CN110849481A - 一种基于卫星红外扫描识别厂区结构变化的方法及装置 - Google Patents
一种基于卫星红外扫描识别厂区结构变化的方法及装置 Download PDFInfo
- Publication number
- CN110849481A CN110849481A CN202010034303.0A CN202010034303A CN110849481A CN 110849481 A CN110849481 A CN 110849481A CN 202010034303 A CN202010034303 A CN 202010034303A CN 110849481 A CN110849481 A CN 110849481A
- Authority
- CN
- China
- Prior art keywords
- area
- surface temperature
- temperature data
- factory
- high heat
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 13
- 238000005520 cutting process Methods 0.000 claims abstract description 10
- 238000003860 storage Methods 0.000 claims abstract description 4
- 238000010586 diagram Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 description 21
- 229910000831 Steel Inorganic materials 0.000 description 9
- 239000010959 steel Substances 0.000 description 9
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000005457 Black-body radiation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0066—Radiation pyrometry, e.g. infrared or optical thermometry for hot spots detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/28—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring areas
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本申请提供厂区结构变化识别方法、装置、电子设备及可读存储介质。所述方法包括：基于来自卫星数据中的热红外谱段，反演出目标区域的地表温度数据；基于所述地表温度数据，裁剪出厂区轮廓内的第一地表温度数据和以厂区为中心的周围环境轮廓内的第二地表温度数据；基于所述第二地表温度数据确定一个或多个温度阈值范围；基于所述第一地表温度数据确定所述厂区轮廓内在所述一个或多个温度阈值范围的区域面积；基于预设历史时间段的高热范围的区域面积和位置变化，识别所述厂区的结构变化。
Description
技术领域
本申请涉及能源技术领域，具体涉及厂区结构变化识别方法、装置、电子设备及可读存储介质。
背景技术
改革开放三十多年以来，中国渐进式的改革方式使其经济卓越快速增长。生产力的快速增长自然而然地驱动了生活水平的日益提高。中国作为一个发展中国家，目前正处于高速工业化和城市化的历程当中，工业化和城市化的发展需要耗费大量能源，因此高耗能行业成为我国工业的重要组成部分，为我国经济社会快速发展提供了必不可少的能源和动力。
但是高耗能行业形成巨大经济利益的同时，也带来了很多的负面影响，比如违规，违建，私自改变厂区结构等，长期以来，会形成很多安全隐患，容易引发重大的安全事故。
发明内容
本申请实施例提供厂区结构变化识别方法、装置及电子设备，利用对企业厂区相对高热区域的分布，对厂区结构变化进行识别。
根据本申请的第一个方面，提供一种厂区结构变化识别方法，包括：基于来自卫星数据中的热红外谱段，反演出目标区域的地表温度数据；基于所述地表温度数据，裁剪出厂区轮廓内的第一地表温度数据和以厂区为中心的周围环境轮廓内的第二地表温度数据；基于所述第二地表温度数据确定一个或多个温度阈值范围；基于所述第一地表温度数据确定所述厂区轮廓内在所述一个或多个温度阈值范围的区域面积；基于预设历史时间段的高热范围的区域面积和位置变化，识别所述厂区的结构变化。
根据一些实施例，所述基于所述地表温度数据，裁剪出厂区轮廓内的第一地表温度数据和以厂区为中心的周围环境轮廓内的第二地表温度数据之前，还包括：确定所述厂区轮廓和以厂区为中心的所述周围环境轮廓，其中，所述周围环境轮廓为以所述厂区为中心的预设边长的正方形。
根据一些实施例，所述基于来自卫星数据中的热红外谱段，反演出目标区域的地表温度数据，包括：基于来自卫星数据中的热红外谱段，采用大气校正法或单窗算法或劈窗算法反演出所述目标区域的地表温度数据。
