基于人工智能技术与大数据的工业废弃地识别方法及产品

1.本发明实施例涉及信息处理技术领域，尤其涉及一种基于人工智能技术与大数据的工业废弃地识别方法及产品。


背景技术：

2.有效地对工业废弃地进行合理的再利用是后工业时代背景下城市发展与产业转型的重要抓手，而工业废弃地的基础数据库构建则是关键技术环节之一。构建工业废弃地的基础数据库首先需要对工业废弃地进行识别，工业废弃地识别的技术瓶颈在于该类土地类别复杂，地表遥感影像特征差异大，且很难单纯依靠遥感影像确定识别目标是否废弃。为了得到更准确的工业废弃地识别结果，往往需要通过人工目视解译的方法进行多时相影像比对，并通过实地调研确认。因此相关技术中，往往只能在有限且特定的城市或区域层面进行工业废弃地识别，并且所依赖的关键数据信息大多并非开源数据，获取难度较高，导致方法的应用范畴过于局限，不具有空间与时间层面的迁移性。
3.相关技术中提出的工业废弃地识别方法主要分为以下两种类型：基于高分辨率遥感影像的识别方法和基于多源空间与非空间信息的识别方法。
4.基于高分辨率遥感影像的工业废弃地识别方法大多基于遥感影像的光谱信息，通过监督分类、支持向量机等遥感解译技术进行工业废弃地识别，准确率波动大，且不同类型工业废弃地的识别准确率差异较大。此外，虽然基于高分辨率遥感影像的工业废弃地识别方法人力成本、时间投入成本较少，但是识别结果受影像数据影响较大，获得开源高分辨率遥感影像较为困难。
5.基于多源空间与非空间信息的工业废弃地识别方法识别结果较为准确，但需要大量的人力和时间，并且关键信息大多并非公开信息，方法很难进行推广。
6.由此可见，目前亟需一种新的工业废弃地识别方法。


技术实现要素：

7.本发明实施例提供一种基于人工智能技术与大数据的工业废弃地识别方法、装置、电子设备、计算机可读存储介质及计算机程序产品，以至少解决相关技术中的部分问题。
8.本发明实施例第一方面提供了一种基于人工智能技术与大数据的工业废弃地识别方法，所述方法包括：
9.将待识别图像输入预先训练的工业废弃地识别模型，得到所述待识别图像中包含的潜在工业废弃地；
10.从所述潜在工业废弃地中筛选人流热力低于第一预设阈值、且地表温度低于第二预设阈值的部分潜在工业废弃地，确定为工业废弃地；
11.其中，所述预先训练的工业废弃地识别模型预先学习了样本潜在工业废弃地的图像特征，所述样本潜在工业废弃地包括：仍在运行的工业用地和工业废弃地。
12.可选地，所述工业废弃地识别模型是按照以下步骤训练的：
13.获得样本潜在工业废弃地；
14.利用样本潜在工业废弃地对预设语义分割模型进行训练。
15.可选地，从所述潜在工业废弃地的边界中筛选人流热力低且地表温度低的部分潜在工业废弃地，包括：
16.获取所述潜在工业废弃地在第一预设时间段内的人流热力数；
17.将所述人流热力数输入gis平台，绘制人流热力分布图；
18.获取所述潜在工业废弃地在第二预设时间段内的地表温度值；
19.将所述地表温度值输入gis平台，绘制地表温度分布图；
20.根据所述人流热力分布图、所述地表温度分布图和所述潜在工业废弃地，筛选人流热力低于第一预设阈值、地表温度低于第二预设阈值的部分潜在工业废弃地。
21.可选地，根据所述人流热力分布图、地表温度分布图和所述潜在工业废弃地，筛选人流热力低于第一预设阈值、地表温度低于第二预设阈值的部分潜在工业废弃地，包括：
22.根据所述人流热力分布图和所述潜在工业废弃地，筛选出人流热力低于第一预设阈值的第一潜在工业废弃地；
23.根据所述地表温度分布图和所述第一潜在工业废弃地，筛选出地表温度低于第二预设阈值的部分潜在工业废弃地。
24.可选地，所述待识别图像为目标区域的开源低分辨率遥感影像。
25.可选地，在从所述潜在工业废弃地中筛选人流热力低于第一预设阈值、且地表温度低于第二预设阈值的部分潜在工业废弃地之前，所述方法还包括：
26.利用交通道路数据对所述工业废弃地进行分割，以对所述工业废弃地的边界进行细分；
27.从所述潜在工业废弃地中筛选人流热力低于第一预设阈值、且地表温度低于第二预设阈值的部分潜在工业废弃地，包括：
28.从分割后的潜在工业废弃地中筛选人流热力低于第一预设阈值、且地表温度低于第二预设阈值的部分潜在工业废弃地。
29.本发明实施例第二方面提供了一种基于人工智能技术与大数据的工业废弃地识别装置，所述装置包括：
