遥感技术与应用
img

官方微信

作者投稿 专家审稿 编辑办公

遥感技术与应用, 2022, 37(4): 919-928 doi: 10.11873/j.issn.1004-0323.2022.4.0919

灯光遥感专栏

基于VIIRS Nightfire数据的山东省工业热源分类提取与变化特征分析

李博,1, 范俊甫,1, 韩留生1, 周玉科2, 张大富1

1.山东理工大学 建筑工程学院，山东 淄博 255000

2.中国科学院地理科学与资源研究所 生态系统网络观测与模拟院重点实验室，北京 100101

Classification Extraction and Variation Characteristics Analysis of Industrial Heat Sources in Shandong Province based on VIIRS Nightfire Data

Li Bo,1, Fan Junfu,1, Han Liusheng1, Zhou Yuke2, Zhang Dafu1

1.School of Civil and Architectural Engineering，Shandong University of Technology，Zibo 255049，China

2.Key Laboratory of Ecosystem Network Observation and Modeling，Institute of Geographic Sciences andNature Resources Research，Chinese Academy of Sciences，Beijing 100101，China

通讯作者: 范俊甫（1985-），男，山东聊城人，博士，副教授，主要从事高性能地学计算与城市环境遥感研究。E⁃mail:fanjf@sdut.edu.cn

收稿日期: 2021-07-25   修回日期: 2022-07-11  

基金资助: 国家自然科学基金项目.  42171413
资源与环境信息系统国家重点实验室开放基金项目资助，国家重点研发计划项目.  2017YFB0503500.  2018YFB0505301
山东省自然科学基金项目.  ZR2020MD0115.  ZR2020MD018
山东理工大学青年教师发展支持计划项目.  4072-115016

Received: 2021-07-25   Revised: 2022-07-11  

作者简介 About authors

李博（1989-），男，山东菏泽人，硕士研究生，主要从事城市环境遥感研究E⁃mail:823009251@qq.com , E-mail：823009251@qq.com

摘要

卫星遥感的多传感器技术为大尺度上实现工业热源的快速分类、识别提供了可能。利用2012—2019年VIIRS（可见光红外成像辐射仪）Nightfire数据，以山东省为研究区，首先，根据工业热异常点的空间聚集性特征和统计特征，使用DBSCAN聚类和时间序列聚类提取确认工业热源对象。其次，基于工业温度特征模板，使用K最近邻分类算法实现了工业子类热源的分类。研究表明：①使用该方法提取工业热源对象精度达到99.81%，比“空间—时间—温度”维度的面向对象方法提高了1.47%，在提取工业热源对象数量上提高了8.99%；工业子类热源对象分类总体精度为84.54%，可较好地对山东省工业热源对象进行提取与分类。②山东省工业热源对象主要分布于潍坊市、滨州市、临沂市和东营市4个城市（占比43.30%）；工业热源对象集中分布于淄博市、滨州市和东营市交界处，聊城市东部，枣庄市中部及临沂市中部，呈现显著的空间集聚态势；根据工业转型升级政策提出前后工业热源对象数量的变化（减少13.63%），表明山东省推进工业转型升级政策取得一定成效。因此，利用该方法可较好地提取山东省工业热源，为工业相关政策的制定和评价提供客观依据。

关键词： 工业热源 ; VIIRS Nightfire ; DBSCAN聚类 ; 时间序列聚类 ; 温度特征模板

Abstract

Multi-sensor technology of satellite remote sensing provides a possibility for rapid classification and identification of industrial heat sources on a large scale. the Nightfire data of VIIRS （Visible Infrared Imaging Radiometer Suite） from 2012 to 2019 are used， taking Shandong Province as the research area. Firstly， according to the spatial aggregation characteristics and statistical characteristics of industrial heat anomalies， extract and confirm the industrial heat source objects by the DBSCAN clustering and time series clustering. Secondly， based on the industrial temperature feature template， realize the classification of industrial sub-class heat sources by the K-nearest neighbor classification algorithm. The research shows that： ①The precision of extracting industrial heat source objects using the method in this paper reaches 99.81%， which is 1.47% higher than the object-oriented method in the dimension of “space-time-temperature”， and 8.99% higher than the number of industrial heat source objects. The overall precision of industrial sub-class heat source object classification is 84.54%， which can better extract and classify industrial heat source objects in Shandong Province. ②The industrial heat sources in Shandong Province are mainly distributed in Weifang， Binzhou， Linyi， and Dongying （accounting for 43.30%）. Industrial heat source objects are concentrated in the junction of Zibo， Binzhou and Dongying， eastern Liaocheng， central Zaozhuang， and central Linyi， showing a significant spatial agglomeration trend. The change in the number of industrial heat sources before and after the industrial transformation and upgrading policy was proposed （13.63% reduction）， indicating that Shandong Province has made some achievements in promoting industrial transformation and upgrading policy. Therefore， the method in this paper can be used to better extract the industrial heat source in Shandong Province and provide an objective basis for the formulation and evaluation of industrial policies.