根据一些实施例，基于所述第二地表温度数据确定不同的温度阈值范围，包括：对所述第二地表温度数据进行排序得到温度序列表；基于所述温度序列表确定一个或多个分位数温度；基于所述一个或多个分位数温度确定所述一个或多个温度阈值范围。
根据一些实施例，所述基于预设历史时间段的高热范围的区域面积和位置变化，识别所述厂区的结构变化，包括：确定所述一个或多个温度阈值范围的区域面积对应的热力图；基于所述热力图，确定所述厂区的高热面积占比及高热面积位置；基于预设历史时间段的所述高热面积占比及高热面积位置，识别所述厂区的结构变化。
根据本申请的第一个方面，提供一种厂区结构变化识别装置，包括温度反演模块、数据裁剪模块、温度阈值范围确定模块、区域面积确定模块、识别模块，所述温度反演模块基于来自卫星数据中的热红外谱段，反演出目标区域的地表温度数据；所述数据裁剪模块基于所述地表温度数据，裁剪出厂区轮廓内的第一地表温度数据和以厂区为中心的周围环境轮廓内的第二地表温度数据；所述温度阈值范围确定模块基于所述第二地表温度数据确定一个或多个温度阈值范围；所述区域面积确定模块基于所述第一地表温度数据确定所述厂区轮廓内在所述一个或多个温度阈值范围的区域面积；所述识别模块基于高热范围的区域面积和位置变化，识别所述厂区的结构变化。
根据一些实施例，所述装置还包括轮廓确定模块，所述轮廓确定模块确定所述厂区轮廓和以厂区为中心的所述周围环境轮廓。
根据一些实施例，所述温度阈值范围确定模块包括排序单元、分位数温度确定单元、温度阈值范围确定单元，所述排序单元对所述第二地表温度数据进行排序得到温度序列表；所述分位数温度确定单元基于所述温度序列表确定一个或多个分位数温度；所述温度阈值范围确定单元基于所述一个或多个分位数温度确定所述一个或多个温度阈值范围。
根据一些实施例，所述识别模块包括热力图确定单元、高热面积确定单元、识别单元，所述热力图确定单元确定所述一个或多个温度阈值范围的区域面积对应的热力图；所述高热面积确定单元基于所述热力图，确定所述厂区的高热面积占比及高热面积位置；所述识别单元基于预设历史时间段的所述高热面积占比及高热面积位置，识别所述厂区的结构变化。
根据本申请的第三个方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述所述的方法。
根据本申请的第四个方面，提供一种计算机可读存储介质，其上存储有计算机程序, 其中，当所述计算机程序被处理器执行时，使得所述处理器执行如上所述的方法。
本申请实施例提供的技术方案，利用遥感数据，分析企业厂区相对高热区域的分布，进而对厂区结构变化进行识别，实施监管，保障厂区的安全。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种厂区结构变化识别方法流程示意图。
图2是本申请一实施例提供的厂区轮廓示意图。
图3是本申请一实施例提供的预设时间段内高热面积占比数据示意图。
图4是本申请一实施例提供的一种厂区结构变化识别装置功能构成框图。
图5是本申请另一实施例提供的一种厂区结构变化识别装置功能构成框图。
图6是本申请一实施例提供的一种温度阈值范围确定模块功能构成框图。
图7是本申请一实施例提供的一种识别模块功能构成框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应当理解，本申请的权利要求、说明书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
中国作为一个发展中国家，目前正处于高速工业化和城市化的历程当中，工业化和城市化的发展需要耗费大量能源，因此高耗能行业成为我国工业的重要组成部分，为我国经济社会快速发展提供了必不可少的能源和动力。高耗能行业的工作增加值从2002年的36925.48亿元增加到2012年的148109.04亿元，增长了4.01倍，高出全国工业实际总产值增长速度56.3%，在许多省市高耗能产业已成为其主导产业和战略工业，行业上下游关联产业较多，在整个经济布局中占有举足轻重的地位。
但是高耗能行业形成巨大经济利益的同时，也隐含了大规模的资源消耗、废物排放以及产能重复能问题。随之而来的“高能耗、高物耗、高排放”，给生态环境和资源能源带来了巨大的压力。长期以来，我国经济的高速增长建立在能源大量消耗的基础上，冶金、火电、化工、建材等高耗能行业的能源消费占整个工业终端的65%以上，几乎消耗了全国能源消费总量的三分之二。高耗能行业能耗过高不仅加剧了煤电油运的紧张局势和资源环境压力，也影响了国民经济的健康平稳运行。
本申请将研究焦点集中在高能耗厂这一特殊功能区，对其热环境进行监测，研究小尺度区域热环境，并建立了适用于高能耗厂区，例如钢铁厂，地表温度监测的定量化指标作为代表性变量，并对高能耗厂区结构变化进行分析，实施监管，为城市高温区管理及国家去产能政策提供决策与支持，有益于增强遥感对城市环境监测的应用性。利用遥感数据提出新的厂区结构变化识别的技术方案，作为对现有技术方案的有效补充。
本申请提出的高能耗产业厂区结构变化识别的技术方案，利用厂区相对高热区域分布和地物识别对产业厂区结构变化进行监测。本申请考虑到，虽然通过高温度区域变化能看出厂区结构变化，但是每个季节的绝对温度差异也会很大，直接分析高温区域会受到季节天气背景温度的影响。所以这个新的方法会考虑周围的背景温度，以厂区为中心裁剪一个周围环境区域作为自然条件下的背景温度，来监测高能耗产业厂区结构变化。