30.识别模块，用于将待识别图像输入预先训练的工业废弃地识别模型，得到所述待识别图像中包含的潜在工业废弃地；
31.筛选模块，用于从所述潜在工业废弃地中筛选人流热力低于第一预设阈值、且地表温度低于第二预设阈值的部分潜在工业废弃地，确定为工业废弃地；
32.其中，所述预先训练的工业废弃地识别模型预先学习了样本潜在工业废弃地的图像特征，所述样本潜在工业废弃地包括：仍在运行的工业用地和工业废弃地。
33.可选地，所述工业废弃地识别模型是按照以下步骤训练的：
34.获得样本潜在工业废弃地；
35.利用样本潜在工业废弃地对预设语义分割模型进行训练。
36.可选地，所述筛选模块，包括：
37.第一获取子模块，用于获取所述潜在工业废弃地在第一预设时间段内的人流热力
数；
38.第一绘制子模块，用于将所述人流热力数输入gis平台，绘制人流热力分布图；
39.第二获取子模块，用于获取所述潜在工业废弃地在第二预设时间段内的地表温度值；
40.第二绘制子模块，用于将所述地表温度值输入gis平台，绘制地表温度分布图；
41.筛选子模块，用于根据所述人流热力分布图、所述地表温度分布图和所述潜在工业废弃地，筛选人流热力低于第一预设阈值、地表温度低于第二预设阈值的部分潜在工业废弃地。
42.可选地，所述筛选子模块，具体用于：
43.根据所述人流热力分布图和所述潜在工业废弃地，筛选出人流热力低于第一预设阈值的第一潜在工业废弃地；
44.根据所述地表温度分布图和所述第一潜在工业废弃地，筛选出地表温度低于第二预设阈值的部分潜在工业废弃地。
45.可选地，所述待识别图像为目标区域的开源低分辨率遥感影像。
46.可选地，所述装置还包括：
47.分割模块，用于利用交通道路数据对所述工业废弃地进行分割，以对所述工业废弃地的边界进行细分；
48.所述筛选模块，具体用于：从分割后的潜在工业废弃地中筛选人流热力低于第一预设阈值、且地表温度低于第二预设阈值的部分潜在工业废弃地。
49.本发明实施例第三方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明第一方面所述的基于人工智能技术与大数据的工业废弃地识别方法中的步骤。
50.本发明实施例第四方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明第一方面所述的基于人工智能技术与大数据的工业废弃地识别方法中的步骤。
51.本发明实施例第五方面提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如本发明第一方面所述的基于人工智能技术与大数据的工业废弃地识别方法中的步骤。
52.本发明实施例提供的基于人工智能技术与大数据的工业废弃地识别方法，采用预先训练的工业废弃地识别模型，从待识别图像中分割出潜在工业废弃地，再利用多源数据(至少包括：人流热力数据和地表温度数据)从潜在工业废弃地中筛选出已经闲置的工业废弃地，作为识别结果。
53.本发明实施例中，依托成熟的人工智能图像识别技术与开源的城市大数据信息与遥感数据，形成具有空间与时间普适性，且可操作性强的工业废弃地识别方法，建立了成熟、高效的工业废弃地自动识别技术方法，能切实地帮助国土空间规划、城市更新等一系列重大战略的理论研究与落地实践科学、高效的推进。
附图说明
54.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所
需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
55.图1是本发明实施例的一种工业废弃地识别方法的流程图；
56.图2是本发明实施例的另一种工业废弃地识别方法的流程图；
57.图3是本发明实施例的工业废弃地识别方法的具体实施例得到的潜在工业废弃地预测结果示意图；
58.图4是本发明实施例的工业废弃地识别方法的具体实施例得到的人流热力分布示意图；
59.图5是本发明实施例的工业废弃地识别方法的具体实施例得到的地表温度分布示意图；
60.图6是本发明实施例的工业废弃地识别方法的具体实施例得到的工业废弃地识别结果示意图；
61.图7是本发明实施例的另一种工业废弃地识别装置的结构框图。
具体实施方式
62.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
