img

官方微信

遥感技术与应用, 2022, 37(1): 34-44 doi: 10.11873/j.issn.1004-0323.2022.1.0034

青促会十周年专栏

基于工业热源区域识别的邯郸市热异常产品分析

马彩虹,1,2, 王大成,1, 杨进1, 关琳琳1, 李天柱1,3

1.中国科学院空天信息创新研究院,北京 100094

2.中国科学院地理科学与资源研究所,北京 100094

3.中国科学院大学,北京 101499

Assessing the Distribution of Active Fire data based on Large Industrial Heat Sources Detection in Handan

Ma Caihong,1,2, JinYang ,1, Wang Dacheng1, Guan Linlin1, Li Tianzhu1,3

1.Aerospace Information Research Institute,Chinese Academy of Sciences,Beijing,100094,China

2.State Key Laboratory of Resources and Environmental Information System,Institute of Geographic Science and Natural Resource Research,Chinese Academy of Sciences,Beijing 100101,China

3.University of Chinese Academy of Sciences,Weihai 101499,China

通讯作者: 王大成(1981-),男,山西大同人,博士,高级工程师,主要从事遥感图像处理研究。E⁃mail: wangdc@aircas.ac.cn

收稿日期: 2021-07-27   修回日期: 2021-12-27  

基金资助: 资源与环境信息系统国家重点实验室开放基金和中国科学院青年创新促进会资助

Received: 2021-07-27   Revised: 2021-12-27  

作者简介 About authors

马彩虹(1986-),女,山东临沂人,博士,工程师,主要从事遥感图像智能处理与检索,遥感数据发布管理,热源重工业识别研究E⁃mail:mach@aircas.ac.cn , E-mail:mach@aircas.ac.cn

摘要

利用目前空间分辨率、时间分辨率(1 d)最高的成熟热异常产品数据主动式热异常数据(ACF,NPP-VIIRS active fire/hotspot data),结合基于长时序热异常数据支持下的工业热源区域识别模型,叠加地表覆盖类型数据,实现邯郸市不同类型热异常数据的识别与分析。①清洗邯郸市2012.1.20~2020.12.31年89 249个热异常点数据,得到2012~2020年间在营的81个工业热源区域,主要分布在京广线(G4高速)以西的丘陵地区,密集分布于涉县、武安、峰峰矿区,与邯郸市矿产资源的分布具有较好的一致性;2020年在营的工业热源与2013年相比,关停32个(42.67%),热异常点数目明显减少的19个(25.33%),新增5个企业;从企业类别上看,识别出的工业热源企业主要为钢铁及铸造类、煤化工及焦化、水泥厂等企业,分别占比达53.24%、28.16%和0.08%。②邯郸市2012~2020年历年的热异常点主要来源于工业热源,其工业热异常点历年平均占比为91.61%,2016年工业热源区域内热异常点占比最高,占比超过94.34%;邯郸市耕地地表覆盖中,有42.73%的热异常数据为工业热异常点;在人造地表覆盖中,有5.5%的热异常为非工业热异常数据。故,与仅仅依赖地表覆盖类型识别秸秆燃烧方法相比,该方法能有效的提高识别精度。邯郸市工业热异常点主要下垫面为人造地表类型(占比89.87%),非工业热异常点下垫面主要为耕地类型(占比75.93%);非工业热异常点2013~2017年按月统计图具有明显的“双峰”现象,当年的 6/10月份出现较大的峰值点,此种现象自2018年起消失。

关键词: 工业热源 ; 主动式热异常数据 ; 长时序 ; 邯郸

Abstract

In this study, different types of NPP VIIRS 375 m active fire product (ACF,NPP-VIIRS active fire/hotspot data) in Handan were analysed based on heavy industry heat sources detection model base on long-term data. (1) 81 heavy industry heat sources worked between 2012 and 2020 were detected based on 89 249 ACF data. They were mainly distributed in the hilly area (the west of Beijing Guangzhou line and G4 Expressway), especially in Shexian, Wu'An and Fengfeng mining areas. It was consistent with the distribution of mineral resources in Handan city. And, compared the num of working heavy industrial heat sources between 2020 and 2013, 32 (42.67%) industrial heat sources were shut down, 19 (25.33%) industrial heat sources which thermal abnormal points were significantly reduced, also 5 new enterprises appeared. And heavy industrial heat sources detected were maily belong to iron and steel and foundry, coal chemical and coking, cement plants, accounting for 53.24%, 28.16% and 0.08% respectively. (2) Betwwen 2012 and 2020, the average annual proportion of thermal anomaly points from industrial heat sources was 91.61%, especially more than 94.34% in 2016. There was 42.73% of ACF data on the cultivated land surface coverage belonging to industrial thermal anomaly points, 5.5% data on the artificial surface coverage belonging to non industrial thermal anomaly points. And, the most of industrial heat anomaly points in Handan were on the artificial land (accounting for 89.87%), while the most of non industrial heat anomaly points were on the cultivated land (accounting for75.93%).There was obvious "double peak" phenomenon (with a larger peak point in June / October) for the monthly statistical chart, which has disappeared since 2018.

