CN110580474A - 一种基于多源数据的农田重金属高风险区遥感快速识别方法 - Google Patents
一种基于多源数据的农田重金属高风险区遥感快速识别方法 Download PDFInfo
- Publication number
- CN110580474A CN110580474A CN201910942973.XA CN201910942973A CN110580474A CN 110580474 A CN110580474 A CN 110580474A CN 201910942973 A CN201910942973 A CN 201910942973A CN 110580474 A CN110580474 A CN 110580474A
- Authority
- CN
- China
- Prior art keywords
- data
- pollution
- heavy metal
- farmland
- space
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Abstract
本发明提供一种基于多源数据的农田重金属高风险区遥感快速识别方法,特别地,涉及一种遥感像元尺度、高空间分辨率并且风险识别过程得以简化的农田重金属高风险地块识别方法。
Description
技术领域
本发明涉及环境保护技术领域,特别涉及一种空间连续的农田重金属高风险区遥感快速识别方法,尤其涉及一种基于多源数据的农田重金属高风险区遥感快速识别方法。
背景技术
土壤、水、空气是人类生存和发展必不可少的三大要素。但是由于社会经济的快速发展和农业活动的强度加大,使得土壤收到不同程度的污染。某种程度上说,土壤是地球上各种人为和自然污染物的汇,同时也是地表水、地下水、生命有机体、沉积物和海洋的污染源。土壤的空间异质性非常大,而且一旦受到污染后恢复周期长,因此识别土壤重金属空间格局和污染热点具有很大的挑战。由于对于一个区域而言,了解该地区是否存在土壤重金属污染,重金属污染的强弱等问题,对区域环境管理至关重要。因此,重金属高风险区识别时土壤健康风险评估及风险管理的基础,也是有效控制土壤污染、保障环境安全和农业可持续发展的重要前提。重金属高风险区识别技术可以有效地为土壤质量控制和环境监控提供依据,对土壤环境质量和农产品质量安全具有重要意义。
我国目前重金属高风险区识别方法主要包括元素剖面分布对比、与环境标准和背景值对比、同位素示踪、探索性统计分析、GIS制图和空间分析、多元统计分析、地统计学、空间统计分析和高精度曲面建模方法。这些方法各有利弊,总体来说,依靠点位监测数据的分析方法,由于受到监测点位个数的限制,和土壤插值技术很难完全表达土壤空间异质性的缺欠,很难体精准体现识别土壤重金属风险区;对于统计分析类方法,虽然可以直接对土壤重金属含量高值进行检测,但这种方法不能描述污染的空间分布格局和污染区的边界,缺乏直观的土壤重金属高值分布空间展示。
自80年代以来,遥感(RS,Remote Sensing)与地理信息系统(GIS, GeographicInformation System)技术得到蓬勃发展,在相当程度上解决了空间连续估算问题,而且可以更精准识别涉重企业的污染信息,结合地面监测数据,可以更精准识别土壤重金属污染风险,并充分体现污染的空间分布格局和污染区边界,具有直观的空间展示能力。
目前,我国污染管理部门还没有基于遥感、地面监测等多源数据的土壤重金属高分风险区识别技术方法,结合当前的形势,非常需要结合遥感空间信息获取和分析技术优势,探索一套高空间分辨率、实现空间连续识别、边界清晰且具有直观展示功能的土壤重金属高风险区识别方法体系。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是,针对现有技术的不足提供一种基于遥感尺度的多源数据农田重金属高风险区遥感快速识别方法,能够在数据和资料有限的情况下,高效地农田重金属高风险区。该识别方法能够更为准确地识别出各风险等级区域的边界,从而更为精确地识别各地区的风险等级,进而更为精确地识别出研究和防范价值更高的重金属污染高风险区域。