Keywords： Industrial heat source ; VIIRS Nightfire ; DBSCAN clustering ; Time series clustering ; Temperature feature template

PDF (6370KB) 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

李博, 范俊甫, 韩留生, 周玉科, 张大富. 基于VIIRS Nightfire数据的山东省工业热源分类提取与变化特征分析. 遥感技术与应用[J], 2022, 37(4): 919-928 doi:10.11873/j.issn.1004-0323.2022.4.0919

Li Bo, Fan Junfu, Han Liusheng, Zhou Yuke, Zhang Dafu. Classification Extraction and Variation Characteristics Analysis of Industrial Heat Sources in Shandong Province based on VIIRS Nightfire Data. Remote Sensing Technology and Application[J], 2022, 37(4): 919-928 doi:10.11873/j.issn.1004-0323.2022.4.0919

1 引 言

利用天然气、化石燃料等进行高温生产活动会产生高温热辐射从而形成工业热源，工业热源的时空分布可以在一定程度上揭示工业的空间分布格局与发展趋势。热红外遥感具有快速、高效、实时获取热源温度的优势，被广泛应用于森林火灾监测［1-3］、城市热岛效应［4-6］、地表温度［7-9］等研究领域。利用热红外遥感数据识别工业热源，可以了解工业的空间分布，为区域产业经济的政策制定与评价提供有价值的参考。

工业分布研究的传统数据来源为政府部门公布的统计数据，多用于分析工业区位的演化、工业各行业间的关系［10-11］，如刘友金等［12］利用城市面板数据，考察了中国工业空间格局的演变过程和地理集聚特征，发现中国工业在长江三角洲、环渤海地区的集聚趋势增强，集聚范围扩大。但统计数据存在更新缓慢，时间、空间跨度较大等问题。随着3S技术的快速发展，高空间分辨率、高时相热红外遥感数据为检测工业热异常提供了可能。Dozier［13］提出了利用AVHRR遥感数据提取地表热异常信息的理论模型，为热异常提取奠定了理论基础。Kaufman等［14］基于MODIS数据开发了一个火灾监测模型。随着热异常数据的广泛使用［15］，逐渐应用于检测和识别工业热源［16］，相关学者利用工业热源区域温度高于背景温度的特征提取工业热源［17-19］。如Zhang等［20］使用VIIRS I4波段数据，基于三滑动窗口算法、温差模型实现了对中国工业热源的识别。但是此类方法需要先验知识和额外数据去除水体和部分非工业季节性热源（如秸秆燃烧）［21］，使用火点数据可避免额外数据对工业热源提取的影响［22-24］。如Ma等［25］使用VIIRS Active Fire数据，利用阈值识别模型识别重工业热源对象，得出重工业热源主要集中在华北、华东、西北地区的结论。Ma等［26］使用VIIRS Active Fire数据，利用经验阈值初步识别印度重工业热源对象，并基于平均夜间光照经验阈值使用VIIRS夜间灯光数据识别最终重工业热源对象。但经验阈值法通过人为设定阈值，主观性太强，相关学者根据时间连续性特征提取工业热源对象［27-28］，Liu等［29］使用VIIRS Nightfire数据，结合空间、时间、热3个维度的特征信息识别工业热源，并初步对全球夜间工业热源进行了二级分类。以上研究主要是基于热辐射特征、空间聚集性特征与时间连续性特征来提取工业热源，但对工业热源识别的准确性与对工业子类热源的准确分类仍有待提高。

因此研究利用2012—2019年VIIRS Nightfire数据，以山东省为研究区，使用DBSCAN聚类和时间序列聚类提取工业热源对象，利用K最近邻分类算法划分工业子类热源对象，分析了山东省工业热源的时空分布特征。

