CN109670556B - 基于火点和夜光数据的全球热源重工业区域识别方法 - Google Patents
基于火点和夜光数据的全球热源重工业区域识别方法 Download PDFInfo
- Publication number
- CN109670556B CN109670556B CN201811616712.0A CN201811616712A CN109670556B CN 109670556 B CN109670556 B CN 109670556B CN 201811616712 A CN201811616712 A CN 201811616712A CN 109670556 B CN109670556 B CN 109670556B
- Authority
- CN
- China
- Prior art keywords
- heat source
- data
- source object
- heavy industry
- global
- 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
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
Abstract
本发明提供一种基于火点和夜光数据的全球热源重工业区域识别方法。该方法包括:数据预处理,包括火点和中科院版“火石”夜光产品数据的获取与预处理;基于长时序火点数据的全球热源重工业区域初识别构建,包括热源对象构建、特征提取和初步的全球热源重工业区域构建;对“火石”年度产品,按照像素极值叠加的原则,构造全时间序列的极值夜光数据;叠加初步全球热源重工业区域和全时间序列极值夜光数据,构建最终的全球的热源重工业区域;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,结合同时间段夜光极值数据,有效、准确地识别出了全球的重工业区域。
Description
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,是涉及一种基于火点和夜光数据的全球热源重工业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,基本无法实现全球热源重工业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。同时,对于大部分重工业生产活动来说,对灯光的使用也是普遍而又必须的。因此通过对热源热辐射和夜光数据的监控,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,主动式火点数据(VIIRS active fire/hotspot data),就是监测全球地面高温点的产品数据;夜光数据(NPP-VIIRS nighttime light data),就是检测全球夜光使用情况的数据。与传统统计调查相比,VIIRS active fire/hotspot data和NPP-VIIRS nighttimelight 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(VIIRS active fire/hotspot data)和夜光数据(NPP-VIIRS nighttime light data)应用到热源重工业区域的发现检测中,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。针对热源重工业区域的特点,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Google Earth高分数据,建立热源重工业区域训练样本数据,采用基于阈值和极值夜光数据的热源重工业区域识别模型,实现热源重工业区域的定位识别。作为一种准确、有效、快速的热源重工业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,即基于火点和夜光数据的全球热源重工业区域识别发现方法。其目的在于充分利用NPP Active Fire/Hotspot和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,构建初步热源重工业区域。并采用相同时间段NPPNighttime Light数据,构建全时间序列的极值夜光数据,剔除虚假热源重工业区域,从而形成准确的全球热源重工业区域。作为一种新的基于火点和夜光数据的全球热源重工业区域识别发现方式,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。
本发明一种基于火点和夜光数据的全球热源重工业区域识别发现方法包括以下几个步骤:
(1)数据预处理层
(1-1)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;
(1-1-1)火点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;
(1-1-2)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;
(1-1-3)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。
(1-2)“火石”夜光产品数据的获取与预处理
(1-2-1)从中科院遥感所下载年度“火石”夜光数据;
(1-2-2)对“火石”夜光产品数据进行重采样,使之与初步全球热源重工业区域数据保持一致的分辨率;
(2)基于长时序火点数据的全球热源重工业区域初识别构建层
(2-1)基于改进自适应Kmeans算法的热源对象构建
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:
(2-1-1)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。
(2-1-2)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。
(2-2)面向热源对象的特征提取
为满足基于阈值的热源重工业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,为热源重工业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:
(2-2-1)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;
(2-2-2)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;
(2-2-3)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)。
(2-3)基于经验阈值方法构建初步全球热源重工业区域,针对(2-1)形成的热源对象,采用(2-2)形成的热源对象特征,构建经验阈值模型,形成初步的全球热源重工业区域。
