本，选择基于遗传算法的核函数参数、多特征的选择优化算法，提出了基于改进SVM的重工业热源区域识别模型。该模型通过高维特征的构建，借助改进SVM特点，实现了重工业热源区域的自动识别。
附图说明
此处提供的附图仅用于进一步阐述本发明，构成本发明的一部分，本申请的示意性实时例机器说明用于解释本发明申请，并不构成对本申请的不当限定，在附图中：
图1是本发明基于改进kmeans的重工业时序热源区域识别发现算法的一实施例的流程图；
具体实施过程
下文结合说明书附图1，以NPP Active Fire/Hotspot卫星遥感影像数据近6年的数据为例，对本发明的具体实施方式作详细说明。
下面结合说明书附图对本发明作进一步阐述。
如图1所示，基于改进kmeans的重工业时序热源区域识别发现方法包括以下几个步骤：
(1)长时序主动火点数据预处理层
(1-1)原始数据的获取与解析，从NASA网站中下载NPP Active Fire/Hotspot数据(https://firms.modaps.eosdis.nasa.gov/download/)，并进行数据解析。其中获取的数据的时间范围为2012/01/20-至今；
(1-2)构建全球区域网格，根据工厂区域范围，设定网格区域的大小，构建全球区域网格规范；
(1-3)数据切分保存，按照构建的全球区域网格规范，进行原始火点数据的切分。
(2)改进自适应Kmeans算法的热源对象构建层基于空间距离的热源对象构建，并剔除虚假自燃火点。其包括的步骤有：
基于改进自适应Kmeans算法的长时序火点数据分割，并剔除野火、森林火点、秸秆焚烧等自燃热源点。其包括的步骤有：
(2-1)针对每个小火点文件，按照基于自适应分裂的kmeans聚类算法，构建最小粒度热源对象Oik0(k＝{1,2,3,……,Ki0}，Ki0表示第i个小火点文件聚类后构建的热源对象个数；
(a)根据小火点文件的大小，计算初始聚类数目C；
(b)采用kmeans聚类算法，按照火点的空间位置，进行聚类，形成C个热源对象Oik(k＝{1,2,3,……,C})；
(c)针对每个热源对象Pi，按照空间的3倍标准差原则，进行虚假火点初步过滤，形成过滤后的热源对象Oik0(k＝{1,2,3,……,C})；
(d)统计过滤后的热源对象Pi0包含的火点个数Ni0(i＝{1,2,3,……,C})，以及外接矩形的宽Widthi0(i＝{1,2,3,……,C})和高Heighti0(i＝{1,2,3,……,C})；
(e)若max(Widthi0,Heighti0)大于设定的阈值B0，并且Ni0大于热源对象点数阈值N0，则对热源对象Oik进行再分裂，重新回到(b)；若不满足，则输出过滤后的热源对象Oik0作为一个相对独立的热源对象。
(2-2)基于拓扑关联的分割对象合并：针对每个小火点文件，构建的最小粒度热源对象Oik0，按照热源对象空间拓扑关系进行合并，形成最终的热源对象Oik1(k＝{1,2,3,……,Ki}，Ki表示第i个小火点文件合并后构建的最终热源对象个数。
(a)将每个最小粒度热源对象Oik0，赋值为Oik1；
(b)针对每个最小粒度热源对象Oik1，计算距离其最近的热源对象，记为Oil1；
(c)若热源对象Oik1、Oil1的外接矩形边界相交率大于设定阈值I0，并且热源对象Oik1、Oil1的外接矩形最大边界小于设定阈值B01则合并对象Oik1、Oil1，记为Oik1_new；
(d)对新的热源对象Oik1_new，按照空间的3倍标准差原则，进行虚假火点初步过滤，形成过滤后的热源对象Oik1；
(e)重复上述(a)-(d)，直至没有需要合并的对象为止。
其中，本文按照经纬度点的3倍标准差原则，剔除几何位置上的离散点。按照时间顺序排序的方式，剔除日期两端、时间间隔超过3倍时间间隔方差的时序离散点。
(3)面向热源对象的特征提取层
热源对象特征提取层，包括几何、统计和属性特征，具体如下所述：
(3-1)几何特征包括热源对象的中心点位置、最大外接矩形、最大外接矩形的宽、最大外接矩形的高等；
(3-2)统计特征包括源对象包含的火点数据个数、单位面积上火点密度、火点数据的起始检测时间、火点数据的最终检测时间、以及按照日期排序的时间间隔的均值与方差；
(3-3)热源属性特征热源对象所包含的火点属性信息的最小值、最大值、均值和方差特征，其中采用的火点属性信息有VIIRS I-4波段亮温(bright_ti4)、I-5波段亮温(bright_ti4)、扫描方向像素大小(scan)、轨道方向像素大小(track)和火点辐射功率(frp)。(4)基于改进SVM的重工业区域发现层
(4)基于改进SVM的重工业区域发现层
该部分主要包括训练样本构建、基于改进SVM的重工业热源区域识别模型构建和重工业热源区域识别检测三部分构成，具体如下所述：
(4-1)训练样本构建，借助构建的热源对象的时间和几何属性，将其投影到GoogleEarth地图中，通过辅助视觉信息，人工构建重工业区域的正负例训练样本；
(4-2)基于改进SVM的重工业热源区域识别模型构建，借助构建的训练样本数据，选用基于核函数参数、多特征的选择优化算法，搭建重工业热源区域识别模型；
(4-3)重工业热源区域识别检测，采用构建好的重工业热源区域识别模型，实现全球重工业热源区域识别与发现。
(5)重工业热源区域检测结果的性能评估层
对基于改进自适应Kmeans的重工业时序热源区域发现模型的检测性能进行量化评估，使用对象级的评价指标，采用准确率(Precision)和检测率(Recall)对最终的经济汲取的重工业热源检测结果惊醒精度检验，统计出模型发现的精度误差和有效率。