2 数据与研究区

2.1　研究区概况

山东省位于中国东部沿海，地处34°22′—38°24′ N，114°47′—122°43′ N之间。全省总面积约1.57×105 km2，占中国国土总面积的1.6%。山东省作为经济大省，主要指标排在全国前列，其中工业门类比较全面，包含国家重点统计的41个工业大类、197个工业中类、527个工业小类，传统产业占工业总量的70%，重化工业占传统产业的70%。山东省2014年提出节能减排低碳发展，2015年提出淘汰落后产能，实施推进工业转型升级行动计划，2018年山东省被国务院批准成为新旧动能转换综合试验区，目前“十三五”降低煤耗任务如期完成。研究山东省工业热源分布有助于对山东省整体工业产业的发展趋势进行分析和评估，能够为相关产业政策的制定、评价与调整提供有价值的参考。

2.2　数据源及预处理

Suomi-NPP（National Polar-orbiting Partnership， 美国国家极轨卫星） VIIRS Nightfire数据来源于美国国家海洋和大气管理局（NOAA），其空间分辨率为750 m［30］。时间范围选择山东省提出《山东省推进工业转型升级行动计划（2015—2020年）》前后时期，即2012年9月1日至2019年12月31日，共计46 928个高可信夜间热异常点，并重投影至Albers投影坐标系。

工业夜间生产活动过程中，照明是必要并且长期稳定存在的，使用稳定的VIIRS/DNB年度夜间灯光数据第二版本中的average-masked产品［31］，选择阈值大于0的区域裁剪VIIRS Nightfire数据，获得夜间灯光区域的夜间热异常点，初步去除野外因生物质燃烧而产生的夜间热异常点［19］。

研究使用谷歌高分影像、谷歌历史影像、百度地图和高德地图等数据，对识别出的工业热源对象进行类型辅助判定。

3 研究方法

3.1　工业热源提取

3.1.1　技术路线

使用长时间序列的VIIRS Nightfire数据，基于工业热异常点的空间聚集性特征，使用DBSCAN聚类提取疑似工业热源对象；根据工业热异常点数量的统计特征，使用时间序列聚类提取工业热源对象，如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   工业热源对象提取技术路线

Fig.1   Technical route of industrial heat source object extraction


3.1.2　提取疑似工业热源对象

长期进行生产活动的工业，空间位置基本保持不变，工业热异常点以工业热源为中心紧密分布。基于密度的DBSCAN聚类，可以将一定范围内具有足够高密度的热异常点划分为热源范围，一个热源范围即被认为是一个疑似工业热源对象。

DBSCAN聚类过程中不同的距离半径（R）和半径范围内点数量的阈值（MinPts）将产生不同的聚类结果，研究结合其他学者的研究［28-29］及数据特性，设置R为800 m，MinPts为6。

3.1.3　提取工业热源对象

部分生物质燃烧产生的热异常点同样存在聚集现象，尤其是人为造成的生物质燃烧，因此提取的疑似工业热源对象中混杂着生物质燃烧热源对象。为了去除生物质燃烧产生的热源对象，根据工业热源的时间连续性特征和工业热异常点数量的统计特征，构建时空立方体，使用时间序列聚类提取工业热源对象。

将具有经度、纬度、时间属性的点要素聚合成时空条柱，构建数据时空立方体。在每个条柱内计算点计数并使用Mann-Kendall统计测量每个位置的跨时间的立方条柱数值趋势。根据VIIRS Nightfire数据的空间分辨率，将时空立方体的行、列步长设置为750 m，时间步长设置为1个月。

对时间序列条柱的轮廓（相关性）进行时间序列聚类，根据夜间工业热异常点随时间推移点计数具有统计显著性增加或减少的特征，识别工业热源对象，过程如下：

（1）将时空立方体中每对位置之间的差值汇总计算为一个相异性矩阵。

（2）选择随机位置作为每个聚类的中心点，将与中心点相似的位置进行聚类，以此创建初始聚类。

（3）每个聚类内更换中心点，重新聚类并根据相异性矩阵评估新聚类内的相似性。如果新聚类比初始聚类相似性更高，则交换中心点。

（4）重复第三步，直到没有可增加聚类相似性的交换为止。

3.2　工业子类热源划分
3.2.1　构建温度特征模板

根据不同类型工业热辐射特征差异，统计工业热源对象中热异常点的温度值，生成温度频率分布［29］。根据谷歌高分影像，分别选择非金属矿物工业、钢铁工业、煤化工业和油气炼化工业相关热源对象15个、31个、28个、19个作为样本。从各类样本中随机选择50%热源对象，统计各类工业热源平均温度频率分布，生成工业热源温度特征模板，用以描述4类工业热源温度分布特征。

3.2.2　工业子类热源特征

不同类型的工业热源对象温度频率分布不同，同一类型工业热源对象则具有相似分布，工业子类热源高分影像及温度特征模板如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   工业子类热源高分影像及温度特征模板

