一種自適應的工業(yè)熱異常檢測方法

谷艷春 孟慶巖 胡蝶

摘 要：工業(yè)作為影響城市熱環(huán)境的重要機制之一，準確檢測出引起熱異常的工廠，可為分析工業(yè)熱異常對城市熱環(huán)境的貢獻率提供準確信息，對科學規(guī)劃工業(yè)建設、改善城市熱環(huán)境具有重要意義。現(xiàn)有的工業(yè)熱異常檢測方法因固定臨界值參數(shù)的局限性，易造成檢測結(jié)果多提或漏提等問題。因此，本文提出一種自適應工業(yè)熱異常檢測方法（adaptive thermal anomaly detection，Adaptive-TAD）。該方法首先利用谷歌地球選取工廠訓練樣本;然后根據(jù)先驗知識選取訓練標準差倍數(shù);最后基于二分法思想，結(jié)合工廠訓練樣本和標準差倍數(shù)訓練樣本，訓練出最佳臨界值，從而實現(xiàn)多時相多空間的工業(yè)熱異常檢測。實驗結(jié)果表明：Adaptive-TAD方法能夠高效、高精度地完成多空間多時相的工業(yè)熱異常檢測，且檢測結(jié)果的正確率優(yōu)于經(jīng)典的3倍方法和應用廣泛的1.645倍方法。

關鍵詞：地表溫度;城市熱環(huán)境;工業(yè)熱異常;Adaptive-TAD;檢測

中圖分類號：TP79：X16

文獻標志碼：A

我國作為世界上最大的發(fā)展中國家，目前正處于工業(yè)化進程中[1]。工業(yè)化水平從1990年的36.1%上升到2011年的41.3%[2-3]，且社科院稱2020年基本實現(xiàn)工業(yè)化[4]。迅速的工業(yè)化給城市生態(tài)環(huán)境帶來了巨大挑戰(zhàn)[5-7]，尤其是工業(yè)生產(chǎn)排放的大量廢熱[8-14]，因分布集中，致使工業(yè)區(qū)形成城市熱島中的熱島的格局[15-17]。因此，準確檢測出引起熱異常的工廠，對科學規(guī)劃工業(yè)建設、改善城市熱環(huán)境具有重要意義。

近年來，國內(nèi)外學者利用遙感技術(shù)對工業(yè)區(qū)的熱環(huán)境做了較多研究[18-22]，熱紅外遙感等技術(shù)的發(fā)展更為其提供了有效的技術(shù)手段。常用異常值檢測算法主要包括拉依達準則、肖維勒準則、格拉布斯準則和狄克遜準則[23]。對于大樣本實驗，拉依達準則效果更佳[23]。且因計算簡便，應用廣泛[24-27]。如GRUBBS等[28]以均值與2倍標準差之和為臨界值檢測離群異常值、TIETJEN等[29]實驗多組異常值檢測，證實了均值與2倍標準差之和為臨界值的有效性;JIANG等[30]以均值與1.645倍標準差之和為臨界值，檢測多組離群異常值;宋冬梅等[31]以均值和1.6倍標準差之和為臨界值，檢測多景地表溫度圖中的熱異常信息;YANG等[25]以均值和1.5倍標準差之和為臨界值，檢測多景地表溫度圖中的熱異常。但上述方法存在以下問題：1）利用檢測到的異常值進行遙感應用和分析，但對檢測的異常值的準確性缺乏驗證;2）研究中多采用固定標準差倍數(shù)，將該方法應用于多時相多空間遙感影像的熱異常檢測研究時，存在多提或漏提等問題，適應性較低。

為提高多時相多空間遙感影像的熱異常檢測準確性，本文提出了一種自適應的熱異常檢測方法（adaptive thermal anomaly detection，Adaptive-TAD）。該方法通過工廠訓練樣本和標準差倍數(shù)訓練樣本，訓練出熱異常最佳臨界值。同時，本文基于多時相Landsat 8遙感影像，采用輻射傳輸法反演地表溫度[32-38]，以茌平縣和四會市兩個工業(yè)城市為研究區(qū)，并結(jié)合Google Earth遙感影像對Adaptive-TAD方法檢測的結(jié)果進行精度驗證。

1 研究方法

1.1 研究區(qū)

