EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 4: 173 - 183

DOI: https://doi.org/10.6046/zrzyyg.2024146

Gaussian mixture model and its application in remote sensing identification of industrial heat sources

  • LI Lelin , 1, 2 ,
  • WANG Wenxi 3 ,
  • YANG Wentao 1 ,
  • CHEN Hao 2 ,
  • PENG Huanhua 2 ,
  • ZHAO Qian 3
Expand
  • 1. National-Local Joint Engineering Laboratory of Geo-Spatial Information Technology, Hunan University of Science and Technology, Xiangtan 411201, China
  • 2. Institute for Local Sustainable Development Goals, Hunan University of Science and Technology, Xiangtan 411201, China
  • 3. School of Earth Sciences and Spatial Information Engineering, Hunan University of Science and Technology, Xiangtan 411201, China

Received date: 2024-04-19

  Revised date: 2024-10-26

  Online published: 2026-06-03

Fold

Abstract

Precisely extracting the information of industrial heat source activities serves as a significant prerequisite for the prevention and control of air pollution and the prediction of industrial economy in China. However, due to unclear heat source characteristics and inaccurate type determination, the remote sensing monitoring of industrial heat sources fails to be widely applied. This study investigated Hunan Province based on the Suomi-NPP VIIRS Nightfire data from 2015 to 2021. First, this study extracted nighttime industrial heat sources from the data using spatial filtering and the hierarchical density-based spatial clustering of applications with noise (HDBSCAN) algorithm. Second, this study constructed temperature characteristic template functions for different industrial heat sources using the Gaussian mixture model. Third, this study determined the subcategories of industrial heat sources according to temperature similarity of the same categories, achieving an overall classification accuracy of 86.31 %. Finally, this study obtained the layout of industrial heat sources in Hunan Province. The results indicate that the industry in Hunan Province was dominated by petrochemical plants, with the smallest number of coal-to-chemical plants. Metallurgical enterprises, showing the highest heat radiation intensity, were primarily distributed in the Loudi-Xiangtan-Zhuzhou area. From 2015 to 2019, industrial heat sources in Hunan Province showed a decreasing trend, indicating that relevant government departments effectively rectified the scattered, non-compliant, and polluting factories in Hunan Province during the 13th Five-Year Plan period. During the COVID-19 pandemic, the number of heat sources changed slightly since work and production were gradually resumed under the effective regulation of the government. This study analyzed the grey relational degrees between the heat radiation emission intensity and the relevant indicators of energy consumption and industrial pollutant emissions. Based on the comprehensive industrial energy consumption, industrial sulfur dioxide emissions, and heat radiation emission intensity, this study explored the relevant situation of energy consumption, pollution, and heat emissions in Hunan Province, dividing the cities and prefectures into seven types accordingly. Overall, this study provides information sources and data support for local governments to dynamically monitor the production activities of local key industrial enterprises. Ascertaining the spatial distribution patterns and evolutionary trends of different industrial enterprises will contribute to the formulation of industrial transformation policies by the government and relevant departments and the practice of sustainable development.

Key words： Suomi-NPP VIIRS Nightfire data; industrial heat source; temperature characteristics; Gaussian mixture model; remote sensing identification

Cite this article

LI Lelin , WANG Wenxi , YANG Wentao , CHEN Hao , PENG Huanhua , ZHAO Qian . Gaussian mixture model and its application in remote sensing identification of industrial heat sources[J]. Remote Sensing for Natural Resources, 2025 , 37(4) : 173 -183 . DOI: 10.6046/zrzyyg.2024146

