基于高分辨率影像的固体废物自动识别技术

2024-01-05陈绪慧申文明史雪威蔡明勇薛志刚闫文生

中国环境监测 2023年6期

陈绪慧,李静,申文明,史雪威,蔡明勇,薛志刚,闫文生

1.生态环境部卫星环境应用中心,北京 100094 2.成都市生态环境局,四川成都 610042 3.成都市生态环境数智治理中心,四川成都 610015

固体废物是指人类在生产建设、日常生活和其他活动中产生的,在一定时间和地点无法利用而被丢弃的污染环境的固体、半固体丢弃物质,可分为工业固废、非正规垃圾、未覆盖建筑渣土等类型。各类固废堆场的遥感监测存在以下特点:未覆盖建筑渣土对光学遥感数据分辨率要求较高;工业固废在遥感影像上多表现为规则的几何形状与均一的色调;非正规垃圾成分及光谱特征较为复杂,目前多以目视解译为主要监测手段。针对各类固废堆场的遥感监测,国内外学者分别开展了大量研究工作,赵辉杰等[1]采用高分辨率遥感影像,利用决策树思想及目视解译方法,确定建筑垃圾的分布位置;张雅琼等[2]利用GF-1遥感影像,采用归一化绿红差异指数对渣土场进行遥感监测;FU等[3]结合环境卫星影像,采用面向对象方法对贵州省福泉市工业固废进行提取;刘雪龙[4]通过遥感数据,采用面向对象的方法,对贵州省福泉市磷石膏和松桃的锰渣进行识别;王创业等[5]采用高分辨率遥感数据,对尾矿及固体废弃物的光谱、纹理以及空间特征进行分析及动态变化监测。SILVESTRI等[6]根据IKONOS卫星数据,采用监督分类方法识别意大利的城市固废堆。王晨等[7]利用高分辨率卫星遥感影像,采用目视解译方法提取了京津冀地区非正规垃圾堆放场地的分布。

上述研究中,工业固废的自动化识别主要针对尾矿库、磷石膏等,但研究区具有大量的砂石加工厂、沙子加工厂等,对区域环境产生一定影响,因此,该研究重点将砂石、沙子作为工业固废。目前,针对砂石、沙子等的遥感提取研究较少。此外,针对未覆盖建筑渣土及非正规垃圾的遥感自动化识别研究也较少。国产高分辨率光学卫星的发射,使各类固废堆场遥感监测成为可能。因此,该研究通过实地采集未覆盖建筑渣土、工业固废(主要指砂石、沙子等)及非正规垃圾的光谱信息,依托高分辨率卫星遥感影像,结合各类固废的光谱、纹理特征等,开展了3种固废堆场的自动化识别方法研究,并在部分区域开展实地验证分析。

1 研究区概况及数据源

1.1 区域概况

选取成都市东部某地区为研究区,地理位置为104°22′～104°42′E、30°18′～30°48′N,面积约为1 400 km2。地貌类型以丘陵为主,土壤类型多为黄壤、黄棕壤等。矿产资源丰富,种类繁多。研究区为亚热带季风气候区,雨量充足,湿度大,云雾多,日照少,尤以夏秋季降雨量多,冬季灰霾较为严重,该地区以亚热带常绿阔叶林为主,植被覆盖率较高。研究区遥感影像如图1所示。

图1 研究区遥感影像Fig.1 Overview of the study area

1.2 遥感数据及预处理

固废堆场面积小、分布范围广,呈无规则零散分布,其遥感监测优先考虑使用亚米级空间分辨率的高分二号(GF2)数据,辅以高分一号(GF1)、高分六号(GF6)及资源三号(ZY3)卫星数据。以上卫星数据具有相同的多光谱波段,即蓝、绿、红和近红外4个光谱通道。为保证高分辨率遥感影像质量,单景影像的云覆盖量控制在10%以下,同时要求选取的影像目标地物的大小、形状、阴影、色调、纹理等解译标志信息突出、明显,能够尽可能地反映和表现目标地物的各种特征,覆盖研究区遥感影像需约3～4景,各类卫星数据源[8-10]介绍见表1。