Keywords: Heavy Industry Heat Source ; Active Fire data ; Long-term ; Handan

PDF (8343KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

马彩虹, 王大成, 杨进, 关琳琳, 李天柱. 基于工业热源区域识别的邯郸市热异常产品分析. 遥感技术与应用[J], 2022, 37(1): 34-44 doi:10.11873/j.issn.1004-0323.2022.1.0034

Ma Caihong, JinYang , Wang Dacheng, Guan Linlin, Li Tianzhu. Assessing the Distribution of Active Fire data based on Large Industrial Heat Sources Detection in Handan. Remote Sensing Technology and Application[J], 2022, 37(1): 34-44 doi:10.11873/j.issn.1004-0323.2022.1.0034

1 引 言

热异常数据是指温度明显高于周边地物的热奇异点,地表的热异常点主要包括:森林/草原火灾,农业秸秆燃烧,活火山喷发,露天煤矿、油田气体燃烧,钢铁厂、水泥厂等的高温辐射等1-2

卫星遥感技术具有时效性强、分辨率高、空间范围广、资料获取快捷客观的有点,在大范围热异常点数据的监测中具有较好的应用价值。随着对火点或热异常数据需求的增加,各大传感器相继推出了成熟了热异常数据产品。如基于NOAA/AAVHRR(Advanced Very High Resolution Radiometer)数据推演出的1.1 km空间分辨率的热异常产品数据,基于NPP MODIS(Moderate Resolution Imaging Spectroradiometer)数据推演出的1 km分辨率的热异常产品(MOD14和MYD14)9,均得到一致的认可和广泛的应用。同时,ASTER(Along Track Scanning Radiometer)、FY3-VIRR10-11、NPP VIIRS13、Landsat 812等也先后推出了对应的中高热异常数据检测算法。目前,通过叠加地表覆盖类型数据,热异常数据已经在火灾2、秸秆燃烧识别分析15-16中得到了大量应用。同时,孙爽等17通过VIIRS多光谱数据提取了热异常点,并叠加耕地类型剔除部分分散且量少的热异常点构建了工业热异常点,分析了冀南7大城市工业能耗与大气污染的关联性。屈冉等18在MODIS热异常产品的基础上,结合土地分类数据,提取位于建筑用地区域的热异常点,分析了苏州市工业企业分布变化特征。谷艳春等19采用不同季节Landsat 8数据的辐射传输方程法反演地表温度,通过建筑指数提取,识别热异常点,在对比热异常指数的基础上分析了不同分级热异常点对环境的影响。上述主流传统的针对不同类型热异常数据的研究分析,基本上是基于地表分类来识别秸秆燃烧和工业热源等类型的热异常数据,但是此种方法存在一个比较大的缺陷。由于耗能型工业厂矿(是指依靠热力作为生产动力,在生产活动中产生大量热量,并且持续工作至少30天以上的企业,包括钢铁厂、炼油厂、油气/燃气井、水泥厂、有色金属冶炼厂等)其分布具有:分布范围广、区域隐蔽的特点,同时考虑到热异常点本身几何定位精度问题,致使工业热异常点与秸秆燃烧等类型的热异常点存在一定的误分现象。

利用工业夜间热异常数据“空间—时间—温度”特点,孙佳琪等4和Liu等5提出了利用VIIRS夜间热异常识别工业热源对象。Ma等6-7利用目前全球范围内时空分辨率最高的VIIRS主动式热异常数据,实现了中国区和印度区多种地表覆盖、企业规模各异的工业热源对象识别。

