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

0 引言

随着工业化进程加快，由工业排放引起的温室气体问题日益突出[1]。我国工业产生的温室气体排放量占全国温室气体排放总量的比例由2005年的10.28%增至2012年的12.30%[2，3]。在建筑材料(水泥等)、金属(钢铁等)冶炼锻造、煤焦、油气开发等行业的生产过程中，往往需要消耗/燃烧大量化石燃料，排放大量温室气体。因此，获取上述行业详尽的工厂清单有利于了解工业燃烧中温室气体排放模式，有助于开展节能减排工作[4,5]。然而，传统的清单获取方式费时、费力且更新缓慢，考虑到上述行业生产活动通常与耗氧燃烧密切相关，因此借助卫星遥感技术全天时采集数据，追踪异常高温现象(尤其是夜间的工业燃烧活动)，可为高效、准确、大范围地掌握工厂类型、数量及空间分布提供技术支撑。目前已有来自AVHRR(Advanced Very High Resolution Radiometer)[6]、ATSR(Along Track Scanning Radiometer)[7]、VIRS(Visible and Infrared Scanner)[8]等传感器的热异常产品广泛应用于全球尺度的生物质燃烧等相关研究[9-13]，但鲜有数据用于获取工业热源分布信息。MODIS(Moderate Resolution Imaging Spectrometer)火产品(active fire product)提供了全球尺度的固定火点的粗分类信息(如火山、海陆油气开发等)[14]，但缺少细致的热异常类别信息[15]。Suomi-NPP卫星搭载的VIIRS因具有相对较高的空间分辨率(白天375 m，夜间750 m)和多波段全天时成像装置[16,17]，可提供更为详尽的地表热异常数据；相比其他遥感热异常产品，VIIRS还提供了地表热异常的温度信息，这为判别各类工业热源提供了可能[18]。但由于不同热源的温度区间存在重叠(如生物质燃烧的高温区间与炼化厂废气燃烧的低温区间)，同类/同一热源在时间序列产品中存在温度变动，使得利用Suomi-NPP VIIRS夜间热异常产品数据提取工业热源并判定其类别仍存在挑战。

帕金森疾病可以通过药物进行控制，在治疗过程还需要患者配合。我院通过对比发现，护理前两组焦虑、抑郁评分、日常生活能力比较，差异无统计学意义（P＞0.05）。护理后两组焦虑、抑郁评分、日常生活能力均有改善，且研究组优于参考组，差异有统计学意义（P＜0.05）。所以心理护理干预能够改善帕金森患者的焦虑、抑郁，提高患者的日常生活能力，可以在临床护理上推广应用。

鉴于此，本文以京津冀地区为研究区，基于Suomi-NPP VIIRS夜间热异常时间序列产品，结合高分辨率遥感影像，提出综合“空间—时间—温度”维度的面向对象分析法，并将该方法应用于分割工业热源对象；同时，分析不同类别工业热源的温度分布特征，并统计各类工业热源对象的数量，以期为京津冀地区大气环境治理与工业转型升级提供基础信息。

1 研究区及数据

1.1 研究区概况

京津冀地区包括北京市、天津市及河北省，位于36°03′19″～42°37′15″N，113°26′18″～119°51′00″E之间，是环渤海区域的心脏地带[19]，陆域国土面积约22.73万km2(图1)。作为我国传统的重工业基地之一，该区域是钢铁冶炼与铸造的集中区[20]，据2016年《中国统计年鉴》，2015年京津冀钢铁产量为7.4亿t，占全国钢铁总产量的28.24%。京津冀地区主导产业联系紧密，优势互补[21]，目前，北京市已形成以汽车为主导的工业格局，天津市以石油、天然气开采和装备制造为主导产业，河北省则以钢铁、石化为主导产业[22]，其中钢铁行业约占30%的工业比重[23]。