(3)全球热源重工业区域识别层
(3-1)初步全球热源重工业区域数据与全时间序列极值夜光数据配准,使矢量数据与栅格数据实现无误叠加;
(3-2)按照区域数据统计原则,提取不同热源重工业区域的夜光均值,形成夜光均值特征,并记录入库;
(3-3)按照热源重工业区域经验夜光均值原则,剔除虚假的热源重工业区域,形成最
终的全球的热源重工业区域。
(4)热源重工业区域检测结果的性能评估层
对基于火点和夜光数据的全球热源重工业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热源重工业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,探索了基基于火点和夜光数据的全球热源重工业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、全时间夜光数据、改进自适应的Kmeans分割方法和模式识别技术应用到津冀重工业区域发现建模中,提出了一种基于火点和夜光数据的全球热源重工业区域发现模型。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)提出了一种基于火点和夜光的全球热源重工业区域发现模型
利用长时序主动火点数据和夜光数据,时间分辨率高、覆盖范围广的特点,提出了一种基于火点和夜光的全球热源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)建立了基于极值夜光数据的热源重工业区域过滤模型
针对经验阈值检测到的初步热源重工业区域,借助热源重工业生产活动,对于灯光的使用时普遍而必须的,形成极值夜光数据,剔除虚假热源重工业区域,形成最终的全球热源重工业区域准确识别。
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是本发明基于火点和夜光数据的全球热源重工业区域识别发现方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,基于火点和夜光数据的全球热源重工业区域识别发现方法包括以下几个步骤:
(1)数据预处理层
(1-1)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;
(1-1-1)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;
(1-1-2)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;
(1-1-3)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。
(1-2)“火石”夜光产品数据的获取与预处理
(1-2-1)从中科院遥感所下载年度“火石”夜光数据,包括2012-2017时间段,共计6年的年度夜光数据;
(1-2-2)对“火石”夜光产品数据进行重采样,使之与初步全球热源重工业区域数据保持一致的分辨率,最终分辨率为375m;
(2)基于长时序火点数据的全球热源重工业区域初识别构建层
(2-1)基于改进自适应Kmeans算法的热源对象构建
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:
(2-1-1)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Bo,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。
(2-1-2)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。
(2-2)面向热源对象的特征提取
为满足基于改进SVM的热源重工业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,为热源重工业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:
(2-2-1)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;
(2-2-2)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;
(2-2-3)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)。
(2-3)基于经验阈值方法构建初步全球热源重工业区域,针对(2-1)形成的热源对象,采用(2-2)形成的热源对象特征,构建经验阈值模型,形成初步的全球热源重工业区域。
(3)全球热源重工业区域识别层
(3-1)初步全球热源重工业区域数据与全时间序列极值夜光数据配准,使矢量数据与栅格数据实现无误叠加;
(3-2)按照区域数据统计原则,提取不同热源重工业区域的夜光均值,形成夜光均值特征,并记录入库;
(3-3)按照热源重工业区域经验夜光均值原则,剔除虚假的热源重工业区域,形成最
终的全球的热源重工业区域。
(4)热源重工业区域检测结果的性能评估层
对基于火点和夜光数据的全球热源重工业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热源重工业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。
结果评定方式采用地图辅助+人工实地验证相结合的方式,其中,地图辅助方式是指:借助构建的热源对象的时间和几何属性,将其投影到Google Earth地图中,通过辅助视觉信息,进行结果评定;人工实地验证,通过分配具体的工作人员到具体的工地中,进行实地验证考核,形成实地验证结果数据。
Claims (4)
1.一种基于火点和夜光数据的全球热源重工业区域识别方法,其特征在于,包括:
(1-1)数据预处理层,火点和“火石”夜光产品数据的获取与预处理;
(1-2)基于长时序火点数据的全球热源重工业区域初步识别构建层,采用基于改进自适应Kmeans算法构建热源对象,面向热源对象的特征提取,采用经验阈值方法构建初步的全球热源重工业区域;
(1-3)全时间序列极值夜光数据构建层,对下载的“火石”年度产品,按照像素极值叠加的原则,构造全时间序列的极值夜光数据;
(1-4)全球热源重工业区域识别层,针对(1-2)形成的初步全球热源重工业区域,叠加(1-3)的全时间序列极值夜光数据,计算不同热源重工业区域的夜光均值,按照夜光均值阈值形成最终的全球的热源重工业区域;
基于改进自适应Kmeans算法构建热源对象,还包括:
采用基于改进自适应Kmeans算法的长时序火点数据分割和基于拓扑关联的分割对象合并方法进行热源对象构建,以剔除野火、森林火点、秸秆焚烧自燃热源点;其包括的步骤有:
(2-1-1)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;
