基于天空地数据和智能算法的固废堆填场地风险识别方法

1.本发明属于风险识别领域，具体涉及一种基于天空地数据和智能算法的固废堆填场地风险识别方法。


背景技术：

2.地下水环境质量事关生态环境安全和用水安全，加强对地下水的保护已经成为我国生态文明建设的重要关切。在污染源头方面，固体废物堆填场是地下水环境的宏量、持久性的污染源，其污染风险是地下水环境调查和污染防治亟需重点关注的内容。随着我国经济社会的发展，大量潜在的污染建设用地迅速增加，其中我国固体废弃物产量全球第一，且每年以约15％的速度增长，主要以填埋处置为主。我国目前拥有生活垃圾和建筑垃圾填埋场数万座，近20％为“头顶库
””
和“三边库”。这些固体废物堆填场地长期服役过程中，外部可能遭受极端气候、强地震等突发因素，内部易发生降解、侵蚀、蠕变等慢性衰变行为，成为地下水环境安全的巨大隐患。当前地下水污染防治工作中存在基础薄弱、污染底数不清、资金保障不足等问题，亟需建立一套固废堆填场地的风险识别方法，摸清当前固废污染场地存量，排定区域内场地的污染风险等级，为地下水环境调查和治理工作提供指导。
3.在固体废物堆填场地的识别定位方面，在缺少污染场地清单的情况下，目前主要以光学遥感影像人工目视解译为主，该方法面临遥感解译工作量大，不同解译人员标准不统一，解译速度慢，现场核查工作滞后等问题，严重影响整体工作效率；在固体废物堆填场地的风险评估方面，目前工程中缺少有效的区域性总体评估方法，使得后续调查工作难以把握重点，造成资源配置上的浪费；总体来看，目前缺少针对固体废物堆填场的风险识别技术，本发明建立了一套完整的技术体系，整合了卫星和无人机的多源遥感数据，集成智能算法和风险计算模型，在地下水污染防治领域具有重要价值和现实意义。
4.在现有技术中，申请号为cn201910993174.5的发明专利提供了一种污染场地遥感探测与空间热区识别系统和方法。该专利所提供的技术方案中，针对污染场地探测，首先基于空间数据采集和预处理模块获得遥感影像数据，建立遥感解译标志库，为遥感解译提供参考；而后，基于解译标志确定分类的规则，使用面向对象的分类方法，将大范围的用地类型进行了识别，包括7个大类：植被、水体、裸地、建筑、道路、工矿区污染场地和其他；最后，基于gis空间分析的方法计算污染场地的空间分布密度，构建污染场地空间分布热度模型，划分污染场地空间分布热度指数。目视解译法是目前使用最广泛的遥感地物解译方法，它可操作性强，技术门槛低；面向对象的地物分类方法很好的解决了地物分割的问题。但是由于区域性的固体废物堆填场地分布范围大，潜在点位多，人眼目视解译的效率很低，将极大延后后续调查工作的进展。此外，在进行人员的协同作业时，不通人员的解译标准会出现差异，经验不够丰富的人员在解译结果的准确性上往往会会出现较大的偏差；面向对象的地物分类对于形状、纹理等特征的描述不够全面，不足以支撑完整的地物识别；污染场地的热区分布描述了多种场地的分布情况，对于单一场地的风险等级划分指导意义不大。
5.另外，申请号为cn201910266822.7的发明专利提供了一种场地污染风险等级评测
及敏感受体影响识别系统。该方案基于空间数据采集模块，采集网络现有污染场地数据信息；基于污染场地风险等级识别模块，利用地理信息系统空间分析方法，根据污染物污染半径建立污染范围缓冲区，以距离污染场地范围的中心点距离为指标，计算不同类型的污染场地的风险指数，在此基础上基于自然间断点分级的数据标准分类方法划分污染场地等级区域；基于敏感受体影响风险识别模块，选取敏感受体规模、距污染场地远近作为指标，将污染场地的本身危险与敏感受体的脆弱性综合考虑，计算生成不同类型敏感受体的影响风险指数，并将此指数作为影响风险评价因子，包括敏感人群的影响风险评价因子数据、粮食安全的影响风险评价因子数据和对饮用水源地的影响风险评价因子数据；最后，基于污染场地环境影响风险等级识别模块，综合污染场地风险性指数数据和不同类型敏感受体的影响风险评价因子数据，分别进行污染场地对单一敏感受体的环境影响风险性等级划分和对所有敏感受体的环境影响风险性等级，定量评估污染场地对三种敏感受体的影响风险，得到污染场地对三种敏感受体的影响风险等级区域。