63.基于人工智能方法与遥感影像的土地利用鉴别与监测技术在训练模型构建及研究应用场景上都在快速发展。遥感影像场景分类技术在不断成熟的过程中也逐渐开源，并与多源大数据相结合，使得其可以在各个学科中被广泛利用。
64.基于此，本发明实施例提出发明构思：基于语义分割模型，利用预先训练的工业废弃地识别模型，从待识别图像中识别出潜在工业废弃地。然而，由于仍在运行的工业用地和工业废弃地的图像特征差别不大，工业废弃地识别模型实际上难以准确地对二者进行区分，因此，本发明实施例进一步提出：基于人流热力和地表温度，对工业废弃地识别模型识别出的潜在工业废弃地进行筛选，以确定出工业废弃地。
65.参照图1，示出了本发明实施例的一种基于人工智能技术与大数据的工业废弃地识别方法的流程图，具体的，本发明实施例所提供的工业废弃地识别方法可以包括以下步骤：
66.s101，将待识别图像输入预先训练的工业废弃地识别模型，得到所述待识别图像中包含的潜在工业废弃地。
67.其中，所述预先训练的工业废弃地识别模型预先学习了样本潜在工业废弃地的图像特征，所述样本潜在工业废弃地包括：仍在运行的工业用地和工业废弃地。
68.本发明实施例中，所述待识别图像为目标区域的开源低分辨率遥感影像。本发明实施例中，在确定待识别的目标区域(例如：某省、某市或者某区等) 之后，即可获取该区域的开源低分辨率遥感影像，作为待识别图像，输入预先训练的工业废弃地识别模型进行识别。
69.考虑到工业用地在地表特征上与其他城市建设用地存在着明显差异(例如工业厂房单体外表特征、群体分布特征，以及工业生产设施对地表造成的显著变化)，因此，可以根
据图像特征，将工业用地和其他城市建设用地继续区分。但是根据图像特征难以对仍在运行的工业用地和已经闲置的工业废弃地进行区分。因此，本发明实施例中，预先训练的工业废弃地识别模型，得到的潜在工业废弃地中不对二者进行区分，而是依靠后续的筛选步骤，从潜在工业废弃地中筛选出工业废弃地。
70.考虑到高分辨率遥感影像获取的难度和成本较高，以及对高分辨率遥感影响进行处理的数据量较大，处理耗时较高。本发明实施例中提出，基于开源低分辨率遥感影像进行工业废弃地识别。基于此，本发明实施例中，在模型训练的过程中，用到的样本潜在工业废弃地也是开源低分辨率遥感影像。
71.s102，从所述潜在工业废弃地中筛选人流热力低于第一预设阈值、且地表温度低于第二预设阈值的部分潜在工业废弃地，确定为工业废弃地。
72.考虑到已经闲置的工业废弃地必然无人或只存在少量人前往与停留，且不进行工业生产的工业废弃地所产生的热辐射必然显著低于仍在进行生产的工业用地。由此，本发明实施例中提出：工业废弃地存在人流热力低与地表温度低两个显著特点。考虑到可能出现由于工业生产自动化程度较高，导致工业生产只需要少量人员在现场管理的情况出现，因此本发明创造将工业废弃地的判定条件定义为：地块的人流热力值显著偏低、且地块内地表温度的最高值显著低于已知的正在运行的工业区的平均地表温度。
73.由此，本发明实施例提出：选取城市人流热力数据与地表温度反演数据作为依据，从潜在工业废弃地中筛选已经闲置的工业废弃地，作为识别结果。
74.在一种可选地实施方式中，所述s102包括以下子步骤：
75.s1021，获取所述潜在工业废弃地在第一预设时间段内的人流热力数。
76.s1022，将所述人流热力数输入gis平台，绘制人流热力分布图。
77.s1023，获取所述潜在工业废弃地在第二预设时间段内的地表温度值。
78.s1024，将所述地表温度值输入gis平台，绘制地表温度分布图。
79.s1025，根据所述人流热力分布图、所述地表温度分布图和所述潜在工业废弃地，筛选人流热力低于第一预设阈值、地表温度低于第二预设阈值的部分潜在工业废弃地。
80.本发明实施例中，可以利用地理信息系统(gis)平台和获取到人流热力数据以及地表温度数据，得到对应的人流热力分布图和地表温度分布图。
81.本发明实施例中，第一预设时间段可以为工作日的工作时间段，以确定工作时间段的人流热力数据，从而更加准确地筛选出仍在运行的工业用地。
82.本发明实施例中，第二预设时间段可以是通常工厂的运行时间段，以确定运行时间段内该潜在工业废弃地的地表温度，从而准确地反应出该潜在工业废弃地是否仍在运行。
83.本发明实施例中，第一预设时间段和第二预设时间段，可以是同一预设时间段，也可以是不同的预设时间段。
