基于高分辨率影像的固體廢物自動識別技術

陳緒慧,李 靜,申文明,史雪威,蔡明勇,薛志剛,閆文生

1.生態環境部衛星環境應用中心,北京 100094 2.成都市生態環境局,四川 成都 610042 3.成都市生態環境數智治理中心,四川 成都 610015

固體廢物是指人類在生產建設、日常生活和其他活動中產生的,在一定時間和地點無法利用而被丟棄的污染環境的固體、半固體丟棄物質,可分為工業固廢、非正規垃圾、未覆蓋建筑渣土等類型。各類固廢堆場的遙感監測存在以下特點:未覆蓋建筑渣土對光學遙感數據分辨率要求較高;工業固廢在遙感影像上多表現為規則的幾何形狀與均一的色調;非正規垃圾成分及光譜特征較為復雜,目前多以目視解譯為主要監測手段。針對各類固廢堆場的遙感監測,國內外學者分別開展了大量研究工作,趙輝杰等[1]采用高分辨率遙感影像,利用決策樹思想及目視解譯方法,確定建筑垃圾的分布位置;張雅瓊等[2]利用GF-1遙感影像,采用歸一化綠紅差異指數對渣土場進行遙感監測;FU等[3]結合環境衛星影像,采用面向對象方法對貴州省福泉市工業固廢進行提取;劉雪龍[4]通過遙感數據,采用面向對象的方法,對貴州省福泉市磷石膏和松桃的錳渣進行識別;王創業等[5]采用高分辨率遙感數據,對尾礦及固體廢棄物的光譜、紋理以及空間特征進行分析及動態變化監測。SILVESTRI等[6]根據IKONOS衛星數據,采用監督分類方法識別意大利的城市固廢堆。王晨等[7]利用高分辨率衛星遙感影像,采用目視解譯方法提取了京津冀地區非正規垃圾堆放場地的分布。

上述研究中,工業固廢的自動化識別主要針對尾礦庫、磷石膏等,但研究區具有大量的砂石加工廠、沙子加工廠等,對區域環境產生一定影響,因此,該研究重點將砂石、沙子作為工業固廢。目前,針對砂石、沙子等的遙感提取研究較少。此外,針對未覆蓋建筑渣土及非正規垃圾的遙感自動化識別研究也較少。國產高分辨率光學衛星的發射,使各類固廢堆場遙感監測成為可能。因此,該研究通過實地采集未覆蓋建筑渣土、工業固廢(主要指砂石、沙子等)及非正規垃圾的光譜信息,依托高分辨率衛星遙感影像,結合各類固廢的光譜、紋理特征等,開展了3種固廢堆場的自動化識別方法研究,并在部分區域開展實地驗證分析。

1 研究區概況及數據源

1.1 區域概況

選取成都市東部某地區為研究區,地理位置為104°22′～104°42′E、30°18′～30°48′N,面積約為1 400 km2。地貌類型以丘陵為主,土壤類型多為黃壤、黃棕壤等。礦產資源豐富,種類繁多。研究區為亞熱帶季風氣候區,雨量充足,濕度大,云霧多,日照少,尤以夏秋季降雨量多,冬季灰霾較為嚴重,該地區以亞熱帶常綠闊葉林為主,植被覆蓋率較高。研究區遙感影像如圖1所示。

圖1 研究區遙感影像Fig.1 Overview of the study area

1.2 遙感數據及預處理

固廢堆場面積小、分布范圍廣,呈無規則零散分布,其遙感監測優先考慮使用亞米級空間分辨率的高分二號(GF2)數據,輔以高分一號(GF1)、高分六號(GF6)及資源三號(ZY3)衛星數據。以上衛星數據具有相同的多光譜波段,即藍、綠、紅和近紅外4個光譜通道。為保證高分辨率遙感影像質量,單景影像的云覆蓋量控制在10%以下,同時要求選取的影像目標地物的大小、形狀、陰影、色調、紋理等解譯標志信息突出、明顯,能夠盡可能地反映和表現目標地物的各種特征,覆蓋研究區遙感影像需約3～4景,各類衛星數據源[8-10]介紹見表1。

表1 各類衛星數據介紹Table 1 Introduction to various satellite data

為保證固體廢物準確提取,需首先對遙感影像進行預處理[11],主要包括3個處理步驟。

1)大氣校正。地物光譜信息在輻射傳輸過程中與大氣層發生吸收、散射等相互作用,導致光譜信息衰減或分布發生變化。為消除大氣和光照等因素對地物反射的影響,獲得地物真實反射率,需對遙感影像進行大氣校正處理,主要通過ENVI軟件中的FLAASH工具完成。