(二)技术方案
本发明提供一种基于多源数据的农田重金属高风险区遥感快速识别方法,包括以下步骤:S1:构建基于地面监测的农田重金属现状评价空间数据;S2:构建包括农田和涉重企业等不同土地利用方式的遥感信息解译空间数据库;S3:依据S2中涉重企业空间信息,并结合地面企业生产相关调查信息,对于以大气污染传输为主的企业建立大气干湿沉降污染潜在高风险区空间数据;S4:依据S2中涉重企业空间信息,并结合地面企业生产相关调查信息,对于以液相污染传输为主的企业建立液相重金属污染潜在高风险区空间数据;S5:依据S2中农田土地利用信息并结合地面调查的农田生产信息建立农田重金属污染潜在高风险区空间数据;S6:依据S1、S3、S4、S5重金属潜在高风险区空间数据,通过空间数据归一化处理和图层矢量叠加完成农田土壤重金属潜在高风险区空间识别。
更好地,所述S1进一步包括如下步骤:S1.1:根据农田土壤重金属监测数据,采用单因子污染指数法对每个重金属监测数据进行评价;S1.2:结合S1.1单因子评价结果,采用内梅罗综合污染指数法对全指标进行综合评价;S1.3:应用ArcGIS空间分析软件,结合农田土壤重金属采样点经纬度信息,将每个监测点的综合评价结果采用克里金空间插值方法最终生成基于地面监测的农田重金属现状评价空间数据。
更好地,所述S2进一步包括如下步骤:S2.1:下载高分辨卫星遥感数据,并对所述遥感数据进行预处理,所述高分辨卫星遥感数据包括GF以及worldview,所述预处理包括几何纠正、辐射定标、大气纠正;S2.2:基于面向对象分类方法,对图像进行模块化分割,对各类别的属性特征进行分析,所述属性特征包括形状、纹理以及光谱; S2.3:基于S2.2分析后的数据分别进行下垫面矢量信息提取,构建农田和涉重企业等土地利用方式空间数据库,所述下垫面选自农田、温室大棚、尾矿库、其他涉重企业和畜禽养殖厂;S2.4:对S2.3构建的空间数据库进行人工检查,农田和涉重企业等不同土地利用方式的遥感信息解译空间数据库。
更好地,所述S3进一步包括如下步骤:S3.1:根据风速、风向和频率等气象数据计算各方位污染系数;S3.2:根据S2.3涉重企业空间像元位置,确定其他像元与该像元的空间相对方位,从S3.1中查找对应方位的污染系数;S3.3:根据S2.3涉重企业空间像元位置,计算其他像元与该像元的空间距离,将距离倒数作为影响系数;S3.4:将 S3.2污染系数图层与S3.3影响系数图层相乘,构建完成大气干沉降污染强度空间栅格数据图层;S3.5:使用多年平均年降雨量数据,根据《土壤重金属污染高风险区识别技术方法体系》中不同类型涉重行业大气沉降影响范围表,确定S2.3涉重企业大气湿沉降影响范围; S3.6:根据S2.3涉重企业空间像元位置,及S3.5中大气湿沉降影响范围,确定其他像元是否落在S2.3涉重企业影响范围之内,将该像元受影响的S2.3涉重企业个数除以S2.3涉重企业总数,构建完成大气湿沉降污染强度空间栅格数据图层。
更好地,所述S4进一步包括如下步骤:S4.1:设定污染系数为固定值1;S4.2:根据S2.3涉重企业空间像元位置,计算其他像元与该像元的空间距离,将距离倒数作为影响系数;S4.3:根据DEM数据,得到S2.3涉重企业像元位置的高程值;S4.4:根据DEM数据,得到其他像元的高程值,如果此高程值大于S4.3涉重企业像元位置的高程值,则将影响系数设置为0,否则影响系数不变;S4.5:将S4.1 污染系数图层与S4.4影响系数图层相乘,构建完成水污染强度空间栅格数据图层。