84.本发明实施例中，在得到人流热力分布图、地表温度分布图和潜在工业废弃地之后，即可根据第一预设阈值和第二预设阈值，确定出闲置的工业废弃地。
85.本发明实施例中，第一预设阈值和第二预设阈值可以由技术人员根据目标区域的实际情况确定。例如：第一预设阈值可以根据目标区域的平均人流量确定，第二预设阈值可以根据目标区域中正在运行的常见工业区的平均地表温度确定。
86.具体地，s1025包括：
87.根据所述人流热力分布图和所述潜在工业废弃地，筛选出人流热力低于第一预设阈值的第一潜在工业废弃地；根据所述地表温度分布图和所述第一潜在工业废弃地，筛选出地表温度低于第二预设阈值的部分潜在工业废弃地。
88.本发明实施例中，可以先用人流热力数据进行首轮筛选，进一步用地表温度数据进行第二轮筛选，科学高效地将仍在运行的工业用地从潜在工业废弃地的识别结果中剥离，从而得到工业废弃地的识别结果。
89.在一种可选的实施方式中，所述工业废弃地识别模型是按照以下步骤训练的：
90.s1，获得样本潜在工业废弃地。
91.本发明实施例中，所述样本潜在工业废弃地为开源低分辨率遥感影像。
92.具体地，本发明实施例中，在地理信息系统平台上运用10米像素分辨率的sentinel-2a开源遥感影像，对黄石、唐山、新余3个城市的536块潜在工业废弃地进行目视识别，得到包括仍在运行的工业用地和工业废弃地的样本潜在工业废弃地，作为训练集的数据来源。
93.本发明实施例中，利用开源的低分辨率遥感影像数据进行模型训练，可以降低数据获取成本，也可以提高模型训练效率和模型处理效率。由此，使得，本发明实施例所提供的工业废弃地识别方法的应用成本较低，可操作性较强。
94.本发明实施例中，在gis平台中将rgb波段融合形成的3波段假彩色遥感影像栅格图层与样本潜在工业废弃地栅格图层进行对应赋值，潜在工业废弃地部分赋1值，非工业属性用地部分赋0值，并分割为256像素
×
256 像素的训练样本。为保证后续模型训练效果，本发明实施例中的训练样本集符合以下要求：(1)包含大量具有不同图像特征的潜在工业废弃地与非工业属性用地，以提升模型的鲁棒性；(2)包含足够的训练样本数量以确保模型训练不会出现过拟合问题。最终，得到由1140个包含潜在工业用地的 256像素
×
256像素赋值tif图像样本所组成的训练样本集。
95.s2，利用样本潜在工业废弃地对预设语义分割模型进行训练。
96.本发明实施例中，预设语义分割模型可以从待处理图像中区分中目标类别的区域。
97.本发明实施例中，将训练样本集所有样本按20％-80％分配得到测试集与训练集。具体地，本发明实施例中，预设语义分割模型可以为hrnet模型。 hrnet模型的训练可以理解为前向传播和反向传播两个过程，前向传播负责将图像对输入网络模型计算并输出预测值，反向传播负责对各层的权值和偏置的梯度进行优化和调整。
98.本发明实施例中，模型的输入为3通道256
×
256大小的标签样本，在训练集中每批次(batch size)随机抽取2组训练样本x和对应标签y，依次进入hrnet模型中的每层进行运算，直到训练集遍历一遍属于一个训练轮次(epoch)，经过sigmoid函数激活得到图像各个像素的类别概率分布图，把网络的预测值表示为y_pred，整个过程为模型的前向传播。前向传播得到影像概率分布图，利用损失函数计算模型的预测值y_pred与数据集的真值y之间的差异(loss)，损失越趋近于0，说明模型的效果越好，反之则越差。反向传播过程可以简单理解为求损失函数最小值的过程，通常采用梯度下降算法来优化网络中数以万计的参数，从而寻找到模型的最佳参数组合。本发明实施例中，采用adam优化算法，通过50次训练迭
代，当梯度降至全局最优时，损失函数不再降低，网络实现最佳参数组合，模型训练完成，得到工业废弃地识别模型。
99.本发明实施例中，模型的训练过程中，没有对仍在运行的工业用地和已经闲置的工业废弃地进行区分，而是将仍在运行的工业用地和已经闲置的工业废弃地统一作为潜在工业废弃地部分赋1值，非工业属性用地部分赋0值。从而训练得到的工业废弃地识别模型，识别得到的潜在工业废弃地包括了仍在运行的工业用地和已经闲置的工业废弃地，避免依靠图像特征对在运行的工业用地和已经闲置的工业废弃地，可以减小识别误差。
100.参照图2，示出了本发明实施例的一种基于人工智能技术与大数据的工业废弃地识别方法的流程图，具体的，本发明实施例所提供的工业废弃地识别方法可以包括以下步骤：