研究将基于长时序热异常点数据热源工业区域识别方法应用到热异常数据的类别识别中,结合精细地表覆盖类型数据,提出了一种基于规模工业热源区域分析和精细地表覆盖类型的热异常数据类型识别模型。以邯郸市为例的工业热异常和非工业热异常数据识别结果表明,该方法能有效的提高热异常数据类型识别的准确性,为后续秸秆燃烧和工业热异常点对环境等的评估提供了更准确的数据支持。

2 研究区域和数据源

2.1 研究区域介绍

邯郸市位于河北省南端,地理范围为36°20′~36°44′N、114°03′~114°40′E。位于太行山东麓,西依太行山脉,东接华北平原,地理位置上与山西、山东、河南三省接壤,是晋冀鲁豫四省要冲、京津冀城市群和环渤海经济区腹心、华北地区重要的交通枢纽。邯郸市地势自西向东呈5级阶梯状下降,高差悬殊,地貌类型复杂多样,包括西北部中山区、西部低山区、中部低山丘陵区、中部盆地区、东部洪积冲积平原。以京广铁路为界,西部为中、低山丘陵地貌,东部为华北平原,东西部海拔高差达1 866 m。

邯郸市特殊的地貌、地质结构,蕴藏了丰富多样的矿产资源,诸如煤炭、铁矿石、铝矾土、耐火土、硫铁矿、含钾砂页岩、碳石等。其中,源于丰富的煤炭储藏资源和优质的铁矿石资源,被誉为现代“钢城”、“煤都”,产业结构偏重,是国家老工业基地、资源型重化工城市。近年来,钢铁、煤炭等重工业的发展为邯郸市带来了聚的经济效益,但同时也导致了环境状况越来越差22-23。以邯郸区主动式热异常数据为研究对象,对于该区精准评价不同类型热异常数据对环境影响等的分析具有重要意义。

2.2 数据源

2.2.1 主动式热异常数据

375 m的NPP-VIIRS遥感数据反演的主动热异常数据(NPP-VIIRS active fire/hotspot data),是由NASA的FIRMS (The Fire Information for Resource Management System)系统最新发布的全球热异常数据产品。它是通过搭载在Suomi-NPP(NASA/NOAA Suomi-National Polar-orbiting Partnership)和NOAA-20卫星上VIIRS(Visible Infrared Imaging Radiometer Suite)传感器上的数据反演而来,该产品数据在保持VIIRS夜火数据相同的时间分辨率(1 d),同时增加了白天热异常数据的识别,可识别0.001 m2面积的温度达1 800 K的小面积的热异常点数据,是目前全球持续、稳定热异常产品中空间分辨率最高的产品数据。

本研究选用的热异常数据即为来源自NASA的FIRMS网站,数据时间覆盖周期为2012年1月20日~2020年12月31日,共计获得89 249条主动式热异常点数据,邯郸市主动式热异常点数据数目的分布具有局部聚集现象。其中,近9万条主动式热异常数据的区域分布如图2所示,由图可知,邯郸市2012~2020年间主动式热异常点数据分布与邯郸市的地理分布息息相关。以京广铁路和G4高速为切割线,可以将邯郸市分为西部、中西部、东北部、东南部四个区域。邯郸市的主动式热异常点数据主要集中于邯郸的中西部,京广铁路向西由于其广阔的山地分布,主动式热异常点分布又急剧减少,东部及东南部有零星热异常点分布。

图1

图1   研究区域图

Fig.1   The Study Area of Handan


图2

图2   邯郸区域2012年1月20日~2020年12月31日主动式热异常点区域分布图

Fig.2   The spatial distribution of ACF data in Haidan regions between 2012 and 2020


2.2.2 其他辅助数据

采用的地表覆盖数据为清华大学宫鹏团队(2019)10 m空间分辨率的数据,数据下载网址为http://data.ess.tsinghua.edu.cn/fromglc10_2017v01.html。其中邯郸区10 m分辨率的地表覆盖类型图,如图1(c)所示。按照上述地表覆盖类型,邯郸区域地表覆盖包含耕地、林地、草地、灌木地、湿地、水体、人造地表和裸地共8种类型的地表覆盖。其中,面积占比前三的地表覆盖类型分别为耕地、人造地表和草地,分别占比71.3%、14.1%和10.8%。

中国省、市、县三级行政区划数据,采用的是国家地理中心颁布的2012年行政区划数据,并按照邯郸市进行区域裁切。同时,采用Google Earth高分辨的遥感数据辅助验证试验结果,研究采用的商业化软件为91卫图。