但是该污染风险等级评测和敏感受体影响识别系统基于大量现有数据，对于研究程度不高、前期数据积累量不大的场地来说，操作性不强，工作难度较高，无法适用于固体废弃物堆填场地的快速摸排、准确定位、资源集中整合的工作要求，使得前期工作效率不高。而且该方案没有综合采用多源遥感数据，只泛泛关注污染场地大类，针对固废堆填场地的风险评估指标不够精细，考虑的风险评价因子单一，例如没有考虑场地的失稳概率。


技术实现要素：

6.本发明的目的在于解决现有技术中存在的问题，并提供一种基于天空地数据和智能算法的固废堆填场地风险识别方法，可以较为准确的定位固体废弃物堆填场的位置，获得固废堆填场地的污染类别和范围，并对各堆填场的风险值进行评估，为有关部门快速确定防治目标提供参考。
7.本发明所采用的具体技术方案如下：
8.一种基于天空地数据和智能算法的固废堆填场地风险识别方法，其包括：
9.s1、获取目标区域的天基数据；所述天基数据为经过遥感数据预处理和配准的多源卫星影像；
10.s2、将目标区域的天基数据输入预先经过训练的语义分割模型中，从中识别出目标区域内的所有固废堆填场地，并得到每一个固废堆填场地的边界和位置；
11.s3、根据预设的选择标准从识别出的所有固废堆填场地中筛选出目标场地，然后根据目标场地的边界和位置由无人机对目标场地进行航拍，从而获取目标场地的空基数据，所述空基数据包括亚米级空间分辨率的光学影像和高光谱数据；利用目标场地的光学影像对目标场地的边界和位置进行校正；
12.s4、将目标区域的空基数据中的高光谱数据通过预处理后输入预先经过训练的机器学习模型中，预测出目标场地向地下水环境中排放的污染物类别以及污染物浓度；所述机器学习模型训练所用的每个训练样本为一个固废堆填场地的空基数据和地基数据；其中所述地基数据是在采集所述空基数据的同时，通过对固废堆填场地进行实地采样实验获取的，包括固废堆填场地向地下水环境中排放的污染物类别以及污染物浓度；
13.s5、针对每一个目标场地，结合s2中所确定的目标场地边界和位置，以及s4中所确
定的目标场地向地下水环境中排放的污染物类别以及污染物浓度，按照预设的场地风险评定规则计算每一个目标场地的风险评定结果；
14.s6、将s1～s5中得到的各种多源异构数据在可视化交互系统中进行统一管理和可视化，用于供用户进行浏览和查询。
15.作为优选，所述天基数据中，多源卫星影像包括全色影像、高光谱影像、sar影像以及用gram-schmidt方法对高光谱影像与全色影像进行融合得到的融合影像；各类卫星影像均需要进行几何辐射校正预处理，并配准统一至同一个坐标系，同时卫星影像数据需通过低秩稀疏矩阵分解算法进行去噪。
16.作为优选，所述语义分割模型包括u-net网络和link-net网络，预先将已知固废堆填场地的卫星影像作为样本数据，分别对u-net网络和link-net网络进行训练后，以预测效果最佳的网络模型作为最终用于固废堆填场地识别的语义分割模型。
17.作为优选，所述语义分割模型通过引入bam注意力机制模块来提高语义分割模型性能。
18.作为优选，所述s3中，若所述机器学习模型仍需要进行训练，则在获取目标场地的空基数据的同时，同步对固废堆填场地进行实地采样实验获取目标场地的地基数据，将空基数据和地基数据配对形成训练样本加入所述机器学习模型的训练集中，对模型进行迭代训练，以提高模型的泛化能力
19.作为优选，对固废堆填场地进行实地采样实验获取目标场地的地基数据时，通过结合现场实地采样监测和室内实验与仿真，获取固废堆填场地向地下水环境中排放的污染物类别以及污染物浓度数据。
