CN115661682A - 一种工业热源对象的自动化提取方法及提取装置 - Google Patents

Abstract

本发明公开了一种工业热源对象的自动化提取方法及提取装置，该方法解决因生物质焚烧、噪声等导致的工业目标错分问题，并获取其矢量边界，克服传统调查统计方式进行工业目标信息提取的局限性；该方法中首先获取高温热异常点遥感数据，其次基于工业热异常点空间聚集度较高的特征，使用OPTICS算法进行聚类，剔除密度较小的生物质焚烧火点和噪声点；然后依据高温工业目标区别于其他热源的特征，使用SVM模型，选取亮温、热异常点起止时间、工作天数和热异常点数量与工作天数的比值等作为特征参数，对聚类结果进行分类；最后计算外包络线，由于工业热辐射的扩散性，对其做200m缓冲区，即可获取最终的高温工业目标矢量数据。

Description

一种工业热源对象的自动化提取方法及提取装置

技术领域

本发明涉及工业热源的分析筛选方案，具体涉及一种工业热源对象的自动化提取方法及提取装置。

背景技术

遥感在大尺度空间范围内的信息提取方面具有强大的优势，如短周期观测、覆盖范围广、空间分辨率及尺度信息丰富、光谱信息量多等。因此，基于卫星遥感数据，对高温工业目标进行自动识别，精准提取大型厂矿等具有较高污染排放风险的固定对象，有利于动态监测工业生产活动状态，对严格执行重污染应急减排具有重要意义。

目前获取工业目标对象的方法主要包括两种，一是基于调查统计数据的工业对象分布研究，主要包括城市统计年鉴和城市面板数据，该类数据更新缓慢，存在较大的数据空白期，并且空间尺度较大，缺乏精确的空间位置信息，难以满足对工业空间结构进行精细化分析的需求。二是基于遥感数据的工业对象空间格局研究，主要包括目视解译法和遥感指数法。工业目标对象在多光谱遥感卫星影像上特征较为明显且易分辨，采用人工目视解译方法，手动勾绘外边界，是获取工业目标对象矢量的常规方法，但因为人工解译缺乏温度参考信息，无法判断是否为热异常点，同时勾绘工作量相对较大、空间分布较为分散的情况下，目视识别效率较低，容易有遗漏，不同的专业人员容易造成边界界定不统一，存在标准不一导致的工业边界错判误差；此外，由于工业上热源使用的普遍性，通过遥感技术监测工业生产活动中释放的热辐射成为识别工业目标对象的新思路，如构建指数法、聚类法、面向对象法等，但仍存在无法有效区分工业热异常点与生物质焚烧火点，以及尚未有自动提取工业目标对象边界的研究。

基于上述问题，本发明人对工业热源的判断筛选方法做了深入分析，以期待设计出一种能够解决上述问题的工业热源对象的自动化提取方法及提取装置。

发明内容

为了克服上述问题，本发明人进行了锐意研究，设计出一种工业热源对象的自动化提取方法及提取装置，该方法解决因生物质焚烧、噪声等导致的工业目标错分问题，并获取其矢量边界，克服传统调查统计方式进行工业目标信息提取的局限性；该方法中首先获取高温热异常点遥感数据，其次基于工业热异常点空间聚集度较高的特征，使用OPTICS算法进行聚类，剔除密度较小的生物质焚烧火点和噪声点；然后依据高温工业目标区别于其他热源的特征，使用支持向量机模型，即SVM模型，选取亮温、热异常点起止时间、工作天数和热异常点数量与工作天数的比值等作为特征参数，对聚类结果进行分类；最后计算外包络线，由于工业热辐射的扩散性，对其做200m缓冲区，即可获取最终的高温工业目标矢量数据，从而完成本发明。