0 引言

我国正处于工业布局升级转型的关键时期。由于工业部门复杂的体系和长期以来采用“高耗能、高排放”的发展模式,导致大量企业面临重复建设、产能过剩、恶意竞争等一系列问题,阻碍工业企业的升级转型。部分中小型企业通过偷建、偷排、偷放等不合规手段追求利益,污染源不能被监管部门掌握,导致污染问题未有效根治[1]。传统地面调查虽然为政府部门提供一定程度的科学参考,但是浪费大量的人力与财力,且获取数据的时效性不高[2-5],在工业升级转型期间无法满足对工业企业空间格局研究的需求。在此关键时期,对工业工厂的监督需要更加快速、广泛、准确的技术手段和宏观、客观、动态、及时的数据支撑[6]。
遥感技术可以满足优化工业空间结构的迫切需求[7]。遥感卫星上搭载的各种红外/热红外传感器可以高效探测地表温度的变化与地表高温异常点。国内外学者利用多源卫星遥感数据,在工业热源的检测与分类识别领域开展了系列研究。陈鹏飞等[8-9]利用不同分辨率光学遥感影像对水泥厂和钢铁厂进行遥感识别的适宜性研究; 于一凡等[10]基于Landsat ETM+第7波段初步识别冶炼、炼焦等热源,构建地表高温目标的混合像元的辐射能量方程,并分析其参数的敏感性; Zhou等[11]基于Landsat8热红外传感器数据构建钢铁厂热岛强度指数(heat island intensity index for an iron and steel factory,ISHII)和钢铁厂热岛无线电指数(heat island radio index for an iron and steel factory,ISHRI),结合高分辨率影像监测钢铁厂内部热场时空变化; 孙爽等[12]基于Landsat8热红外传感器数据和北京二号高分辨率卫星影像开展装置级别的精细化工业热源遥感识别研究; Elvidge等[13]证实Suomi-NPP卫星的VIIRS数据可用于天然气燃烧源的追踪,可为全球节能减排等相关研究提供数据基础; 孙佳琪等[14]利用VIIRS夜间热异常产品数据,根据工业热源对象与普通热源在时间、空间和温度3个维度上的特征差异,对京津冀的工业热源对象进行识别与分类; 李博等[15]基于VIIRS夜火(VIIRS nightfire,VNF)数据根据工业热源异常点的空间聚集性特征和统计特征开展了山东省工业热源分类提取与变化特征分析; 张钦挺等[16]基于DBSCAN聚类算法和土地利用类型从VIIRS 数据中识别全部类型工业热源,通过对提取的工业热源进行频率统计提出了一种耦合温度特征的工业热源人工神经网络遥感分类精准识别方法。此外,国内外还有部分学者着重探讨工业热源点位的时空格局变化及其与工业产能、能源消耗、污染物排放等之间的相关性。Ma等[17]结合地理编码与基于树的大规模聚类分析美国工业热源的时空分布及其变化; Ma等[18]则采用改进的自适应K-Means算法对印度重工业发展的时空格局进行了反演; 纪轩禹[19]研究分析了工业热源数与工厂产能之间的相关联系; 陶金花等[20]则结合VIIRS载荷数据反演的热点数据和二氧化氮柱浓度数据分析了新型冠状病毒肺炎疫情期间我国复工复产情况; 孙爽等[21]利用空间统计分析方法探讨热源点辐射强度、污染物排放与工业能源消耗三者间的关系; 郝丽春等[22]则采用八分位法提取热异常区域后叠加建筑用地,得到工业污染区。目前来说,利用遥感数据对重工业热源进行监测的研究还在发展阶段,特别是在工业热源点提取的准确度及工业热源对象精细分类的精度方面还有欠缺,高精度工业热源对象的提取与分类识别方法还有待进一步研究。在当前生态文明建设深入推进的关键期,产业结构与空间布局的优化调整、区域协作机制的完善、环境污染问题的有效改善,都对工业企业全面客观、动态实时的监测体系的构建提出了更高要求。
本文以湖南省为例,基于Suomi-NPP VNF数据识别出潜在工业热源,提出一种“聚类-滤波”的工业热源识别方法,通过构建不同工业类别热源的温度高斯混合模型(Gaussian mixture model,GMM)对其进行分类。在此基础上,探究湖南省在2015—2021年间的工业热源空间分布格局、工业热排放变化规律和工业热源时空变化趋势反演,并且分析工业能源消耗、工业污染物排放与工业热排放三者间的关系。

1 研究区与数据源

1.1 研究区概况

湖南省(108°47'~114°15'E,24°38'~30°08'N)为本文研究区,其与湖北、江西、广东、广西、贵州以及重庆6省市区交界。全省面积21.18万km2,下辖13个地级市与1个自治州。湖南省作为国家战略部署的重要代表城市,积极响应国家政策,不断调整与优化区域工业格局发展。“十三五”时期,湖南省以优化工业产业结构,提高能源利用效率,健全节能降耗长效机制,平衡地区间节能工作为主要规划任务,大力实施中部崛起战略和创新引领开放崛起战略,加快建设富饶美丽幸福新湖南。现有长株潭、洞庭湖、湘南和大湘西四大重要经济区。

1.2 数据源及其预处理

1.2.1 Suomi-NPP VIIRS

VNF数据由搭载在Suomi-NPP卫星上的VIIRS传感器采集。该数据系统是由美国国家地球物理数据中心(National Geophysical Data Center,NGDC)开发,利用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)收集的夜间遥感数据构建而成。该数据用于检测和描述全球范围的亚像素燃烧源[23]。VNF数据综合利用夜间多光谱红外波段,提供了分辨率为750 m的高温热源位置信息。通过使用普朗克曲线拟合和物理定律来推导亚像元级别的温度、源面积、辐射热以及辐射热所需的甲烷与二氧化碳的燃烧量,使得亚像元级别的热异常检测结果更加丰富。由于夜间探测不受日间光照影响,将近红外波段(M10,M11)、短波红外波段(M12,M13)检测到的信号直接归因于热异常。为消除背景噪声影响,使用昼夜波段(day/night band,DNB)、近红外波段(M7,M8)初步验证热异常点,通过验证后的监测结果为高置信夜间热异常点[24]。选用湖南省2015年1月1日—2021年10月27日VNF数据,对已有数据进行数据清洗,剔除数据中未被证实的火点,选择温度区间在600~2 600 K的高置信火点进行研究。