根據(jù)《中國中小城市綠皮書2018》中公布的全國綜合百強縣市，選取以工業(yè)為主導產(chǎn)業(yè)，且不同地形的研究區(qū)作為Adaptive-TAD方法多時相多空間的典型應用與驗證案例（圖1）。茌平縣（36°22′～36°45′N，115°54′～116°24′E）隸屬山東省聊城市，北方平原地形的典型區(qū)。四會市（23.33°N，112.68°E）隸屬廣東省肇慶市，是南方山地地形的典型代表。兩者均在2018年入圍中國中小城市綜合實力百強縣市。

1.2 地表溫度反演

傳感器接收到的熱紅外輻射亮度值主要由3部分組成：大氣上行輻射亮度值、地面的真實輻射亮度經(jīng)過大氣層后到達衛(wèi)星傳感器的能量、大氣下行輻射亮度值（大氣向下輻射到達地面后反射的能量）。熱紅外輻射公式為

由于傳感器視域外的雜散光引起B(yǎng)and11的定標出現(xiàn)偏差[32-33]，不能用于定量研究[34]，應以TIRS的第10波段的方式來反演地表溫度為宜[35]，且對于適合Landsat 8影像地表溫度反演的算法中，多個研究者實驗證明輻射傳輸法的適應性較好且應用廣泛[36-38]，故本文利用Band10單波段基于輻射傳輸法反演地表溫度。

1.3 工業(yè)熱異常檢測方法

1.3.1 Adaptive-TAD方法原理

拉依達準則是由Wright在1884年提出[46-47]，又稱3倍標準差準則（3σ準則）?；舅枷胧牵ㄟ^計算觀測值偏離臨界值的程度來判斷該觀測值是否為異常值。以數(shù)據(jù)形式解釋其基本原理為，存在數(shù)據(jù)集X={X1，X2，…，Xn }，若某個可疑值Xi與數(shù)據(jù)集X的均值之差（Xi-μ）的絕對值大于3σ，則認為Xi為異常值，如式（10）和圖2。

1.3.2 Adaptive-TAD方法構(gòu)建

標準差能很好反映每個像元的溫度相對于平均溫度的偏離程度，結(jié)合均值和標準差更能反映不同溫度值的變異[48]。以均值和固定成倍標準差之和為臨界值進行熱異常檢測，計算量小，但熱異常臨界值是隨著空間和時間的變化而改變，具有一定的波動性，檢測熱異常僅以均值和固定成倍標準差之和作為臨界值的識別方法往往缺乏應用的適應性。因此，本文構(gòu)建一種Adaptive-TAD方法，有效地對標準差倍數(shù)的變化進行自適應調(diào)節(jié)。該方法可分為3步（圖3）：1）訓練工廠樣本;2）訓練標準差倍數(shù);3）結(jié)合工廠訓練樣本和熱異常訓練樣本，訓練出最佳臨界值。

Adaptive-TAD方法中最核心的是自適應倍數(shù)訓練，該訓練是基于二分法的思想，訓練過程如圖4所示，sv代表起始值，bv1和bv2代表兩個邊界值。具體訓練步驟為：1）以拉依達準則的3（標準差倍數(shù)）為起始值，依據(jù)先驗知識[49-50]，將1和5設置為邊界值，并計算檢測熱異常結(jié)果與研究區(qū)內(nèi)工廠訓練樣本的重疊度（檢測出的熱異常與工廠樣本的重疊面積大?。?2）若3和5的結(jié)果的重疊度較高，則重新以3和5之和的一半為起始值，3和5為邊界值，對比三者檢測結(jié)果的重疊度;3）若3和4的結(jié)果的重疊度較高，則比較3、3.5（保留一位小數(shù)）和4結(jié)果的重疊度;4）若3.5和4的結(jié)果的重疊度較高，則比較3.5、3.8和4結(jié)果的重疊度;5）若3.5結(jié)果的重疊度最高，則3.5為訓練出的最佳標準差倍數(shù)。起始值與邊界值的值距小于0.3時，檢測出的熱異常結(jié)果與研究區(qū)內(nèi)工廠訓練樣本的重疊度一致。因此，直到邊界值與起始值的值距在0.3內(nèi)，停止訓練。

2 結(jié)果與分析

2.1 地表溫度遙感反演結(jié)果與空間分析

利用1.2節(jié)的輻射傳輸法對兩個研究區(qū)的8景影像進行溫度反演，得到地表溫度分布圖，如圖5所示。根據(jù)地表溫度空間分布格局可以看出，城區(qū)地表溫度明顯高于周邊郊區(qū)，城區(qū)內(nèi)的工業(yè)區(qū)地表溫度明顯高于其他功能區(qū)，形成島中島的高溫區(qū)域，且界限清晰。表明工業(yè)熱異常不僅確實存在，且十分明顯。