具体来说，本发明的目的在于提供种工业热源对象的自动化提取方法，该方法包括：

S1、根据卫星遥感监测，获取目标区域的遥感热异常点数据；

S2、通过OPTICS聚类方法获得空间分布密度较高的高温热异常点；

S3、根据最佳聚类半径，对目标区域进行网格划分；

S4、逐网格统计高温热异常点的特征参数；

S5、通过SVM分类模型处理S4获得的所述高温热异常点；

S6、生成高温工业目标的外包络线，获得高温工业目标的矢量边界。

其中，所述卫星遥感监测包括利用极轨卫星遥感在中红外4μm波段和热红外11μm波段的多光谱监测。

其中，S2中具体包括如下步骤：

步骤2-1，调取S1获得的遥感热异常点数据组成数据样本库，初始化数据样本库中所有点的可达距离和核心距离都为MAX，半径ε取值为750 m，最少点数MinPts的取值为8个；

步骤2-2，建立有序队列和结果队列，其中，有序队列用于存储核心点及该核心点的直接密度可达点，结果队列用于存储样本输出及处理次序；

步骤2-3，从数据样本库中选择一个未被处理的点，标记为已处理，计算与该点距离小于ε的样本集合，若该样本集合中的点数小于MinPts，则跳过，继续遍历下一个点；若该样本集合中的点数大于或等于MinPts，则认为该点为核心点，将其放入结果队列中，将该核心点的密度可达点按照升序排列放入有序队列中；

步骤2-4，从有序队列中取出第一个点，若该点已经在结果队列中，则跳过；若该点不在结果队列，则将该点存入结果队列，并判断该点是否为核心点，若是核心点，则找到该点的所有直接密度可达点，并将这些点放入有序队列，对于已经在有序队列中的点，将其可达距离更新为新的可达距离较小的值；最后将有序队列中的点按照新的可达距离重新排序；

步骤2-5，重复执行步骤2-4，直至有序队列为空，当该OPTICS聚类方法结束时，结果队列中的点为所述空间分布密度较高的高温热异常点。

其中，以最佳聚类半径ε为网格边长值，将目标区域中划分为多个边长为ε*ε的正方形网格。

其中，所述S4具体包括如下步骤：

步骤4-1，将S2获得的高温热异常点数据空间链接至S3获得的网格中；

步骤4-2，统计每个火点在所属网格中的起止时间和工作天数，并统计各个网格中的火点数量；

步骤4-3，将每个火点所属网格信息，包括火点数量，起止时间和工作天数与每个网格中包含的高温热异常点链接。

其中，所述S5具体包括如下步骤：

步骤5-1，选取高温热异常点的特征参数，所述特征参数包括高温热异常点的亮温，高温热异常点所在网格中火点的起止时间、工作天数，高温热异常点所在网格中火点数量与工作天数的比值；

步骤5-2，将所述高温热异常点及其特征参数输入到SVM分类模型中，从而获得高温工业目标。

其中，在S6中，在所述外包络线外部，以200m为半径做热异常缓冲区，该缓冲区的外轮廓即为高温工业目标的矢量边界。

其中，该方法还包括S7，统计分析：

分析高温工业目标及工业热异常点的数量及空间变化趋势。

本申请还提供一种工业热源对象的自动化提取装置，

该装置用于执行上文所述的工业热源对象的自动化提取方法。

本发明所具有的有益效果包括：

（1）根据本发明提供的工业热源对象的自动化提取方法及提取装置，该方法中采用“聚类+机器学习”的方式自动化提取高温工业目标，减少了常规人工判别勾绘带来的误差不确定、遗漏以及耗时、费力等缺点，进一步提高了高温工业目标空间分布的准确性及全面性，该方法的普适性有利于获得时间序列的高温工业目标，方便统计分析；

（2）根据本发明提供的工业热源对象的自动化提取方法及提取装置，利用OPTICS聚类方法初步提取目标对象，在此基础上引入轮廓系数，判断聚类结果的优劣，避免人为主观因素对聚类结果的影响；

（3）根据本发明提供的工业热源对象的自动化提取方法及提取装置，引入支持向量机模型，选取高温工业目标区别于其他高温对象的特征参数，进一步剔除候选数据中存在的生物质焚烧火点和噪声点；