2)幾何精校正。遙感圖像在成像過程中受傳感器、大氣消光等的影響產生幾何畸變。為此,以天地圖為基準,均勻選取控制點,采用二次多項式方法對遙感影像進行幾何精校正,保證平原和丘陵地區校正精度為1個像元,山區為2個像元。

3)圖像融合。為提高遙感圖像的空間分辨率和光譜分辨率,增強遙感圖像數據的可判讀性,將高分衛星的全色波段與多光譜波段進行像素級融合,融合后的影像目視無重影、模糊及光譜失真現象,邊界清晰、無明顯錯位,能夠反映細部特征。

2 研究方法

該研究采用SVC HR-1024i地物光譜儀實地采集各類固廢的光譜信息。SVC HR-1024i地物光譜儀在350～2 500 nm光譜范圍內以2 nm為間隔共獲取1 024個波段,其光纖采集的視場角為25°。光譜數據采集在天氣晴朗無大風的條件下進行,測量人員著深色衣服。在采集前首先利用標準板進行校正,采集時光纖探頭垂直距離地面1 m,每個樣點空間均勻采集5個點的光譜數據并取其均值作為最終結果。其次,采用五點平滑處理以降低光譜噪聲[12],其計算公式如下。

式中:Ri、R平滑分別為第i波段及各波段平滑處理后的反射率值。針對平滑處理后的光譜數據,基于ENVI軟件進行連續統去除操作,得到連續統去除光譜曲線。連續統為逐點直線連接隨波長變化的吸收或反射凸出的“峰”值點,并使折線在“峰”值點上的外角大于180°,經過連續統去除的光譜曲線可以有效突出光譜曲線吸收和反射特征,去除背景吸收影響,有利于與其他光譜曲線進行特征數值比較,從而提取特征波段進行分類識別。連續統去除法計算公式如下。

式中:Rci為第i波段連續統去除后的值;Ri為第i波段的反射率值;Rstar、Rend分別為起點、終點波段的反射率值;λstar、λend分別為起點、終點波段的波長值;λi為第i波段的波長值;K為起點波段到終點波段的直線斜率。

在獲取實地光譜信息的基礎上,針對不同地物的特點,結合高分辨率衛星遙感影像數據的空間信息,研究各類固廢遙感自動化識別方法。

2.1 未覆蓋建筑渣土提取方法

筆者實地采集了未覆蓋建筑渣土的光譜曲線,如圖2所示。從圖2可以看出,在480、580 nm附近存在“吸收谷”和“反射峰”,對應可見光的藍波段與綠波段?；谠撎卣鳂嫿ū戎抵笖?其計算公式如下。

圖2 未覆蓋建筑渣土原始及連續統去除光譜曲線Fig.2 Spectral curves of original and continuum removal of uncovered construction residue

Rsoil=bgreen/bblue

式中:Rsoil為未覆蓋建筑渣土比值指數,bgreen和bblue分別為綠波段與藍波段?；诒戎抵笖捣椒ńY果,采用直方圖雙峰法設定閾值提取未覆蓋建筑渣土區域。

2.2 工業固廢提取方法

筆者實地采集了覆綠膜砂石、覆黑膜砂石、未覆膜砂石、未覆膜沙子等多種工業固廢的光譜曲線,如圖3所示。從圖3可以看出,受類型、覆蓋狀況及覆膜顏色差異的影響,工業固廢的光譜曲線差異較大。覆綠膜砂石在波長為645 nm附近出現“吸收谷”,但其他3種工業固廢在此波長范圍內并沒有此特征;覆黑膜砂石光譜反射率沒有規律特征;未覆膜砂石與沙子的“吸收谷”與“反射峰”所在的波長范圍也有所差異。因此,難以僅依靠光譜特征實現多種類型工業固廢的完整有效提取。

圖3 工業固廢原始及連續統去除光譜曲線Fig.3 Spectral curves of original and continuum removal of industrial solid waste

但是,工業固廢在遙感影像中的空間特征較為明顯,表現為紋理均一、具有明顯堆積痕跡、部分覆蓋黑褐色或灰黑色濾網膜等特征。因此,該研究利用工業固廢的形狀、色調、紋理等特征,采用面向對象多尺度分割方法,對工業固廢進行自動識別和提取。面向對象分割通過對影像分割,將同質像元組成大小不同的對象以增強信噪比;同時采用K鄰近法提取分類信息以降低敏感異常與噪聲數據集,進而得到更加準確穩定的分類結果。面向對象的多尺度分割主要包括影像分割、信息提取、精度評價等環節[13],具體算法流程如圖4所示。