3 基于工业热源识别的邯郸市热异常产品分析方法

3.1 数据预处理

3.1.1 热异常原始数据的获取与预处理

本研究采用的主动式热异常数据为NPP-VIIRS Active Fire/Hotspot数据,数据来源NASA的FIRMS网站,下载数据时间覆盖周期为2012年1月20日~2020年12月31日的主动式热异常数据。并按照邯郸行政区域范围进行裁切,然后按照行政区划进行数据划分管理。

3.1.2 精细地表覆盖产品数据的获取与预处理

从全球精细地表覆盖网站中,获取覆盖邯郸区域的两景地表覆盖产品数据(数据编号为:fromglc10v01_36_112.tif和fromglc10v01_36_114.tif)。然后,对两景地表覆盖产品进行镶嵌融合,并按照邯郸行政区域进行裁切,形成邯郸精细地表覆盖产品数据。

3.2 基于长时序主动式热异常数据的工业热源识别

基于长时序主动式热异常数据的工业热源识别,是指采用数据准备模块提供长时序热异常点数据,使用长时序遥感数据支持下的工业热源区域发现模型,实现邯郸市工业热源区域的发现。主要包括3个步骤:基于改进自适应Kmeans和拓扑关联分析的邯郸热源对象构建、热源对象特征提取、基于属性关联分析的邯郸工业热源区域发现、邯郸工业热源区域验证。

3.2.1 基于改进自适应Kmeans和拓扑关联分析的邯郸热源对象构建

(1)基于改进自适应Kmeans算法的县内长时序热异常点数据分割,通过设定热源对象的最小尺度、热源对象包含的主动热异常点个数等,针对不同单元的长时序热异常点数据集构建不同的分割粒度,实现自适应的确定Kmeans算法的分割粒度。其中,由于同源热源对象的热异常点数据空间位置聚集,空间分布符合一个或多个正态分布,利用概率论异常点剔除法,剔除热源对象中的部分生物质热异常点。

(2)基于拓扑关联的分割热源对象合并,为降低改进自适应Kmeans算法的长时序热异常点数据分割过程中的过度分割问题,针对构建的热源对象,根据区域范围的空间拓扑关系,合并空间上隶属同一热源对象但却被分割为多个对象的分割对象,最终构建符合邯郸热源对象真实分布的热源对象。

3.2.2 热源对象特征提取

为有效地区分生物质热源对象和工业热源区域,针对采用基于改进自适应Kmeans和拓扑关联分析的京津冀热源对象构建模型构建的邯郸市热源对象,提取面向热源对象的属性特征。研究提取的特征包括构成热源对象的长时序热异常点的几何、统计和热源属性信息特征。其中,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;统计特征,包括热源对象包含的热异常点数据个数、单位面积上热异常点密度、热异常点数据的起始检测时间、热异常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;热源属性特征,热源对象所包含的热异常点属性信息的最小值、最大值、均值和方差特征,其中采用的热异常点属性信息有VIIRS I~4波段亮温(bright_ti4)、I~5波段亮温(bright_ti5)、扫描方向像素大小(scan)、轨道方向像素大小(track)和热异常点辐射功率(frp)。

3.2.3 基于属性关联分析的邯郸工业热源区域发现

鉴于工业热源区域热源数据空间分布聚集和时间分布连续的特点,分析生物质热源对象与工业热源区域热源对象的区别与联系,采用基于阈值分析的方法,剔除部分生物质热源对象,形成邯郸市规模热源工业区域热源区域对象。

3.2.4 邯郸规模热源工业区域验证

将邯郸市工业热源区域对象叠加到Google Earth中,辅助人工视觉信息,验证识别结果的准确性,并按照热异常点构建最终工业热源区域凸包。

3.3 基于工业热源区域识别的邯郸市热异常产品分析
3.3.1 基于工业热源区域地理缓冲区域空间分析的工业热异常产品识别

利用3.2节识别出的邯郸市高耗能热源对象区域,设置工业热源区域的辐射缓冲半径,构建工业热源区域缓冲区。按照空间叠加的方式,对主动式热异常点数据进行非工业热异常产品类型和工业热异常产品类型的识别。

3.3.2 基于精细地表覆盖类型的非工业热异常点类型识别

对非工业热异常产品类型,叠加邯郸市精细地表覆盖产品数据,为非工业热异常产品类型数据添加地表覆盖类型;对非工业热异常产品类型数据,同样叠加邯郸市精细地表覆盖产品数据,为非工业热异常产品类型数据添加地表覆盖类型。