2.2 工業(yè)熱異常遙感檢測

2.2.1 工業(yè)熱異常結(jié)果對比分析

為了驗證Adaptive-TAD方法的有效性，將本文方法與經(jīng)典的拉依達準則方法（3倍標準差，簡稱3倍方法）和應用廣泛的以均值與1.645倍標準差之和為臨界值的方法（簡稱1.645倍方法）作對比試驗。圖6展示了1.645倍方法、3倍方法和Adaptive-TAD方法的臨界值、像元個數(shù)和面積占比對比結(jié)果，圖7和圖8分別展示了3種方法檢測熱異常結(jié)果的整體和局部效果。

從圖6（a）可以看出，Adaptive-TAD方法的臨界值均大于1.645倍準則的臨界值，8景遙感影像的臨界值差分別為：4.93、5.12、4.67、2.3、5.47、3.36、4.23、4.37 ℃。表明1.645倍方法檢測工業(yè)熱異常結(jié)果會有較多冗余的現(xiàn)象。Adaptive-TAD方法與3倍方法相比，有6景遙感影像數(shù)據(jù)是Adaptive-TAD法的臨界值大，有兩景是3倍方法的臨界值大，表明3倍方法在同一研究區(qū)會有檢測結(jié)果不一致的可能。從圖6（b）可以看出，由于Adaptive-TAD方法的臨界值均大于1.645倍方法的臨界值，所以基于Adaptive-TAD方法檢測的熱異常像元數(shù)均小于基于1.645倍準則檢測的熱異常像元數(shù)。同時，Adaptive-TAD法檢測同一研究區(qū)的像元數(shù)總體趨于一致，而1.645倍方法和3倍方法檢測的像元數(shù)一致性較差，這與工廠熱異常像元數(shù)應趨于一致的實際不符?？梢姡珹daptive-TAD方法比1.645倍方法和3倍方法對熱異常進行檢測更具有實際意義。從圖6（c）可以看出，3種方法檢測的面積占比（檢測的熱異常面積與研究區(qū)面積之比）結(jié)果差異較大。具體表現(xiàn)為，Adaptive-TAD方法的面積占比均小于1%且一致。1.645倍方法的面積占比均值為6.47%，甚至高達9.72%，而短時間內(nèi)研究區(qū)的整體工廠規(guī)模占比變化應較小，因此1.645倍方法的整體面積占比的一致性較差。3倍方法的面積占比雖冗余較少，但整體結(jié)果的一致性較差。綜上，Adaptive-TAD方法在同一研究區(qū)的參數(shù)取值一致性較好，這為提高檢測工業(yè)熱異常的準確性奠定了基礎。

從圖7可以看出，Adaptive-TAD方法檢測工業(yè)熱異常的整體效果較好，同一研究區(qū)的檢測結(jié)果較為一致;1.645倍方法檢測結(jié)果中存在較多冗余錯誤;3倍方法檢測結(jié)果存在部分遺漏和冗余錯誤，檢測工業(yè)熱異常結(jié)果的一致性較差。圖8的局部效果展示的是熱異常密集區(qū)，以全色波段影像（灰色）為底圖疊加檢測的熱異常結(jié)果（紅色）。從局部放大圖可以看出，Adaptive-TAD方法檢測的工業(yè)熱異常邊界與實際工廠輪廓較吻合;1.645倍方法檢測的熱異常范圍與建設用地區(qū)域較一致，原因主要是由于該方法的臨界值較小，建設用地的地表溫度也較高，容易把建設用地當成熱異常區(qū)錯誤檢測出來;3倍方法檢測結(jié)果的一致性較低，存在遺漏和冗余問題，原因主要是由于該方法采用固定標準差倍數(shù)，適應性較差?？傮w上，Adaptive-TAD法可以有效地檢測出工業(yè)熱異常，取得了優(yōu)于1.645倍方法和3倍方法的檢測結(jié)果。

2.2.2 Adaptive-TAD方法精度評價

為定量評價Adaptive-TAD方法的性能，采用生產(chǎn)者精度（producer accuracy，p）、漏提率（leakage probability，l）、用戶精度（user accuracy，u）和誤提率（error probability，e）作為4個定量評價指標，對本文提出的Adaptive-TAD方法檢測的工業(yè)熱異常的精度進行評價。4個指標的定義如下：