1.2.4 准备工作 对研究对象进行培训前、后的临床实践技能考核，收集培训前后考试考核成绩，进行统计学分析，并对其进行整理、分析和结论。

图1 研究区概况 Fig.1 Situation of the study area

1.2 数据源

(2)时间滤波。生物质燃烧类热源时间分布集中的聚集特性可用于排除其在工业对象候选数据中的干扰。为确定每个候选对象的时间聚集程度，研究统计了每个夜间热源对象的时间分布，并计算时间聚集指数(Temporal Concentration Index,TCI)，即一年某时段内夜间热异常点的最大频率，最后通过阈值计算移除TCI值较高的夜间热源对象。

图2 京津冀地区Suomi-NPP VIIRS夜间热异常数据分布 Fig.2 Distribution of detected Suomi-NPP VIIRS nighttime thermal anomalies in the Beijing-Tianjin-Hebei region

(3)煤化工厂等相关热源。在高分影像中，煤化工厂(图4n)附近可见煤炭存储场及煤化工厂处理设备(图4o)。在VIIRS夜间热异常时间序列产品中，煤化工类产生的夜间热异常点温度直方图亦呈双峰分布(图4q)，但其第二个峰值的温度较高(约1 260 K)。

“因为你的羊儿叫得很好听，你的歌儿很动听，你的这种生活让人向往，你的人很憨厚，这是那些什么都有的人没有的。”草儿很认真地望着牧儿说，脸也不禁泛上了红晕。

2 VIIRS夜间热异常时间序列产品中工业热源的空间-时间-温度分布特征

2.1 空间-时间分布特征

(1)空间滤波。统计每个夜间热源对象的两个属性值(夜间热异常点总数n与所有格网中频数最大值m)，对其进行阈值计算，选出候选工业夜间热源对象。为减少遗漏率，阈值设置应尽可能低(如n=5，m=3)，但从大尺度角度看，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候选数据中。

图3 生物质燃烧与工业热源在夜间异常产品中的空间/时间/温度分布特征 Fig.3 Spatial/temporal/thermal distribution characteristics of biomass burning and industrial heat source for the Suomi-NPP nighttime thermal anomaly products

2.2 温度分布特征

(4)油气开发等相关热源。油气开发/炼化相关的工业热源(包括炼油厂、陆上油气开发平台等，如图4r)附近常有钻井设备和天然气燃烧火点(图4s)，其产生的夜间热异常点温度直方图均呈单峰分布(图4u)。与上述3类工业热源显著不同的是，该类热源的夜间热异常温度更高，峰值在1 770 K左右。

(1)水泥厂相关热源。在Google Earth等在线高分影像中，水泥厂(图4a)通常坐落在石灰采石场附近，有长条形回转窑、穹顶状原料预均化堆场、水泥存储库和碗状熟料库(图4b-图4e)。其在VIIRS夜间热异常时间序列产品中的温度直方图极为相似(图4g)，均呈典型高斯分布且峰值在850 K左右。

(2)钢铁厂等相关热源。黑色金属(铁、钢等)加工厂(含熔炼、铸造、锻造、压制和制造等)(图4h)主要包括高炉、煤气罐、电力除尘设施等(图4i-图4k)。在VIIRS夜间热异常时间序列产品中，钢铁厂等相关热源产生的夜间热异常点温度直方图十分相似，均呈双峰分布(图4m)，第一个峰值在890 K左右，略高于水泥厂相关热源，第二个峰值在1 050 K左右。

1.2.2 高空间分辨率遥感影像与地名数据库 研究使用在线高空间分辨率遥感影像(如Google Earth历史影像、微软Bing影像、ESRI影像、天地图影像等)，辅以在线地名(如天地图、百度地图等)判断工业热源类别。由于在线地图中部分地名标记缺失，研究整合了导航数据库的兴趣点(Point of Interests,POI)数据辅以建立工业热源样本数据库。