（4）根据本发明提供的工业热源对象的自动化提取方法及提取装置，获取高温目标火点的外包络线，并以200m为半径做缓冲区，生成矢量边界，实现高温工业目标快速定位。

附图说明

图1示出根据本发明一种优选实施方式的工业热源对象的自动化提取方法的逻辑结构示意图；

图2示出实施例中原始热异常点的分布示意图；

图3示出实施例中通过OPTICS聚类方法获得的高温热异常点分布示意图；

图4示出实施例中通过SVM分类模型获得的高温热异常点分布示意图；

图5示出实施例中最终获得的高温工业目标的矢量边界分布示意图；

图6示出对比例中目视解译得到的邯郸市的工业热源对象提取结果示意图；

图7示出实施例中得到的邯郸市的工业热源对象提取结果示意图；

图8示出图6和图7中工业热源对象的对比示意图。

具体实施方式

下面通过附图和实施例对本发明进一步详细说明。通过这些说明，本发明的特点和优点将变得更为清楚明确。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

根据本发明提供的一种工业热源对象的自动化提取方法，该方法包括：

S1、根据卫星遥感监测，获取目标区域的遥感热异常点数据；

优选地，所述卫星遥感监测包括利用极轨卫星遥感在中红外4μm波段和热红外11μm波段的多光谱监测，获得监测数据；本申请中，所述热异常点数据是根据高温目标在4μm波段和11μm波段的特性，从遥感影像中提取出来的。

优选地，在调取获得多光谱监测数据后，通过待检测区域矢量边界对原始热异常点数据进行裁剪，进而获取目标区域的遥感热异常点数据。

本申请中，在S1中调取目标区域的如一年等连续一段时间的卫星遥感多光谱监测数并获得热异常点；

S2、通过OPTICS聚类方法获得空间分布密度较高的高温热异常点；

所述高温热异常点是通过OPTICS聚类方法获得的新的信息点，该信息点表征该点附近存在一定数量的遥感热异常点。

所述OPTICS 算法是在DBSCAN的基础上改进的算法，降低了距离阈值的敏感性，可以发现具有不同密度的簇。

优选地，S2中具体包括如下步骤：

步骤2-1，调取S1获得的遥感热异常点数据组成数据样本库，初始化数据样本库中所有点的可达距离和核心距离都为MAX，半径ε取值为750 m，最少点数MinPts的取值为8个；

步骤2-2，建立有序队列和结果队列，其中，有序队列用于存储核心点及该核心点的直接密度可达点，结果队列用于存储样本输出及处理次序；

步骤2-3，从数据样本库中选择一个未被处理的点，标记为已处理，计算与该点距离小于ε的样本集合，若该样本集合中的点数小于MinPts，则跳过，继续遍历下一个点；若该样本集合中的点数大于或等于MinPts，则认为该点为核心点，将其放入结果队列中，将该核心点的密度可达点按照升序排列放入有序队列中；

步骤2-4，从有序队列中取出第一个点，若该点已经在结果队列中，则跳过；若该点不在结果队列，则将该点存入结果队列，并判断该点是否为核心点，若是核心点，则找到该点的所有直接密度可达点，并将这些点放入有序队列，对于已经在有序队列中的点，将其可达距离更新为新的可达距离较小的值；最后将有序队列中的点按照新的可达距离重新排序；

步骤2-5，重复执行步骤2-4，直至有序队列为空，当该OPTICS聚类方法结束时，结果队列中的点为所述空间分布密度较高的高温热异常点。

本申请中，所述OPTICS聚类方法结束的条件是在数据样本库中的数据都被处理过。

核心点：半径ε范围内超过Minpts个邻居的点，核心点范围内的其他点称为核心点的邻居点。

直接可达：核心点直接可达至邻居点。

密度可达：a直接可达至b，b直接可达至c...d直接可达至f，称为a密度可达至f，可以称a密度可达至c；

直接密度可达：对于样本集合D，如果样本点q在p的Ε邻域内，并且p为核心对象，那么对象q从对象p直接密度可达。

可达距离：核心点p0与其邻居点p1的真实距离d(p0,p1)。

优选地，为了合理准确地获得OPTICS聚类方法中半径ε取值和最少点数MinPts的取值，本申请中通过引入轮廓系数来进行辅助判断，最终结果显示最优聚类结果的阈值为半径ε：750 m，最少点数MinPts：8个。