更好地,所述S5进一步包括如下步骤:S5.1:根据年鉴数据,查询得到实验示范区域内农田、菜地、果园等的单位面积年施肥量(包括复合肥、有机肥等),如果有更细致的施肥量数据则使用更细的数据;S5.2:根据年鉴数据或其它资料,得到农田、菜地、果园等的复种指数;S5.3:对S2.3解译的农田、菜地、果园等面矢量数据,分别使用S5.1农田、菜地、果园等的单位面积年施肥量,与S5.2农田、菜地、果园等的复种指数相乘,得到S2.3解译的农田、菜地、果园等面矢量数据上的污染强度;S5.4:将S5.3面矢量数据上的污染强度栅格化,构建完成面源数据污染强度空间栅格数据图层。
更好地,所述S6进一步包括如下步骤:S6.1:将S1.3、S3.4、 S3.6、S4.5、S5.4各指数污染强度空间栅格数据图层,使用最大——最小标准化方法,分别进行标准化处理,得到S1.3、S3.4、S3.6、S4.5、 S5.4各指数污染强度标准化空间栅格数据图层;S6.2:将S6.1各指数污染强度标准化空间栅格数据图层加和,从而得到各指数标准化合成空间栅格数据图层;S6.3:将S6.2指数标准化合成空间栅格数据图层,根据自然断点法等评级方法,进行分级处理,最终得到农业重金属污染分级空间栅格数据图层。
(三)有益效果
本发明的方法利用遥感数据空间连续性特征,结合地面监测数据和气象数据等多源数据,构建一套农田重金属高风险区遥感快速识别方法,特别地,通过依据下垫面空间数据库,从点源(涉重企业)和面源(农田、养殖点),并考虑污染气相和液相不同传播途径等要素,采用距离修正算法对高风险区进行空间联系识别,精准污染边界,并具有直观的空间展示性,特别是,该识别方法能够更为准确地识别出各风险等级区域的边界,从而更为精确地识别各地区的风险等级,进而更为精确地识别出研究和防范价值更高的重金属污染高风险区域及其准确边界。从而,能帮助政府部门在最短时间内以最少成本获取农田重金属高风险污染时空信息。
附图说明
图1为本发明的多源数据农田重金属高风险区遥感快速识别方法流程图
图2为农田和涉重企业等不同可产生污染的土地利用类型遥感解译图
图3为土壤重金属污染现状评价图
图4大气干沉降污染强度空间栅格数据图
图5为大气湿沉降污染强度空间栅格数据图
图6为水污染强度空间栅格数据图
图7为面源污染强度空间栅格数据图
图8为农业重金属污染分级空间栅格数据图
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
“WorldView-2”卫星影像数据,拥有4个业内标准谱段(红、绿、蓝、近红外)和4个额外多样性谱段(海岸、黄、红边和近红外),能提供0.5米全色图像和1.8米分辨率的多光谱图像,具有灵活、快速、动态的环境和灾害监测能力。本发明中所提到的观测卫星优选为WorldView-2,观测卫星的遥感数据尤指WorldView-2的多光谱CCD数据。
本申请中,“涉重企业”是指存在重金属污染源的企业,或者排放重金属污染的企业。
图1为本发明的基于多源数据的农田重金属高风险遥感快速识别方法评估流程图,如图1所示,评估方法包括以下步骤:
S1:构建基于地面监测的农田重金属现状评价空间数据;
其中S1步骤如下:
S1.1:根据农田土壤重金属监测数据,采用单因子污染指数法对每个重金属监测数据进行评价;
具体方法如下:
对镉、汞、砷、铅、铬五种重金属土壤污染调查数据,使用单因子污染指数法,得到五种重金属的单因子污染指数数据;单因子污染指数法计算公式为:P_i=C_i/S_i
式中:P_i为样本点中污染物i的单项污染指数
C_i为样本点中污染物i的实测浓度,mg/kg
S_i为污染物i的评价标准参考值,mg/kg
Si标准参考值,使用GB15618-2018中标准,使用6.5<PH<=7.5 情况下的水田标准:
农用地土壤污染风险筛选值的基本项目为必测项目,包括镉、汞、砷、铅、铬、铜、镍、锌,风险筛选值见表1。
表1农用地土壤污染风险筛选值(基本项目)
单位:mg/kg
S1.2:结合S1.1单因子评价结果,采用内梅罗综合污染指数法对全指标进行综合评价;