(2-1-2)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。
2.如权利要求1所述的方法,数据预处理层,还包括:
(2-1)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;
(2-2)“火石”夜光产品数据的获取与预处理,对“火石”夜光产品数据进行重采样,使之与初步全球热源重工业区域数据保持一致的空间分辨率。
3.如权利要求1所述的方法,基于长时序火点数据的全球热源重工业区域初识别构建层,还包括:
(3-1)基于改进自适应Kmeans算法的热源对象构建,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,并剔除虚假自燃火点;
(3-2)面向热源对象的特征提取,热源对象的特征,包括几何、统计和属性特征;
(3-3)基于经验阈值方法构建初步全球热源重工业区域,针对(3-1)形成的热源对象,采用(3-2)形成的热源对象特征,构建经验阈值模型,形成初步的全球热源重工业区域。
4.如权利要求1所述的方法,全球热源重工业区域识别层,还包括:
(4-1)初步全球热源重工业区域数据与全时间序列极值夜光数据配准,使矢量数据与栅格数据实现无误叠加;
(4-2)按照区域数据统计原则,提取不同热源重工业区域的夜光均值,形成夜光均值特征,并记录入库;
(4-3)按照热源重工业区域经验夜光均值原则,剔除虚假的热源重工业区域,形成最终的全球的热源重工业区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811616712.0A CN109670556B (zh) | 2018-12-27 | 2018-12-27 | 基于火点和夜光数据的全球热源重工业区域识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811616712.0A CN109670556B (zh) | 2018-12-27 | 2018-12-27 | 基于火点和夜光数据的全球热源重工业区域识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109670556A CN109670556A (zh) | 2019-04-23 |
CN109670556B true CN109670556B (zh) | 2023-07-04 |
Family
ID=66147605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811616712.0A Active CN109670556B (zh) | 2018-12-27 | 2018-12-27 | 基于火点和夜光数据的全球热源重工业区域识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670556B (zh) |
Families Citing this family (1)
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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657739A (zh) * | 2013-11-22 | 2015-05-27 | 中国科学院深圳先进技术研究院 | 一种城市监测方法及系统 |
CN105205466A (zh) * | 2015-09-21 | 2015-12-30 | 广州地理研究所 | 一种基于夜间灯光影像的能源碳排放量遥感估算方法 |
CN107203790A (zh) * | 2017-06-23 | 2017-09-26 | 上海海洋大学 | 利用二级抽样模型的中国陆地夜光遥感分类精度评价方法 |
CN108242052A (zh) * | 2016-12-23 | 2018-07-03 | 航天星图科技(北京)有限公司 | 一种应用于农田的火点确定方法 |
CN108399399A (zh) * | 2018-03-23 | 2018-08-14 | 武汉大学 | 一种基于夜光遥感影像的城市范围提取方法 |
CN108446580A (zh) * | 2017-02-16 | 2018-08-24 | 腾讯科技(深圳)有限公司 | 一种区域划分方法及装置 |
CN109033992A (zh) * | 2018-07-03 | 2018-12-18 | 中国科学院遥感与数字地球研究所 | 基于主动式火点数据的重工业区域发现算法 |
-
2018
- 2018-12-27 CN CN201811616712.0A patent/CN109670556B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657739A (zh) * | 2013-11-22 | 2015-05-27 | 中国科学院深圳先进技术研究院 | 一种城市监测方法及系统 |
CN105205466A (zh) * | 2015-09-21 | 2015-12-30 | 广州地理研究所 | 一种基于夜间灯光影像的能源碳排放量遥感估算方法 |
CN108242052A (zh) * | 2016-12-23 | 2018-07-03 | 航天星图科技(北京)有限公司 | 一种应用于农田的火点确定方法 |
CN108446580A (zh) * | 2017-02-16 | 2018-08-24 | 腾讯科技(深圳)有限公司 | 一种区域划分方法及装置 |
CN107203790A (zh) * | 2017-06-23 | 2017-09-26 | 上海海洋大学 | 利用二级抽样模型的中国陆地夜光遥感分类精度评价方法 |
CN108399399A (zh) * | 2018-03-23 | 2018-08-14 | 武汉大学 | 一种基于夜光遥感影像的城市范围提取方法 |
CN109033992A (zh) * | 2018-07-03 | 2018-12-18 | 中国科学院遥感与数字地球研究所 | 基于主动式火点数据的重工业区域发现算法 |
Non-Patent Citations (3)
Title |
---|
Identifying industrial heat sources using time-series of the VIIRS Nightfire product with an object-oriented approach;Liu Yongxue等;《Remote Sensing of Environment》;20171018;第204卷;第347-365页 * |
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》;20180515(第03期);全文 * |