图1是本申请一实施例提供的一种厂区结构变化识别方法流程示意图，示出厂区结构变化识别的过程。
参见图1，在S110中，基于来自卫星数据中的热红外谱段，反演出目标区域的地表温度数据。
根据一些实施例，获取厂区所在的目标地域的卫星数据。每个卫星数据都包括若干个谱段，由于分辨率的不同，谱段的个数和范围不同，携带的信息也不同。
从理论上讲，自然界任何高于热力学温度的物体都不断地向外发射具有一定能量的电磁波。其辐射能量的强度和波谱分布的位置是温度的函数。热力学温度又被称为绝对温度，是热力学和统计物理中的重要参数之一。一般所说的绝对零度对应零下273.15摄氏度。
根据一些实施例，根据卫星数据中的热红外谱段，采用大气校正法反演出目标区域的地表温度数据。由于地表温度不完全一致，所以会有多个地表温度。
需要指出的是，关于大气校正法，也就是通过辐射传输方程计算出黑体辐射强度，再通过普朗克黑体辐射方程计算各个地表温度。
可选地，也可以采用单窗算法或劈窗算法进行反演，并不以此为限。
参见图1，在S120中，基于地表温度数据，裁剪出厂区轮廓内的第一地表温度数据和周围环境轮廓内的第二地表温度数据。
根据一些实施例，首先根据地理信息确定厂区的轮廓。然后确定以厂区为中心的周围环境轮廓。具体而言，周围环境轮廓以厂区为中心包括厂区在内的预设边长的正方形。但并不以此为限。
可选地，外轮廓的确定方法较多，可以为以厂区为中心的边长为n公里的正方形，如图2所示，图2是本申请一实施例提供的厂区轮廓示意图，该厂区轮廓已在图2中框出。也可以以厂区为中心的预设半径为n公里的圆形。并不以此为限。
根据一些实施例，在反演的地表温度数据上按坐标裁剪出厂区轮廓内的第一区域和周围环境轮廓与厂区轮廓之间的第二区域，获得第一区域对应的第一地表温度数据和第二区域对应的第二地表温度数据。
参见图1，在S130中，基于第二地表温度数据确定一个或多个温度阈值范围。
根据一些实施例，对周围环境轮廓内的第二地表温度数据进行排序得到温度序列表。例如反演得出周围环境轮廓内的10个第二地表温度，分别为20度、21度、26度、16度、27度、25度、24度、22度、28度、19度，那么对多个温度进行降序排序得到温度序列表为：28度、27度、26度、25度、24度、22度、21度、20度、19度、16度。
根据一些实施例，基于温度序列表确定一个或多个分位数温度。例如，获得温度序列表的90%分位数温度为27度，温度序列表的80%分位数温度为26度，依此类推。
进一步地，基于一个或多个分位数温度确定一个或多个温度阈值范围。由此，可以确定多个温度阈值范围：大于90%分位数，即大于27度的温度阈值范围。在90%-80%分位数之间，即在27度-26度之间的温度阈值范围等等。
参见图1，在S140中，基于第一地表温度数据确定厂区轮廓内在一个或多个温度阈值范围的区域面积。
根据一些实施例，首先确定厂区轮廓内的多个第一地表温度对应的不同的温度阈值范围。例如厂区轮廓内的多个地表温度为35度、38度、42度、45度、22度、24度。35度、38度、42度、45度都对应温度阈值范围为大于90%分位数的温度，即大于27度。22度对应温度阈值范围为60%-50%分位数的温度，即在24度-22度之间。24度对应温度阈值范围为70%-60%分位数的温度，即在25度-24度之间。进一步地，确定各个温度阈值范围的区域面积。
参见图1，在S150中，基于预设历史时间段的高热范围的区域面积和位置变化，识别厂区的结构变化。
根据一些实施例，基于各个温度阈值范围的区域面积，计算高热面积占总面积的比例及高热面积位置。高热面积是预设的温度阈值范围，例如大于90%分位数的温度。这时，在如上例子中，大于27度的温度即认为是高热温度。计算所有属于高热温度的区域面积占总面积的比例，即高热面积占比和高热面积位置。与预设历史时间段的高热面积占比及高热面积位置相比，高热面积占比越高，代表厂区高产能的生产区域面积越大。而高热面积的位置变化，直观的反映了厂区结构变化。
可选地，可以采用预设历史时间段内的厂区的高热面积占比数据直观的识别厂区的结构变化，如图3所示，图3是本申请一实施例提供的预设时间段内高热面积占比数据示意图。
具体而言，确定一个或多个温度阈值范围的区域面积对应的热力图，不同的温度阈值范围采用的颜色不同。根据热力图，可以确定大于27度的厂区内地表温度的面积，可以确定在25度-24度之间的厂区内地表温度的面积，可以确定在24度-22度之间的厂区内地表温度的面积。然后基于热力图计算厂区的高热面积占比及高热面积位置。与预设历史时间段的高热面积占比及高热面积位置相比，以识别厂区结构变化。
根据本实施例提供的技术方案，利用遥感数据，分析企业厂区相对高热区域的分布，进而对厂区结构变化进行分析，可以对高能耗企业进行把控。
以唐山新宝泰钢铁有限公司钢铁厂为例，采用上述厂区结构变化识别方法监测到，2018年12月钢铁厂的高热面积占比为0.11，用电量为130892905.2度；2019年1月钢铁厂的高热面积占比为0.32，用电量为329787853.1度。可见，高热面积占比和位置变化比较真实的反映了产能，反映了厂区结构变化。
如图3所示，以时间为轴，反映了2014年至2018年间的唐山新宝泰钢铁有限公司钢铁厂的高热面积占比曲线。根据曲线和热力图示意图，可以识别钢铁厂的结构变化。