在VIIRS夜间热异常时间序列产品中，不同工业热源产生的夜间热异常的温度分布特征也不同。

3 夜间工业热源对象提取与分类

基于以上分析，研究综合利用不同类型夜间热异常在空间、时间及温度方面的分布特征差异，提取并识别不同工业热源。为更好地提取并区分不同类别的夜间工业热源，本研究引入“对象”的概念[26]，即不重叠的均质区域中，由空间邻近像元组成，内部同质但与周围不同的一组像元，并据此将“夜间热源对象”定义为一组时空邻近的夜间热异常。面向对象的夜间工业热源提取与分类主要步骤包括：夜间热源对象提取、工业热源对象分割和工业热源子类别判定(图5)。

基于直接使用氢氟酸可能造成的安全风险，文献[12]报道了一种采用氟化氢铵代替氢氟酸消解岩石样品的方法。采用该方法对有机质含量较高的GD-2号页岩样品进行消解试验，结果发现样品消解液底部沉积有较多的颗粒残渣，分析认为这可能是由于页岩样品中有机碳含量较高所用方法不能将样品中有机质完全消解所致。基于此，实验对该方法进行了改进，在加入氟化氢铵的基础上又加入强氧化性的高氯酸以破坏页岩样品中的有机质，从而实现页岩的完全消解。

亲土种植理念的到来，为武威农业带来了又一次机遇。此次，金正大集团倡导的亲土种植理念和技术正是通过使用新型的土壤调理产品和技术，解决土壤酸化碱化、有机质下降、土壤微生态环境恶化等土壤问题，同时，通过研发推广新型高效肥料并科学施肥，提高肥料的使用效率，降低对土壤的伤害。配合推广现代农业服务，直接帮助农民实施全程科学管理服务和机械化种植技术推广，让生产效率和土壤保护得到有效提升。

3.1 夜间热源对象提取

为方便判定空间邻域关系，研究采用格网分析，格网大小设置为15″(经度方向约368 m，纬度方向约462 m，格网面积约0.17 km2)。将时间序列VIIRS夜间热异常点按格网划分，统计每个格网内夜间热异常点的频数，并根据是否包含夜间热异常将频数图转化为二值图，进而矢量化为不同的夜间热源对象。在工业热源分割与子类别判定过程中，将以独立的热源对象作为研究对象。

图4 不同类别工业热源对象高分影像及在夜间热异常时间序列产品中的温度分布特征 Fig.4 Characteristics of sample objects of industrial heat sources in high resolution remote sensing images and Suomi-NPP nighttime thermal anomaly products

图5 基于夜间热异常时间序列数据的工业热源分割及分类流程 Fig.5 Flow chart of segmentation and classification of industrial heat sources based on Suomi-NPP nighttime thermal anomaly time-series products

3.2 工业热源对象分割

基于工业热源与其他类型热异常现象在空间、时间及温度聚集特征方面的差异，分割工业热源对象。

仅依据每日Suomi-NPP VIIRS夜间热异常产品温度信息难以判断某夜间热异常点是来源于工业热源，还是生物质燃烧(如林火、秸秆焚烧等)。但在VIIRS夜间热异常时间序列产品中，工业热源与生物质燃烧存在明显差异，其主要体现在：1)空间维。由于工业热源的燃烧位置不变，在VIIRS夜间热异常时间序列产品中，工业热源产生的夜间热异常点检出频次高且分布紧密(图3a、图3b)；而生物质燃烧等产生的夜间热异常点分布相对分散，密度较低(图3c、图3d)。2)时间维。工业热源通常为连续运行，在较长时段内(如一年)可多次被检测到(图3e)；而自然发生或人为引发的生物质燃烧通常燃烧时间有限(图3f)，且具有明显的季节性[25]。3)温度维。在夜间热异常时间序列产品中，同类工业热源产生的热异常温度分布特征相似(如图3g，详见2.2节)；而生物质燃烧所产生的热异常温度分布较随机(图3h)。