1.2.2 辅助数据

研究采用的季度植被指数空间分布数据来源于中国科学院地理科学与资源研究所的资源环境科学数据平台(http://www.resdc.cn),分辨率为1 km; 采用Google Earth、天地图等高分辨率在线遥感影像数据对提取到的重工业热源对象进行验证; 从高德应用程序接口(application programming interface,API)数据平台获取兴趣点(point of interest,POI)数据作为辅助,建立不同类型的工业对象样本数据库; 利用《湖南统计年鉴》获取2015—2020年全省各市生产总值、工业增加值、工业能源消耗以及工业企业取水总量等数据; 利用《中国城市统计年鉴》获取工业二氧化硫排放量、工业氮氧化物排放量等污染排放数据; 研究区域行政区矢量数据来源于国家基础地理信息中心1∶400万数据库,未修改底图。

2 研究方法

2.1 夜间工业热源提取

将2015—2021年各年度的归一化植被指数(normaized difference vegetation index,NDVI)与对应年份的VNF数据进行叠加分析,对夜间热异常点进行初步筛选,剔除高植被覆盖区域燃烧所产生的热异常点(阈值为0.45)。由于工业热源燃烧位置固定不变,因此其具有空间聚集的特征。在VIIRS热异常时间序列产品中,工业热源出现的频次高且分布紧密。相反地,生物质燃烧热异常点频次较低且在空间上呈现散乱分布[23]。采用格网统计分析判定夜间热源点的空间邻域关系,将时间序列夜火数据点按照格网划分,统计夜间热源点出现的频率最大值,设置合理阈值为2。根据热异常样本点在空间上的紧密程度,采用基于分层密度空间聚类(hierarchical density-based spatial clustering of applications with noise,HDBSCAN)算法进一步提取夜间热源。由于需保证尽可能多地识别出夜间热源点,从数据自身特征与聚类结果等方面考虑,将最小要素值设置为4,提取结果如图1。
图1 基于VNF数据提取的工业热源分布情况

Fig.1 Distribution of industrial heat sources extracted based on VNF data

2.2 工业热源子类别判定

2.2.1 工业热源子类别温度特征

首先将未分类的工业热源叠加至高分辨率的天地图在线地图,结合高德地图POI数据(冶金石化类和工厂类)确定拟分类类别。然后按照各重工业工厂产物的性质差异与独特的环境特征,将工业热源分为冶金企业、水泥企业、石化企业和煤化企业4个类别。建立样本库,包含冶金企业(15个)、水泥企业(10个)、石化企业(8个)和煤化企业(7个)共40个样本对象。利用工业热源的温度特征来区分不同类别的工业热源。如图2所示,建立热源温度的高维等间隔度量表征其温度特征,以20 K的间隔对600~2 600 K温度区间进行划分,经归一化处理后绘制温度直方图。
图2 不同类别工业热源温度特征

Fig.2 Temperature characteristics of industrial heat sources in different categories

2.2.2 GMM模型

GMM模型由多种高斯分布函数组合而成[25]。理论上来说,当高斯分量大到一定程度时,GMM模型能够高精度逼近任意的连续分布,有利于更好地描述数据的空间分布及相关特性。高斯的概率分布模型为:
P ( y | θ ) = ∑ k = 1 K α k 1 2 π σ k e - ( y - μ k ) 2 2 σ k 2
式中: K为混合模型中高斯模型的个数; 参数 θ = ( μ k , σ k 2 , α k ); μ k和 σ k 2分别为第k个子模型的数学期望和方差(或协方差); α k为观测数据y属于第k个子模型的概率,满足 α k ≥ 0且 ∑ k = 1 K α k = 1。
采用GMM模型得到各类别工业热源的温度特征函数模型(表1),选择残差小的类别作为待分类对象的输出类别。本研究从12 462个夜间工业热源点中分割出168个工业热源对象,总体精度为86.31%(表2)。
表1 工业热源子类温度特征GMM模型

Tab.1 GMM for temperature characteristics of industrial heat source subclasses

企业类别 GMM模型 R2 调整后R2 RMSE/%
冶金 f ( x ) = 4.55 e - x - 874.2 85.41 2 + 3.315 e - x - 1094 1443 2 + 0.2803 e - x - 1531 1302 2 0.993 7 0.993 2 0.114 1
水泥 f ( x ) = 11.52 e - x - 840 93.58 2 0.937 2 0.934 8 0.870 4
石化 f ( x ) = 4.894 e - x - 1191 168 2 + 2.275 e - x - 858.4 119.6 2 + 0.1839 e - x - 1586 206.1 2 0.988 0 0.986 9 0.218 5
煤化 f ( x ) = 4.533 e - x - 1752 103.8 2 + 2.041 e - x - 1776 324.1 2 0.970 9 0.967 6 0.277 8
表2 工业热源分类精度