本申请实施例提供的技术方案，利用遥感数据，分析企业厂区相对高热区域的分布，进而对厂区结构变化进行识别，实施监管，保障厂区的安全。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。
厂区结构变化识别方法可以应用于一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当程序被处理器执行时，使得处理器执行如上所述的方法。
图4是本申请一实施例提供的一种厂区结构变化识别装置功能构成框图。
参见图4，厂区结构变化识别装置包括温度反演模块10、数据裁剪模块20、温度阈值范围确定模块30、区域面积确定模块40、识别模块50。
根据一些实施例，温度反演模块10基于来自卫星数据中的热红外谱段，反演出目标区域的地表温度数据。数据裁剪模块20基于地表温度数据，裁剪出厂区轮廓内的第一地表温度数据和以厂区为中心的周围环境轮廓内的第二地表温度数据。温度阈值范围确定模块30基于第二地表温度数据确定一个或多个温度阈值范围。区域面积确定模块40基于第一地表温度数据确定厂区轮廓内在一个或多个温度阈值范围的区域面积。识别模块50基于预设历史时间段的高热范围的区域面积和位置变化，识别厂区的结构变化。
图5是本申请另一实施例提供的一种厂区结构变化识别装置功能构成框图。
参见图5，厂区结构变化识别装置包括温度反演模块10、轮廓确定模块60、数据裁剪模块20、温度阈值范围确定模块30、区域面积确定模块40、识别模块50。
根据一些实施例，温度反演模块10基于来自卫星数据中的热红外谱段，反演出目标区域的地表温度数据。轮廓确定模块60确定厂区轮廓和以厂区为中心的周围环境轮廓。数据裁剪模块20基于地表温度数据，裁剪出厂区轮廓内的第一地表温度数据和以厂区为中心的周围环境轮廓内的第二地表温度数据。温度阈值范围确定模块30基于第二地表温度数据确定一个或多个温度阈值范围。区域面积确定模块40基于第一地表温度数据确定厂区轮廓内在一个或多个温度阈值范围的区域面积。识别模块50基于预设历史时间段的高热范围的区域面积和位置变化，识别厂区的结构变化。
图6是本申请一实施例提供的一种温度阈值范围确定模块功能构成框图。
如图6所示，温度阈值范围确定模块30包括排序单元31、分位数温度确定单元32、温度阈值范围确定单元33。
排序单元31对第二地表温度数据进行排序得到温度序列表。分位数温度确定单元32基于温度序列表确定一个或多个分位数温度。温度阈值范围确定单元33基于一个或多个分位数温度确定一个或多个温度阈值范围。
图7是本申请一实施例提供的一种识别模块模块功能构成框图。
如图7所示，识别模块50包括热力图确定单元51、高热面积确定单元52、识别单元53。
热力图确定单元51确定一个或多个温度阈值范围的区域面积对应的热力图。高热面积确定单元52基于热力图，确定厂区的高热面积占比及高热面积位置。识别单元53基于预设历史时间段的高热面积占比及高热面积位置，识别厂区的结构变化。
应该理解，上述的装置实施例仅是示意性的，本申请的装置还可通过其它的方式实现。例如，上述实施例中所述单元/模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如，多个单元、模块或组件可以结合，或者可以集成到另一个系统，或一些特征可以忽略或不执行。
所述集成的单元/模块如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明仅用于帮助理解本申请的方法及其核心思想。同时，本领域技术人员依据本申请的思想，基于本申请的具体实施方式及应用范围上做出的改变或变形之处，都属于本申请保护的范围。综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于卫星红外扫描识别厂区结构变化的方法，其特征在于，包括：
基于来自卫星数据中的热红外谱段，反演出目标区域的地表温度数据；
基于所述地表温度数据，裁剪出厂区轮廓内的第一地表温度数据和以厂区为中心的周围环境轮廓内的第二地表温度数据；
基于所述第二地表温度数据确定一个或多个温度阈值范围；
基于所述第一地表温度数据确定所述厂区轮廓内在所述一个或多个温度阈值范围的区域面积；
基于预设历史时间段的高热范围的区域面积和位置变化，识别所述厂区的结构变化。
2.根据权利要求1所述的方法，其特征在于，所述基于所述地表温度数据，裁剪出厂区轮廓内的第一地表温度数据和以厂区为中心的周围环境轮廓内的第二地表温度数据之前，还包括：
确定所述厂区轮廓和以厂区为中心的所述周围环境轮廓，其中，所述周围环境轮廓为以所述厂区为中心的预设边长的正方形。
3.根据权利要求1或2所述的方法，其特征在于，所述基于来自卫星数据中的热红外谱段，反演出目标区域的地表温度数据，包括：
基于来自卫星数据中的热红外谱段，采用大气校正法或单窗算法或劈窗算法反演出所述目标区域的地表温度数据。
4.根据权利要求3所述的方法，其特征在于，基于所述第二地表温度数据确定不同的温度阈值范围，包括：
对所述第二地表温度数据进行排序得到温度序列表；
基于所述温度序列表确定一个或多个分位数温度；
基于所述一个或多个分位数温度确定所述一个或多个温度阈值范围。
5.根据权利要求4所述的方法，其特征在于，所述基于预设历史时间段的高热范围的区域面积和位置变化，识别所述厂区的结构变化，包括：