没有就算了。村长适时接过话头。八斗丘补偿问题，村委过些天会研究，你不要到处找人说事。特别是不要找那样专门戳漏洞的什么狗屁记者。

1.2.1 Suomi-NPP VIIRS夜间热异常产品 美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration,NOAA)对地观测小组(Earth Observation Group,EOG)提出了基于Suomi-NPP VIIRS夜间多光谱波段的热异常检测算法。与传统的遥感热异常(火点)检测算法反演出的亮温信息(混合像元，分辨率1 km)不同的是，该算法综合利用夜间多光谱波段，不仅提供更精确的热异常位置信息(分辨率750 m)，还给出了子像元级别的地表热异常的温度、面积等信息，使得子像元级别的地表热异常检测结果更为丰富。该产品生产的主要步骤为：基于近红外波段(M10)探测热异常；通过可见光波段(Day/Night Band)、近红外波段(M7和M8)、短波红外波段(M12和M13)进行验证；将验证过的热异常检测结果视为高可信的夜间热异常，并依据普朗克曲线，基于单纯形优化法估计该热异常点所对应的黑体温度[24]。研究使用的Suomi-NPP VIIRS夜间火点数据获取时间为2012年9月1日至2017年12月31日，共计114 972个高可信夜间热异常点(图2)。

(3)温度特征统计。为确定各工业热源对象的子类别，以10 K为间隔，对500～2 500 K的温度范围进行划分，建立夜间热源对象的温度直方图并归一化至比率，以描述夜间热源对象的温度特征，而不是单以平均值、众数、中位数、标准差等统计值作为识别夜间热源类别的特征值。

3.3 工业热源对象子类别判定

根据高空间分辨率影像、地名和夜间热源对象的综合分析，选取了40个样本对象，包括水泥厂(8个)、钢铁厂(12个)、煤化工厂(10个)、油气开发平台(10个)。将分割得到的夜间工业热源对象叠加在高空间分辨率影像上，采用模板匹配法判定工业热源对象的类型。1)模板生成：在不同类型的工业热源对象样本中随机挑选50%对象，利用其包含的夜间热异常点建立温度模板；2)最小距离分类：计算待分类工业热源对象与各温度模板的欧氏距离，将距离最小的类别作为该对象的输出类别；3)多数票决机制：由于每类中不同个体间存在差异，温度模板存在不确定性，因此重复上述两步骤50次，夜间热源对象的最终类型由最多投票决定。

4 结果分析

4.1 工业热源空间分布

最终，本研究从京津冀地区114 972个夜间热异常点中分割出264个工业热源对象。需要说明的是，由于部分工厂位置集中，其热源中心聚集在一个热源对象中，因此实际的工厂数量比工业热源对象数量更多。统计分析表明(表1、图6)，京津冀地区夜间工业热源类型以钢铁厂和煤化工厂相关类为主：264个工业热源对象中，有25个水泥厂相关热源(9.47%)，集中在河北省唐山市和石家庄市；139个钢铁厂相关热源(52.65%)，76个煤化工厂相关热源(28.79%)，二者多分布在唐山市和邯郸市；24个油气开发相关热源(9.09%)，集中于沿海城市(唐山市、天津市和沧州市)。唐山市作为传统重工业城市，其工业热源对象有112个，占京津冀地区总数的42.42%，各类工业热源数量在13个市中均位列第一，其中72个为钢铁厂相关类，占此类热源对象总数的51.80%，21个为煤化工厂相关类，占此类热源对象总数的27.63%；邯郸市以钢铁厂和煤化工厂相关类为主，分别占该市热源对象总数的57.45%和38.30%；衡水市、承德市、张家口市和北京市的热源对象较少(共14个)，仅占京津冀总数的5.30%。

表1 各市工业热源数量统计 Table 1 Statistics of industrial heat sources

水泥厂等钢铁厂等煤化工厂等油气开发等合计北京11215天津072413唐山1072219112秦皇岛165012承德04004张家口21205保定357015廊坊152311沧州033511衡水00000石家庄447116邢台247013邯郸12718147合计251397624264

图6 京津冀地区工业热源空间分布 Fig.6 Spatial distribution of industrial heat sources in the Beijing-Tianjin-Hebei region