具体方法如下:
式中,P综合为土壤综合污染指数;Pi平均为土壤中各个单项污染指数的平均值;max(Pi)为重金属单项污染指数中的最大值
S1.3:应用ArcGIS空间分析软件,结合农田土壤重金属采样点经纬度信息,将每个监测点的综合评价结果采用克里金空间插值方法最终得到这五种重金属基于地面监测的现状评价空间数据。
S2:构建包括农田和涉重企业等不同土地利用方式的遥感信息解译空间数据库;
其中,S2进一步包括如下步骤:
S2.1:下载高分辨卫星遥感数据,并对所述遥感数据进行预处理,所述高分辨卫星遥感数据包括GF以及worldview,所述预处理包括几何纠正、辐射定标、大气纠正;
S2.2:基于面向对象分类方法,对图像进行模块化分割,对各类别的属性特征进行分析,所述属性特征包括形状、纹理以及光谱;
S2.3:基于S2.2分析后的数据分别进行下垫面矢量信息提取,构建农田和涉重企业等土地利用方式空间数据库,所述下垫面选自农田、温室大棚、尾矿库、其他涉重企业和畜禽养殖厂;
S2.4:对S2.3构建的空间数据库进行人工检查,农田和涉重企业等不同土地利用方式的遥感信息解译空间数据库。
S3:依据S2中涉重企业空间信息,并结合地面企业生产相关调查信息,对于以大气污染传输为主的企业建立大气干湿沉降污染潜在高风险区空间数据;
其中,S3进一步包括如下过程:
S3.1:根据风速、风向和频率等气象数据计算各方位污染系数;
具体地,统计16个方向的风向频率:
'E','ENE','NE','NNE','N','NNW','NW','WNW','W','WSW','SW','SSW', 'S','SSE','SE','ESE',然后计算16个方向的污染系数,公式如下:
风向频率=该风向出现的次数/风向的总观测次数×100%
污染系数=风向频率/平均风速
S3.2:根据S2.3涉重企业空间像元位置,确定其他像元与该像元的空间相对方位,从S3.1中查找对应方位的污染系数;
S3.3:根据S2.3涉重企业空间像元位置,计算其他像元与该像元的空间距离,将距离的倒数作为影响系数;
具体地,影响系数计算如下
影响系数=1/(像元与涉重企业像元的直线距离)
S3.4:将S3.2污染系数图层与S3.3影响系数图层相乘,构建完成大气干沉降污染强度空间栅格数据图层;
具体地,污染强度计算公式为
污染强度=sum(污染系数*影响系数)。
通过S3.4步骤中的方法构件大气湿沉降污染强度空间栅格数据图层,能够对大气干沉降污染高风险区域的边界进行精确识别,实现真正将大气干沉降污染高风险区域与其他风险等级区域精确区分开来。
S3.5:使用多年平均年降雨量数据,根据《土壤重金属污染高风险区识别技术方法体系》中不同类型涉重行业大气沉降影响范围表,确定S2.3涉重企业大气湿沉降影响范围;
具体地,范围表如下:
表2金属矿选采业大气沉降影响范围(公里)
注:尾矿库大气沉降影响范围为0.5-5.0公里。
S3.6:根据S2.3涉重企业空间像元位置,及S3.5中大气湿沉降影响范围,确定其他像元是否落在S2.3涉重企业影响范围之内,将受影响的S2.3涉重企业个数除以S2.3涉重企业总数,构建完成大气湿沉降污染强度空间栅格数据图层。
具体地,污染强度表达式如下:
污染强度=像元受影响的涉重企业个数/涉重企业总数
通过S3.6步骤中的方法构件大气湿沉降污染强度空间栅格数据图层,能够对大气湿沉降污染高风险区域的边界进行精确识别,实现真正将大气湿沉降污染高风险区域与其他风险等级区域精确区分开来。
S4:依据S2中涉重企业空间信息,并结合地面企业生产相关调查信息,对于以液相污染传输为主的企业建立液相重金属污染潜在高风险区空间数据;
具体地,S4进一步包括如下步骤:
S4.1:设定污染系数为固定值1;
S4.2:根据S2.3涉重企业空间像元位置,计算其他像元与该像元的空间距离,将距离倒数作为影响系数;
S4.3:根据DEM数据,得到S2.3涉重企业像元位置的高程值;