Fig.2   High resolution image and temperature feature template of industrial subclass heat source


（1）非金属矿物工业相关热源。主要为水泥、采矿、电石等类型工业热源，温度频率呈单峰分布，且峰值在870 K左右（图2（c））。在谷歌高分影像中，可分辨出水泥厂的回转窑、预均化堆场、熟料库。

（2）钢铁工业相关热源。主要为钢、铁等黑色金属熔炼、铸造、锻造工业，温度频率呈双峰分布，第一个峰值在880 K左右，第二个峰值在1100 K左右（图2（f））。在谷歌高分影像中，可分辨出高炉、煤气罐、除尘设施等。

（3）煤化工业相关热源。以煤为原料生产各类化学品的加工工业，温度频率呈双峰分布，第一个峰值在870 K左右，第二个峰值比钢铁工业相关热源第二峰值略高，在1 210 K左右（图2（j））。在谷歌高分影像中，煤化工厂附近存在煤炭存储场。

（4）油气炼化工业相关热源。以石油、天然气为原料进行炼制加工的工业，温度频率呈单峰分布，95%的油气炼化工业热异常点温度大于1 210 K，峰值在1 700 K左右，较上述3种类型工业子类热源温度更高（图2（m））。

3.2.3　划分工业子类热源对象

基于温度特征模板，使用K最近邻算法确定待分类对象的工业热源类型。计算待分类对象与四类工业温度特征模板之间的温度频率分布差值，差值最小表示待分类对象温度频率分布与该类型工业温度特征模板最相似，将差值最小的工业温度特征模板类型标记为待分类对象的类型。

采用多数投票方法，重复构建4类工业温度特征模板50次，并进行K最近邻算法分类，统计待分类对象中4种类型的出现频率，出现频率最高的类型作为待分类对象的最终类型。

4 结果与分析

4.1　对比分析

利用相同时间范围的山东省VIIRS Nightfire数据，使用本文方法与“空间—时间—温度”维度的面向对象方法［27］分别提取工业热源对象并进行对比。由于缺乏统计数据作为参考，将两种方法提取的疑似工业热源对象中的工业热源对象作为参考数据，用于召回率的评价（表1）。

表1   两种方法提取工业热源对象数量

Table 1  Two methods to extract the number of industrial heat source objects

算法疑似工业热源对象算法工业热源对象精度 /%召回率 /%
空间滤波197空间滤波+ 时间滤波18198.3493.68
DBSCAN228DBSCAN+时间序列聚类19499.8192.38

新窗口打开| 下载CSV


基于网格的空间滤波方法只能将紧密相连的网格划分为疑似工业热源对象，而DBSCAN聚类方法可以在具有噪声的空间数据中发现任意形状的疑似工业热源对象，相对于空间滤波方法提高了15.74%；时间滤波通过分析每个热源对象一年中的夜间热异常点时间分布识别工业热源对象，而时间序列聚类通过分析每个热源对象多年的统计特征确认工业热源对象，相对于时间滤波方法提取正确的工业热源对象数量多16个，提高了8.99%。使用本文方法精度高于“空间—时间—温度”维度的面向对象方法，提高了1.47%。

4.2　分类精度

首先将样本集中未用于生成模板的50%热源对象作为验证数据，用于评价工业子类热源对象分类精度；之后将所有工业热源对象进行分类，根据4种工业类型在谷歌高分影像中的特征逐一验证，利用混淆矩阵对分类结果进行评价，具体评价指标为总体精度、用户精度、制图精度，如表2所示。

表2   工业子类热源对象分类结果

Table 2  Classification results of industrial subclass heat source objects

工业类型非金属矿物钢铁煤化油气炼化用户精度/%
非金属矿物2880175.68
钢铁1423091.30
煤化1346092.00
油气炼化11114878.69
制图精度/%90.3265.6392.0097.96总体精度：84.54

新窗口打开| 下载CSV


194个工业子类热源对象中164个分类正确，总体分类精度为84.54%。钢铁工业相关热源对象中22个被划分为其他工业子类热源对象，占钢铁工业相关热源对象总数的34.38%，与其他工业热源对象相比，钢铁工业相关热源对象更难以区分。

4.3　工业热源空间分布

部分工业位置集中，其热异常点分布于同一热源对象中，故实际的工业热源数量多于工业热源对象数量。为进一步揭示山东省工业热源空间分布格局，利用核密度分析方法对工业热源对象空间分布进行可视化分析，根据自然间断点分级法将核密度值划分为5级，核密度值越高表明工业热源对象聚集程度越高。