3.3.3 不同类型热异常数据时空分析

依据上述识别出的不同类型的热异常点,叠加时空分析方法,分析邯郸市不同热异常数据的时空布局特点。

4 结果讨论与分析

4.1 邯郸市工业热源区域时空分析

清洗2012年1月20日~2020年12月31日年89 249个热异常点数据,识别出2012~2020年间在营的81个工业热源区域。81个工业热源区域的空间分布如图3(b)所示,由图可知邯郸市工业热源区域主要分布在京广线(G4高速)以西的丘陵地区,密集分布于涉县、武安、峰峰矿区、邯郸等区域这与邯郸市矿产资源的分布具有较好的一致性。研究识别的结果与刘永学等5识别出的39个工业热源区域对比分析得知:①从区域分布上,本研究识别的空间区域分布更为广泛,两种方法识别的空间交叉/重叠个数为55个,另有26个区域为本文独特识别区域(图3(b)标红区域);②从识别精度来看,本研究基于矢量的识别方法能实现更小粒度的工业热源区域识别,有效地避免了刘识别中多个工业对象被误识别为一个工业热源对象的现象,为后续高耗能热源对象类别的精细识别提供了更好的划分基础。

图3

图3   邯郸区工业热源区域分布图

Fig.3   The spatial distribution of heavy industrial heat sources in Handan regions


对比分析2013年与2020年两年间在营的75个工业热源区域内热异常点的变化(图3(c)),与2013工业热源区域企业运营状况相比,2020年有32(42.67%)个关停,19(25.33%)个企业的热异常点处于明显减少状态,12(16.00%)个企业的热异常点处于增加状态,另外有5个新增企业;从空间布局中上看,关停的32个工业热源区域企业空间上分布均匀且企业面积上相对较小,减少的19个企业面积和热异常点规模较大。

叠加地图poi数据后,前60个工业热源区域得到相对准确的工厂名称。其中,识别出的前60个工业热源区域中,钢铁、铸造等相关企业27个,煤化工、焦化等相关企业19个,水泥厂7个,冶金类企业2个,其他类型企业5个。同时,钢铁、铸造等相关企业的热异常点在前60个工业热源区域的热异常点总数中占比为53.24%,煤化工、焦化等相关企业热异常点占比28.16%,上述两类企业的热异常点在邯郸市总热异常点中占比达70.6%。

4.2 邯郸市不同类型热异常产品数据时空分析

按照4.1节识别出的81工业热源区域,采用工业热源区域地理缓冲区域空间分析方法,共计识别出:工业热异常点81 742个、非工业热异常点7 507个。研究识别的结果与主动式热异常点自带的热异常点类型进行比较后得到工业热异常点混淆矩阵表1,其中受数据处理时效性的影响,ACF数据中仅有2012年1月20日~2020年5月31日期间的85 029个热异常点含有热异常点类型属性标记。由表1可知,按照本文识别的工业热异常点与ACF固定热异常点相比,本文别出的工业热异常点与ACF相比增加了0.5个百分点;本文识别的热异常点属性信息与ACF热异常点的属性信息相比,整体的数据一致性达99.00%。

表1   邯郸市本文识别的工业热异常点与ACF数据自带的热异常点类型的混淆矩阵

Table 1  The confusion matrix between the industrial heat anomaly points identified in this paper and the type of ACF data in Handan

本文识别的非工业热异常点本文识别的工业热 异常点
非固定热异常点6 912593
固定热异常点21277 312

注:“固定热异常点”,是指ACF数据“Type”字段值为2的热异常点,2代表稳定地表覆盖的热异常点;“非固定热异常点”,是指ACF数据“Type”字段值为{0,1,3}的热异常点,{0,1,3}分别代表:植被型热异常点、活火山类型热异常点、水面上的热异常点

新窗口打开| 下载CSV


表1图4(b)可知,①邯郸市2012~2020年历年的热异常点主要来源于工业热异常,其工业热异常点历年平均占比为91.61%,各年总数占比为91.80%;②2012~2020年历年的工业热异常点在所有热异常点的占比中,2016年热源重工业热异常点占比最高,占比超过94.34%。