4.2 精度验证

由于缺乏真实统计数据作为参考，采用如下方式定量验证工业热源分割及分类的精度：1)工业热源分割精度。将分割出的所有工业热源对象叠加至Google Earth等在线高分遥感影像，根据各类工业热源的影像特征，分割结果均能对应可识别的工业建筑物(如高炉、煤气罐、油气钻井平台等)，表明综合“空间—时间—温度”维度的面向对象法在京津冀地区工业热源分割应用中有较强的鲁棒性。2)工业热源分类精度。将工业热源对象覆盖高空间分辨率遥感影像，并结合地名数据集，对京津冀地区分割出的264个工业热源一一对照验证，结果显示，221个工业热源对象分类正确，总体分类精度为83.71%(表2)。

表2 工业热源分类精度 Table 2 Classification accuracy of industrial heat sources

水泥厂等钢铁厂等煤化工厂等油气开发等用户精度(%)水泥厂等1803278．26钢铁厂等311910090．15煤化工厂等21963174．12油气开发等2102187．50制图精度(%)72．0085．6182．8987．50总体精度83．71

5 结论

本研究利用Suomi-NPP VIIRS夜间热异常产品，提出综合“空间—时间—温度”维度的面向对象分析法，对京津冀地区工业热源进行提取及分类，得出以下结论：1)水泥厂、钢铁厂、煤化工厂及油气开发/炼化等工业热源对象，在VIIRS夜间热异常时间序列产品中均显示出独特的温度分布特征。水泥厂与油气开发/炼化等相关热源的温度分布均呈单峰分布，但油气开发类的峰值更高；钢铁厂与煤化工厂相关类均为双峰分布，但后者的第二个峰值更高。2)京津冀地区工业热源对象类型以钢铁厂和煤化工厂相关类为主，集中分布在河北省唐山市和邯郸市，衡水市、承德市、张家口市和北京市的工业热源对象较少。3)研究使用的VIIRS夜间热异常产品与面向对象的工业热源提取分类方法在京津冀地区有较强的可行性与鲁棒性。分割出的264个工业热源对象均可在高分辨率遥感影像上对应工业建筑物，总体分类精度为83.71%。

Suomi-NPP VIIRS夜间热异常产品为研究提供了可靠的数据源，研究结果为京津冀地区治理大气污染及工业产业转型升级提供了基础数据。但数据精度使研究中分割出的工业热源对象难以达到精细尺度，存在一个热源对象包括多个工厂的情况，且定位精度有待提高。今后需考虑融合多源数据，改进数据精度，探索提高VIIRS夜间热异常产品数据质量的方法，拓展其在地球科学尤其是城市遥感中的应用。

参考文献：

[1] XU B,LIN B Q.How industrialization and urbanization process impacts on CO2 emissions in China:Evidence from nonparametric additive regression models[J].Energy Economics,2015,48:188-202.

[2] 中华人民共和国国家发展和改革委员会应对气候变化司.中华人民共和国气候变化第二次国家信息通报[EB/OL].http://qhs.ndrc.gov.cn/zcfg/201404/W020140415316896599816.pdf,2014-04-15.

[3] 中华人民共和国国家发展和改革委员会应对气候变化司.中华人民共和国气候变化第一次两年更新报告[EB/OL].http://qhs.ndrc.gov.cn/dtjj/201701/W020170123346264208002.pdf,2017-01-23.

[4] 张晓郁，陈振飞，徐文哲.ArcGIS在大气污染源排放清单建立中的应用研究[J].环境科学与管理,2017,42(1):135-139.

[5] 伯鑫,赵春丽,吴铁,等.京津冀地区钢铁行业高时空分辨率排放清单方法研究[J].中国环境科学,2015,35(8):2554-2560.

[6] STROPPIANA D,PINNOCK S,GREGOIRE J M,et al.The global fire product:Daily fire occurrence from April 1992 to December 1993 derived from NOAA AVHRR data[J].International Journal of Remote Sensing,2000,21(6-7):1279-1288.