Tab.2 Classification accuracy of industrial heat sources

分类类别 参考类别 用户精度/%
冶金 水泥 石化 煤化
冶金 34 2 3 1 85.00
水泥 2 38 3 2 84.44
石化 3 4 64 0 90.14
煤化 0 1 2 9 75.00
制图精度/% 89.47 84.44 88.89 75.00 —
总体精度/% 86.31

2.3 空间分析

2.3.1 核密度分析

核密度分析是利用核函数计算点或线要素在其指定邻域的单位密度。简单来说,它能直观反映出离散的点或线要素在连续区域内的分布情况。假设存在高温异常点xi=x1,x2,…,xn,任意高温目标区域 x的核密度估计为 f ( x ),计算公式为:
f ( x ) = 1 n h ∑ i = 1 n L ( x - x i h )
式中: L ( x - x i h )为核密度函数; h为搜索半径; x - x i为估计点到样本 x i的距离 ; n 为 样 本 点 总 数。本文采用核密度方法获得工业热源的热辐射能量的空间密度分布,对区域工业规模和生产热排放情况进行可视化空间分析。

2.3.2 加权标准距离

本文采用加权标准距离研究不同类别工业热源的空间格局的分布情况。加权标准距离SD可用来度量要素在几何加权的平均中心周围的集散程度[26],计算公式为:
S D = ∑ i = 1 n ω i ( x i - X - ω ) 2 ∑ i = 1 n ω i + ∑ i = 1 n ω i ( y i - Y - ω ) 2 ∑ i = 1 n ω i + ∑ i = 1 n ω i ( z i - Z ¯ ω ) 2 ∑ i = 1 n ω i
式中: x i, y i, z i为要素i的坐标; ω i为要素i的权重; n为要素总数; { X ¯ ω , Y ¯ ω , Z ¯ ω }为平均加权中心。

2.4 灰色关联度分析

灰色关联度模型基于数学基础研究各指标之间对应的几何关系,分析其动态走势,计算参考数列和比较数列之间的关联系数,从而识别主要影响因素与次要影响因素[27]。对于参考数列X0={x0(1),x0(2),…,x0(m)}(m为时间最大值),比较数列Xt={xt(1),xt(2),…,xt(m)},t=1,2,…,n(n为比较数列总数),在时刻k的灰色关联系数计算公式为:
ξ t (k) = m i n t m i n k | x 0 ( k ) - x t ( k ) | + λ m a x t m a x k | x 0 ( k ) - x t ( k ) | | x 0 ( k ) - x t ( k ) | + λ m a x t m a x k | x 0 ( k ) - x t ( k ) |
式中λ为分辨系数,0<λ<1,取λ=0.5。
灰色关联度 γ计算公式为:
γ = 1 m ∑ k = 1 m ξ t ( k )。

3 分析与讨论

3.1 工业热源子类别空间布局分析

3.1.1 工业热源子类别空间分布

实验结果表明(图3,表3),全省以石化厂相关类为主,水泥厂和冶金厂相关企业次之,煤化工厂相关企业数目最少。石化企业相关热源数目占热源对象总数的42.86%;其中,岳阳市与郴州市石化企业热源数目最多,各有11个相关热源对象,各占石化企业热源总数的15.28%。水泥相关企业分布较为均匀,占热源对象总数的26.78%;其中,长沙市包含的水泥相关企业居于首位,监测出8个相关热源对象,占水泥相关企业热源对象总数的17.78%。全省监测出39个冶金企业相关热源对象,占热源对象总数23.21%;其中衡阳市监测出9个冶金相关热源对象,占冶金相关热源企业对象总数的23.08%,居全省首位。湖南省煤化企业相关热源的监测数目不多,仅监测出12个相关热源对象,占总监测对象的7.14%;煤化企业大多集中在娄底市,占总煤化企业数33.33%。
图3 研究区各类别工业热源分布

Fig.3 Distribution of various types of industrial heat sources in study area

表3 各市工业热源数量统计

Tab.3 Statistics on the number of industrial heat sources(个)

市级行政区 冶金 水泥 石化 煤化 共计
长沙市 4 8 6 0 18
株洲市 2 2 6 0 10
湘潭市 5 5 7 1 18
衡阳市 9 1 9 2 21
邵阳市 0 3 4 1 8
岳阳市 0 5 11 1 17
常德市 1 6 4 0 11
张家界市 0 2 0 0 2
益阳市 0 2 2 1 5
郴州市 8 1 11 1 21
永州市 1 2 4 0 7
怀化市 1 2 4 0 7
娄底市 6 5 3 4 18
湘西土家族苗族自治州 2 1 1 1 5
共计 39 45 72 12 168