Claims (1)

1.一种基于改进kmeans的重工业时序热源区域识别算法，其特征在于，包括：
(1-1)长时序主动火点数据预处理层，进行火点数据获取与预处理，并按照区域网格进行数据切分，形成按区域分割的小火点文件；
(1-2)改进自适应kmeans算法的热源对象构建层针对每个小火点文件，采用基于改进自适应kmeans算法，进行热源对象构建，并剔除虚假自然火点；
(1-3)面向热源对象特征提取层提取热源对象的特征，包括几何、统计和属性特征；
(1-4)基于改进SVM的重工业区域发现层辅助高分辨影像数据构建训练样本数据，搭建基于改进SVM的重工业热源区域识别模型，实现重工业热源区域识别检测；
训练样本构建，借助构建的热源对象的时间和几何属性，将其投影到GoogleEarth地图中，通过辅助视觉信息，人工构建重工业区域的正负例训练样本；
基于改进SVM的重工业热源区域识别模型构建，借助构建的训练样本数据，选用基于核函数参数、多特征的选择优化算法，搭建重工业热源区域识别模型；
重工业热源区域识别检测，采用构建好的重工业热源区域识别模型，实现全球重工业热源区域识别与发现；
改进自适应kmeans算法的热源对象构建层，还执行以下步骤：
(2-1)基于改进自适应kmeans算法的长时序火点数据分割：针对每个小火点文件，按照基于自适应分裂的kmeans聚类算法，构建最小粒度热源对象Oik0(K＝{0，1，2，3，......，Ki0})，Ki0表示第i个小火点文件聚类后构建热源对象个数；
(2-2)基于拓扑关联的分割对象合并：针对每个小火点文件，构建的最小粒度热源对象Oik0，按照热源对象空间拓扑关系进行合并，形成最终的热源对象Oik1(K＝{1，2，3，......，Ki})，Ki表示第i个小火点文件合并后构建的最终热源对象个数；
基于改进自适应kmeans算法的长时序火点数据分割方法，还包括：
(3-1)根据小火点文件的大小，计算初始聚类数目C；
(3-2)采用kmeans聚类算法，按照火点的空间位置，进行聚类，形成C个热源对象Oik(K＝{1，2，3，......，C})；
(3-3)针对每个热源对象Pi，按照空间的3倍标准差原则，进行虚假火点初步过滤，形成过滤后的热源对象Oik0(K＝{1，2，3，......，C})；
(3-4)统计过滤后的热源对象Pi0包含的火点个数Ni0(i＝{1，2，3，......，C})，以及外接矩形的宽Widthi0(i＝{1，2，3，......，C})和高Heighti0(i＝{1，2，3，......，C})；
(3-5)若max(Widthi0，Heighti0)大于设定的阈值B0，并且Ni0大于热源对象阈值N0，则对热源对象Oik进行再分裂，重新回到(3-2)；若不满足，则输出过滤后的热源对象Oik0作为一个相对独立的热源对象；
基于拓扑关联的分割对象合并，还包括：
(4-1)将每个最小力度热源对象Oik0，赋值为Oik1；
(4-2)针对每个最小粒度热源对象Oik1，计算距离其最近的热源对象，记为Oil1；
(4-3)若热源对象Oik1、Oil1的外界矩形边界相交率大于设定阈值I0，并且热源对象Oik1、Oil1的外接矩形最大边界小于设定阈值B01则合并对象Oik1、Oil1，记为Oik1 new；
(4-4)对新的热源对象Oik1 new，按照空间3倍标准差原则，进行虚假火点初步过滤，形成过滤后的热源对象Oik1；
(4-5)重复上述(4-1)-(4-4)，直至没有需要合并的对象位置。
CN201810975322.6A 2018-08-24 2018-08-24 基于改进kmeans的重工业时序热源区域识别算法 Active CN109325522B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810975322.6A CN109325522B (zh) 2018-08-24 2018-08-24 基于改进kmeans的重工业时序热源区域识别算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810975322.6A CN109325522B (zh) 2018-08-24 2018-08-24 基于改进kmeans的重工业时序热源区域识别算法

