基于遥感技术的城市固体废弃物堆场识别与评价

汪利平 邓杰帆 杨 杭

(1.东莞市生态环保研究院 广东东莞 523330；2.中国科学院空天信息创新研究院 北京 100101)

城市的发展，一方面为人类生产生活带来了极大便利，并造就了现代社会文明和繁荣经济；另一方面在剧烈地改变着原有的城市自然环境的同时，也带来了一系列矛盾和问题，包括人地矛盾突出、城市环境污染、大气污染、水资源匮乏和生物多样性丧失等。其中，废弃物在各种作用下，对地表水、地下水、环境空气及土壤都产生严重污染[1]，尤其是固体废弃物倾倒具有随机性和隐蔽性，且还存在整治后重复倾倒的现象，监管难度较大[2]。传统的露天固体废弃物巡查不仅耗时耗力，且易出现盲点，因此，急需采用快速有效的手段实现环境监测与监管，同时创新监测手段，建立完备的监测体系和健全的监管机制，为固体废弃物监测提供技术支撑，通过信息化建设促进生态环境保护与治理现代化[3]。

卫星遥感技术具有宏观、动态和高空间分辨率特点，在固体废弃物的监测和识别方面具有重要优势。本文主要利用空间分辨率为2 m的高分一号(GF-1)和分辨率优于1 m的高分二号(GF-2)遥感卫星影像，利用ENVI软件结合人工解译提取固废垃圾堆放区、固废承载地(影像上表现为裸地)、在建工地和自然水体，并采用外业实测和无人机遥感监测相结合的方法对解译结果进行验证，最终得到精确的固体废弃物遥感影像一张图。同时，充分利用卫星影像回归周期短的优势，实现短时间内的多次监测，为城市固体废弃物监测提供动态的时空数据支持。

1 研究数据与固体废弃物识别方法

1.1 研究区数据获取

本文选取某市某镇作为研究区。该镇境内有多条河流过境，人口和企业密度大，固体废弃物污染问题突出，对利用卫星遥感技术进行动态监测有重大需求。

GF-1和GF-2均是我国自主研发的高空间分辨率光学卫星，在空间分辨率上，GF-2 PMS达到亚米级(星下点全色影像分辨率0.8 m)，具有高辐射精度、高定位精度和快速姿态机动能力等特点，但回归周期长，尤其在多云雨的南方地区数据数量难以保证，而GF-2与空间分辨率为2 m的GF-1或GF-6(本文未使用，故不作介绍)组网使用，可以大大提高影像的获取率。

因此，本文采用GF-1和GF-2两种空间分辨率的卫星影像数据。表1为 GF-1和GF-2卫星的主要参数。

表1 卫星有效载荷技术指标Tab.1 Technical Indexs of Satellite Payload卫 星载 荷波段号谱段范围/μm空间分辨率/m回归周期/dGF-1全色多光谱像机10.45～0.90220.45～0.52830.52～0.59840.63～0.69850.77～0.89845GF-2全色多光谱像机10.45～0.90120.45～0.52430.52～0.59440.63～0.69450.77～0.89469

本文按照季度周期对固体废弃物进行监测，采用的卫星影像数据来源于中国资源卫星应用中心官网，分别是拍摄于2019年第2季度、2019年第4季度的两景GF-2 PMS遥感影像和拍摄于2019年第3季度、2020年第1季度的两景GF-1 PMS遥感影像，如图1所示。

图1 研究区遥感影像

1.2 固体废弃物识别方法

本文利用卫星遥感和无人机航空摄影测量技术协同实现对城市固体废弃物的监测与精确排查，其技术路线如图2所示。

图2 固体废弃物识别技术路线

固体废弃物识别的主要操作步骤：

1)卫星影像数据预处理。GF-2号卫星原始数据包括2 m的全色数据和8 m的多光谱数据。首先，对多光谱数据进行辐射定标、大气校正，获取表观反射率数据，然后进行正射校正处理，获取8 m多光谱正射影像；其次，对全色影像进行辐射定标和大气校正获取表观反射率数据，再进行正射校正，获取全色正射影像；最后，对多光谱正射影像和全色正射影像进行影像融合，获取2 m的融合多光谱数据。

