CN112798610A - 一种基于卫星遥感监测的“散乱污”企业分布识别方法 - Google Patents
一种基于卫星遥感监测的“散乱污”企业分布识别方法 Download PDFInfo
- Publication number
- CN112798610A CN112798610A CN202011592832.9A CN202011592832A CN112798610A CN 112798610 A CN112798610 A CN 112798610A CN 202011592832 A CN202011592832 A CN 202011592832A CN 112798610 A CN112798610 A CN 112798610A
- Authority
- CN
- China
- Prior art keywords
- atmospheric
- remote sensing
- pollution
- enterprise
- satellite remote
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了大气环境遥感监测领域的一种基于卫星遥感监测的“散乱污”企业分布识别方法,通过引入大气污染物遥感反演技术、大气污染高发指数模型计算、遥感特征库精细识别技术,以监测区域内大气污染企业,从而方便对区域内的“散乱污”企业进行管理,具有成本低、效率高的优点。
Description
技术领域
本发明涉及大气环境遥感监测技术领域,具体是一种基于卫星遥感监测的“散乱污”企业分布识别方法。
背景技术
近年来中国大气污染防治工作取得了明显成效,大气污染物排放总量持续下降,颗粒物等污染物浓度不断降低,重污染天数明显减少,但是京津冀及周边地区单位面积大气污染物排放量仍居高不下(为全国平均水平的3倍至5倍),其中,包括“散、乱、污”企业在内的中小型大气污染企业的无组织排放是不可忽视的重要原因。这些企业一般分布于农村与城乡结合部,情况复杂、变化较多,且位置较为隐蔽,排放时间和强度的随机性大,很难被环境执法部门发现,目前主要通过污染源在线监测和人工监管的手段实现,不但需要花费大量的人力和物力成本,而且很难做到全面、精准和及时,如何高效识别这些大气污染工业企业的分布,成为京津冀及周边地区大气污染企业监管和进一步实现大气污染防治目标的关键之举。因此,本发明提出一种基于卫星遥感监测的“散乱污”企业分布识别方法。
发明内容
本发明的目的在于提供一种基于卫星遥感监测的“散乱污”企业分布识别方法及方法,本发明通过引入大气污染物遥感反演技术、大气污染高发指数模型计算、遥感特征库精细识别技术,以监测区域内大气污染企业,从而方便对区域内的“散乱污”企业进行管理,具有成本低、效率高的优点。
为实现上述目的,本发明提供如下技术方案:一种基于卫星遥感监测的“散乱污”企业分布识别方法,一种基于卫星遥感监测的“散乱污”企业分布识别方法,其特征在于,包括以下步骤:
S1.接收卫星传输的卫星遥感数据,根据卫星遥感数据进行PM2.5、PM10、SO2、NO2、O3、HCHO等大气污染物浓度遥感反演;
S2.基于卫星遥感数据反演的大气污染物浓度,采用橡树岭大气质量指数模型来构建一种大气环境污染高发指数;
S3.对监测区域内大气环境污染高发指数分布进行网格化;
S4.在网格化的大气环境污染高发指数分布图上叠加高分辨率卫星影像,筛选出大气环境污染高发指数相对较高,且工业企业、城镇建设用地面积占比较大的网格作为重点关注网格;
S5.基于高分辨率卫星的遥感识别技术,提取重点关注网格内大气污染企业目标的几何、纹理、光谱特征;
S6.根据所述提取的特征与大气污染企业遥感特征库比对,实现“散乱污”企业的精细化识别。
优选的,构建橡树岭大气质量指数,所述大气环境污染高发指数为:
Ci代表任一项实测污染物的日平均浓度,Si代表该污染物的相应标准值,a、b为常系数,R为阈值,假定大气环境污染高发指数超过标准值时出现了大气污染,R取值为100。
优选的,所述提取重点关注网格内大气污染企业目标的几何、纹理、光谱特征包括:采用长宽提取算法提取相似光谱连接像素群的长度和宽度提取几何特征;采用局部二元模式算法提取纹理特征,采用Karhunen-Loeve(K-L)变换法提取光谱特征。
与现有技术相比,本发明的有益效果是:
1、本发明中,通过引入大气污染物遥感反演技术、大气污染高发指数模型计算、遥感特征库精细识别技术,以监测区域内大气污染企业,从而方便对区域内的“散乱污”企业进行管理,具有成本低、效率高的优点。
附图说明
图1为本发明基于卫星遥感监测的“散乱污”企业分布识别方法的流程示意图;
图2为本发明基于卫星遥感监测的“散乱污”企业分布识别方法的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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他实施例,都属于本发明保护的范围。
图1为本发明基于卫星遥感监测的“散乱污”企业分布识别方法的流程示意图,参照图1,该“散乱污”企业分布识别方法,包括:
S1、接收卫星传输的卫星遥感数据,根据卫星遥感数据进行PM2.5、PM10、SO2、NO2、O3、HCHO等大气污染物浓度遥感反演;
需要说明的是,步骤S1中的卫星遥感数据的获取途径不唯一,举例来说:对于PM2.5和PM10,采用暗目标和深蓝算法,将基于MODIS数据或其他卫星数据源反演的1公里气溶胶产品以及相对湿度、边界层高度等气象条件参数、地面观测数据作为输入参数,根据地理加权回归模型和权重函数进行反演;对于NO2和SO2,基于OMI卫星数据,采用DOAS(差分吸收光谱)反演方法进行反演;对于O3和HCHO,可利用紫外传感器EMI、OMI、TROPOMI等,采用光谱差分吸收反演方法进行反演。
S2、基于卫星遥感数据反演的大气污染物浓度,采用橡树岭大气质量指数模型来构建一种大气环境污染高发指数;
需要说明的是,大气环境污染高发指数就是为了识别所在重污区域的污染企业而建立的一种大气环境污染指数,它是一种反映区域特征污染物综合影响和大气污染严重程度的量化指标,因此,适于采用橡树岭大气质量指数方法来进行构建,这使通过基于卫星遥感的污染物浓度分布来识别大气污染高发区成为可能。
S3、对监测区域内大气环境污染高发指数分布进行网格化;