确定所述一个或多个温度阈值范围的区域面积对应的热力图；
基于所述热力图，确定所述厂区的高热面积占比及高热面积位置；
基于预设历史时间段的所述高热面积占比及高热面积位置，识别所述厂区的结构变化。
6.一种厂区结构变化识别装置，其特征在于，包括：
温度反演模块，基于来自卫星数据中的热红外谱段，反演出目标区域的地表温度数据；
数据裁剪模块，基于所述地表温度数据，裁剪出厂区轮廓内的第一地表温度数据和以厂区为中心的周围环境轮廓内的第二地表温度数据；
温度阈值范围确定模块，基于所述第二地表温度数据确定一个或多个温度阈值范围；
区域面积确定模块，基于所述第一地表温度数据确定所述厂区轮廓内在所述一个或多个温度阈值范围的区域面积；
识别模块，基于高热范围的区域面积和位置变化，识别所述厂区的结构变化。
7.根据权利要求6所述的装置，其特征在于，还包括：
轮廓确定模块，确定所述厂区轮廓和以厂区为中心的所述周围环境轮廓。
8.根据权利要求6所述的装置，其特征在于，所述温度阈值范围确定模块包括：
排序单元，对所述第二地表温度数据进行排序得到温度序列表；
分位数温度确定单元，基于所述温度序列表确定一个或多个分位数温度；
温度阈值范围确定单元，基于所述一个或多个分位数温度确定所述一个或多个温度阈值范围；
所述识别模块包括：
热力图确定单元，确定所述一个或多个温度阈值范围的区域面积对应的热力图；
高热面积确定单元，基于所述热力图，确定所述厂区的高热面积占比及高热面积位置；
识别单元，基于预设历史时间段的所述高热面积占比及高热面积位置，识别所述厂区的结构变化。
9.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，当所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至权利要求5之任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序, 其特征在于，当所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至权利要求5之任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010034303.0A CN110849481B (zh) | 2020-01-14 | 2020-01-14 | 一种基于卫星红外扫描识别厂区结构变化的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010034303.0A CN110849481B (zh) | 2020-01-14 | 2020-01-14 | 一种基于卫星红外扫描识别厂区结构变化的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110849481A true CN110849481A (zh) | 2020-02-28 |
| CN110849481B CN110849481B (zh) | 2020-07-21 |
Family
ID=69610687
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010034303.0A Active CN110849481B (zh) | 2020-01-14 | 2020-01-14 | 一种基于卫星红外扫描识别厂区结构变化的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110849481B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5743642A (en) * | 1996-06-24 | 1998-04-28 | Fons; Lloyd C. | Method for compensating earth surface temperatures for the skyward effect thereon |
| CN103675234A (zh) * | 2013-12-11 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | 基于地表温度与植被指数特征空间的干旱指数快速监测方法 |
| CN109101955A (zh) * | 2018-09-12 | 2018-12-28 | 北京英视睿达科技有限公司 | 基于多源卫星遥感数据的工业热异常区域识别方法 |
| CN109211960A (zh) * | 2018-08-10 | 2019-01-15 | 北京师范大学 | 一种密集城市建筑场景热辐射方向性强度计算方法 |
| CN109506809A (zh) * | 2018-11-19 | 2019-03-22 | 北京英视睿达科技有限公司 | 基于地表温度确定大气污染热点网格的方法及装置 |
-
2020