图4

图4   邯郸区2012-2020年间不同类型热异常点时序图

Fig.4   The number of ACF Data changes in Handan between 2012 and 2020


针对邯郸市2012年1月20日~2020年12月31日年89 249个热异常点数据,叠加10类地表覆盖后的结果统计表如表2所示。由表可知,邯郸市耕地地表覆盖中,有42.73%的热异常数据为工业热异常点;在人造地表覆盖中,有5.5%的热异常为非工业热异常数据。

表2   邯郸市不同地表覆盖类型的热异常点类型统计表

Table 2  The statistical table of different types ACF data on different land cover types in Handan

耕地林地草地灌木地湿地水体苔原人造地表裸地冰雪其他总计
1020304050607080901000
工业热异常点4 1978341 69263798073 6357690081 934
非工业热异常点5 5542591132301201 30645037 315
总计9 7511 0931 805293810074 9418140389 249

新窗口打开| 下载CSV


由此可知,无论是仅仅依赖耕地类型识别秸秆燃烧,还是依赖人造地表识别工业热异常点,都会对邯郸市热异常数据类型的识别带来一定的误分。按照工业热异常点和非工业热源点在不同地表覆盖上的时空分布,又具有各自不同的特点,具体如下所述:

4.2.1 邯郸市工业热异常产品数据时空分析

从工业热异常点下垫面来看,邯郸市工业热异常点主要下垫面为人造地表类型,占整个邯郸市工业热异常点89.87%;下垫面为耕地、草地、林地、裸地类型的工业热异常点占比依次次之,分别占比为5.12%、2.07%、1.02%和0.94%。

图5显示了邯郸市工业热源区域2012~2020的时序变化趋势,由图可知:①邯郸市热源重工业的数目自2012年开始增加,至2014年达到最大值,后逐年降低;②邯郸市热源重工业区域工业热异常点数目在2013达到最大值,2016年起数目急剧下降,2020年工业热异常点数目与2013年相比下降了47.03%;③邯郸市热源重工业区域工业热异常点数目逐月的变化图(4(b))可知,邯郸市工业热异常点数目在每年的12月~2月之间会达到全年数目低值,5月/10月左右,工业热异常点数目会达到当年的峰值点;④受疫情影响,2020年4月份,邯郸市工业热源区域热异常点数目达到历年同期最低值。

图5

图5   邯郸区2012-2020年间工业热源区域热异常点时序图

Fig.5   The number of ACF Data in working heavy industrial heat sources areas in Handan between 2012 and 2020


4.2.2 邯郸市非工业热异常产品数据时空分析

从邯郸市非工业热异常点下垫面来看,非工业热异常点主要下垫面为耕地类型,占整个邯郸市非工业热异常点75.93%;下垫面人造地表的非工业热异常产品数据次之,占比为17.85%;为林地、草地、裸地裸地类型的非工业热异常点占比依次次之,分别占比为3.54%、1.55%和0.62%。由此可知,邯郸市的非工业热异常点主要为生物质火点(是指由秸秆燃烧、森林火点等造成的火点)。

图6显示了邯郸市非工业热异常点2012~2020的时序变化趋势,由图5(a)可知,邯郸市非工业热异常点数2013年达到最大值,之后逐年降低数目,2016年非生物质热异常点数目与2013年相比下降46.7%;2019出现短暂高峰后,2020年邯郸市非生物质热异常点数目降到最低,约为2013总数的1/3。

图6

图6   邯郸区2012~2020年间非工业热异常点时序图

Fig.6   The number of non industrial ACF data in Handan between 2012 and 2020


由邯郸市非工业热异常点按月份的统计图可知(图5(b)),2013~2017年间,邯郸市非工业热异常点的按月统计图具有“双峰”现象,即每年的6月份出现较大的峰值点(冬小麦秸秆燃烧),同时每年10月份也会出现小峰值(玉米秸秆燃烧);自2017年起,“双峰”统计现象基本得到控制;2016、2018和2019年2月份出现短暂的月度非工业热异常点数目小高峰。

5 结 论

研究利用目前空间分辨率、时间分辨率最高的成熟热异常产品数据主动式热异常数据(ACF,NPP-VIIRS active fire/hotspot data),结合基于长时序热异常数据支持下的工业热源区域识别模型,叠加地表覆盖类型数据,实现邯郸市不同类型热异常数据的识别与分析。经分析后,得到以下结论:

(1)清洗邯郸市2012年1月20日~2020年12月31日年89 249个热异常点数据,得到2012~2020年间在营的81个工业热源区域,主要分布在京广线(G4高速)以西的丘陵地区,密集分布于涉县、武安、峰峰矿区,与邯郸市矿产资源的分布具有较好的一致性;2020年在营的规模热源工业与2013年相比,关停32个(42.67%),热异常点数目明显减少的19个(25.33%),新增5个企业;从企业类别上看,识别出的工业热源区域企业主要为钢铁及铸造类、煤化工及焦化、水泥厂等企业,分别占比达53.24%、28.16%和0.08%。

(2)邯郸市2012~2020年历年的热异常点主要来源于工业热源,其工业热异常点历年平均占比为91.61%,2016年热源重工业热异常点占比最高,占比超过94.34%;邯郸市工业热异常点主要下垫面为人造地表类型(占比89.87%),非工业热异常点下垫面主要为耕地类型(占比75.93%);非工业热异常点2013~2017年按月统计图具有明显的“双峰”现象,当年的6/10月份出现较大的峰值点,此种现象自2018年起消失。

基于工业热源区域识别的邯郸市热异常产品分析,能有效地反映工业热源企业的时空运营状况,能更加准确的分析生物质火点的时空布局状态。为更加准确地描述不同类型热异常产品对空气环境以及经济水平的影响,未来会开展相应的统计关联分析研究。

参考文献

Liu JianboMa CaihongChen Fuet al.

Design and implementation of active-based instant remote sensing data service

[J].Remote Sensing Information, 2016318): 61-67.

[本文引用: 1]

刘建波马彩虹陈甫.

遥感卫星数据实时主动服务系统设计与实现

[J]. 遥感信息, 2016318): 61-67.

[本文引用: 1]

Chen XingfengLiu LiLi Jiaguoet al.

Application and research progress of fire monitoring using satellite remote sensing

[J]. Journal of Remote Sensing,2020245):531-542.

[本文引用: 2]

陈兴峰刘李李家国.

卫星遥感火点监测应用和研究进展

[J]. 遥感学报,2020245):531-542.

[本文引用: 2]

Yan JunjieQu JianhuaRan Maononget al.

Himawari-8 AHI fire decection in clear sky based on time-phase change

[J]. Journal of Remote Sensing,2020245):571-577.

鄢俊洁瞿建华冉茂农.

基于时相变化的晴空条件下Himawari-8 AHI火点检测

[J]. 遥感学报,2020245):571-577.

Sun JiaqiLiu YongxueDong Yanzhuet al.

Classification of urban industrial heat sources based on Suomi-NPP VIIRS nighttime thermal anomaly products: A case study of the Beijing-Tianjin-Hebei region

[J]. Geography and Geographic Information Science, 2018343):19-25.

[本文引用: 1]

孙佳琪刘永学董雁伫.

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

[J]. 地理与地理信息科学, 2018343):19-25.

[本文引用: 1]

Liu YHu CZhan Wet al.

Identifying industrial heat sources using time-series of the VIIRS nightfire product with an object-oriented approach

[J]. Remote Sensing of Environment,2018204347-365. DOI:10.1016/j.rse. 2017. 10.019 .

[本文引用: 2]

Ma CNiu ZMa Yet al.

Assessing the distribution of heavy industrial heat sources in india between 2012 and 2018

[J] International Society for Photogrammetry and Remote Sensing,2019812):568. DOI:10.3390/ijgi8120568 .

[本文引用: 1]

Ma CYang JChen Fet al.

Assessing heavy industry heat source distribution in China using real-time VIIRS active fire/hotspot data

[J]. Sustainability,20181012): 4419.DOI: 10.3390/su10124419 .

[本文引用: 1]

Chen XingfengLiu LiLi Jiaguoet al.

Applications and research of fire monitoring using satellite remote sensing

[J]. Journal of Remote Sensing,2020245):56-67.

陈兴峰刘李李家国.

卫星遥感火点监测应用和研究进展

[J]. 遥感学报,2020245):56-67.

Giglio LSchroeder WJustice C O.

The collection 6 MODIS active fire detection algorithm and fire products

[J]. Remote Sensing of Environment,201617831-41. DOI: 10.1016/j.rse.2016.02.054 .

[本文引用: 1]

Zhao W.

Research and evaluation of the algorithm of land surface fire detection based on FY3-VIRR data

[J]. Fire Safety Journal,20113004. DOI: 10.1016/B978-0-444-53599-3.10005-8 .

[本文引用: 1]

Yin ZhenzhenChen FangLin Zhengyanget al.