由图3（a）可知，94个工业热源对象分布于省会经济圈，占比48.45%，56个工业热源对象分布于鲁南经济圈，占比28.87%，44个工业热源对象分布于胶东经济圈，占比22.68%。工业热源对象主要分布于潍坊市、滨州市、临沂市、东营市，4个市工业热源对象共84个（占比43.30%）。非金属矿物工业相关热源对象主要分布于枣庄市、泰安市、潍坊市和临沂市，占此类工业热源对象总数61.29%；钢铁工业相关热源对象主要分布于临沂市、聊城市、潍坊市、滨州市，占此类工业热源对象总数57.81%；煤化工业相关热源对象主要分布于济宁市、临沂市、枣庄市，占此类工业热源对象总数52.00%；油气炼化工业相关热源对象主要分布在东营市，占此类工业热源对象总数34.69%。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   山东省工业热源对象空间分布图及核密度图

审图号：GS（2021）3715、鲁SG（2021）013

Fig.3   Spatial distribution and nuclear density map of industrial heat sources in Shandong Province


由图3（b）可知，山东省工业热源对象分布呈现显著的空间集聚态势，核密度值越高代表工业热源对象聚集程度越高，工业热源对象最集中区域分布于淄博市中部及淄博市与滨州市、东营市交界处，聊城市东部区域。主要因为淄博市为山东省老工业基地、资源型城市，东营市具有全国石油产量第二位的胜利油田，石油产业为东营市支柱产业，且两市经济规模较大，整体实力较强［32］，聊城市东部区域的茌平区工业发达，曾为中国工业百强县区。核密度值较高的区域分布在枣庄市中部及临沂市中部偏南区域，两市均为以煤炭为主的资源型城市，目前开采量逐渐下降［33］。威海市、青岛市、烟台市核密度值较低，工业热源对象分布较为分散。

4.4　政策提出前后工业热源空间分布变化

选择推进工业转型升级政策提出前后两段时期（2012年9月—2014年8月和2016年1月—2017年12月）提取工业热源对象，前一段时期提取出132个工业热源对象（图4（a）），后一段时期提取出114个工业热源对象（图4（b））。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   两段时期工业热源对象空间分布及变化

审图号：GS（2021）3715、鲁SG（2021）013

Fig.4   Spatial distribution and change of industrial heat sources in two periods


推进工业转型升级政策提出后，新增加2个工业热源对象，同时减少了20个工业热源对象，工业热源对象数量下降了13.63%。减少的工业热源对象主要以钢铁、煤化相关工业热源为主（图4（d）），多分布于枣庄市和淄博市两个资源型城市。2012—2017年山东省资源型城市能耗逐年减少，在资源层面更加注重可持续发展，能耗降低比较显著的资源型城市为淄博市和枣庄市［33］。工业热源对象数量的减少和城市能耗的减少，表明工业热源因为推进工业转型升级政策被限制或关闭。

5 讨 论

研究从热红外遥感角度提取山东省工业热源并分析了其空间分布格局，为工业转型升级成效的评价提供了客观依据。

工业作为第二产业的主要组成部分，三次产业结构比例的变化与工业发展息息相关。山东省三次产业结构比例由2012年的8.60∶51.40∶40.00转变为2017年的6.65∶45.35∶47.99，并于2015年产业结构实现了由“二、三、一”模式转变为“三、二、一”模式［34］。该时期，第二产业比重与山东省工业热源对象数量均呈减少趋势，第二产业比重下降的重要原因为，山东省推进工业转型升级行动计划的实施，将过剩产能转移、淘汰落后产能。

研究虽然从工业热源的角度分析了相关产业政策对工业生产活动的影响，然而工业中只有从事化石燃料燃烧的行业才会产生大量工业热源，研究结果不能全面反应相关产业政策对工业生产活动的影响。若想进一步分析产业政策对工业生产活动的影响，可结合山东省产业结构与经济变化进行深入研究。

使用本文方法和时间滤波方法提取工业热源均具有较高的精度（99.81%、98.34%），因为VIIRS Nightfire数据主要识别高温热异常点（温度范围422—2 500 K），并且高温工业热源具有明显的空间聚集性、时间连续性特征。但VIIRS Nightfire数据空间分辨率750 m，对于较小区域的热源识别能力不足，在工业热源识别过程中不能获取更准确的热源边界范围，因此将多个工业热源划分到一个热源对象中。对于此类情况，可以考虑融合多源数据进一步划分热源对象。