101.s201，将待识别图像输入预先训练的工业废弃地识别模型，得到所述待识别图像中包含的潜在工业废弃地。
102.该步骤与上述步骤s101类似，在此不再赘述。
103.s202，利用交通道路数据对所述工业废弃地进行分割，以对所述工业废弃地的边界进行细分。
104.本发明实施例中，由于遥感影像精度问题，预测识别结果无法通过城市道路将大面积的潜在工业废弃地进行合理分割。可以理解的，被城市主要交通道路分割的土地很少为同一片厂区或企业，因此为了提高识别精度，避免后续的筛选过程出现由于某一处的人流热力或地表温度异常值便判定一大片土地是工业废弃地的情况，本发明实施例还提出，利用目标区域的主要交通道路(包括铁路、高速公路、城市快速路，与一级道路)矢量数据对潜在工业废弃地的识别结果进行分割。
105.s203，从分割后的潜在工业废弃地中筛选人流热力低于第一预设阈值、且地表温度低于第二预设阈值的部分潜在工业废弃地，确定为工业废弃地。
106.该步骤与上述步骤s102类似，在此不再赘述。
107.为了便于理解，以下通过一个具体的实施例，对本发明实施例提供的一种基于人工智能技术与大数据的工业废弃地识别方法，进行进一步地解释，可以理解的，该实施例仅作为示例：
108.下面以唐山市中心城区作为目标识别区域为例，进行详细说明。根据唐山市中心城区用地布局规划图与唐山市行政区范围矢量数据，确定丰南区、开平区、丰润区、路南区，以及路北区5个行政区的部分街区作为识别目标区域。同时，为保证人流热力数据与地表温度数据筛查后结果的准确性，本实施例所使用的数据日期为唐山市12月份工作日的数据。工作日保证目标区域的人流热力数据不会受节假日影像，导致仍在运行的工业用地出现人流热力值低，从而与工业废弃地混淆的情况；选取冬季时间则保证仍在运行的工业用地由于工业生产所产生热辐射，其地表温度会显著高于不产生热辐射的工业废弃地。因此选取2020年12月10日的遥感影像与人流热力、地表温度数据作为潜在工业废弃地ai识别的图像与筛选的基础数据。
109.首先，使用预先训练的工业废弃地识别模型对目标区域的遥感影像进行预测，得到潜在工业废弃地预测结果，如图3所示，其中，白色部分代表潜在工业废弃地。
110.接着，在百度地图网站后台由爬虫实时爬取案例范围2020年12月10 日上午10:00
工作日工作时间段的人流热力数，拼接后进行矢量化计算，并将矢量数据导入gis平台。爬取的人流热力数据精度为100米
×
100米，矢量化计算后，图层中每一个矢量点所具有的pop值为以矢量点为中心1公顷正方形范围内的人流热力平均值。如果以矢量点为中心1公顷范围内人流热力值少于100人，则pop值为记为0，不计入矢量化计算结果，得到人流热力分布图，如图4所示。经统计，该时间点唐山市中心城区人流热力最大值为2277人/公顷，计入统计的最小值为247人/公顷，平均值为888.01人/ 公顷。
111.随后，采用大气校正法对预测范围该时段的landsat8影像进行地表温度反演，得到区域地表温度数据范围为-7.3℃-19.2℃，如图5所示，示出了唐山市的地表温度分布示意图。，其中，各个区域颜色越浅表示温度越低。结合人流热力数据确定的一定仍在运行的工业用地计算后，认为若地块存在地表温度超过7℃的情况，则该区域一定存在大量由于自发热形成的热辐射导致地表温度过高，工业废弃地在此时间点的地表温度最高值必然低于7℃。
112.最终，将唐山市中心城区2020年12月10日的潜在废弃地识别结果，以及人流热力数据与地表温度数据输入gis平台，并筛选出人流热力值小于 100人/公顷，且区域内地表温度最高值小于7℃的地块，得到最终的工业废弃地识别结果，如图6所示，其中，深灰色部分代表工业废弃地是被结果。经统计，共有431块工业废弃地，总面积约24.24平方公里，其余地理信息数据如每块废弃地的面积、中心点经纬度等信息均可由gis图层属性表获悉。
113.本发明实施例中，利用10米像素分辨率的sentinel-2a开源遥感影像，作为数据来源，进行模型训练和工业废弃地识别，并且，依据多源数据(至少包括：人流数据、地表温度数据、道路数据)对模型的识别结果进行进一步的筛选，以对模型得到的潜在工业废弃地是否确实废弃做出更加准确、科学的判断，确保识别结果更加准确。
114.采用本发明实施例提供的工业废弃地识别方法，可以在保证识别结果准确度可信的情况下，大大提升识别效率，节省人力物力。同时，以开源分辨率数据作为数据基础，数据获取途径简单，技术使用门槛低，可以有效扩大适用场景。