3 結(jié)論

本文提出了一種適用性較強且精度較高的工業(yè)熱異常檢測方法——Adaptive-TAD，該方法的核心是通過工廠訓練樣本和標準差倍數(shù)訓練樣本，訓練出熱異常最佳臨界值。實驗結(jié)果表明，Adaptive-TAD方法具有簡便、準確、適用性較強等優(yōu)勢，且檢測結(jié)果明顯優(yōu)于1.645倍方法和3倍方法。具體結(jié)論如下：

1）Adaptive-TAD方法可以有效地對不同研究區(qū)進行工業(yè)熱異常檢測，并在一定程度上減少漏提或誤提現(xiàn)象，表明該方法具有較好的空間普適性。

2）Adaptive-TAD方法能夠?qū)崿F(xiàn)多時相遙感影像的工業(yè)熱異常檢測，且檢測精度有大幅度的提高，表明該方法具有較好的時間普適性。

3）基于Adaptive-TAD方法在多空間進行多時相遙感影像的工業(yè)熱異常檢測，生產(chǎn)者精度均值為76.54%，最高可達94.97%，用戶精度均值為84.44%，最高可達98.11%。表明該方法檢測到的工業(yè)熱異常與實際工廠熱異常一致性較高，可以實現(xiàn)高精度、多空間多時相的工業(yè)熱異常檢測。

Adaptive-TAD方法可實現(xiàn)多空間、多時相、高精度的工業(yè)熱異常檢測，可為工業(yè)熱異常檢測和監(jiān)測提供技術(shù)支撐，研究結(jié)果對科學規(guī)劃工業(yè)建設、改善城市熱環(huán)境具有重要意義。但該方法在每個研究區(qū)內(nèi)需要人工選取工廠訓練樣本，每景遙感影像均需訓練最佳臨界值。因此，下一步研究工作的重點是探索無需訓練樣本的檢測方法。

參考文獻：

[1]JIANG Z J， LIN B Q. Chinas energy demand and its characteristics in the industrialization and urbanization process： a reply[J]. Energy Policy， 2013， 60： 583-585.

[2]DHAKAL S. Urban energy use and carbon emissions from cities in China and policy implications[J]. Energy Policy， 2009， 37（11）： 4208-4219.

[3]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.

[4] 中國國際經(jīng)濟交流中心課題組. 中國2020年基本實現(xiàn)工業(yè)化[M]. 北京：社會科學文獻出版社， 2014.

[5]DONG F， CHEN J， YANG F. A study of land surface temperature retrieval and thermal environment distribution based on Landsat-8 in Jinan City[C]. Iop Conference Series： Earth & Environmental Science， 2018： 042008.

[6]YAN H， WU F， DONG L. Influence of a large urban park on the local urban thermal environment[J]. Science of The Total Environment， 2018， 622-623： 882-891.

[7]葉彩華， 劉勇洪， 劉偉東， 等. 城市地表熱環(huán)境遙感監(jiān)測指標研究及應用[J]. 氣象科技， 2011， 39（1）： 95-101.

[8]KIDDER S Q， ESSENWANGER O M. The effect of clouds and wind on the difference in nocturnal cooling rates between urban and rural areas[J]. Journal of Applied Meteorology， 1995， 34（11）： 2440-2448.

[9]MANEA D L，MANEA E E， DAN N R， et al. Study on greenhouse gas emissions from wastewater treatment plants[J]. Environmental Engineering & Management Journal， 2013， 12（1）：59-63.

[10]ZHANG H， QI Z F， YE X Y， et al. Analysis of land use/land cover change， population shift， and their effects on spatiotemporal patterns of urban heat islands in metropolitan Shanghai， China[J]. Applied Geography， 2013， 44：121-133.

[11]CHEN L D， SUN R H. Eco-environmental effects of urban landscape pattern changes： progresses，problems，and perspectives[J]. Acta Ecologica Sinica， 2013， 33（4）：1042-1050.

[12]FAN H， SAILOR D J. Modeling the impacts of anthropogenic heating on the urban climate of Philadelphia： a comparison of implementations in two PBL schemes[J]. Atmospheric Environment， 2005， 39（1）：73-84.