圖4 面向對象分類算法流程Fig.4 Algorithm flow of object-oriented classification

2.3 非正規垃圾提取方法

筆者實地采集回收站垃圾、生活垃圾等2類非正規垃圾光譜曲線,如圖5所示。從圖5可以看出,受垃圾分布、組成成分等因素影響,其光譜特征也較為復雜?；厥照纠庾V反射率在400～682 nm波長范圍內呈波動下降趨勢,但生活垃圾變化趨勢與之相反;生活垃圾在475 nm波長附近出現“吸收谷”,但回收站垃圾在此波長范圍內并沒有此特征。另外,垃圾的新鮮程度對光譜特性同樣存在較大的影響。因此,僅靠光譜特征同樣難以精確提取非正規垃圾。

圖5 非正規垃圾原始及連續統去除光譜曲線Fig.5 Spectral curves of original and continuum removal of informal waste

非正規垃圾多分布在郊區居民生活場所周邊及村莊交界地帶或河流附近,遠離主路,貫通小路,影像紋理雜亂,顏色多樣,分布范圍較大。因此,該研究根據各類非正規垃圾的結構和紋理特征,選取小范圍非正規垃圾樣本區域,采用基于支持向量機的監督分類方法進行自動化提取研究。監督分類以建立統計識別函數為理論基礎,依據典型樣本訓練方法進行分類,是模式識別的一種方法[14];支持向量機具有結構簡單、適應性強、全局優化、訓練時間短、泛化性能好等優點,對于高維以及非線性的分類對象,具有良好的分類識別率。

3 結果與討論

3.1 未覆蓋建筑渣土

以研究區內某未覆蓋建筑渣土區域提取為例,利用覆蓋該區域GF1遙感影像,采用比值指數模型,計算得到GF1影像比值指數,結果如圖6所示。

圖6 GF1影像比值指數結果Fig.6 Ratio index results of GF1

由圖6可以看出,比值指數能夠較好地識別出未覆蓋建筑渣土區域輪廓,但其灰度與周圍的道路、建筑物仍比較接近,為將其進一步區分,在上述結果的基礎上采用閾值分割法進一步識別提取。其中,閾值選取將直接影響提取精度,筆者通過直方圖雙峰法確定閾值。首先,利用比值指數結果得到灰度直方圖,見圖7(a);其次,基于圖7(a)結果,選取兩峰間谷底對應的灰度值作為閾值結果,該研究取值為1.11;最終通過波段運算篩選小于閾值的區域為未覆蓋建筑渣土區域,最終結果如圖7(b)所示。結果顯示,采用“比值指數+閾值分割”方法能夠較好地剔除周圍建筑物影響,進而實現絕大部分未覆蓋建筑渣土區域的有效提取。

圖7 比值指數灰度直方圖與未覆蓋建筑渣土提取結果Fig.7 Ratio index gray histogram and extraction results of uncovered construction residue

3.2 工業固廢

以研究區內某工業固廢區域提取為例,利用面向對象多尺度分割方法,完成工業固廢的自動識別提取研究。其中,多尺度影像分割過程中,主要通過設置分割尺度、均質性標準等參數,使影像的同質分割達到高度優化的程度,而分割尺度參數、顏色和形狀(光滑度和緊致度)因子等的設定直接影響后續識別精度。筆者對分割閾值、合并閾值以及紋理內核大小等參數開展對比實驗,結果如圖8所示。當分割閾值(Scale Level)為15、合并閾值(Merge Level)為95、紋理內核大小(Texture Kernel Size)為3時[圖8(d)],可實現工業固廢與周邊其他地物的較好區分,且地物類型的邊界顯示更加清楚。

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。圖8 工業固廢面向對象多尺度分割結果Fig.8 Object-oriented multi-scale segmentation result diagram of industrial solid waste

在多尺度分割與樣本選擇的基礎上,采用K鄰近法,自動識別各類地物,共計提取到工業固廢、道路、裸地、植被、河流、廠房、陰影和其他等8類地物,見圖9(a);對分類結果進行格式轉換,提取工業固廢矢量圖層,見圖9(b),可以看出工業固廢輪廓邊界與原始影像中工業固廢區域吻合度較高;與傳統的目視解譯結果圖9(c)相比,采用面向對象多尺度分割方法能夠有效提取出區域工業固廢,監測效率相對更高。

圖9 工業固廢提取結果對比Fig.9 Comparison diagram of extraction results of industrial solid waste