本申请中，由于工业热源点存在于企业内部，一家企业中可能存在多处热源点，因此导致局部区域内热源点密度较高，而生物质焚烧火点与耕地分布有关，一般来讲较为分散，噪声点是由于算法本身产生，属于随机误差，分布不可能很密集。本申请中设置S2的作用主要是提取密度较高的工业热源点，去除密度较低的生物质焚烧火点和噪声点，便于后续工业热源矢量边界的提取。

S3、根据最佳聚类半径，对目标区域进行网格划分；

其中，以最佳聚类半径ε为网格边长值，将目标区域中划分为多个边长为ε*ε的正方形网格。本申请OPTICS算法的半径ε用于区分核心点和噪声点，考虑到原始热异常点数据为像元中心点，所以将目标区域设置为ε*ε大小，能够提高聚类划分的准确性，进而提高对工业热源识别的准确性。

S4、逐网格统计高温热异常点的特征参数；

所述S4具体包括如下步骤：

步骤4-1，将S2获得的高温热异常点数据空间链接至S3获得的网格中；

步骤4-2，统计每个火点在所属网格中的起止时间和工作天数，并统计各个网格中的火点数量；所述火点是经过聚类处理后的S1火点，即上述S2获得的高温热异常点。

步骤4-3，将每个火点所属网格信息，包括火点数量，起止时间和工作天数与每个网格中包含的高温热异常点链接。

本申请中一般选取一整年的热异常点数据，经过前述步骤处理后，逐网格统计火点数量、起止时间和工作天数，再将网格火点数量、起止时间和工作天数等属性链接至聚类后的高温热异常点，便于计算后续SVM分类所需的特征参数。所述起止时间指一年当中该网格中包含火点的最早和最晚出现时间；所述工作天数指该网格中包含火点在不同日期出现的次数。

S5、通过SVM分类模型处理S4获得的所述高温热异常点；

从大尺度角度看，即使是稀疏分布的生物质燃烧依然是聚集的，尤其是人为引发的生物质燃烧可能呈现比工业热源更密集的空间聚集，因此会不可避免地导致大量生物质燃烧类的夜间热源对象混杂在S2及S4获得的高温热异常点数据中，基于此，需要科学合理并且高效地消除生物质燃烧产生热源的干扰。

所述S5具体包括如下步骤：

步骤5-1，选取高温热异常点的特征参数，所述特征参数包括高温热异常点的亮温，高温热异常点所在网格中火点的起止时间、工作天数，高温热异常点所在网格中火点数量与工作天数的比值；

步骤5-2，将所述高温热异常点及其特征参数输入到SVM分类模型中，从而获得高温工业目标。

所述高温热异常点的亮温是指该点在热红外波段的亮温，由于高温工业目标在热红外波段的亮温与其他物体具有显著差异，从而通过将该特征值作为特征参数，能够提高高温工业目标的区分效率和准确性；

由于工业目标通常为连续运行状态，在较长时间段内可被持续监测到，而生物质焚烧等则具有明显的季节性，所以将高温热异常点所在网格中火点的起止时间、工作天数作为特征参数能够提高生物质焚烧目标的区分效率和准确性；

由于高温工业目标发热点较多，且位置随时间变化可能性较低，相比生物质焚烧火点，日检出频次和数量均较高；所以将高温热异常点所在网格中火点数量与工作天数的比值作为特征参数能够提高高温工业目标的区分效率和准确性。

所述SVM分类模型是预先训练好的，其通过高温热异常点及其特征参数作为样本进行训练，通过训练获得最优模型，进而将该最优模型作为S5中用的SVM分类模型。

S6、生成高温工业目标的外包络线，获得高温工业目标的矢量边界；

优选地，根据极轨卫星获得的高温工业目标的位置坐标生成其外包络线，在所述外包络线外部，以200m为半径做热异常缓冲区，该缓冲区的外轮廓即为高温工业目标的矢量边界。

本申请中考虑到工业热辐射的扩散性和空间位置的误差，设置200米缓冲区，从而提升对于工业热源识别的准确性，避免遗漏工业热源。

该方法还任选地包括S7，即，S7、统计分析。

对提取结果进行统计分析，分析高温工业目标及工业热异常点的数量及空间变化趋势。统计分析的地域范围包括企业至全国尺度，针对同一位置的高温工业目标可根据需求进行不同时间长度的分析，通过该统计分析便于了解大尺度内工业热源的空间分布密度和区域尺度内不同时间下的企业生产强度。