S4.4:根据DEM数据,得到其他像元的高程值,如果此高程值大于S4.3涉重企业像元位置的高程值,则将影响系数设置为0,否则影响系数不变;
S4.5:将S4.1污染系数图层与S4.4影响系数图层相乘,构建完成水污染强度空间栅格数据图层。
具体地,影响系数表达公式如下:
影响系数(像元高程小于等于涉重企业高程)=1/像元与涉重企业直线距离
影响系数(像元高程大于涉重企业高程)=0
通过S4.5步骤中的方法构建水污染强度空间栅格数据图层,能够对水污染高风险区域的边界进行精确识别,实现真正将水污染高风险区域与其他风险等级区域精确区分开来。
S5:依据S2中农田土地利用信息并结合地面调查的农田生产信息建立农田重金属污染潜在高风险区空间数据;
具体地,S5进一步包括如下步骤:
S5.1:根据年鉴数据,查询得到实验示范区域内农田、菜地、果园等的单位面积年施肥量(包括复合肥、有机肥等),如果有更细致的施肥量数据则使用更细的数据;
S5.2:根据年鉴数据或其它资料,得到农田、菜地、果园等的复种指数;
S5.3:对S2.3解译的农田、菜地、果园等面矢量数据,分别使用 S5.1农田、菜地、果园等的单位面积年施肥量,与S5.2农田、菜地、果园等的复种指数相乘,得到S2.3解译的农田、菜地、果园等面矢量数据上的污染强度;
具体地,污染强度公式如下:
污染强度=单位面积施肥量*复种指数
S5.4:将S5.3面矢量数据上的污染强度栅格化,构建完成面源污染强度空间栅格数据图层。
通过S5.4步骤中的方法构建面源污染强度空间栅格数据图层,能够对面源污染高风险区域的边界进行精确识别,实现真正将面源污染高风险区域与其他风险等级区域精确区分开来。
S6:依据S1、S3、S4、S5重金属潜在高风险区空间数据,通过空间数据归一化处理和图层矢量叠加完成农田土壤重金属潜在高风险区空间识别。
具体地,S6进一步包括的步骤如下:
S6.1:将S1.3、S3.4、S3.6、S4.5、S5.4各指数污染强度空间栅格数据图层,使用最大——最小标准化方法,分别进行标准化处理,得到S1.3、S3.4、S3.6、S4.5、S5.4各指数污染强度标准化空间栅格数据图层;
具体地,标准化数据公式如下:
标准化数据=(数据-最小值)/(最大值-最小值)
S6.2:将S6.1各指数污染强度标准化空间栅格数据图层最后加和,得到各指数标准化合成空间栅格数据图层;
S6.4:将S6.3指数标准化合成空间栅格数据图层,根据自然断点法等评级方法,进行分级处理,最终得到农业重金属污染分级空间栅格数据图层。
实施例
下面,列举实施例对本发明的评估方法进行说明,并说明本发明的优异的技术效果。然而,本实施例仅仅是本发明的技术方案的一个例子,并不对本发明的技术方案构成限定。
作为采用了本发明的评估方法进行了农田重金属高风险识别的一个实施例,本发明的发明人,对北京市通州区的农田重金属高风险区进行了评估。
北京市通州区位于北京市东南部,区域地理坐标北纬39°36′~40°02′,东经116°32′~116°56′,东西宽36.5公里,南北长48 公里,面积906平方公里,2016年常住人口为140万。通州区西临朝阳区、大兴区,北与顺义区接壤,东隔潮白河与河北省三河市、大厂回族自治县、香河县相连,南和天津市武清区、河北省廊坊市交界。
发明人根据项目要求,根据北京市通州区的农田重金属污染企业、农田分布、畜禽养殖场、尾矿库等信息,构建了通州区典型农田重金属污染源的遥感解译标志体系。
通过商够够得通州区高分辨卫星遥感数据,并对该数据进行了几何纠正、辐射定标、大气纠正等预处理。
通过采用面向对象分类法对下垫面信息进行提取,从而确定下垫面的类别。具体而言,可以采用Ecognition软件来实现下垫面类型识别和确定。得到图2所示农田和涉重企业等不同可产生污染的土地利用类型遥感解译图。