6 结 论

本文利用VIIRS Nihgtfire数据，设计了一种基于统计特征和温度特征模板的工业热源自动提取与分类算法。主要结论如下：

（1）使用该算法提取正确的工业热源对象194个，相比于“空间—时间—温度”维度的面向对象方法，提高了8.99%，提取精度提高了1.47%，基于温度特征模板的工业子类热源对象分类总体精度为84.54%，表明该工业热源自动提取与分类算法具有较好的适用性。

（2）通过分析山东省工业热源空间分布，发现山东省工业热源对象主要分布在省会经济圈（48.45%），潍坊市、滨州市、临沂市和东营市的工业热源对象数量占山东省工业热源对象总数的43.30%。工业热源对象分布呈现显著的空间集聚态势，主要聚集于淄博市中部及淄博市与滨州市、东营市交界处，聊城市东部，威海市、青岛市、烟台市核密度值较低，工业热源对象分布较为分散。

（3）山东省推进工业转型升级政策提出后，工业热源对象数量减少了20个，占比13.63%，表明部分工业热源因政策原因停产或者关闭，反映出山东省推进工业转型升级政策取得一定成效。

参考文献

Zeng Chao， Zeng Zhen， Cao Zhenyu， et al.

Forest fire dynamic monitoring based on time series and multi-source satellite images： A case study of the muli county forest areas in Sichuan province

［J］. Remote Sensing Technology and Application. 2021， 36（3）： 521-532.曾超， 曾珍， 曹振宇， 等. 多源时序国产卫星影像的森林火灾动态监测——以四川省木里县及其周边林区为例［J］. 遥感技术与应用， 2021， 36（3）： 521-532.

[本文引用: 1]

Rao Yueming， Wang Chuan， Huang Huaguo.

Forest fire Monitoring based on multisensor remote sensing techniques in Muli county，Sichuan province

［J］.Journal of Remote Sensing， 2020， 24（5）： 559-570.

饶月明， 王川， 黄华国.

联合多源遥感数据监测四川木里县森林火灾

［J］. 遥感学报， 2020， 24（5）： 559-570.

Wang Weiguo， Pan Jinghu， Feng Yaya， et al.

Model and zoning of fire risk in Gansu province based on GWLR and MODIS imagery

［J］. Remote Sensing Technology and Application， 2017， 32（3）： 514-523.

[本文引用: 1]

王卫国， 潘竟虎， 冯娅娅， 等.

基于MODIS数据和GWLR的甘肃省火灾风险模型与区划

［J］. 遥感技术与应用， 2017， 32（3）： 514-523.

[本文引用: 1]

Cheng Yuting， Liu Zhaohua， Lu Linlin， et al.

Spatio-temporal dynamics of surface urban heat island in coastal Mega cities along the Belt and Road from remote sensing data

［J］. Remote Sensing Technology and Application，2020，35（5）：1197-1205.

[本文引用: 1]

程雨婷， 刘昭华， 鹿琳琳， 等.

一带一路沿海超大城市热岛时空特征遥感分析

［J］. 遥感技术与应用， 2020， 35（5）： 1197-1205.

[本文引用: 1]

Lin Zhongli， Xu Hanqiu.

Comparative study on the urban heat island effect in "Stove Cities" during the last 20 years

［J］. Remote Sensing Technology and Application，2019，34（3）： 521-530.

林中立， 徐涵秋.

近20年来新旧“火炉城市”热岛状况对比研究

［J］. 遥感技术与应用， 2019， 34（3）： 521-530.

Yin Cuijing， Feng Kai， Wang Qi， et al.

Analysis of influence factors of urban heat island effect based on remote sensing

［J］. Remote Sensing Technology and Application， 2021， 36（3）： 673-681.

[本文引用: 1]

尹翠景， 封凯， 王奇， 等.

遥感城市热岛提取的影响因素分析

［J］. 遥感技术与应用， 2021， 36（3）： 673-681.

[本文引用: 1]

Cheng Tong， Zhu Shanyou， Zhang Guixin， et al.

Seasonal variation of PM2.5 in the Beijing-Tianjin-Hebei region in 2018 and its relationship with land surface temperature

［J］. Remote Sensing Technology and Application，2020，35（6）： 1457-1466.

[本文引用: 1]

成通， 祝善友， 张桂欣， 等.

2018年京津冀地区PM2.5季节变化及其与地表温度的关系分析

［J］. 遥感技术与应用， 2020， 35（6）：1457-1466.