可理解的是,监测区域大气环境污染高发指数分布图网格化的大小并不唯一,如可以按照需求划分为1公里×1公里单元。
S4、在网格化的大气环境污染高发指数分布图上叠加高分辨率卫星影像,筛选出大气环境污染高发指数相对较高,且工业企业、城镇建设用地面积占比较大的网格作为重点关注网格;
可理解的是,重点关注网格具备大气环境污染高发指数相对较高且工业企业、城镇建设用地面积占比较大两个特点,首先需要确定监测区域内高分辨率卫星影像上各个网格内工业企业、城镇建设用地面积比例。
S5、基于高分辨率卫星的遥感识别技术,提取重点关注网格内大气污染企业目标的几何、纹理、光谱等特征;
需要说明的是,大气污染企业目标的几何特征可采用长宽提取算法(LengthWidth Extraction Algorithm,LWEA)提取相似光谱连接像素群的长度和宽度;纹理特征提取采用局部二元模式(Local Binary Pattern,LBP)算法,首先计算图像中每个像素与其局部领域点在灰度上的二值关系,然后对二值关系加权形成LBP码;光谱特征提取采用Karhunen-Loeve(K-L)变换法,通过K-L变换形成一个新的优化光谱特征空间,在获得互不相关的新特征的同时,采用大的特征值对应的特征向量组成变换矩阵,保留原模式中方差最大的特征成分,突出差异性的效果来实现的。
S6、根据所述提取的特征与大气污染企业遥感特征库比对,实现大气污染企业的精细化识别。
需要说明的是,大气污染企业遥感特征库的建立,是基于京津冀及周边地区中小污染企业相关的2000多处高分辨率遥感图像中提取出的各类典型污染企业的样本信息,然后在分析总结各类样本的几何、纹理、光谱等特征的基础上,整理建库。
综上所述:本发明针对京津冀及周边地区大气污染企业监管的迫切需要,提出了一种基于卫星遥感监测的“散乱污”企业分布识别方法的使用方法,基于大气环境遥感监测的大气污染高发指数模型,形成了集大气污染物遥感反演、大气污染高发指数计算、重点关注网格构建、基于遥感特征库的精细识别等技术为一体的“散乱污”企业分布遥感识别方法,疑似大气污染企业识别率可达80%以上,为高效、快捷实现“散乱污”大气污染企业监管提供了一种新的有效技术手段。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于卫星遥感监测的“散乱污”企业分布识别方法,其特征在于,包括以下步骤:
S1.接收卫星传输的卫星遥感数据,根据卫星遥感数据进行PM2.5、PM10、SO2、NO2、O3、HCHO等大气污染物浓度遥感反演;
S2.基于卫星遥感数据反演的大气污染物浓度,采用橡树岭大气质量指数模型来构建一种大气环境污染高发指数;
S3.对监测区域内大气环境污染高发指数分布进行网格化;
S4.在网格化的大气环境污染高发指数分布图上叠加高分辨率卫星影像,筛选出大气环境污染高发指数相对较高,且工业企业、城镇建设用地面积占比较大的网格作为重点关注网格;
S5.基于高分辨率卫星的遥感识别技术,提取重点关注网格内大气污染企业目标的几何、纹理、光谱特征;
S6.根据所述提取的特征与大气污染企业遥感特征库比对,实现“散乱污”企业的精细化识别。
3.根据权利要求1所述的方法,其特征在于:所述提取重点关注网格内大气污染企业目标的几何、纹理、光谱特征包括:采用长宽提取算法提取相似光谱连接像素群的长度和宽度提取几何特征;采用局部二元模式算法提取纹理特征,采用Karhunen-Loeve(K-L)变换法提取光谱特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011592832.9A CN112798610A (zh) | 2020-12-29 | 2020-12-29 | 一种基于卫星遥感监测的“散乱污”企业分布识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011592832.9A CN112798610A (zh) | 2020-12-29 | 2020-12-29 | 一种基于卫星遥感监测的“散乱污”企业分布识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112798610A true CN112798610A (zh) | 2021-05-14 |
Family
ID=75805508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011592832.9A Pending CN112798610A (zh) | 2020-12-29 | 2020-12-29 | 一种基于卫星遥感监测的“散乱污”企业分布识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112798610A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447623A (zh) * | 2021-09-02 | 2021-09-28 | 航天宏图信息技术股份有限公司 | 一种大气环境监测方法及系统 |
CN115080642A (zh) * | 2022-08-19 | 2022-09-20 | 北京英视睿达科技股份有限公司 | 企业集群识别方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2108940A2 (en) * | 2008-04-09 | 2009-10-14 | Rafael Advanced Defense Systems Ltd | A method for remote spectral analysis of gas plumes |
CN108170927A (zh) * | 2017-12-22 | 2018-06-15 | 深圳先进技术研究院 | 一种基于modis的pm2.5遥感反演方法 |
CN110954482A (zh) * | 2019-12-02 | 2020-04-03 | 生态环境部卫星环境应用中心 | 基于静止卫星和极轨卫星的大气污染网格化监控方法 |
CN111121862A (zh) * | 2019-09-29 | 2020-05-08 | 广西中遥空间信息技术有限公司 | 一种空天地一体化的大气环境监测系统及方法 |