将研究区进行均匀布点采集土壤样品,测试土壤样品中的重金属含量,本案例中,涉及通州土壤监测点位60个,监测的重金属指标为砷(As)、镉(Cd)、铬(Cr)、铅(Pb)、汞(Hg)。按照S1的步骤得到土壤重金属污染现状评价图3。
结合图2中涉重企业的遥感提取信息,将重金属污染物是以气相传输为主的企业筛选出来,企业信息来源于地面调查和一些污染普查的结果。将这些企业按照S3的步骤,分别构建完成大气干沉降污染强度空间栅格数据图层4(图4)和大气湿沉降污染强度空间栅格数据图层5(图5)。
结合图2中涉重企业的遥感提取信息,将重金属污染物是以液相传输形式为主的企业筛选出来,企业信息来源于地面调查和一些污染普查的结果。将这些企业按照S4的步骤,构建完成水污染强度空间栅格数据图层6(图6)。
结合图2中解译的农田、菜地和果园等信息,按照S5的步骤构建完成面源数据污染强度空间栅格数据图层7(图7)。其中农田等面源污染源的施肥量和复种指数参数由统计年鉴或当地调查资料获取。
将上述图层3、4、5、6、7分别进行最大值最小值标准化,处理成同样范围无量纲标准化空间栅格数据图层后,进行相加,得到一个综合污染强度空间栅格数据图,将这个图按照自然断点法进行分级处理,最终得到农业重金属污染分级空间栅格数据图层8(图8)。
从图8可以看出,农田重金属污染高风险区域呈现复杂的形状,显示出复杂的边界,而不是传统的风险识别可视化图层中呈现的以污染源为中心的圆形形状以及圆形边界。由此可以明确看出,根据本发明的识别方法,可以有效地将高风险区域的边界精确化,真实地识别出高风险区域,从而可以对研究和治理价值较高的高风险区域提出有针对性的研究和治理方案,而不必将有限的资源投入到紧急程度并不高的其他风险等级区域。进而能够帮助政府部门在最短时间内以最少的成本对风险进行研究、方法和有效治理,节省公共资源。
本发明可以在现有农田重金属监测数据和地面污染调查数据、遥感数据和气象数据等多源数据基础上,基于遥感数据获取高空间分辨率重金属污染传输路径,从现状、点源和面源三个方面确定农田重金属潜在污染高风险区,具有空间连续性和展示性,对土壤环境管理提供有效的潜在污染评估手段和重要的技术支持。
以上实施方式仅用于说明本发明,而并非对本发明的限制,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,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (7)
1.一种基于多源数据的农田重金属高风险区遥感快速识别方法,其特征在于,包括以下步骤:
S1:构建基于地面监测的农田重金属现状评价空间数据;
S2:构建包括农田和涉重企业等不同土地利用方式的遥感信息解译空间数据库;
S3:依据S2中涉重企业空间信息,并结合地面企业生产相关调查信息,对于以大气污染传输为主的企业建立大气干湿沉降污染潜在高风险区空间数据;
S4:依据S2中涉重企业空间信息,并结合地面企业生产相关调查信息,对于以液相污染传输为主的企业建立液相重金属污染潜在高风险区空间数据;
S5:依据S2中农田土地利用信息并结合地面调查的农田生产信息建立农田重金属污染潜在高风险区空间数据;
S6:依据S1、S3、S4、S5重金属潜在高风险区空间数据,通过空间数据归一化处理和图层矢量叠加完成农田土壤重金属潜在高风险区空间识别。
2.如权利要求1所述的基于多源数据的农田重金属高风险区遥感快速识别方法,其特征在于,所述S1进一步包括如下步骤:
S1.1:根据农田土壤重金属监测数据,采用单因子污染指数法对每个重金属监测数据进行评价;
S1.2:结合S1.1单因子评价结果,采用内梅罗综合污染指数法对全指标进行综合评价;
S1.3:应用ArcGIS空间分析软件,结合农田土壤重金属采样点经纬度信息,将每个监测点的综合评价结果采用克里金空间插值方法最终生成基于地面监测的农田重金属现状评价空间数据。
3.如权利要求1所述的基于多源数据的农田重金属高风险区遥感快速识别方法,其特征在于,所述S2进一步包括如下步骤:
S2.1:下载高分辨卫星遥感数据,并对所述遥感数据进行预处理,所述高分辨卫星遥感数据包括GF以及worldview,所述预处理包括几何纠正、辐射定标、大气纠正;
S2.2:基于面向对象分类方法,对图像进行模块化分割,对各类别的属性特征进行分析,所述属性特征包括形状、纹理以及光谱;
S2.3:基于S2.2分析后的数据分别进行下垫面矢量信息提取,构建农田和涉重企业等土地利用方式空间数据库,所述下垫面选自农田、温室大棚、尾矿库、其他涉重企业和畜禽养殖厂;
S2.4:对S2.3构建的空间数据库进行人工检查,农田和涉重企业的遥感信息解译空间数据库。
4.如权利要求1所述的基于多源数据的农田重金属高风险区遥感快速识别方法,其特征在于,所述S3进一步包括如下步骤:
S3.1:根据气象数据计算各方位污染系数,所述气象数据包括风速、风向和频率;
S3.2:根据S2.3涉重企业空间像元位置,确定其他像元与该像元的空间相对方位,从S3.1中查找对应方位的污染系数;
S3.3:根据S2.3涉重企业空间像元位置,计算其他像元与该像元的空间距离,将距离的倒数作为影响系数;
S3.4:将S3.2污染系数图层与S3.3影响系数图层相乘,构建完成大气干沉降污染强度空间栅格数据图层;
S3.5:使用多年平均年降雨量数据,根据《土壤重金属污染高风险区识别技术方法体系》中不同类型涉重行业大气沉降影响范围表,确定S2.3涉重企业大气湿沉降影响范围;
S3.6:根据S2.3涉重企业空间像元位置,及S3.5中大气湿沉降影响范围,确定其他像元是否落在S2.3涉重企业影响范围之内,将该受影响的S2.3涉重企业个数除以S2.3涉重企业总数,构建完成大气湿沉降污染强度空间栅格数据图层。
5.如权利要求2所述的基于多源数据的农田重金属高风险区遥感快速识别方法,其特征在于,所述过程S4具体包括:
S4.1:设定污染系数为固定值1;
S4.2:根据S2.3涉重企业空间像元位置,计算其他像元与该像元的空间距离,将距离的倒数作为影响系数;
S4.3:根据DEM数据,得到S2.3涉重企业像元位置的高程值;
S4.4:根据DEM数据,得到其他像元的高程值,如果此高程值大于S4.3涉重企业像元位置的高程值,则将影响系数设置为0,否则影响系数不变;
S4.5:将S4.1污染系数图层与S4.4影响系数图层相乘,构建完成水污染强度空间栅格数据图层。
6.如权利要求1所述的基于多源数据的农田重金属高风险区遥感快速识别方法,其特征在于,所述过程S5具体包括:
S5.1:根据年鉴数据,查询得到实验示范区域内农田、菜地、果园的单位面积年施肥量,如果有更细致的施肥量数据则使用更细的数据;
S5.2:根据年鉴数据或其它资料,得到农田、菜地、果园的复种指数;
S5.3:对S2.3解译的农田、菜地、果园的面矢量数据,分别使用S5.1农田、菜地、果园的单位面积年施肥量,与S5.2农田、菜地、果园的复种指数相乘,得到S2.3解译的农田、菜地、果园的面矢量数据上的污染强度;
S5.4:将S5.3面矢量数据上的污染强度栅格化,构建完成面源数据污染强度空间栅格数据图层。
7.如权利要求1所述的基于多源数据的农田重金属高风险区遥感快速识别方法,其特征在于,所述过程S6具体包括:
S6.1:将S1.3、S3.4、S3.6、S4.5、S5.4各指数污染强度空间栅格数据图层,使用最大——最小标准化方法,分别进行标准化处理,得到S1.3、S3.4、S3.6、S4.5、S5.4各指数污染强度标准化空间栅格数据图层;
S6.2:将S6.1各指数污染强度标准化空间栅格数据图层加和,从而得到各指数标准化合成空间栅格数据图层;