3.1.2 工业热源子类别空间格局

基于湖南省四大重要经济区的工业热源点数据,利用标准距离圆分析并探讨各类型工业产业的集散程度与分布规律。长株潭城市群是湖南省经济发展的中枢,在全省经济发展中具有重要地位。该地区冶金相关的企业分布最为密集(图4(a)),主要集中在湘潭市。主要原因是该市的支柱产业是钢铁行业,且该市钢铁行业的发展对全市乃至全省经济的发展都具有较大影响力。整体上看,长沙市与湘潭市工业布局相似度高,部分产业规模比较接近,不利于城市群发挥比较优势与互补作用。洞庭湖生态经济区是湖南省经济发展的次中心,同时也是全省可持续发展最有活力的增长极之一。洞庭湖生态经济区各地市间产业定位具有差异化(图4(b)),有利于湖区工业化进程的可持续发展。湘南地区工业基础雄厚,推进该区域新型工业化进程对资源节约型和环境友好型社会的建设具有积极的导向作用。从湘南地区各工业产业的聚集程度来看(图4(c)),冶金相关企业、水泥相关企业以及石化相关企业分布均匀,重心位于衡阳市,煤化相关企业多集中在东南部郴州市。大湘西地区是湖南省实现区域协调发展的重要板块。从大湘西地区各工业产业的聚集程度来看(图4(d)),各类产业的聚集程度从大到小依次为冶金相关企业、煤化相关企业、水泥相关企业、石化相关企业,且工业产业主要集中在娄底市。
图4 重点经济区工业热源标准距离圆分析

Fig.4 Analysis of standard distance circles for industrial heat sources in key economic zones

3.2 工业热源子类别热排放空间特征

工业热源排放的热辐射强度(radiative heat intensity,RHI)可以直接反映出该热源对象的耗能水平与生产规模。以VNF数据的RHI属性为权重,采用核密度方法获得工业热源的热辐射能量的空间密度分布,对区域工业规模和生产排放情况进行可视化空间分析。从图5所示的不同类型工业热源排放密度的空间可视化效果可以看出,冶金企业的热排放强度最大(图5(a)),主要集中在娄底市-湘潭市-株洲市一带,经统计数据与遥感影像的查证,省内大型钢铁厂对应位置与高热辐射密度处吻合。水泥企业是湖南省建材工业的重要组成部分,是全省传统支柱产业,其产值在全省建材工业总产值中占比很大。从图5(b)中可以看出,水泥企业热排放密度仅次于冶金行业,相关热源呈由湖南省中部向四周发展的趋势。水泥企业热排放密度较高的区域分别在岳阳市、常德市、娄底市以及长沙市,湘南地区也具有一定规模的热辐射密度。究其原因,是由于国内大型水泥厂(南方水泥、海螺水泥)在上述几个城市建厂,使其具有较高的热辐射排放量。重化工业是湖南工业的基础,从图5(c)中来看,石化产业的热辐射强度不及前两产业,石化企业相关热源主要集中在湖南省岳阳市、长沙市、娄底市、衡阳市及郴州市; 长株潭地区高热排放主要集中在长株潭交界处; 洞庭湖地区高热排放主要集中在岳阳市,岳阳市同时也是全省重要的工业大市; 湘南地区主要集中在衡阳市与郴州市,热排放主要集中在2市的工业园区,形成产业集中化的工业布局; 大湘西地区热排放密集区集中在娄底市与怀化市。从图5(d)中来看,湖南省煤炭资源不足,煤炭产业热排放主要集中在娄底市冷水江市和郴州市资兴市2处煤炭工业城市。总的来看,娄底市是一个资源型工业城市,在各类型工业领域均有较高的热排放强度。
图5-1 研究区各类别工业热源热排放空间密度分布

Fig.5-1 Distribution of heat emissions from various types of industrial heat sources in study area

图5-2 研究区各类别工业热源热排放空间密度分布

Fig.5-2 Distribution of heat emissions from various types of industrial heat sources in study area