[13]MYRTHA F C， EBERHARD P. Flux measurements in Cairo， Part 2： on the determination of the spatial radiation and energy balance using ASTER satellite data[J]. Remote Sensing， 2012， 4（9）： 2635-2660.

[14]MOHAN M， KANDYA A. Impact of urbanization and land-use/land-cover change on diurnal temperature range： a case study of tropical urban airshed of India using remote sensing data[J]. Science of the Total Environment， 2015， 506-507：453-465.

[15]ROBAA S M. Some aspects of the urban climates of Greater Cairo Region， Egypt[J]. International Journal of Climatology， 2013， 33（15）：3206-3216.

[16]WANG J， CHEN Z， SUN X， et al. Quantitative spatial characteristics and environmental risk of toxic heavy metals in urban dusts of Shanghai， China[J]. Environmental Earth Sciences， 2009， 59（3）：645-654.

[17]葉鈺， 秦建新， 胡順石. 長沙市熱島效應時空特征變化研究[J]. 地球信息科學學報， 2017（4）：86-95.

[18]WANG L， ZHANG S， YAO Y， et al. Assessing the impacts of landscape patterns on urban thermal environment based on RS and GIS： a case study in Changchun City[C]// 2009 Joint Urban Remote Sensing Event. IEEE， 2009.

[19]孫佳琪， 劉永學， 董雁佇， 等. 基于Suomi-NPP VIIRS夜間熱異常產(chǎn)品的城市工業(yè)熱源分類：以京津冀地區(qū)為例[J]. 地理與地理信息科學， 2018， 34（3）： 19-25.

[20]陳鵬飛，盧力，朱華忠， 等.不同分辨率遙感影像的鋼鐵廠識別適宜性研究[J]. 地球信息科學學報，2015，17（9）：1119-1127.

[21]陳鵬飛， 盧力， 朱華忠， 等.基于不同分辨率影像的水泥廠遙感識別適宜性研究[J]. 環(huán)境污染與防治， 2015， 37（9）： 20-28.

[22]OSAKI K. Extract of polluted area in industrial complex by MOS-1（MESSR） image data[C]//International Geoscience & Remote Sensing Symposium. IEEE Xplore， 1994.

[23]魏治文， 程琳， 來記桃， 等. 幾種異常值判別準則在安全監(jiān)測數(shù)據(jù)處理中的應用[J]. 大壩與安全， 2009（1）：67-69.

[24]WANG J， DENG W， GUO Y. New Bayesian combination method for short-term traffic flow forecasting[J]. Transportation Research Part C： Emerging Technologies， 2014， 43：79-94.

[25]YANG Y， GUO G. Studying the thermal anomaly before the Zhangbei earthquake with MTSAT and meteorological data[J]. International Journal of Remote Sensing， 2010， 31（11）：2783-2791.

[26]PIEPEL G F. Robust regression and outlier detection[J]. Technometrics， 2005， 31（2）：260-261.

[27]蔣華， 鄭依龍， 王鑫. 基于軌跡信息熵分布的異常軌跡檢測方法[J]. 計算機應用研究， 2018， 35（6）：1655-1659.

[28]GRUBBS F E. Procedures for detecting outlying observations in samples[J]. Technometrics， 1969， 11（1）：1-21.

[29]TIETJEN G L， MOORE R H. Some Grubbs-type statistics for the detection of several outliers[J]. Technometrics， 1972， 14（3）：15.

[30]JIANG S Y， LI Q H， LI K L， et al. GLOF： a new approach for mining local outlier[C]//International Conference on Machine Learning & Cybernetics. IEEE， 2003.

[31]宋冬梅， 臧琳， 單新建， 等. 基于LST年趨勢背景場的地震熱異常提取算法[J]. 地震地質(zhì)， 2016， 38（3）：680-695.

[32]MATTHEW M， AARON G， ALLEN L， et al. Stray light artifacts in imagery from the Landsat 8 thermal infrared sensor[J]. Remote Sensing， 2014， 6（11）：10435-10456.

[33]JULIA B， JOHN S， SIMON H， et al. Landsat-8 thermal infrared sensor （TIRS） vicarious radiometric calibration[J]. Remote Sensing， 2014， 6（11）：11607-11626.

[34]高文升，張雨澤，房世峰， 等. 基于Landsat-8 TIRS的大氣參數(shù)快速估算方法[J]. 地球信息科學學報， 2017， 19（1）： 110-116.