2)建立固体废弃物的解译标志。根据获取的历史卫星遥感资料、无人机影像和生产经验，建立固体废弃物解译标志，判读固体废弃物堆放点位置和各堆放点占地面积等。根据固体废弃物堆放点的面积将固体废弃物堆放点分为4 级：100～400 m2、400～1 000 m2、1 000～5 000 m2和> 5 000 m2。研究区固废堆放点的遥感解译标志如表2所示。

3)固体废弃物堆放点与承载地类型识别。根据解译标志建立影像解译样本，利用ENVI软件对影像进行自动解译，提取固体废弃物堆放点与承载地类型。解译结果经过分类后处理(聚类、腐蚀等)、二值化处理后得到分类结果并进行矢量化。分类结果满足精度要求后，制作分类专题图和外业核查路线图，外业调查采取无人机结合现场详查的方式进行，最终提交标准化后的矢量数据。

4)外业详查。在固体废弃物提取精度核查中，利用无人机遥感技术，按照设计的航线(见图3)，针对区域目标获取影像数据。对获取的无人机多光谱影像进行辐射定标、影像镶嵌和正射校正处理，获取研究区域的无人机正射影像。根据无人机高分辨率正射影像对根据卫星影像提取的固体废弃物堆放点进行精度验证与核查。

表2 研究区固体废弃物堆放点遥感解译标志Tab.2 Remote Sensing Interpretation Signs of Solid Waste Dumping Sites in Study Areas固废堆放点序号影像识别特征特征描述201903012 生活垃圾,色彩不规则,靠近民居,扩散性小201903020 建筑垃圾,不规则形状,散乱堆积,靠近池塘201903008 混合垃圾,不规则形状,散乱堆积,扩散性小201903017 建筑垃圾,颜色偏红,靠近池塘2020010023 建筑垃圾,不规则形状,散乱堆积,靠近池塘2020010007 生活垃圾,色彩不规则,靠近民居,扩散性小2020010002 混合垃圾,不规则形状,散乱堆积,扩散性小2020010020 建筑垃圾,颜色白亮,靠近池塘

图3 固体废弃物堆放点无人机航线

5)固体废弃物堆放点类别确定。根据无人机核查数据将固体废弃物堆放点分为四大类：生活垃圾堆放点、建筑垃圾堆放点、工业垃圾堆放点和混合垃圾堆放点。对面积大于400 m2的废弃物堆放点，需要进行无人机核查，根据无人机获取的高清影像资料，进一步判别固体废弃物的类型、周边环境敏感点，分析环境风险程度，确定优先整治清单。

2 固体废弃物识别结果分析

2.1 固体废弃物堆放点综合分析

根据得到的研究区固体废弃物的识别结果，对研究区4个季度固体废弃物堆放点数量进行统计，其结果见表3，对研究区2019—2020年面积大于400 m2的固体废弃物堆放点的类别进行统计，其结果见表4。

根据表3和表4的统计结果，可以得出结论：研究区固体废弃物堆放点在数量上，2019—2020年4个季度并无明显地增加或者减少，在面积上，固体废弃物堆放点大部分是小面积堆放点，固体废弃物垃圾主要以建筑垃圾和生活垃圾为主，这两种类型的垃圾约占总数的81.82%。

表3 研究区2019—2020年固体废弃物堆放点数量统计Tab.3 Statistics on the Numbers of Solid Waste Dumping Sites in Study Areas from 2019 to 2020面积/ m22019年第2季度/个第3季度/个第4季度/个2020年第1季度/个总计/个数量占比/%<400282113157770.00400～1 00051441412.731 000～5 000201341917.27>5 000000000.00总计/个35223023110100.00

表4 研究区2019—2020年面积大于400 m2的固体废弃物堆放点类别统计Tab.4 Statistics on the Categories of Solid Waste Dumping Sites(larger than 400 m2)in Study Areas from 2019 to 2020堆放点类别2019年第2季度/个第3季度/个第4季度/个2020年第1季度/个总计/个数量占比/%建筑垃圾堆放点40851751.52生活垃圾堆放点10721030.30工业垃圾堆放点000000.00混合垃圾堆放点2121618.18总计/个7117833100.00