- 2020-01-14 CN CN202010034303.0A patent/CN110849481B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5743642A (en) * | 1996-06-24 | 1998-04-28 | Fons; Lloyd C. | Method for compensating earth surface temperatures for the skyward effect thereon |
| CN103675234A (zh) * | 2013-12-11 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | 基于地表温度与植被指数特征空间的干旱指数快速监测方法 |
| CN109211960A (zh) * | 2018-08-10 | 2019-01-15 | 北京师范大学 | 一种密集城市建筑场景热辐射方向性强度计算方法 |
| CN109101955A (zh) * | 2018-09-12 | 2018-12-28 | 北京英视睿达科技有限公司 | 基于多源卫星遥感数据的工业热异常区域识别方法 |
| CN109506809A (zh) * | 2018-11-19 | 2019-03-22 | 北京英视睿达科技有限公司 | 基于地表温度确定大气污染热点网格的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110849481B (zh) | 2020-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112085241B (zh) | 一种基于机器学习的环境大数据分析和决策平台 | |
| Sun | Research on the influencing factors of reverse logistics carbon footprint under sustainable development | |
| Zeng et al. | Characteristics and Trends of household carbon emissions research from 1993 to 2019: A bibliometric analysis and its implications | |
| Cakiroglu et al. | Data-driven interpretable ensemble learning methods for the prediction of wind turbine power incorporating SHAP analysis | |
| Shi et al. | How has the efficiency of China's green development evolved? An improved non-radial directional distance function measurement | |
| Abdel-Hadi et al. | Study of energy saving analysis for different industries | |
| Singh et al. | Six Sigma methodology and implementation in Indian context: a review-based study | |
| CN110849481B (zh) | 一种基于卫星红外扫描识别厂区结构变化的方法及装置 | |
| CN109272236A (zh) | 能值转换式的工业生态效率定量法 | |
| Jeong et al. | A data-driven approach for establishing a CO2 emission benchmark for a multi-family housing complex using data mining techniques | |
| Fan et al. | Research on the spatiotemporal characteristics of RECC in resource-based cities based on the EWM-CPM: A case study of Sichuan Province, China | |
| Bray et al. | Characteristics of long-track tropopause polar vortices | |
| Ullah et al. | Addressing the impact of land use land cover changes on land surface temperature using machine learning algorithms | |
| try Hariani et al. | Determinants of Carbon Emissions in 10 ASEAN Countries | |
| de la Flor et al. | AHP algorithm used to select suitable abandoned underground mines for energy storage infrastructure–iCAES technology. A specific case study for León (Spain) | |