[35]徐涵秋. Landsat 8熱紅外數(shù)據(jù)定標參數(shù)的變化及其對地表溫度反演的影響[J]. 遙感學報， 2016， 20（2）： 229-235.

[36]孟翔晨，歷華，杜永明， 等. Landsat 8地表溫度反演及驗證：以黑河流域為例[J]. 遙感學報， 2018， 22（5）： 857-871.

[37]YU X， GUO X， WU Z. Land surface temperature retrieval from Landsat 8 TIRS： comparison between radiative transfer equation-based method， split window algorithm and single channel method[J]. Remote Sensing， 2014， 6（10）：9829-9852.

[38]WINDAHL E， BEURS K D. An intercomparison of Landsat land surface temperature retrieval methods under variable atmospheric conditions using in situ skin temperature[J]. International Journal of Applied Earth Observation and Geoinformation， 2016， 51：11-27.

[39]VAN D G A A， OWE M.On the relationship between thermal emissivity and the normalized difference vegetation index for natural surfaces[J]. International Journal of Remote Sensing， 1993， 14（6）：1119-1131.

[40]CHEN J， YANG K， ZHU Y， et al. Analysis of the relationship between land surface temperature and land cover types： a case study of Dianchi Basin[C]// International Conference on Geoinformatics. IEEE， 2016.

[41]覃志豪， 李文娟， 徐斌， 等. 陸地衛(wèi)星TM6波段范圍內(nèi)地表比輻射率的估計[J]. 國土資源遙感， 2004， 16（3）： 28-32.

[42]丁鳳， 徐涵秋. TM 熱波段圖像的地表溫度反演算法與實驗分析[J]. 地球信息科學學報， 2006， 8（3）： 125-130.

[43]SOBRINO J A， JIMENEZ-MUOZ J C， SORIA G， et al. Land surface emissivity retrieval from different VNIR and TIR sensors[J]. IEEE Transactions on Geoscience and Remote Sensing， 2008， 46（2）：316-327.

[44]CARLSON T N， RIPLEY D A. On the relation between NDVI， fractional vegetation cover， and leaf area index[J]. Remote Sensing of Environment， 1997， 62（3）：241-252.

[45]ZHANG L L， MENG Q Y， SUN Z H， et al. Spatial and temporal analysis of the mitigating effects of industrial relocation on the surface urban heat island over China[J]. ISPRS International Journal of Geo-Information， 2017， 6（4）： 121.

[46]李光強， 鄭茂儀， 鄧敏. 時空數(shù)據(jù)異常探測方法[J]. 計算機工程， 2010， 36（5）： 35-36.

[47]ATKINSON A C， HAWKINS D M. Identification of outliers[J]. Biometrics， 1981， 37（4）：860.

[48]陳松林， 王天星. 等間距法和均值標準差法界定城市熱島的對比研究[J]. 地球信息科學學報， 2009， 11（2）：145-150.

[49]潘竟虎， 董磊磊， 王娜云， 等. 蘭西城市群熱環(huán)境格局多尺度研究[J]. 國土資源遙感， 2018， 30（2）：141-149.

[50]DAN S， XU H， XUE W， et al. Comparison and analysis of research methods for urban heat island effect based on Landsat TM6[C]. Second Iita International Conference on Geoscience & Remote Sensing， 2010.

（責任編輯：曾 晶）

Abstract：

As one of the important mechanisms affecting the urban thermal environment， the accurate detection of the factory causing thermal anomaly can provide accurate information for the analysis of the contribution rate of industrial thermal anomaly to the urban thermal environment， which is of great significance to the scientific planning of industrial construction and the improvement of the urban thermal environment. The existing industrial thermal anomaly detection method is prone to cause the detection result to be raised or missed due to the limitation of the fixed threshold parameter. Therefore， an adaptive thermal anomaly detection method （Adaptive- TAD） was proposed. The method first uses Google Earth to select the factory training samples; then selects the training standard deviation multiple based on the prior knowledge; finally， based on the dichotomy idea， combined with the factory training samples and the standard deviation multiple training samples， the optimal threshold is trained to achieve the multi-temporal phase and multi-space industrial thermal anomaly detection. The experimental results show that the Adaptive-TAD method can perform multi-space and multi-temporal industrial thermal anomaly detection with high efficiency and high precision， and the accuracy of the detection results is better than the classical 3 times method and the widely used 1.645 times method.

Key words：

land surface temperature（LST）; urban thermal environment; industrial thermal anomaly; Adaptive-TAD; detection