基于国产高分遥感影像的城镇生活垃圾监管方法研究

文｜住房和城乡建设部信息中心 秦海春

1 引言

随着我国城镇化快速发展，不断增长的人口规模对城市基础设施的承载能力提出越来越高的要求。以生活垃圾为例，城市核心区内的生活垃圾目前可以实现市政的统一收集和统一处理。但在城市周边，尤其是在城郊结合地带，由于发展快、责任不明确、收集和处置成本高等因素，易形成一些长期无人处理的垃圾堆放点，长期露天堆放易对周边的大气、水体形成污染，形成社会广泛关注的“垃圾围城”现象。

本课题通过利用国产高分辨率对地遥感数据，对无锡市及其周边地区进行连续监测，根据规模较大垃圾堆点的遥感特征建立识别模型，自动识别疑似目标，辅以人工识别对疑似目标进行筛选。通过现场信息采集验证提取结果，进一步完善提取模型，探索形成基于国产高分遥感数据的城镇生活垃圾监测方法，为有效发现和消除城镇周边的无主垃圾堆点做出贡献。

2 数据准备

本课题研究使用2015年8月2日高分二号卫星的影像数据，包括1m分辨率全色波段数据和4m分辨率多光谱数据，参数见表1：

对基础影像数据进行了处理，包含几何精校正、辐射校正、影像融合、影像拼接以及裁切。在融合环节中，将1m分辨率全色波段数据和4m分辨率多光谱数据进行融合，成果数据集成多光谱和高分辨率的特性。

表1 高分二号卫星数据参数

3 分析方法

3.1 垃圾堆解译标志

根据部分已知垃圾堆放点的分布位置与影像特征，可以建立起垃圾堆放点在遥感影像图上的解译标志，主要的特征包括颜色、纹理、形状、尺寸以及地理位置等[1]。图1是研究区的典型垃圾堆放点的遥感影像图。

图1 典型垃圾堆的遥感影像图

表2 五类训练样本在b1、b2波段的光谱亮度值

表3 五类训练样本在b3、b4波段的光谱亮度值

图2 五类地物在四个波段的亮度均值响应曲线

由于垃圾堆放处通常由多类垃圾组成，导致影像多呈现发白发虚，且颜色一般不均匀的特征。而生活垃圾中存在较多的塑料袋，导致其光谱反射率较高，在影像上往往呈现高亮白色。堆放时间过长的垃圾堆，表面可能会有土覆盖，但仍混杂着灰白色物体。

垃圾堆表面纹理结构明显，表面灰白相间，纹理比较粗糙。

垃圾堆的形状一般不规则，与周边地物的边界比较模糊，呈堆积状分布，有明显的立体状，表面凹凸不平。

垃圾堆的尺寸无特定规律，且尺寸可能差异较大。

生活垃圾一般堆积在居民区周围的空地上，往往有小路连接且小路到此中断[2]，还可能分布在近郊的公路边、河边以及土坑中。

3.2 垃圾堆光谱特征分析

在遥感图像计算机的分类实践中，训练区选择对分类精度的好坏有重要影响。选择训练区的主要原因是为了估计每一地物类型的光谱分布统计特征参数。我们选取5类具有代表性的训练样本进行提取分析，分别是水、道路、植被、建筑物和垃圾堆。

我们提取这五类地物的训练样本在高分遥感影像各个波段的光谱亮度值，并进行统计。如表2、表3所示：

根据同一类训练样本数据在不同波段上的光谱亮度最小值、最大值、平均值以及均值统计数据，生成这五类地物的亮度响应曲线。我们发现利用最大值、最小值、平均值统计数据生成的亮度响应曲线，垃圾堆与水、道路、建筑物、植被这四类地物在这四个波段中没有很明显的区分开，而利用均值统计数据后，生成的亮度均值响应曲线，在第二波段能很明显的区分出来，如图2所示：

3.3 决策树分类

决策树方法是目前应用最广泛的归纳推理算法之一，是一种逼近离散值函数的方法，该算法采用的是一种二分递归分割技术,即将当前样本集分割成两个子样本集,使生成的决策树的每一个非叶子节点都有两个分支, 最后生成结构简单的二叉树[3]。技术路线如图3所示：

我们通过训练样本分析出来的5类地物在四个波段的亮度均值响应曲线，可以看到在b2波段时，建筑物和垃圾堆能明显的与水、道路、植被这三类地物区分出来，下一步就是建筑物与垃圾堆的区分，这里我们将用到SAVI指数[4]。

SAVI定义为：

其中ρR为红光波段的反射率，ρNIR为近红外波段反射率，L取值0.5。

与归一化差异植被指数NDVI相比，SAVI增加了土壤调节系数L，可用其来解释背景的光学特征变化，并且修正NDVI对土壤背景的敏感。最适合于研究低植被覆盖区，如城市建成区。通过设置SAVI阈值可将垃圾堆与建筑区分开来，本研究在研究区选择足够数量的训练样本，对垃圾堆的SAVI值与建筑物SAVI值进行统计分析，最终确定-0.3至-0.2为垃圾堆，否则为建筑物。

图3 技术路线

决策树分类的结果中垃圾堆与建筑物容易发生混淆，但是由于建筑物的形状特征比较规则，而垃圾堆放点的形状非常不规则，我们还需进一步借助3.1中建立的解译标志进行垃圾堆人机交互提取，过滤掉错分的建筑物信息，确定垃圾堆放点的分布情况。

3.4 结果验证

通过基于高分遥感影像数据的提取和识别，课题组在无锡市周边发现多处疑似垃圾堆放点，经相关部门筛选过滤后，课题组赴现场进行了信息采集，确认为垃圾堆放点，这些垃圾堆放点主要分布在新建小区和村镇周边，主要由居民生活垃圾和建筑垃圾构成，如图4所示：

图4 垃圾堆

4、结论

本文基于高分二号遥感影像数据，对无锡市垃圾堆放点进行识别分析。通过研究发现，采用目视特征在高分遥感数据上判读城市垃圾位置需要非常大的时间和人力，对城市垃圾的监管效率不高。采用光谱影像特征，结合决策树分类方法进行垃圾堆放点的自动识别提取，虽然很多城市垃圾容易与裸土和建筑物发生混淆，但通过此方法，可快速提取疑似目标地物的位置，再通过人工目视和实地验证，提高城市垃圾监管效率。此外，城市垃圾自身具有复杂性，同时实验缺乏大量的实际垃圾堆数据的支持，研究方法还需完善，提取精度有待进一步提高。