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
1.
2.
Classification Extraction and Variation Characteristics Analysis of Industrial Heat Sources in Shandong Province based on VIIRS Nightfire Data
1.
2.
通讯作者:
收稿日期: 2021-07-25 修回日期: 2022-07-11
基金资助: |
|
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:
关键词:
Keywords:
本文引用格式
李博, 范俊甫, 韩留生, 周玉科, 张大富.
Li Bo, Fan Junfu, Han Liusheng, Zhou Yuke, Zhang Dafu.
1 引 言
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。
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
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。
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
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
表1 两种方法提取工业热源对象数量
Table 1
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 | 181 | 98.34 | 93.68 |
DBSCAN | 228 | DBSCAN+时间序列聚类 | 194 | 99.81 | 92.38 |
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
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 | 28 | 8 | 0 | 1 | 75.68 |
钢铁 | 1 | 42 | 3 | 0 | 91.30 |
煤化 | 1 | 3 | 46 | 0 | 92.00 |
油气炼化 | 1 | 11 | 1 | 48 | 78.69 |
制图精度/% | 90.32 | 65.63 | 92.00 | 97.96 | 总体精度:84.54 |
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
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
4.4 政策提出前后工业热源空间分布变化
图4
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
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
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].
Forest fire Monitoring based on multisensor remote sensing techniques in Muli county,Sichuan province
[J].
联合多源遥感数据监测四川木里县森林火灾
[J].
Model and zoning of fire risk in Gansu province based on GWLR and MODIS imagery
[J].
基于MODIS数据和GWLR的甘肃省火灾风险模型与区划
[J].
Spatio-temporal dynamics of surface urban heat island in coastal Mega cities along the Belt and Road from remote sensing data
[J].
一带一路沿海超大城市热岛时空特征遥感分析
[J].
Comparative study on the urban heat island effect in "Stove Cities" during the last 20 years
[J].
近20年来新旧“火炉城市”热岛状况对比研究
[J].
Analysis of influence factors of urban heat island effect based on remote sensing
[J].
遥感城市热岛提取的影响因素分析
[J].
Seasonal variation of PM2.5 in the Beijing-Tianjin-Hebei region in 2018 and its relationship with land surface temperature
[J].
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].
Analysis of meticulous features of urban surface temperature based on UAV thermal thermography
[J].
无人机热红外城市地表温度精细特征研究
[J].
Seasonal variations in the relationship between land surface temperature and impervious surface percentage in Kolkata
[J].
加尔各答市地表温度与不透水面比例季相相关性研究
[J].
The spatial pattern and influencing factors of industrial eco-efficiency in Chinese prefecture-level cities
[J].
中国地级市工业生态效率空间格局及影响因素
[J].
Spatial pattern of industrial innovation efficiency for Chinese cities at prefecture level and above
[J].
中国地级以上城市工业创新效率空间格局研究
[J].
China's industrial spatial pattern evolution and the concentration difference-based on the EDSA and urban panel data of spatial econometrics
[J].
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].
A method for satellite identification of surface temperature fields of subpixel resolution
[J].
Potential global fire monitoring from EOS‐MODIS
[J].
Research on the temporal and spatial cistribution characteristics of thermal anomalies in China from 2001 to 2018
[J].
2001—2018年我国热异常点时空分布特征研究
[J].
Assessing the distribution of active fire data based on large industrial heat sources detection in Handan
[J].
基于工业热源区域识别的邯郸市热异常产品分析
[J].
Thermal infrared remote sensing technology for geothermal resources detection based on multi-source & multi-temporal data in Dandong Liaoning
[D].
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].
A method for monitoring iron and steel factory economic activity based on satellites
[J].
A simple method based on the thermal anomaly index to detect industrial heat sources
[J].
Satellite-based detection and characterization of industrial heat sources in China
[J].
Spatial-temporal distribution analysis of industrial heat sources in the US with geocoded, tree-based,large-scale clustering
[J].
Methods for global survey of natural gas flaring from visible infrared imaging radiometer suite data
[J].
Location identification and spatial evolution of industrial heat sources along Yangtze river in Jiangsu province
[J].
江苏沿江地区工业热源区位识别与空间演变
[J].
An industrial heat source extraction method: BP neural network using temperature feature template
[J].
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].
Assessing heavy industrial heat source distribution in China using real-time VIIRS active fire/hotspot data
[J].
Assessing the distribution of heavy industrial heat sources in India between 2012 and 2018
[J].
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].
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].
Study on remote sensing identification and spatial distribution pattern of heat source in heavy industry
[D].
重工业热源的遥感识别及空间分布格局研究
[D].
Identifying industrial heat sources using time-series of the VIIRS Nightfire product with an object-oriented approach
[J].
VIIRS Nightfire: satellite pyrometry at night
[J].
Annual time series of global VIIRS nighttime lights derived from monthly averages: 2012 to 2019
[J].
A study on the economic development of the resource-based cities in Shandong province
[D].
山东省资源型城市经济发展研究
[D].
Research on evaluation of green transformation and development of resource-based cities in Shandong province
[D].
山东省资源型城市绿色转型发展评价研究
[D].
/
〈 |
|
〉 |