3.3 工业热源时空变化趋势反演

工业热源点的数量变化可以直观反映出企业的生产状态。以5 km尺度的格网为单位,对工业热源点进行统计,可以反映出工业热源点的密度,在一定程度上也表明该区域的工业生产规模。通过计算重工业热源点数(number of working heavy industry heat sources,NWH)变化的梯度值(Slope_NWH)可反映出该地区工业热源点的变化趋势。由图6(a)可知,在2015—2019年间,全省整体工业热源点呈减少趋势。从市级尺度上分析,湘潭、娄底、株洲和衡阳4市的工业热源总体上呈显著减少趋势。张家界市和湘西土家族苗族自治州无明显变化。在2015—2019年间内工业热源点增加区域分布较为集中,主要分布于湖南省的中东部区域(长沙、岳阳、常德、益阳、郴州、永州6市),Slope_NWH值均在0~20范围内。从整体结果上可以反映出湖南省对国家颁布的一系列政策积极响应,积极推进产业结构调整,针对“分布散、格局乱、排放污染严重”企业采取了有效的整治措施,例如搬迁重组散乱企业,关闭取缔污染严重的企业。在新型冠状病毒肺炎疫情期间(图6(b)),工业热源个数整体变化不大,说明湖南省政府疫情期间对工业生产进行有效调控,各工厂已逐步复工复产。
图6 研究区各年份工业热源变化趋势

Fig.6 Variation trend of industrial heat sources in in study area in different years

3.4 能耗-污染-热排相关分析

3.4.1 能耗-污染-热排关联度分析

以湖南省14个城市为研究单元,将工业热源的热辐射排放量(W/m2)作为参考序列X0,第二产业生产总值X1(亿元)、工业废水排放量X2(万t)、工业烟(粉)尘排放量X3(万t)、工业企业取水总量X4(万m3)、工业综合能源消费量X5(万t标准煤)、可吸入颗粒物年浓度X6(μg/m3)、工业氮氧化物排放量X7(t)和工业二氧化硫排放量X8(t)共8个指标作为比较序列,探究能耗-污染-热排关联度。结果见表4,灰色关联度最大的是工业二氧化硫排放量,其次是工业烟(粉)尘排放量,再次是工业综合能源消费量。
表4 灰色关联度结果

Tab.4 Results of grey relational degree

评价项 关联度 排名
X8 0.846 1
X3 0.788 2
X5 0.761 3
X7 0.756 4
X1 0.726 5
X4 0.712 6
X6 0.704 7
X2 0.700 8

3.4.2 能耗-污染-热排城市类型分析

湖南省包含的城市类型多种多样,既包含娄底市、衡阳市、株洲市等工业重地,也包括张家界市、湘西土家族苗族自治州等具有旅游资源的城市,还包括长沙市、岳阳市、湘潭市等创新型城市。依据不同城市的发展方向与能力禀赋,了解各区域的能耗-污染-排放模式,制定不同的工业发展对策,有利于全省工业经济的良性转型与合理布局。根据灰度关联模型探究到的能耗-污染-热排的相关联程度,选择工业综合能源消费量、工业二氧化硫排放量和热辐射强度3个指标分别反映能源消耗、污染排放以及热排放情况,探究各城市工业发展类型。以各个指标的中值为划分等级依据,将各个指标分为高、中、低3个等级,大致将湖南省各城市划分为7种类型。
1)低能耗-低污染-低热排。包括益阳市、永州市、邵阳市、张家界市和湘西土家族苗族自治州5市州。工业综合能源消费低,工业污染程度轻,工业企业较少。此类型城市产业绿色化与低碳化特征明显,工业污染与热辐射程度都偏低,后续应继续保持“生态优先,绿色发展”的工业发展原则,建立健全绿色、低碳、循环发展的工业体系,形成人与自然和谐相处的工业发展新格局。
2)低能耗-中污染-低排放。主要为怀化市。工业能耗低,工业污染排放相对较低,工业能源利用率高。怀化市新型工业发展需要注重工业污染物的排放,降低资源消耗,提高综合利用率,保护生态环境,促进社会的和谐发展。
3)中能耗-低污染-低排放。主要为常德市。工业综合能源消费较高,但工业污染的贡献率低,工业能源利用率高。常德市在产业转型期间应积极落实可持续发展理念,推动工业企业的节能减排工作,大力发展循环经济,促进工业经济又快又好地发展。
4)中能耗-中污染-低排放。主要为郴州市。工业能耗较高,工业污染程度较高,工业能源利用率高。郴州市工业能耗与污染贡献率较高,后期工业化发展应注重节能减排,提高综合利用率,走循环经济的发展道路。
5)中能耗-中污染-中排放。包括株洲市和衡阳市。工业能耗较高,工业污染程度较高,工业热辐射强度较高。株洲市与衡阳市的工业基础扎实,在工业化进程中应兼顾资源禀赋优势与节能减排降耗要求。
6)高能耗-中污染-中排放。包括长沙市和岳阳市。工业综合能源消费水平高,工业污染程度较高,工业热排放较高。该类型城市在工业污染治理方面,应着重转变经济发展方式,推进结构减排降耗,从源头减少污染物排放。
7)高能耗-中污染-高排放。包括娄底市和湘潭市。工业综合能源消费水平高,工业污染的贡献率较高,工业能源利用率低。该类型城市应在类型6的城市治理基础上加大对工业污染源的治理力度,坚决关停、取缔污染严重的工业企业。