本申请还提供一种工业热源对象的自动化提取装置，该装置用于执行上文所述的工业热源对象的自动化提取方法。

实施例

S1,调取2021年的极轨卫星遥感影像，获取高温热异常点遥感数据，以京津冀地区行政区划矢量为掩膜，裁剪得到以京津冀地区作为目标区域的高温热异常点数据，如图2中的原始热异常点所示；

S2,通过OPTICS聚类方法获得空间分布密度较高的高温热异常点；

步骤2-1，调取S1获得的遥感热异常点数据组成数据样本库，初始化数据样本库中所有点的可达距离和核心距离都为MAX，半径ε取值为750 m，最少点数MinPts的取值为8个；

步骤2-2，建立有序队列和结果队列，其中，有序队列用于存储核心点及该核心点的直接密度可达点，结果队列用于存储样本输出及处理次序；

步骤2-3，从数据样本库中选择一个未被处理的点，标记为已处理，计算与该点距离小于ε的样本集合，若该样本集合中的点数小于MinPts，则跳过，继续遍历下一个点；若该样本集合中的点数大于或等于MinPts，则认为该点为核心点，将其放入结果队列中，将该核心点的密度可达点按照升序排列放入有序队列中；

步骤2-4，从有序队列中取出第一个点，若该点已经在结果队列中，则跳过；如果该点不在结果队列，则将该点存入结果队列，并判断该点是否为核心点，若是核心点，则找到该点的所有直接密度可达点，并将这些点放入有序队列，对于已经在有序队列中的点，将其可达距离更新为新的可达距离较小的值；最后将有序队列中的点按照新的可达距离重新排序；

步骤2-5，重复执行步骤2-4，直至有序队列为空，当该OPTICS聚类方法结束时，结果队列中的点为所述空间分布密度较高的高温热异常点，即如图3中所示。

S3,将目标区域划分为750m*750m大小的网格；

S4,逐网格统计高温热异常点的特征参数；

步骤4-1，将S2获得的高温热异常点数据空间链接至S3获得的网格中；

步骤4-2，统计每个火点在所属网格中的起止时间和工作天数，并统计各个网格中的火点数量；

步骤4-3，将每个火点所属网格信息，包括火点数量，起止时间和工作天数与每个网格中包含的高温热异常点链接。

S5,通过SVM分类模型处理S4获得的所述高温热异常点；

步骤5-1，选取高温热异常点的特征参数，所述特征参数包括高温热异常点的亮温，高温热异常点所在网格中火点的起止时间、工作天数，高温热异常点所在网格中火点数量与工作天数的比值；

步骤5-2，将所述高温热异常点及其特征参数输入到SVM分类模型中，从而获得高温工业目标，如图4中所示。由于点位分布比较密集，且OPTICS分类效果较好，致使图3与图4看上去不存在明显变化，实际点位数量在减少。

S6,根据极轨卫星获得的高温工业目标的位置坐标生成其外包络线，在所述外包络线外部，以200m为半径做热异常缓冲区，该缓冲区的外轮廓即为高温工业目标的矢量边界，如图5中所示。

对比例

调取2021年的极轨卫星遥感影像，通过人工目视解译的方式寻找判断河北省邯郸市工业热源对象，共耗费时间约为4-5小时，得到的工业热源对象提取结果如图6中所示；

相应地，实施例中获得邯郸市工业热源对象所需时间为30分钟，实施例中得到的工业热源对象提取结果如图7中所示；

对比可知，本申请提供的工业热源对象的自动化提取方法能够大幅度提升工业热源对象的筛选速度；

进一步比较图6和图7中划定的工业热源对象，如图8中所示，在以目视解译结果为基准的情况下，本申请提供的工业热源对象的自动化提取方法的提取结果数量准确率达到90%,形状精度上略低于目视解译，但能够应用该结果进行有针对性的污染排放高地治理工作。