-
2020
- 2020-12-29 CN CN202011592832.9A patent/CN112798610A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2108940A2 (en) * | 2008-04-09 | 2009-10-14 | Rafael Advanced Defense Systems Ltd | A method for remote spectral analysis of gas plumes |
CN108170927A (zh) * | 2017-12-22 | 2018-06-15 | 深圳先进技术研究院 | 一种基于modis的pm2.5遥感反演方法 |
CN111121862A (zh) * | 2019-09-29 | 2020-05-08 | 广西中遥空间信息技术有限公司 | 一种空天地一体化的大气环境监测系统及方法 |
CN110954482A (zh) * | 2019-12-02 | 2020-04-03 | 生态环境部卫星环境应用中心 | 基于静止卫星和极轨卫星的大气污染网格化监控方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447623A (zh) * | 2021-09-02 | 2021-09-28 | 航天宏图信息技术股份有限公司 | 一种大气环境监测方法及系统 |
CN115080642A (zh) * | 2022-08-19 | 2022-09-20 | 北京英视睿达科技股份有限公司 | 企业集群识别方法、装置、计算机设备及存储介质 |
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 | |
CN103218622B (zh) | 一种基于计算机视觉的雾霾监测方法 | |
CN112686531B (zh) | 一种结合卫星遥感与车载观测的大气污染企业识别方法 | |
Somvanshi et al. | Delhi air pollution modeling using remote sensing technique | |
CN112798610A (zh) | 一种基于卫星遥感监测的“散乱污”企业分布识别方法 | |
CN110727717B (zh) | 网格化大气污染强度的监控方法、装置、设备和存储介质 | |
WO2023168781A1 (zh) | 一种基于时空交互关系的土壤镉风险预测方法 | |
CN112288247B (zh) | 一种基于空间交互关系的土壤重金属风险识别方法 | |
CN113361309B (zh) | 基于中高分辨率遥感影像的城区多雾霾污染参数监测方法 | |
CN115452759A (zh) | 一种基于卫星遥感数据的河湖健康指标评价方法及系统 | |
CN110458147B (zh) | 人工智能云计算非应用感应器的液体气体污染排放监控方法 | |
CN112906941A (zh) | 面向动态相关空气质量时间序列的预测方法及系统 | |
CN117708617A (zh) | 基于多源大数据及污染特征时空匹配的大气污染溯源方法 | |
CN116824861A (zh) | 基于城市大脑平台多维数据的共享单车调度方法和系统 | |
Xia et al. | Rapid assessments of light-duty gasoline vehicle emissions using on-road remote sensing and machine learning | |
CN114418970A (zh) | 基于卫星遥感的雾霾分布与气溶胶光学厚度检测方法和装置 | |
Mohamad et al. | Application of the First Order of Markov Chain Model in Describing the PM10 Occurrences in Shah Alam and Jerantut, Malaysia. | |
Faisal et al. | Spatio-temporal analysis of nitrogen dioxide (NO2) from Sentinel-5P imageries using Google Earth Engine changes during the COVID-19 social restriction policy in jakarta | |
CN113688940A (zh) | 一种基于公开数据的疑似污染工业企业识别方法 | |
Kaiser et al. | Spectral enhancement of SPOT imagery data to assess marine pollution near Port Said, Egypt | |
CN115205230A (zh) | 一种基于新型注意力机制的混凝土桥梁表观裂缝识别方法 | |
Tian et al. | Improving NO2 prediction by integrating tree diversity, urban form, and scale sensitivity through mobile monitoring | |
Li | Use of LiDAR in Object-based Classification to Characterize Brownfields for Green Space Conversion in Toledo | |
Şahin et al. | The Role of Ecology on Urban Landscape: The Case of Antalya-Muratpaşa | |
Yuan | Urban expansion and its environmental impact analysis using high resolution remote sensing data: a case study in the Greater Mankato Area |
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 |