| Zhao et al. | Mapping out the regional low-carbon and economic biomass supply chain by aligning geographic information systems and life cycle assessment models | |
| Li et al. | Hourly global solar radiation prediction based on seasonal and stochastic feature | |
| Ding et al. | Ecological disturbance effects of surface vegetation during coal mining in arid regions of Western China | |
| Askr et al. | Prediction of Climate Change Impact Based on Air Flight CO2 Emissions Using Machine Learning: Towards Green Air Flights | |
| Mirzaee et al. | Sensitivity analysis of technical and economic parameters for natural gas management in enhanced oil recovery projects | |
| Castañeda et al. | AHP algorithm used to select suitable abandoned underground mines for energy storage infrastructure–iCAES technology. A specific case study for León (Spain) | |
| Früchtl et al. | A comprehensive and interdisciplinary perspective on sustainable manufacturing towards sustainable life cycles | |
| Peiro-Signes et al. | Looking for determinants of the environmental concern at the hospitality industry | |
| Arsita et al. | Analysis of the potential of base and non-base sectors in Blora regency: location quotient, shift-share and klassen typology methods | |
| Viacaba et al. | Natural gas price forecasting via selective support vector regression |
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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 100070 6th floor, Huaxia happiness innovation center, Fengtai Science Park, Fengtai District, Beijing Patentee after: Beijing Yingshi Ruida Technology Co.,Ltd. Address before: 100070 6th floor, Huaxia happiness innovation center, Fengtai Science Park, Fengtai District, Beijing Patentee before: BEIJING INSIGHTS VALUE TECHNOLOGY Co.,Ltd. |
|
| CP02 | Change in the address of a patent holder | ||
| CP02 | Change in the address of a patent holder |
Address after: 100071 Beijing Fengtai Auto Museum West Road No. 8 Courtyard 1 Building 6 Floor 606 Patentee after: Beijing Yingshi Ruida Technology Co.,Ltd. Address before: 100070 6th floor, Huaxia happiness innovation center, Fengtai Science Park, Fengtai District, Beijing Patentee before: Beijing Yingshi Ruida Technology Co.,Ltd. |