以上结合了优选的实施方式对本发明进行了说明，不过这些实施方式仅是范例性的，仅起到说明性的作用。在此基础上，可以对本发明进行多种替换和改进，这些均落入本发明的保护范围内。

Claims (9)

1.一种工业热源对象的自动化提取方法，其特征在于，该方法包括：

S1、根据卫星遥感监测，获取目标区域的遥感热异常点数据；

S2、通过OPTICS聚类方法获得空间分布密度较高的高温热异常点；

S3、根据最佳聚类半径，对目标区域进行网格划分；

S4、逐网格统计高温热异常点的特征参数；

S5、通过SVM分类模型处理S4获得的所述高温热异常点；

S6、生成高温工业目标的外包络线，获得高温工业目标的矢量边界。

2.根据权利要求1所述的工业热源对象的自动化提取方法，其特征在于，

所述卫星遥感监测包括利用极轨卫星遥感在中红外4μm波段和热红外11μm波段的多光谱监测。

3.根据权利要求1所述的工业热源对象的自动化提取方法，其特征在于，

S2中具体包括如下步骤：

步骤2-1，调取S1获得的遥感热异常点数据组成数据样本库，初始化数据样本库中所有点的可达距离和核心距离都为MAX，半径ε取值为750 m，最少点数MinPts的取值为8个；

步骤2-2，建立有序队列和结果队列，其中，有序队列用于存储核心点及该核心点的直接密度可达点，结果队列用于存储样本输出及处理次序；

步骤2-3，从数据样本库中选择一个未被处理的点，标记为已处理，计算与该点距离小于ε的样本集合，若该样本集合中的点数小于MinPts，则跳过，继续遍历下一个点；若该样本集合中的点数大于或等于MinPts，则认为该点为核心点，将其放入结果队列中，将该核心点的密度可达点按照升序排列放入有序队列中；

步骤2-4，从有序队列中取出第一个点，若该点已经在结果队列中，则跳过；若该点不在结果队列，则将该点存入结果队列，并判断该点是否为核心点，若是核心点，则找到该点的所有直接密度可达点，并将这些点放入有序队列，对于已经在有序队列中的点，将其可达距离更新为新的可达距离较小的值；最后将有序队列中的点按照新的可达距离重新排序；

步骤2-5，重复执行步骤2-4，直至有序队列为空，当该OPTICS聚类方法结束时，结果队列中的点为所述空间分布密度较高的高温热异常点。

4.根据权利要求1所述的工业热源对象的自动化提取方法，其特征在于，

以最佳聚类半径ε为网格边长值，将目标区域中划分为多个边长为ε*ε的正方形网格。

5.根据权利要求1所述的工业热源对象的自动化提取方法，其特征在于，

所述S4具体包括如下步骤：

步骤4-1，将S2获得的高温热异常点数据空间链接至S3获得的网格中；

步骤4-2，统计每个火点在所属网格中的起止时间和工作天数，并统计各个网格中的火点数量；

步骤4-3，将每个火点所属网格信息，包括火点数量，起止时间和工作天数与每个网格中包含的高温热异常点链接。

6.根据权利要求1所述的工业热源对象的自动化提取方法，其特征在于，

所述S5具体包括如下步骤：

步骤5-1，选取高温热异常点的特征参数，所述特征参数包括高温热异常点的亮温，高温热异常点所在网格中火点的起止时间、工作天数，高温热异常点所在网格中火点数量与工作天数的比值；

步骤5-2，将所述高温热异常点及其特征参数输入到SVM分类模型中，从而获得高温工业目标。

7.根据权利要求1所述的工业热源对象的自动化提取方法，其特征在于，

在S6中，在所述外包络线外部，以200m为半径做热异常缓冲区，该缓冲区的外轮廓即为高温工业目标的矢量边界。

8.根据权利要求1所述的工业热源对象的自动化提取方法，其特征在于，

该方法还包括S7，统计分析：

分析高温工业目标及工业热异常点的数量及空间变化趋势。

9.一种工业热源对象的自动化提取装置，其特征在于，

该装置用于执行上述权利要求1至8之一所述的工业热源对象的自动化提取方法。

Images