Publications (2)

Publication Number Publication Date
CN109325522A CN109325522A (zh) 2019-02-12
CN109325522B true CN109325522B (zh) 2022-06-03

Family

ID=65263820

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810975322.6A Active CN109325522B (zh) 2018-08-24 2018-08-24 基于改进kmeans的重工业时序热源区域识别算法

Country Status (1)

Country Link
CN (1) CN109325522B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753754B (zh) * 2020-06-28 2023-09-12 三亚中科遥感研究所 一种基于热源重工业区域分析的秸秆燃烧火点识别方法
CN114626666B (zh) * 2021-12-11 2023-05-05 国网湖北省电力有限公司经济技术研究院 一种基于全时空监测的工程现场进度识别系统
CN115661682B (zh) * 2022-12-27 2023-04-28 生态环境部卫星环境应用中心 一种工业热源对象的自动化提取方法及提取装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678237A (zh) * 2015-12-31 2016-06-15 张弓 一种火点确定方法及系统
CN105740642A (zh) * 2016-03-14 2016-07-06 国家电网公司 基于多源遥感数据的modis卫星火点准确性判别方法
CN106840409A (zh) * 2017-01-23 2017-06-13 北京师范大学 一种基于modis的森林火灾火点检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678237A (zh) * 2015-12-31 2016-06-15 张弓 一种火点确定方法及系统
CN105740642A (zh) * 2016-03-14 2016-07-06 国家电网公司 基于多源遥感数据的modis卫星火点准确性判别方法
CN106840409A (zh) * 2017-01-23 2017-06-13 北京师范大学 一种基于modis的森林火灾火点检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Identifying industrial heat sources using time-series of the VIIRS Nightfire product with an object-oriented approach;Yongxue Liu et al.;《Remote Sensing of Environment》;20171018;347-365 *
基于Suomi-NPP VIIRS夜间热异常产品的城市工业热源分类——以京津冀地区为例;孙佳琪 等;《地理与地理信息科学》;20180531;第34卷(第3期);13-19 *

Also Published As

Publication number Publication date
CN109325522A (zh) 2019-02-12

Similar Documents

Publication Publication Date Title
Shi-Biao et al. GIS-based and data-driven bivariate landslide-susceptibility mapping in the Three Gorges area, China
CN109325522B (zh) 基于改进kmeans的重工业时序热源区域识别算法
Fathizad et al. Evaluating desertification using remote sensing technique and object-oriented classification algorithm in the Iranian central desert
CN102184423B (zh) 一种全自动的区域不透水面遥感信息精确提取方法
Zhou et al. Comparison of UAV-based LiDAR and digital aerial photogrammetry for measuring crown-level canopy height in the urban environment
Fekete et al. Tree segmentation and change detection of large urban areas based on airborne LiDAR
CN108898159A (zh) 基于dbscan算法的虚假林火热点过滤方法
Liu et al. Spatial-temporal hidden Markov model for land cover classification using multitemporal satellite images
CN117688313A (zh) 一种网络协同处理测绘数据的方法
CN111144340A (zh) 基于夜间灯光及高分辨率遥感影像的自然保护区人类活动自动监测方法及系统
Grenier et al. Accuracy assessment method for wetland object-based classification
Vaidya et al. Classifying heterogeneous urban form into local climate zones using supervised learning and greedy clustering incorporating Landsat dataset
He et al. Analysis of radar technology identification model for potential geologic hazard based on convolutional neural network and Harris Hawks optimization algorithm
CN113516060A (zh) 基于多时相高分辨率数据的建筑空间融合判别方法及装置
CN109033992B (zh) 基于主动式火点数据的重工业区域发现方法
Wang et al. A framework for analyzing energy consumption in urban built-up areas based on single photonic radar and spatial big data
CN109670556B (zh) 基于火点和夜光数据的全球热源重工业区域识别方法
Solano et al. Unmanned aerial vehicle (UAV) derived canopy gaps in the old-growth beech forest of Mount Pollinello (Italy): preliminary results
CN105760421A (zh) 土地利用类型分类的方法
CN114155447B (zh) 人工智能大数据采集系统
CN114676748A (zh) 一种基于高分影像的耕地自动化识别方法和系统
Agarwal et al. Analysis of urban area extracted from NDBI and classification approach by using satellite data
Barbosa et al. Deep Learning for Flash Drought Detection: A Case Study in Northeastern Brazil
Kumar et al. A Technique for Burning Area Identification Using IHS Transformation and Image Segmentation
Su et al. Land-use and land-cover change detection based on object-oriented theory

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
GR01 Patent grant
GR01 Patent grant