115.基于同一发明构思，本发明实施例提供一种基于人工智能技术与大数据的工业废弃地识别装置，参考图7，图7是本发明实施例提供的工业废弃地识别装置的示意图。如图7所示，该装置包括：
116.识别模块701，用于将待识别图像输入预先训练的工业废弃地识别模型，得到所述待识别图像中包含的潜在工业废弃地；
117.筛选模块702，用于从所述潜在工业废弃地中筛选人流热力低于第一预设阈值、且地表温度低于第二预设阈值的部分潜在工业废弃地，确定为工业废弃地；
118.其中，所述预先训练的工业废弃地识别模型预先学习了样本潜在工业废弃地的图像特征，所述样本潜在工业废弃地包括：仍在运行的工业用地和工业废弃地。
119.可选地，所述工业废弃地识别模型是按照以下步骤训练的：
120.获得样本潜在工业废弃地；
121.利用样本潜在工业废弃地对预设语义分割模型进行训练。
122.可选地，所述筛选模块702，包括：
123.第一获取子模块，用于获取所述潜在工业废弃地在第一预设时间段内的人流热力数；
124.第一绘制子模块，用于将所述人流热力数输入gis平台，绘制人流热力分布图；
125.第二获取子模块，用于获取所述潜在工业废弃地在第二预设时间段内的地表温度值；
126.第二绘制子模块，用于将所述地表温度值输入gis平台，绘制地表温度分布图；
127.筛选子模块，用于根据所述人流热力分布图、所述地表温度分布图和所述潜在工业废弃地，筛选人流热力低于第一预设阈值、地表温度低于第二预设阈值的部分潜在工业废弃地。
128.可选地，所述筛选子模块，具体用于：
129.根据所述人流热力分布图和所述潜在工业废弃地，筛选出人流热力低于第一预设阈值的第一潜在工业废弃地；
130.根据所述地表温度分布图和所述第一潜在工业废弃地，筛选出地表温度低于第二预设阈值的部分潜在工业废弃地。
131.可选地，所述待识别图像为开源低分辨率遥感影像。
132.可选地，所述装置还包括：
133.分割模块，用于利用交通道路数据对所述工业废弃地进行分割，以对所述工业废弃地的边界进行细分。
134.基于同一发明构思，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一实施例所述的工业废弃地识别方法中的步骤。
135.基于同一发明构思，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述任一实施例所述的基于人工智能技术与大数据的工业废弃地识别方法中的步骤。
136.基于同一发明构思，本发明实施例提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述任一实施例所述的基于人工智能技术与大数据的工业废弃地识别方法中的步骤。
137.对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
138.本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
139.本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
140.本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执
行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
141.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
142.这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
143.尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
144.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
145.以上对本发明所提供的一种基于人工智能技术与大数据的工业废弃地识别方法、装置、电子设备、计算机可读存储介质及计算机程序产品，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。