基于夜间灯光数据的六盘山连片特困区贫困空间分异特征分析;沈丹等;《遥感信息》;20180815(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109670556A (zh) | 2019-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Intercalibration between DMSP/OLS and VIIRS night-time light images to evaluate city light dynamics of Syria's major human settlement during Syrian Civil War | |
Zhang et al. | An evaluation of monthly impervious surface dynamics by fusing Landsat and MODIS time series in the Pearl River Delta, China, from 2000 to 2015 | |
Xu et al. | The dynamics of desertification in the farming-pastoral region of North China over the past 10 years and their relationship to climate change and human activity | |
Koltunov et al. | On timeliness and accuracy of wildfire detection by the GOES WF-ABBA algorithm over California during the 2006 fire season | |
Wulder et al. | Biomass status and dynamics over Canada’s forests: disentangling disturbed area from associated aboveground biomass consequences | |
Liu et al. | RS and GIS supported urban LULC and UHI change simulation and assessment | |
CN112307884A (zh) | 基于连续时序遥感态势数据的林火蔓延预测方法及电子设备 | |
CN109325522B (zh) | 基于改进kmeans的重工业时序热源区域识别算法 | |
Hysa et al. | A GIS based method for indexing the broad-leaved forest surfaces by their wildfire ignition probability and wildfire spreading capacity | |
Li et al. | A GCN-based method for extracting power lines and pylons from airborne LiDAR data | |
CN104103076A (zh) | 一种基于高分辨率遥感影像的核电厂规划限制区遥感监查方法 | |
Zhou et al. | Comparison of UAV-based LiDAR and digital aerial photogrammetry for measuring crown-level canopy height in the urban environment | |
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 | |
Xu et al. | Evaluating urbanization and spatial-temporal pattern using the DMSP/OLS nighttime light data: a case study in Zhejiang Province | |
CN109033992B (zh) | 基于主动式火点数据的重工业区域发现方法 | |
Sui et al. | Processing of multitemporal data and change detection | |
Zhang et al. | Burned vegetation recovery trajectory and its driving factors using satellite remote-sensing datasets in the Great Xing’An forest region of Inner Mongolia | |
Van Den Eeckhaut et al. | Identification of vegetated landslides using only a lidar-based terrain model and derivatives in an object-oriented environment | |
Naimur Rahman et al. | Monitoring and Prediction of Spatiotemporal Land-Use/Land-Cover Change Using Markov Chain Cellular Automata Model in Barisal, Bangladesh | |
Wang et al. | A framework for analyzing energy consumption in urban built-up areas based on single photonic radar and spatial big data | |
CN113343180B (zh) | 一种植被生态环境突变监测方法及其系统 | |
Hongtao et al. | Study on the Ecological Degradation of Lashihai Area based on Potential Vegetation | |
Novo et al. | Automated Structural Forest Changes Using LIDAR Point Clouds and GIS Analyses | |
Piersanti et al. | GIS-based procedure for evaluation of performances of the Italian atmospheric modelling system simulated data versus observed measurements | |
Pourmohammadi et al. | Mapping the Land Development Processes Using Data Transformation and Clustering Methods |
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 |