20.作为优选，所述s4中，高光谱数据需要预先进行几何辐射校正，然后通过顶点成分分析(vca)算法进行解混后再输入机器学习模型中。
21.作为优选，所述机器学习模型为引导正则化随机森林(grrf)模型。
22.作为优选，所述预设的场地风险评定规则中，目标场地的风险评估综合指数通过加权综合指数法确定，且评价指标包含基于污染源的风险评定指标和基于受体的风险评定指标两类；基于污染源的风险评定指标包括目标场地中污染物类别、污染物浓度和污染物潜在体量；基于受体的风险评定指标包括目标场地与居民点的距离、目标场地与水系的距离和目标场地与农田的距离。
23.作为优选，所述可视化交互系统采基于面向数据的doa体系架构进行可视化和交互设计；其中数据资源包括结构化数据和非结构化数据，结构化数据包含固废堆填场地污染物类别、污染物浓度和风险评定结果；非结构化数据包含了卫星和无人机获取的遥感影像栅格数据，以及填埋场的位置和边界矢量数据；数据注册中心运用分布式数据库技术进行多源异构数据的管理并建立统一的数据资源目录，方便数据服务器对数据资源的融合访问；数据的请求、解析和处理在数据服务器中完成，客户端传来的数据请求在数据服务器进行处理后向注册中心发送，请求返回的数据在数据服务器解析后才能被客户端应用的可视化功能函数调用；浏览器或客户端负责进行数据的具体可视化功能。
24.本发明相对于现有技术而言，具有以下有益效果：
25.本发明基于多源卫星遥感数据，通过语义分割模型在对固体废物堆填场进行智慧化识别，再结合无人机进一步获取目标场地的高光谱数据，由机器学习模型根据高光谱数
据预测固废堆填场地向地下水环境中排放的污染物类别以及污染物浓度数据，再根据场地风险评定规则计算场地风险评定结果。由此，可根据场地风险评定结果确定一个区域中重点需要关注的高风险场地，帮助有关部门确定优先整治对象。
附图说明
26.图1为基于天空地数据和智能算法的固废堆填场地风险识别方法结构图。
27.图2为语义分割模型技术路线图。
28.图3为机器学习模型技术路线图。
29.图4为固废堆填场地数据可视化系统架构图。
具体实施方式
30.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。本发明各个实施例中的技术特征在没有相互冲突的前提下，均可进行相应组合。
31.在本发明的一个较佳实施例中，提供了一种基于天空地数据和智能算法的固废堆填场地风险识别方法，其具体步骤如下：
32.s1、获取目标区域的天基数据；所述天基数据为经过遥感数据预处理和配准的多源卫星影像。
33.作为本发明实施例的一种较佳实现方式，上述天基数据中，多源卫星影像包括全色影像、高光谱影像、sar影像以及用gram-schmidt方法对高光谱影像与全色影像进行融合得到的融合影像；各类卫星影像在输入模型之前，均需要进行几何辐射校正预处理，并配准统一至同一个坐标系，同时卫星影像数据需通过低秩稀疏矩阵分解算法进行去噪。
34.s2、将目标区域的天基数据输入预先经过训练的语义分割模型中，从中识别出目标区域内的所有固废堆填场地，并得到每一个固废堆填场地的边界和位置。
35.作为本发明实施例的一种较佳实现方式，上述语义分割模型包括u-net网络和link-net网络，预先将已知固废堆填场地的卫星影像作为样本数据，分别对u-net网络和link-net网络进行训练后，以预测效果最佳的网络模型作为最终用于固废堆填场地识别的语义分割模型。进一步的，语义分割模型可通过引入bam注意力机制模块来提高语义分割模型性能。
36.s3、根据预设的选择标准从识别出的所有固废堆填场地中筛选出目标场地，然后根据目标场地的边界和位置由无人机对目标场地进行航拍，从而获取目标场地的空基数据，所述空基数据包括亚米级空间分辨率的光学影像和高光谱数据；利用目标场地的光学影像对目标场地的边界和位置进行校正。