[本文引用: 1]

Tian Huihui， Feng Li， Zhao Menmen， et al.

Analysis of meticulous features of urban surface temperature based on UAV thermal thermography

［J］. Remote Sensing Technology and Application， 2019， 34（3）： 553-563.

田慧慧， 冯莉， 赵璊璊， 等.

无人机热红外城市地表温度精细特征研究

［J］. 遥感技术与应用， 2019， 34（3）： 553-563.

Yang Yuting， Tang Jiafa， Bian Jinhu，et al.

Seasonal variations in the relationship between land surface temperature and impervious surface percentage in Kolkata

［J］. Remote Sensing Technology and Application， 2021， 36（1）： 79-89.

[本文引用: 1]

杨玉婷， 汤家法， 边金虎， 等.

加尔各答市地表温度与不透水面比例季相相关性研究

［J］. 遥感技术与应用， 2021， 36（1）： 79-89.

[本文引用: 1]

Li Zaijun， Hu Meijuan， Zhou Nianxing.

The spatial pattern and influencing factors of industrial eco-efficiency in Chinese prefecture-level cities

［J］.Ecomonic Geography，2018，38（12）： 126-134.

[本文引用: 1]

李在军，胡美娟，周年兴.

中国地级市工业生态效率空间格局及影响因素

［J］. 经济地理，2018，38（12）：126-134.

[本文引用: 1]

Du Zhiwei， Lachang Lü， Huang Ru.

Spatial pattern of industrial innovation efficiency for Chinese cities at prefecture level and above

［J］. Geographical Science， 2016， 36（3）： 321-327.

[本文引用: 1]

杜志威， 吕拉昌， 黄茹.

中国地级以上城市工业创新效率空间格局研究

［J］. 地理科学， 2016， 36（3）： 321-327.

[本文引用: 1]

Liu Youjin， Zeng Xiaoming.

China's industrial spatial pattern evolution and the concentration difference-based on the EDSA and urban panel data of spatial econometrics

［J］. Regional Economic Review， 2016（1）：80-88.

[本文引用: 1]

刘友金， 曾小明.

中国工业空间格局的演变与集聚差异——基于EDSA和城市面板数据的空间计量研究

［J］. 区域经济评论， 2016（1）：80-88.

[本文引用: 1]

Jeff D.

A method for satellite identification of surface temperature fields of subpixel resolution

［J］. Elsevier，1981，11（none）：221-229. DOI： 10.1016/0034-4257（81）90021-3 .

[本文引用: 1]

Kaufman Y J， Justice C O， Flynn L P， et al.

Potential global fire monitoring from EOS‐MODIS

［J］. Journal of Geophysical Research： Atmospheres，1998，103（D24）. DOI： 10.1029/98JD01644 @10.1002/（ISSN）2169-8996.EOSAM1.

[本文引用: 1]

Ge Qiang， Shen Wenju， Li Ran， et al.

Research on the temporal and spatial cistribution characteristics of thermal anomalies in China from 2001 to 2018

［J］. Remote Sensing Technology and Application， 2022， 37（1）： 73-84.

[本文引用: 1]

葛强， 沈文举， 李冉， 等.

2001—2018年我国热异常点时空分布特征研究

［J］. 遥感技术与应用， 2022， 37（1）： 73-84.

[本文引用: 1]

Ma Caihong， Wang Dacheng， Yang Jin， et al.

Assessing the distribution of active fire data based on large industrial heat sources detection in Handan

［J］. Remote Sensing Technology and Application， 2022， 37（1）： 34-44.

[本文引用: 1]

马彩虹， 王大成， 杨进， 等.

基于工业热源区域识别的邯郸市热异常产品分析

［J］. 遥感技术与应用， 2022， 37（1）： 34-44.

[本文引用: 1]

Wang Kang.

Thermal infrared remote sensing technology for geothermal resources detection based on multi-source & multi-temporal data in Dandong Liaoning

［D］. Changchun： Jilin University， 2020.

[本文引用: 1]

王康.

基于多源多时相热红外遥感技术的丹东地热资源探测方法研究

［D］. 长春： 吉林大学， 2020.

[本文引用: 1]

Zhou Y， Fei Z， Wang S，et al.

A method for monitoring iron and steel factory economic activity based on satellites

［J］. Sustainability，2018，10（6）：1935-1956. DOI：10.3390/su10061935 .

Xia H， Chen Y， Quan J.

A simple method based on the thermal anomaly index to detect industrial heat sources

［J］. International Journal of Applied Earth Observations and Geoinformation，2018，73（8）：627-637. DOI：10.1016/j.jag. 2018. 08.003 .