3.3 非正規垃圾

以研究區內某非正規垃圾區域為例,利用基于支持向量機的監督分類方法提取非正規垃圾。采用類別定義(特征判別)、樣本選擇、分類器選擇、影像分類、分類后處理及結果驗證等6個步驟依次開展遙感影像的監督分類工作,提取非正規垃圾結果如圖10(b)中紅色框內紅色圖斑所示,與傳統的目視解譯結果圖10(a)相比,采用支持向量機監督分類方法能夠很好地提取小范圍區域非正規垃圾堆放點,且邊界位置更精準。

圖10 分類后處理結果與原始影像Fig.10 Classification post-processing results and original images

3.4 解譯精度

基于以上幾種固廢自動化識別方法,在研究區開展實地驗證分析工作,共計提取79個固廢圖斑(圖11)。其中,非正規垃圾、工業固廢及未覆蓋建筑渣土圖斑個數分別為20、30、29個。為評價各類固廢遙感解譯精度,筆者針對提取到的各類固廢遙感監測結果開展野外實地核查工作,核查結果如表2所示。3種類型固廢遙感解譯精度均可達到85%以上,說明基于以上3種自動化識別方法,能夠有效提取未覆蓋建筑渣土、工業固廢及非正規垃圾。

表2 各類固廢堆場遙感解譯精度Table 2 Remote sensing interpretation accuracy of various types of solid waste

圖11 研究區各類固廢空間分布Fig.11 Spatial distribution map of various solid wastes in the study area

結合高分辨率衛星遙感影像與實測地物光譜信息,針對未覆蓋建筑渣土、工業固廢、非正規垃圾開展遙感自動識別提取研究。其中,關于未覆蓋建筑渣土,傳統監測方法主要依據建筑渣土的空間分布、紋理信息等[1-2],未考慮光譜信息,筆者利用未覆蓋建筑渣土的實測光譜信息,結合其空間紋理特征完成未覆蓋建筑渣土識別,相較于傳統方法考慮的因素更全面,識別效果更好。關于工業固廢,傳統工業固廢主要有磷石膏、尾礦庫、冶煉渣等,以上幾種工業固廢的提取,多采用面向對象多尺度分割方法[4-5,15-17],而該研究區工業固廢以砂石、沙子等為主,針對該類型的遙感監測提取研究仍較少,作者在前人關于工業固廢提取研究成果的基礎上,采用面向對象多尺度分割方法,通過對影像分割及K鄰近法提取分類信息等手段可以有效提取砂石、沙子等工業固廢,從側面論證了面向對象多尺度分割方法能夠較好地滿足各種類型工業固廢的監測提取。關于非正規垃圾,筆者采用支持向量機監督分類方法,與傳統的目視解譯方法相比,該方法在保證提取精度相近的情況下,在識別效率上有所提高。

總之,國產高分辨衛星遙感影像可以在固廢監測提取中發揮重要作用,在該研究3種方法識別的固廢結果基礎上,開展人機交互判讀,可以極大提高區域固廢遙感監測的效率與精度,為未來固廢監管提供新的技術思路和手段。但在3種類型固廢監測精度方面,非正規垃圾與工業固廢的遙感提取精度略低于未覆蓋建筑渣土,分析原因可能是前2種類型固廢在組成成分、結構等方面相對于未覆蓋建筑渣土更為復雜,對遙感目標識別產生一定干擾。在下一步工作中,將結合高分辨率衛星遙感影像數據,通過建立不同類型固廢樣本庫,探討利用實例分割技術等深度學習方法,實現不同類型固廢的高精度遙感自動識別提取。

4 結論

以國產高分辨率衛星為主要數據源,開展了非正規垃圾、未覆蓋建筑渣土以及工業固廢的遙感提取方法研究,并在成都市全域開展了應用研究,主要結論如下。

1)未覆蓋建筑渣土實測光譜曲線表現出明顯的光譜特征,分別在480 nm(藍波段)、580 nm(綠波段)附近出現“吸收谷”與“反射峰”;通過實測光譜特征構建的比值指數,結合閾值分割參數方法能夠有效提取未覆蓋建筑渣土區域,解譯精度可以達到96.83%。

2)砂石、沙子等不同類型以及不同覆蓋狀況的工業固廢表現出不同的光譜反射率特征;結合工業固廢規則的紋理、結構、空間分布位置等特點,采用面向對象多尺度分割方法能夠很好地區分工業固廢,解譯精度可以達到88.26%。

3)復雜的組成成分導致非正規垃圾光譜反射率曲線沒有特定規律;根據各類非正規垃圾的分布位置、顏色和紋理特征,采用支持向量機監督分類方法能夠有效提取小區域且與周圍地物紋理特征差異明顯的非正規垃圾堆點,解譯精度可以達到85.71%。