37.需要说明的是，从所有固废堆填场地中筛选出目标场地时的预设的选择标准可以根据实际的场地风险识别需要而定。例如，在部分场景中，需要对每一个可能的固废堆填场地都进行场地风险识别，那么预设的选择标准中应当将每个固废堆填场地都作为目标场地；在其他场景中，亦可对各固废堆填场地按某种指标进行排序，筛选出排序靠前的部分固
废堆填场地作为目标场地，其中排序指标可以是场地的规模、场地与受体(居民点、水系、农田等)之间的距离等等。
38.作为本发明实施例的一种较佳实现方式，上述s3中，若后续机器学习模型仍需要进行训练，则在获取目标场地的空基数据的同时，同步对固废堆填场地进行实地采样实验获取目标场地的地基数据，将空基数据和地基数据配对形成训练样本加入所述机器学习模型的训练集中，对模型进行迭代训练，以提高模型的泛化能力
39.作为本发明实施例的一种较佳实现方式，对固废堆填场地进行实地采样实验获取目标场地的地基数据时，通过结合现场实地采样监测和室内实验与仿真，获取固废堆填场地向地下水环境中排放的污染物类别以及污染物浓度数据。
40.s4、将目标区域的空基数据中的高光谱数据通过预处理后输入预先经过训练的机器学习模型中，预测出目标场地向地下水环境中排放的污染物类别以及污染物浓度；所述机器学习模型训练所用的每个训练样本为一个固废堆填场地的空基数据和地基数据；其中所述地基数据是在采集所述空基数据的同时，通过对固废堆填场地进行实地采样实验获取的，包括固废堆填场地向地下水环境中排放的污染物类别以及污染物浓度。
41.作为本发明实施例的一种较佳实现方式，上述高光谱数据需要预先进行几何辐射校正，然后通过顶点成分分析(vca)算法进行解混后再输入机器学习模型中。
42.作为本发明实施例的一种较佳实现方式，上述机器学习模型为引导正则化随机森林(grrf)模型。
43.s5、针对每一个目标场地，结合s2中所确定的目标场地边界和位置，以及s4中所确定的目标场地向地下水环境中排放的污染物类别以及污染物浓度，按照预设的场地风险评定规则计算每一个目标场地的风险评定结果。
44.作为本发明实施例的一种较佳实现方式，上述预设的场地风险评定规则中，目标场地的风险评估综合指数通过加权综合指数法确定，且评价指标包含基于污染源的风险评定指标和基于受体的风险评定指标两类；基于污染源的风险评定指标包括目标场地中污染物类别、污染物浓度和污染物潜在体量；基于受体的风险评定指标包括目标场地与居民点的距离、目标场地与水系的距离和目标场地与农田的距离。
45.s6、将s1～s5中得到的各种多源异构数据在可视化交互系统中进行统一管理和可视化，用于供用户进行浏览和查询。
46.作为本发明实施例的一种较佳实现方式，上述可视化交互系统采基于面向数据的doa体系架构进行可视化和交互设计；其中数据资源包括结构化数据和非结构化数据，结构化数据包含固废堆填场地污染物类别、污染物浓度和风险评定结果；非结构化数据包含了卫星和无人机获取的遥感影像栅格数据，以及填埋场的位置和边界矢量数据；数据注册中心运用分布式数据库技术进行多源异构数据的管理并建立统一的数据资源目录，方便数据服务器对数据资源的融合访问；数据的请求、解析和处理在数据服务器中完成，客户端传来的数据请求在数据服务器进行处理后向注册中心发送，请求返回的数据在数据服务器解析后才能被客户端应用的可视化功能函数调用；浏览器或客户端负责进行数据的具体可视化功能，针对不同的数据选用合适的可视化图形进行显示。
47.需要说明的是，上述s1～s5所描述的基于天空地数据和智能算法的固废堆填场地风险识别方法，是在实际应用时的风险识别流程。其中所涉及的各种模型在实际应用前需
