工业给人们生产、生活带来便利的同时,产生的污染也加剧了环境问题。此外,产业的发展往往带来工业区无序的扩张、工业布局和产业结构不合理等问题。因此,研究工业的布局具有一定的意义。随着对地观测技术的发展、卫星传感器等设备更新迭代,人们捕获的数据信息量越来越大,如何使用卫星遥感数据高效的进行工厂研究成为了一个研究方向。针对以往关于工厂布局研究中存在的研究范围小、研究周期长、计算效率低等问题,本文通过调研分析了本次研究的背景和意义、存在的难点和未来的发展趋势,深入研究了并行计算、任务划分和聚类分析算法等相关技术,并在并行环境下实现了全球范围热源工厂的提取。论文主要从三个方面进行研究:首先,结合工厂识别的方法对K-means聚类分析算法进行了优化。其次,基于GeoSOT地理剖分编码实现了大规模的数据级任务分解。并结合动态分配原则,构建热源工厂提取的动态任务树。最后,在基于消息传递模型MPI(Message PassingInterFace)的并行环境下,分别进行了基于不同计算资源、不同数据规模和不同层级的对比实验,并对计算效率和工厂布局等进行对比和分析。本次研究使用文献查阅法和实验法,创新点在于基于并行计算的方式进行全球范围热源工厂的提取。实验结果表明,结合K-means聚类分析算法对全球热源数据进行工厂提取是一种可行的方法。基于GeoSOT地理剖分编码进行任务分解,适合基于位置关系的大规模并行计算。此外,在同等条件下,并行计算效率远远优于串行计算效率。通过并行计算,能够快速处理大规模聚类计算。