表1 各类卫星数据介绍Table 1 Introduction to various satellite data

为保证固体废物准确提取,需首先对遥感影像进行预处理[11],主要包括3个处理步骤。

1)大气校正。地物光谱信息在辐射传输过程中与大气层发生吸收、散射等相互作用,导致光谱信息衰减或分布发生变化。为消除大气和光照等因素对地物反射的影响,获得地物真实反射率,需对遥感影像进行大气校正处理,主要通过ENVI软件中的FLAASH工具完成。

2)几何精校正。遥感图像在成像过程中受传感器、大气消光等的影响产生几何畸变。为此,以天地图为基准,均匀选取控制点,采用二次多项式方法对遥感影像进行几何精校正,保证平原和丘陵地区校正精度为1个像元,山区为2个像元。

3)图像融合。为提高遥感图像的空间分辨率和光谱分辨率,增强遥感图像数据的可判读性,将高分卫星的全色波段与多光谱波段进行像素级融合,融合后的影像目视无重影、模糊及光谱失真现象,边界清晰、无明显错位,能够反映细部特征。

2 研究方法

该研究采用SVC HR-1024i地物光谱仪实地采集各类固废的光谱信息。SVC HR-1024i地物光谱仪在350～2 500 nm光谱范围内以2 nm为间隔共获取1 024个波段,其光纤采集的视场角为25°。光谱数据采集在天气晴朗无大风的条件下进行,测量人员着深色衣服。在采集前首先利用标准板进行校正,采集时光纤探头垂直距离地面1 m,每个样点空间均匀采集5个点的光谱数据并取其均值作为最终结果。其次,采用五点平滑处理以降低光谱噪声[12],其计算公式如下。

式中:Ri、R平滑分别为第i波段及各波段平滑处理后的反射率值。针对平滑处理后的光谱数据,基于ENVI软件进行连续统去除操作,得到连续统去除光谱曲线。连续统为逐点直线连接随波长变化的吸收或反射凸出的“峰”值点,并使折线在“峰”值点上的外角大于180°,经过连续统去除的光谱曲线可以有效突出光谱曲线吸收和反射特征,去除背景吸收影响,有利于与其他光谱曲线进行特征数值比较,从而提取特征波段进行分类识别。连续统去除法计算公式如下。

式中:Rci为第i波段连续统去除后的值;Ri为第i波段的反射率值;Rstar、Rend分别为起点、终点波段的反射率值;λstar、λend分别为起点、终点波段的波长值;λi为第i波段的波长值;K为起点波段到终点波段的直线斜率。

在获取实地光谱信息的基础上,针对不同地物的特点,结合高分辨率卫星遥感影像数据的空间信息,研究各类固废遥感自动化识别方法。

2.1 未覆盖建筑渣土提取方法

笔者实地采集了未覆盖建筑渣土的光谱曲线,如图2所示。从图2可以看出,在480、580 nm附近存在“吸收谷”和“反射峰”,对应可见光的蓝波段与绿波段。基于该特征构建比值指数,其计算公式如下。

图2 未覆盖建筑渣土原始及连续统去除光谱曲线Fig.2 Spectral curves of original and continuum removal of uncovered construction residue

Rsoil=bgreen/bblue

式中:Rsoil为未覆盖建筑渣土比值指数,bgreen和bblue分别为绿波段与蓝波段。基于比值指数方法结果,采用直方图双峰法设定阈值提取未覆盖建筑渣土区域。

2.2 工业固废提取方法

笔者实地采集了覆绿膜砂石、覆黑膜砂石、未覆膜砂石、未覆膜沙子等多种工业固废的光谱曲线,如图3所示。从图3可以看出,受类型、覆盖状况及覆膜颜色差异的影响,工业固废的光谱曲线差异较大。覆绿膜砂石在波长为645 nm附近出现“吸收谷”,但其他3种工业固废在此波长范围内并没有此特征;覆黑膜砂石光谱反射率没有规律特征;未覆膜砂石与沙子的“吸收谷”与“反射峰”所在的波长范围也有所差异。因此,难以仅依靠光谱特征实现多种类型工业固废的完整有效提取。

图3 工业固废原始及连续统去除光谱曲线Fig.3 Spectral curves of original and continuum removal of industrial solid waste