要通过大量的数据进行训练，相应的可视化交互系统也需要预先进行构建。为了进一步展示本发明上述固废堆填场地风险识别方法的构建过程，下面通过一个具体实施例对其进行具体展示。
48.实施例
49.本实施例中，展示了上述基于天空地数据和智能算法的固废堆填场地风险识别方法的具体构建流程，其框架如图1所示。该流程可以分为三部分，第一部分为数据收集部分，综合利用卫星和无人机等遥感手段，结合现场验证取样和室内实验仿真技术，获取目标区域的多源异构数据，并对数据进行预处理和存储，为后续工作的开展提供数据支撑。第二部分为智能算法学习与分析部分，首先将获取的已知固废堆填场地的全色影像、高光谱影像和sar影像等分别作为样本数据，输入u-net网络及其改进网络结构link-net中进行模型训练，并进行目标区域的固废堆填场地识别，得到固废堆填场地的地理位置和边界；基于自动识别得到的场地位置进行现场验证和现场数据的采集分析，得到实际的污染物类别和风险等级，通过构建机器学习模型，建立固废堆填场地的污染物类型与多传感器影像特征之间的关系，并将该模型应用到新的目标区域中，在此过程中不断丰富数据库和进行模型的完善；第三部分是可视化与交互部分，通过建立可视化与交互平台，将智能算法学习与分析平台运算得到包含固废堆填场地位置、污染物类别和范围以及风险等级的数据库进行可视化显示，并实现与数据访问者的交互，为其他研究者获取研究数据和为有关部门的污染防治工作提供便利。
50.该基于天空地数据和智能算法的固废堆填场地风险识别方法的具体构件流程如下：
51.(一)多源异构数据采集和处理
52.根据获取方式的不同可以分为天基数据、空基数据和地基数据。
53.天基数据为基于目标区域下载的多种分辨率的卫星影像，包括全色影像、高光谱影像和sar影像；为了获取更加丰富的信息，采用gram-schmidt方法将高光谱影像与全色影像进行融合也作为后续识别的对象。对于获取到的遥感影像数据，要进行大气校正和辐射定标等预处理以消除系统和大气造成的误差，针对不同来源的数据要做配准，将数据统一到同一个坐标系中。同时，各卫星影像需要采用低秩稀疏矩阵分解算法对影像进行去噪。利用天基数据可对目标区域进行大范围普查。
54.空基数据为无人机搭载各类镜头获取目标区域的高精度光学影像和高光谱数据，可以对单个场地进行详查，能达到亚米级空间分辨率。
55.地基数据主要为现场实地采样及室内实验仿真数据，主要目的是现场核查，为第二步智能算法学习与分析提供实际数据指标和结果验证。在数据的获取顺序上，首先获取天基数据对目标区域进行大范围普查，得到固废堆填场地的位置和边界，基于场地位置信息使用无人机获取更高精度的影像和高光谱数据，并同步进行现场采样、实验分析和仿真工作，以获得实际的污染物类别和污染等级评定。
56.(二)智能算法学习与分析
57.本发明中采用了语义分割模型和机器学习模型来实现基于天空地数据的智能风险识别。其中语义分割模型可采用深度学习语义分割模型，其对影像大小有一定要求，需要对遥感影像进行分割处理，并为模型训练所需的样本制作标签。本发明中的机器学习模型
可采用机器学习分类回归模型，其需要预先对高光谱影像进行解混以提取端元信息。
58.基于深度学习的特征提取和语义分割：将已知固废堆填场地的卫星影像作为样本数据，其中60％训练集、20％为验证集、20％为测试集，将训练集样本数据输入u-net网络及其改进网络结构link-net中进行语义分割模型训练，使用各个模型对验证集数据进行预测以找出效果最佳的模型，最后用测试集来衡量最优模型的性能和识别能力。为了评估语义分割模型的性能，采用准确率、精确度、召回系数和f1分数四个性能评估指标。同时，为了增强语义分割的识别能力，引入bam注意力机制模块，使得模型性能得到提高。将经过训练后性能最佳的语义分割应用到新的目标区域，以实现固废堆填场地的准确、快速识别。