[本文引用: 2]

Zhang P， Yuan C， Sun Q， et al.

Satellite-based detection and characterization of industrial heat sources in China

［J］. Environmental Science & Technology，2019，53（18）. DOI：10.1021/ acs.est.9b02643 .

[本文引用: 1]

Ma Y， Ma C， Liu P . et al.

Spatial-temporal distribution analysis of industrial heat sources in the US with geocoded， tree-based，large-scale clustering

［J］. Remote Sensing，2020，12（18）： 3069. DOI： 10.3390/rs12183069 .

[本文引用: 1]

Elvidge C D， Zhizhin M， Hsu F C， et al.

Methods for global survey of natural gas flaring from visible infrared imaging radiometer suite data

［J］.Energies，2015，9（1）：1-15. DOI： 10.3390/ en9010014 .

[本文引用: 1]

He Junxia， Yan Wei， Duan Xuejun， et al.

Location identification and spatial evolution of industrial heat sources along Yangtze river in Jiangsu province

［J］. Resources and Environment in the Yangtze Basin， 2022， 31（5）： 995-1005.

何俊霞， 颜蔚， 段学军， 等.

江苏沿江地区工业热源区位识别与空间演变

［J］. 长江流域资源与环境， 2022， 31（5）： 995-1005.

Li Bo， Fan Junfu， Han Liusheng， et al.

An industrial heat source extraction method： BP neural network using temperature feature template

［J］. Journal of Geo-information Science， 2022， 24（3）： 533-545.

[本文引用: 1]

李博， 范俊甫， 韩留生， 等.

一种工业热源提取方法： 利用温度特征模板的BP神经网络

［J］. 地球信息科学学报， 2022， 24（3）： 533-545.

[本文引用: 1]

Ma C H， Yang J， Chen F， et al.

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

［J］.Sustainability，2018，10（12）：4419. DOI： 10.3390/su10124419 .

[本文引用: 1]

Ma C， Niu Z， Ma Y， et al.

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

［J］. ISPRS International Journal of Geo-Information， 2019， 8（12）： 568. DOI： 10.3390/ijgi8120568 .

[本文引用: 1]

Sun Jiaqi， Liu Yongxue， Dong Yanzhu， et al.

Classifycation 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 Geo-Information Science， 2018， 34（3）：13-19.

[本文引用: 2]

孙佳琪， 刘永学， 董雁伫， 等.

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， 2018， 34（3）： 13-19.

[本文引用: 2]

Lai Jianbo.

Study on remote sensing identification and spatial distribution pattern of heat source in heavy industry

［D］. Lanzhou： Northwest Normal University， 2020.

[本文引用: 2]

赖建波.

重工业热源的遥感识别及空间分布格局研究

［D］. 兰州： 西北师范大学， 2020.

[本文引用: 2]

Liu Y， Hu C， Zhan W， et al.

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

［J］. Remote Sensing of Environment， 2018， 204. DOI： 10.1016/j.rse.2017.10.019 .

[本文引用: 3]

Elvidge C D， Zhizhin M， Hsu F C， et al.

VIIRS Nightfire： satellite pyrometry at night

［J］. Remote Sensing， 2013， 5（9）： 4423-4449. DOI： 10.3390/rs5094423 .

[本文引用: 1]

Elvidge C D， Zhizhin M， Ghosh T， et al.

Annual time series of global VIIRS nighttime lights derived from monthly averages： 2012 to 2019

［J］. Remote Sensing， 2021， 13（5）： 922. DOI： 10.3390/rs13050922 .

[本文引用: 1]

Cui Xuan.

A study on the economic development of the resource-based cities in Shandong province

［D］. Changchun： Jilin University， 2015.

[本文引用: 1]

崔璇.

山东省资源型城市经济发展研究

［D］. 长春： 吉林大学， 2015.

[本文引用: 1]

Wang Beibei.

Research on evaluation of green transformation and development of resource-based cities in Shandong province

［D］. Beijing： China University of Geosciences， 2019.

[本文引用: 2]

王贝贝.

山东省资源型城市绿色转型发展评价研究

［D］. 北京： 中国地质大学， 2019.

[本文引用: 2]

Wang Dong.

An empirical analysis of industrial structure and economic growth in Shandong province

［D］. Shenyang： Liaoning University， 2018.

[本文引用: 1]

王栋.

山东省产业结构与经济增长的实证分析

［D］. 沈阳： 辽宁大学， 2018.

[本文引用: 1]

/

〈 〉