但是,工业固废在遥感影像中的空间特征较为明显,表现为纹理均一、具有明显堆积痕迹、部分覆盖黑褐色或灰黑色滤网膜等特征。因此,该研究利用工业固废的形状、色调、纹理等特征,采用面向对象多尺度分割方法,对工业固废进行自动识别和提取。面向对象分割通过对影像分割,将同质像元组成大小不同的对象以增强信噪比;同时采用K邻近法提取分类信息以降低敏感异常与噪声数据集,进而得到更加准确稳定的分类结果。面向对象的多尺度分割主要包括影像分割、信息提取、精度评价等环节[13],具体算法流程如图4所示。

图4 面向对象分类算法流程Fig.4 Algorithm flow of object-oriented classification

2.3 非正规垃圾提取方法

笔者实地采集回收站垃圾、生活垃圾等2类非正规垃圾光谱曲线,如图5所示。从图5可以看出,受垃圾分布、组成成分等因素影响,其光谱特征也较为复杂。回收站垃圾光谱反射率在400～682 nm波长范围内呈波动下降趋势,但生活垃圾变化趋势与之相反;生活垃圾在475 nm波长附近出现“吸收谷”,但回收站垃圾在此波长范围内并没有此特征。另外,垃圾的新鲜程度对光谱特性同样存在较大的影响。因此,仅靠光谱特征同样难以精确提取非正规垃圾。

图5 非正规垃圾原始及连续统去除光谱曲线Fig.5 Spectral curves of original and continuum removal of informal waste

非正规垃圾多分布在郊区居民生活场所周边及村庄交界地带或河流附近,远离主路,贯通小路,影像纹理杂乱,颜色多样,分布范围较大。因此,该研究根据各类非正规垃圾的结构和纹理特征,选取小范围非正规垃圾样本区域,采用基于支持向量机的监督分类方法进行自动化提取研究。监督分类以建立统计识别函数为理论基础,依据典型样本训练方法进行分类,是模式识别的一种方法[14];支持向量机具有结构简单、适应性强、全局优化、训练时间短、泛化性能好等优点,对于高维以及非线性的分类对象,具有良好的分类识别率。

3 结果与讨论

3.1 未覆盖建筑渣土

以研究区内某未覆盖建筑渣土区域提取为例,利用覆盖该区域GF1遥感影像,采用比值指数模型,计算得到GF1影像比值指数,结果如图6所示。

图6 GF1影像比值指数结果Fig.6 Ratio index results of GF1

由图6可以看出,比值指数能够较好地识别出未覆盖建筑渣土区域轮廓,但其灰度与周围的道路、建筑物仍比较接近,为将其进一步区分,在上述结果的基础上采用阈值分割法进一步识别提取。其中,阈值选取将直接影响提取精度,笔者通过直方图双峰法确定阈值。首先,利用比值指数结果得到灰度直方图,见图7(a);其次,基于图7(a)结果,选取两峰间谷底对应的灰度值作为阈值结果,该研究取值为1.11;最终通过波段运算筛选小于阈值的区域为未覆盖建筑渣土区域,最终结果如图7(b)所示。结果显示,采用“比值指数+阈值分割”方法能够较好地剔除周围建筑物影响,进而实现绝大部分未覆盖建筑渣土区域的有效提取。

图7 比值指数灰度直方图与未覆盖建筑渣土提取结果Fig.7 Ratio index gray histogram and extraction results of uncovered construction residue

3.2 工业固废

以研究区内某工业固废区域提取为例,利用面向对象多尺度分割方法,完成工业固废的自动识别提取研究。其中,多尺度影像分割过程中,主要通过设置分割尺度、均质性标准等参数,使影像的同质分割达到高度优化的程度,而分割尺度参数、颜色和形状(光滑度和紧致度)因子等的设定直接影响后续识别精度。笔者对分割阈值、合并阈值以及纹理内核大小等参数开展对比实验,结果如图8所示。当分割阈值(Scale Level)为15、合并阈值(Merge Level)为95、纹理内核大小(Texture Kernel Size)为3时[图8(d)],可实现工业固废与周边其他地物的较好区分,且地物类型的边界显示更加清楚。