59.另外，在前期语义分割模型的训练样本不足时，可不断利用新产生的数据进行语义分割模型的迭代训练。具体而言，在本发明应用过程中，当已知固废堆填场地的位置信息后，使用无人机进行航拍以获取更高分辨率的影像数据，可以对固废堆填场地进行更加准确的语义分割；然后基于识别得到的固废堆填场地构建数据库，随着识别过程的进行，不断更新数据库，也不断迭代。语义分割模型的技术路线图如图2所示。
60.基于机器学习的污染物类型识别和风险预测：输入图像数据无人机对目标场地拍摄得到的空基高光谱数据，具有亚米级空间分辨率，适合对单体场地进行高精度探测，同时在模型训练阶段也需要在获取空基数据的同时，通过实地采样监测结合室内实验仿真的形式获取地基数据，即获得目标场地对于地下水体系具体的污染物的类别和浓度。具体而言，可实地采样地下水样本、污染场地土壤样本，然后再实验室进行水和土壤的理化分析，并通过仿真试验模拟场地中污染物向地下水的迁移转化，确定固废堆填场地向地下水环境中排放的污染物类别以及污染物浓度数据。
61.对高光谱原始影像首先进行几何校正和辐射校正，统一坐标系，消除测量系统辐射和大气辐射误差的影响；同时，由于遥感器的空间分辨率有限及自然界地物的复杂多样性，混合像元普遍存在于遥感高光谱图像中，极大地影响到了对高光谱数据的分析，通过顶点成分分析(vca)算法对高光谱影像进行解混，分解出混合像元中的端元。将高光谱数据和相应的实际样本的污染物类别、浓度输入引导正则化随机森林(grrf)算法，进行高光谱特征变量的选择和rf模型的训练。训练完成后，将新的目标区域的高光谱影像数据输入训练好的grrf模型中，输出污染物类型和浓度。将预测得到的数据与实际采样数据进行对比验证，不断丰富固废堆填场地数据库，应用数据库再进行模型训练以提高模型的泛化能力，同时应用到新的目标区域，如此不断完善模型和数据库。机器学习模型的技术路线图如图3所示。
62.通过智能算法学习与分析平台得到目标区域的固废堆填场地位置边界、污染物类型和污染物浓度后，污染等级评定可选用两方面的数据指标来进行，即基于污染源的风险评定指标以及基于受体的风险评定指标。在本实施例中，基于污染源的风险评定指标选取污染物的类型、浓度和潜在体量(本实施例中潜在体量采用场地面积来代替)作为评价指标，以上指标的信息已通过智能算法学习与分析平台获得；基于受体的风险评定指标选取与居民点距离、与水系距离和与农田距离作为评价指标，以上指标可以在gis平台中进行缓冲区分析获得。最后，通过加权综合指数法确定污染场地的风险值，对评估指标的评分值进行加权求和，得到风险评估综合指数(r)，公式如下：
[0063][0064]
其中xi为第i个数据指标的评分值，wi为第i个数据指标的权重，具体的权重值的确定应根据污染物的类型、浓度和扩散运移能力等综合考量确定。
[0065]
另外，本实施例中亦可根据风险评估综合指数r进一步确定场地的风险等级，具体等级划分规则可根据实际进行设定。
[0066]
(三)可视化与交互
[0067]
可视化与交互基于面向数据的doa体系架构，进行可视化和交互设计。数据资源包括结构化数据和非结构化数据，结构化数据包含固废堆填场地污染明细、实地检测和污染等级评定数据；非结构化数据包含了卫星和无人机获取的遥感影像栅格数据，以及填埋场的位置和边界等矢量数据。数据注册中心运用分布式数据库技术进行多源异构数据的管理并建立统一的数据资源目录，方便数据服务器对数据资源的融合访问。数据的请求、解析和处理在数据服务器中完成，客户端传来的数据请求在这里进行处理后向注册中心发送，请求返回的数据在此解析后才能被客户端应用的可视化功能函数调用。浏览器或客户端进行数据的具体可视化功能，针对不同的数据选用合适的可视化图形进行显示。固废堆填场地的数据可视化框架图如图4所示。
[0068]
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。