对研究区2019年第2季度的固体废弃物堆放点外业调查结果与本文识别方法得到的结果进行对比分析(见表5)。结果表明，本文提出的识别方法的识别准确率高达97%，具有较高的识别度，能满足业务化工作需求。

2.2 固体废弃物承载地综合分析

对研究区2019—2020年4个季度的固体废弃物承载地面积及数量进行统计(见表6)。统计结果表明，研究区固体废弃物承载地单处面积较大，一般都大于1 000 m2，而且在空间分布上趋于均匀。因此可以认为研究区的固体废弃物承载能力较好，能满足目前固废处理需求。

表5 研究区2019年第2季度固体废弃物堆放点对比分析Tab.5 Comparative Analysis of Solid Waste Dumping Sites in Study Aresa in Second Quarter of 2019 面积/m2分析结果/个外业调查结果/个准确度/%<400282692.80400～1 0005683.301 000～5 00022100>5 00000100总计353497.10

表6 研究区2019—2020年固体废弃物承载面积及数量统计Tab.6 Statistics on the Carrying Area and Quantity of Solid Waste in Study Areas from 2019 to 2020面积/m2总面积/m2季度均值/m2数量/处季度均值/处面积占比/%<4003 817.14954.281230.10400～1 00055 080.3213 770.0885211.511 000～5 000676 608.58169 152.142696718.61>5 0002 900 205.29725 051.321604079.77总计3 635 711.33908 927.83526132100.00

2.3 在建工地综合分析

将2019—2020年4个季度的遥感影像进行叠加分析，在建工地空间分布如图4所示。从图4可以发现：在2019—2020年期间已完结的在建工地有4处，新增14处，新增在建工地主要分布在研究区的北部和南部。

图4 研究区2019—2020年在建工地空间分布

2.4 传统人工调查与基于卫星遥感技术城市固体废弃物协同识别方法对比

传统的依靠人力实地调查的方法存在成本高、效率低、精度低等特点。以2019年第2季度监测结果为例，研究区共发现固体废弃物堆放点35处、固体废弃物承载地139处、在建工地19处，需要调查这些固体废弃物的位置、类别、面积和风险等级等。根据历史经验，本研究区采用传统人工调查，完成一次巡查一个人需要约10.5 d，而利用卫星遥感技术，则需要1 d。因此采用卫星遥感技术可大幅度提高工作效率，减少工作时间。

利用卫星遥感技术获取固体废弃物堆放信息具有高时效、多维度和低成本的特点。遥感信息提取的成本通常包含购买影像的成本和解译成本两部分，本文使用的是我国自主研发的高分系列卫星影像，相较于外国卫星影像，影像获取成本大大降低，而遥感解译工作不超过7个工作日，获取的影像数据具有覆盖范围大、时效性强、分辨率高等优势。经统计分析，采用本方法的成本仅为人工成本的1/5。比较而言，遥感技术能够大大降低监管成本，增强时效。

3 结 语

本文探讨了基于卫星遥感影像和无人机遥感影像的城市固体废弃物协同识别技术，实现了对城市固体废弃物的高精度提取。研究结果表明，与传统人工调查、单一依据卫星遥感技术调查相比，卫星遥感结合无人机遥感实地调查的城市固体废弃物协同识别方法，不仅大大降低了城市固体废弃物监测工作的人力和物力成本，而且识别准确率高达97%，具有较高的识别度，能满足业务化工作需求。

借助基于卫星遥感影像和无人机遥感影像的城市固体废弃物识别技术，不仅能对固体废弃物现状进行有效提取，更能通过长时间序列监测和多维度空间分析等，为固体废弃物来源考察、环境污染等级评定和综合治理方案确定等提供科学有效的依据。本研究的重要贡献体现在两个方面：

1)分别从卫星遥感和无人机遥感两个尺度构建了研究区固废堆放点遥感解译标志库，为业务化运行提供了重要的识别模式库；

2)卫星遥感监测与无人机核查相结合，形成了卫星数据宏观普查、无人机数据详查以及二者相互验证的技术流程和模式。