注:(a)中Scale=1,Merge=98,Kernel Size=3;(b)中Scale=5,Merge=98,Kernel Size=3;(c)中Scale=5,Merge=95,Kernel Size=3;(d)中Scale=15,Merge=95,Kernel Size=3。图8 工业固废面向对象多尺度分割结果Fig.8 Object-oriented multi-scale segmentation result diagram of industrial solid waste

在多尺度分割与样本选择的基础上,采用K邻近法,自动识别各类地物,共计提取到工业固废、道路、裸地、植被、河流、厂房、阴影和其他等8类地物,见图9(a);对分类结果进行格式转换,提取工业固废矢量图层,见图9(b),可以看出工业固废轮廓边界与原始影像中工业固废区域吻合度较高;与传统的目视解译结果图9(c)相比,采用面向对象多尺度分割方法能够有效提取出区域工业固废,监测效率相对更高。

图9 工业固废提取结果对比Fig.9 Comparison diagram of extraction results of industrial solid waste

3.3 非正规垃圾

以研究区内某非正规垃圾区域为例,利用基于支持向量机的监督分类方法提取非正规垃圾。采用类别定义(特征判别)、样本选择、分类器选择、影像分类、分类后处理及结果验证等6个步骤依次开展遥感影像的监督分类工作,提取非正规垃圾结果如图10(b)中红色框内红色图斑所示,与传统的目视解译结果图10(a)相比,采用支持向量机监督分类方法能够很好地提取小范围区域非正规垃圾堆放点,且边界位置更精准。

图10 分类后处理结果与原始影像Fig.10 Classification post-processing results and original images

3.4 解译精度

基于以上几种固废自动化识别方法,在研究区开展实地验证分析工作,共计提取79个固废图斑(图11)。其中,非正规垃圾、工业固废及未覆盖建筑渣土图斑个数分别为20、30、29个。为评价各类固废遥感解译精度,笔者针对提取到的各类固废遥感监测结果开展野外实地核查工作,核查结果如表2所示。3种类型固废遥感解译精度均可达到85%以上,说明基于以上3种自动化识别方法,能够有效提取未覆盖建筑渣土、工业固废及非正规垃圾。

表2 各类固废堆场遥感解译精度Table 2 Remote sensing interpretation accuracy of various types of solid waste

图11 研究区各类固废空间分布Fig.11 Spatial distribution map of various solid wastes in the study area

结合高分辨率卫星遥感影像与实测地物光谱信息,针对未覆盖建筑渣土、工业固废、非正规垃圾开展遥感自动识别提取研究。其中,关于未覆盖建筑渣土,传统监测方法主要依据建筑渣土的空间分布、纹理信息等[1-2],未考虑光谱信息,笔者利用未覆盖建筑渣土的实测光谱信息,结合其空间纹理特征完成未覆盖建筑渣土识别,相较于传统方法考虑的因素更全面,识别效果更好。关于工业固废,传统工业固废主要有磷石膏、尾矿库、冶炼渣等,以上几种工业固废的提取,多采用面向对象多尺度分割方法[4-5,15-17],而该研究区工业固废以砂石、沙子等为主,针对该类型的遥感监测提取研究仍较少,作者在前人关于工业固废提取研究成果的基础上,采用面向对象多尺度分割方法,通过对影像分割及K邻近法提取分类信息等手段可以有效提取砂石、沙子等工业固废,从侧面论证了面向对象多尺度分割方法能够较好地满足各种类型工业固废的监测提取。关于非正规垃圾,笔者采用支持向量机监督分类方法,与传统的目视解译方法相比,该方法在保证提取精度相近的情况下,在识别效率上有所提高。

总之,国产高分辨卫星遥感影像可以在固废监测提取中发挥重要作用,在该研究3种方法识别的固废结果基础上,开展人机交互判读,可以极大提高区域固废遥感监测的效率与精度,为未来固废监管提供新的技术思路和手段。但在3种类型固废监测精度方面,非正规垃圾与工业固废的遥感提取精度略低于未覆盖建筑渣土,分析原因可能是前2种类型固废在组成成分、结构等方面相对于未覆盖建筑渣土更为复杂,对遥感目标识别产生一定干扰。在下一步工作中,将结合高分辨率卫星遥感影像数据,通过建立不同类型固废样本库,探讨利用实例分割技术等深度学习方法,实现不同类型固废的高精度遥感自动识别提取。