4 结论

本研究基于Suomi-NPP VNF数据,提出了综合HDBSCAN聚类算法和空间-时间特征滤波的“聚类-滤波”分析法来识别工业热源对象,构建了不同类型工业热源的温度GMM模型,利用温度相似性度量判别工业热源子类别,对“十三五”期间湖南省工业热源进行遥感识别,探究了湖南省在2015—2021年间的工业热源空间分布格局、工业热排放变化规律、工业热源时空变化趋势以及工业能源消耗、工业污染物排放与工业热排放间的关系。实验结果表明:
1)本文构建的工业热源子类温度特征函数模型能够有效地应用于冶金、石化、水泥、煤化等工业热源对象的识别,分类识别精度达86.31%,可为工业企业全面动态监测提供科学依据。
2)“十三五”期间湖南省工业热源点呈明显下降趋势,说明湖南省政府积极响应供给侧结构性改革,大力整治“散乱污”工厂,逐步形成有效产业形式; 另一方面,新型冠状病毒肺炎疫情期间在湖南省政府领导下工业企业基本上完成复工复产。
3)通过利用灰色关联度模型选择工业综合能源消费量、工业二氧化硫排放量以及热辐射强度3项指标对能耗-污染-热排计算关联度,可以实现工业发展城市类型的有效划分,可为产业结构与空间布局调整、建立健全区域协作机制、改善环境污染问题等提供借鉴。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
李宇军. 生态文明视野下的企业环保责任——“腾格里沙漠违法排污” 案例分析[J]. 杭州师范大学学报(社会科学版), 2015, 37(6):119-125.

Li Y J. The enterprise environmental responsibility from the perspective of ecological civilization:A case study on illegal pollution discharge in Tengger Desert[J]. Journal of Hangzhou Normal University (Humanities and Social Sciences), 2015, 37(6):119-125.

[2]
何慧妍, 杨庆媛, 毕国华, 等. 重庆市2009—2018年工业用地供应规模时空特征分析[J]. 长江流域资源与环境, 2021, 30(4):808-817.

He H Y, Yang Q Y, Bi G H, et al. Spatio-temporal characteristics of industrial land supply in Chongqing from 2009 to 2018[J]. Resources and Environment in the Yangtze Basin, 2021, 30(4):808-817.

[3]
高菠阳, 罗会琳, 黄志基, 等. 中国工业用地出让价格空间格局及影响因素[J]. 地球信息科学学报, 2020, 22(6):1189-1201.

DOI

Gao B Y, Luo H L, Huang Z J, et al. Research on the spatial layout of and factors affecting the price of industrial land in China[J]. Journal of Geo-Information Science, 2020, 22(6):1189-1201.

[4]
史焱文, 李小建, 孟德友. 典型农区县域工业化进程评价及时空演进——以河南省为例[J]. 经济地理, 2020, 40(10):118-126,153.

DOI

Shi Y W, Li X J, Meng D Y. Evaluation of county industrialization process and analysis of spatial and temporal evolution in typical agricultural areas:A case study of Henan Province[J]. Economic Geography, 2020, 40(10):118-126,153.

[5]
傅国伟. 当代环境规划的定义、作用与特征分析[J]. 中国环境科学, 1999, 19(1):72-76.

Fu G W. Definition,function and characteristics analysis of modern environmental planning[J]. China Environmental Science, 1999, 19(1):72-76.

[6]
任胜钢, 张如波, 袁宝龙. 长江经济带工业生态效率评价及区域差异研究[J]. 生态学报, 2018, 38(15):5485-5497.

Ren S G, Zhang R B, Yuan B L. Industrial eco-efficiency evaluation and regional differences of Yangtze River Economic Belt[J]. Acta Ecologica Sinica, 2018, 38(15):5485-5497.

[7]
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.

Lai J B. Study on remote sensing identification and spatial distribution pattern of heat source in heavy industry[D]. Lanzhou: Northwest Normal University, 2020.

[8]
陈鹏飞, 卢力, 朱华忠, 等. 基于不同分辨率影像的水泥厂遥感识别适宜性研究[J]. 环境污染与防治, 2015, 37(9):20-28.

Chen P F, Lu L, Zhu H Z, et al. Research on the suitability of different resolutions of image for identification of the cement enterprise using remote sensing[J]. Environmental Pollution and Control, 2015, 37(9):20-28.

[9]
陈鹏飞, 卢力, 朱华忠, 等. 不同分辨率遥感影像的钢铁厂识别适宜性研究[J]. 地球信息科学学报, 2015, 17(9):1119-1127.

DOI

Chen P F, Lu L, Zhu H Z, et al. Research on the suitability of image at different resolutions for the identification of steel enterprise using remote sensing[J]. Journal of Geo-Information Science, 2015, 17(9):1119-1127.