[7] ARINO O,CASADIO S,SERPE D.Global night-time fire season timing and fire count trends using the ATSR instrument series[J].Remote Sensing of Environment,2012,116(1):226-238.

[8] KENDALL J D.A multi-year active fire dataset for the tropics derived from the TRMM VIRS[J].International Journal of Remote Sensing,2003,24(22):4505-4525.

[9] ICHOKU C,GIGLIO L,WOOSTER M J,et al.Global characterization of biomass-burning patterns using satellite measurements of fire radiative energy[J].Remote Sensing of Environment,2008,112(6):2950-2962.

[10] RANDERSON J T,CHEN Y,WERF G R,et al.Global burned area and biomass burning emissions from small fires[J].Journal of Geophysical Research Biogeosciences,2015,117(G4):G4012.

[11] GIGLIO L,RANDERSON J T,WERF G R,et al.Analysis of daily,monthly,and annual burned area using the fourth-generation global fire emissions database (GFED4)[J].Journal of Geophysical Research Biogeosciences,2013,118(1):317-328.

[12] KAISER J W,HEIL A,ANDREAE M O,et al.Biomass burning emissions estimated with a global fire assimilation system based on observed fire radiative power[J].Biogeosciences Discussions,2012,9(1):527-554.

[13] DWYER E,PINNOCK S,GREGOIRE J M.Global spatial and temporal distribution of vegetation fire as determined from satellite observations[J].International Journal of Remote Sensing,2000,21(6-7):1289-1302.

[14] ROBBINS A M J,ECKELMANN C M,ES M Q,et al.加勒比岛屿的森林火灾[J].AMBIO-人类环境杂志,2008(Z1):459-465.

[15] GIGLIO L,SCHROEDER W,JUSTICE C O.The collection 6 MODIS active fire detection algorithm and fire products[J].Remote Sensing of Environment,2016,178:31-41.

[16] CSISZAR I,SCHROEDER W,GIGLIO L,et al.Active fires from the Suomi NPP visible infrared imaging radiometer suite:Product status and first evaluation results[J].Journal of Geophysical Research Atmospheres,2014,119(2):803-816.

[17] SCHROEDER W,OLIVA P,GIGLIO L,et al.The new VIIRS 375 m active fire detection data product:Algorithm description and initial assessment[J].Remote Sensing of Environment,2014,143(6):85-96.

[18] ELIVIDGE C D,ZHIZHIN M,BAUGH K,et al.Methods for global survey of natural gas flaring from visible infrared imaging radiometer suite data[J].Energies,2016,9(1):14.

[19] 张伟,张杰,汪峰,等.京津冀工业源大气污染排放空间集聚特征分析[J].城市发展研究,2017,24(9):81-87.

[20] 伯鑫,徐峻,杜晓惠,等.京津冀地区钢铁企业大气污染影响评估[J].中国环境科学,2017,37(5):1684-1692.

[21] 李强,刘剑锋,李小波,等.京津冀土地承载力空间分异特征及协同提升机制研究[J].地理与地理信息科学,2016,32(1):105-111.

[22] 卜洪运,李静.京津冀工业集聚度分析[J].中国集体经济,2015(28):12-14.

[23] 那威.京津冀工业主导产业现状分析[J].现代经济信息,2013(14):429.

[24] ELVIDGE C D,ZHIZHIN M,HSU F C,et al.VIIRS nightfire:Satellite pyrometry at night[J].Remote Sensing,2013,5(9):4423-4449.

[25] GLGLIO L,CSISZAR I,JUSTICE C O.Global distribution and seasonality of active fires as observed with the Terra and Aqua Moderate Resolution Imaging Spectroradiometer (MODIS) sensors[J].Journal of Geophysical Research Biogeosciences,2015,111(G2):17-23.

[26] BLASCHKE T.Object based image analysis for remote sensing[J].Isprs Journal of Photogrammetry & Remote Sensing,2010,65(1):2-16.