Active fire monitoring based on FY-3D MERSI satellite data

[J]. Remote Sensing Technology and Applications, 2020355): 1099-1108.

[本文引用: 1]

殷针针陈方林政阳.

基于FY-3D MERSI数据的火点识别方法研究

[J]. 遥感技术与应用, 2020355): 1099-1108.

[本文引用: 1]

Schroeder WOliva PGiglio Let al.

Active fire detection using Landsat-8/OLI data

[J]. Remote Sensing of Environment,2016185210-220. DOI:10.1016/j.rse.2015.08.032 .

[本文引用: 1]

Trifonov G MZhizhin M NMelnikov D Vet al.

VIIRS nightfire remote sensing volcanoes

[J]. Procedia Computer Science,2017119307-314. DOI:10.1016/j.procs.2017.11.189 .

[本文引用: 1]

Chen XingfengLiu LiLi Jiaguoet al.

Application and research progress of fire monitoring using satellite remote sensing

[J]. Journal of Remote Sensing,2020245):56-67.

陈兴峰刘李李家国.

卫星遥感火点监测应用和研究进展

[J]. 遥感学报, 2020245):56-67.

Xu BenbenFan MengChen Liangfuet al.

Analysis of temporal and spatial variations of crop residue burning in china from 2013 to 2017

[J]. Journal of Remote Sensing,20202410):1221-1232.

[本文引用: 1]

徐奔奔范萌陈良富.

2013年—2017年主要农业区秸秆焚烧时空特征及影响因素分析

[J].遥感学报,20202410):1221-1232.

[本文引用: 1]

Zhang LijuanLi QingChen Huiet al.

Analysis and comparison of straw burning based on remote sensing monitoring data during summer and autumn harvest season from 2014 to 2015 in China

[J]. Environment and Sustainable Development,2016416):61-65.

[本文引用: 1]

张丽娟厉青陈辉.

2014-2015年夏秋收期间全国秸秆焚烧遥感监测结果对比分析

[J]. 环境与可持续发展,2016416):61-65.

[本文引用: 1]

Sun ShuangLi LingjunZhao Wenjiet al.

Industrial pollution emissions based on thermal anomaly remote sensing monitoring: A case study of southern Hebei Urban agglomerations,China

[J]. China Environmental Science, 20197):3120-3129.

[本文引用: 1]

孙爽李令军赵文吉.

基于热异常遥感的冀南城市群工业能耗及大气污染

[J]. 中国环境科学,20197):3120-3129.

[本文引用: 1]

Qu RanZhang YaqiongLou Qijiaet al.

Analysis of distribution characteristics and impact of industrial enterprises in Suzhou City based on thermal anomaly remote sensing data

[J]. Environmental Ecology, 2020212):55-60.

[本文引用: 1]

屈冉张雅琼娄启佳.

基于热异常遥感数据的苏州市工业企业分布变化特征及其影响分析

[J]. 环境生态学, 2020212):55-60.

[本文引用: 1]

Gu YanchunMeng QingyanHu Det al.

Analysis of environmental effects of industrial thermal anomalies

[J]. Remote Sensing for Land and Resources,2020324):190-198.

[本文引用: 1]

谷艳春孟庆岩.

工业热异常环境效应分析

[J]. 国土资源遥感,2020324):190-198.

[本文引用: 1]

Gong PLiu HZhang M Net al.

Stable classification with limited sample: transferring a 30 m resolution sample set collected in 2015 To mapping 10 m resolution global land cover in 2017

[J]. Science Bulletin,2019646):370-373.

I-Band VIIRS 375

m Active Fire Data[DB/OL]

Available online (FIRMS): .

URL    

Wang YanlinLi NaWu Lifeng.

Research on air quality prediction in heavy polluted days in Handan

[J]. Journal of Hebei Engineering University (Natural Science Edition), 2020371):91-97.

[本文引用: 1]

王彦林李孥吴利丰.

邯郸重污染日空气质量预测研究

[J]. 河北工程大学学报(自然科学版), 2020371):91-97.

[本文引用: 1]

Duan WenjiaoZhou YingLi Jifenget al.

PM2.5 pollution characteristics and source apportionment in Handan Urban Area

[J]. China Environmental Science,20193910):4108-4116.

[本文引用: 1]

段文娇周颖李纪峰.

邯郸市区PM_(2.5)污染特征及来源解析

[J]. 中国环境科学, 20193910): 4108-4116.

[本文引用: 1]

/