[10]
于一凡, 潘军, 邢立新, 等. 短波红外波段高温目标识别的可行性分析[J]. 国土资源遥感, 2014, 26(1):25-30.doi:10.6046/gtzyyg.2014.01.05.

Yu Y F, Pan J, Xing L X, et al. Feasibility analysis of shortwave infrared band for recognition of high temperature target[J]. Remote Sensing for Land and Resources, 2014, 26(1):25-30.doi:10.6046/gtzyyg.2014.01.05.

[11]
Zhou Y, Zhao F, Wang S X, et al. A method for monitoring iron and steel factory economic activity based on satellites[J]. Sustainability, 2018, 10(6):1935.

[12]
孙爽, 姜磊, 刘保献, 等. 中高分辨率卫星影像的装置级别工业热源识别[J]. 遥感学报, 2024, 28(8):2101-2112.

Sun S, Jiang L, Liu B X, et al. Method development for device-le-vel industrial heat source identification using medium and high-reso-lution satellite images[J]. National Remote Sensing Bulletin, 2024, 28(8):2101-2112.

[13]
Elvidge 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.

[14]
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.

Sun J Q, Liu Y X, Dong Y Z, et 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 Geo-Information Science, 2018, 34(3):13-19.

[15]
李博, 范俊甫, 韩留生, 等. 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[J]. 遥感技术与应用, 2022, 37(4):919-928.

DOI

Li B, Fan J F, Han L S, et al. Classification extraction and variation characteristics analysis of industrial heat sources in Shandong Province based on VIIRS nightfire data[J]. Remote Sensing Technology and Application, 2022, 37(4):919-928.

[16]
张钦挺, 邹滨, 刘宁, 等. 耦合温度特征的工业热源ANN遥感识别与时空演化分析[J]. 遥感学报, 2024, 28(4):956-968.

Zhang Q T, Zou B, Liu N, et al. Satellite-based ANN identification and spatiotemporal evolution analysis of industrial heat sources coupled with temperature characteristics[J]. National Remote Sensing Bulletin, 2024, 28(4):956-968.

[17]
Ma Y, Ma C H, 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.

[18]
Ma C H, 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.

[19]
纪轩禹. 京津冀地区工业热源活动卫星遥感监测及环境影响研究[D]. 青岛: 山东科技大学, 2019.

Ji X Y. Evaluation of the industrial heat sources activities over Jing-Jin-Ji region and their impact on the air pollution based on satellite data[D]. Qingdao: Shandong University of Science and Technology, 2019.

[20]
陶金花, 范萌, 顾坚斌, 等. 新冠病毒疫情期间复工复产卫星遥感监测[J]. 遥感学报, 2020, 24(7):824-836.

Tao J H, Fan M, Gu J B, et al. Satellite observations of the return-to-work over China during the period of COVID-19[J]. Journal of Remote Sensing, 2020, 24(7):824-836.

[21]
孙爽, 李令军, 赵文吉, 等. 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, 2019, 39(7):3120-3129.

Sun S, Li L J, Zhao W J, et al. Industrial pollution emissions based on thermal anomaly remote sensing monitoring:A case study of southern Hebei urban agglomerations,China[J]. China Environmental Science, 2019, 39(7):3120-3129.

[22]
郝丽春, 孟庆岩, 葛小三, 等. 一种基于八分位法的工业热污染区提取方法[J]. 遥感技术与应用, 2020, 35(2):469-477.

DOI

Hao L C, Meng Q Y, Ge X S, et al. Extraction method of industrial heat pollution area based on octave method[J]. Remote Sensing Technology and Application, 2020, 35(2):469-477.

[23]
Elvidge C D, Zhizhin M, Hsu F C, et al. VIIRS nightfire:Satellite pyrometry at night[J]. Remote Sensing, 2013, 5(9):4423-4449.

[24]
Elvidge C D, Zhizhin M, Baugh K, et al. Extending nighttime combustion source detection limits with short wavelength VIIRS data[J]. Remote Sensing, 2019, 11(4):395.

[25]
Cherifa S, Messaoud R. New technique to use the GMM in speaker recognition system (SRS)[C]// 2013 International Conference on Computer Applications Technology (ICCAT).IEEE, 2013: 1-5.

[26]
Silverman B W. Density estimation in action[M]// Density Estimation for Statistics and Data Analysis.London:Routledge, 2018: 120-158.

[27]
蒋姝睿, 王玥, 王萌, 等. 区域视角下中国工业行业与工业污染关系[J]. 中国环境科学, 2017, 37(11):4380-4387.

Jiang S R, Wang Y, Wang M, et al. Industrial sectors and pollution in China based on the regional perspective[J]. China Environmental Science, 2017, 37(11):4380-4387.

Options
Outlines

/

〈 〉