S6.3:将S6.2指数标准化合成空间栅格数据图层,根据自然断点法评级方法,进行分级处理,最终得到农业重金属污染分级空间栅格数据图层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910942973.XA CN110580474B (zh) | 2019-09-30 | 2019-09-30 | 一种基于多源数据的农田重金属高风险区遥感快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910942973.XA CN110580474B (zh) | 2019-09-30 | 2019-09-30 | 一种基于多源数据的农田重金属高风险区遥感快速识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110580474A true CN110580474A (zh) | 2019-12-17 |
CN110580474B CN110580474B (zh) | 2020-08-14 |
Family
ID=68814327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910942973.XA Active CN110580474B (zh) | 2019-09-30 | 2019-09-30 | 一种基于多源数据的农田重金属高风险区遥感快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110580474B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815184A (zh) * | 2020-07-13 | 2020-10-23 | 农业农村部农业生态与资源保护总站 | 一种耕地土壤环境质量类别划分方法 |
CN112116242A (zh) * | 2020-09-17 | 2020-12-22 | 福州福大经纬信息科技有限公司 | 一种结合多种遥感指标的裸土变化识别方法 |
CN112257690A (zh) * | 2020-12-21 | 2021-01-22 | 航天宏图信息技术股份有限公司 | 一种重金属污染评估方法及装置 |
CN113077133A (zh) * | 2021-03-19 | 2021-07-06 | 南京大学 | 一种基于多源数据的危险废物非法倾倒风险区域识别和溯源方法 |
CN113705941A (zh) * | 2020-05-22 | 2021-11-26 | 中国科学院地理科学与资源研究所 | 一种县域尺度高风险污染地块快速筛查方法 |
CN115035256A (zh) * | 2022-05-06 | 2022-09-09 | 中国安全生产科学研究院 | 一种尾矿库事故隐患及风险演化方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120287273A1 (en) * | 2011-05-09 | 2012-11-15 | Abengoa Bioenergia Nuevas Tecnologias, S.A. | System for identifying sustainable geographical areas by remote sensing techniques and method thereof |
CN102999620A (zh) * | 2012-11-30 | 2013-03-27 | 山东师范大学 | 一种基于地理信息系统技术分析土壤污染空间分布规律的方法 |
CN103544550A (zh) * | 2013-11-08 | 2014-01-29 | 湖南科技大学 | 一种金属矿区土-水界面重金属污染负荷的预测方法 |
CN109711681A (zh) * | 2018-12-12 | 2019-05-03 | 天津大学 | 一种基于ArcGIS的全区域环境风险评价方法 |
CN110009226A (zh) * | 2019-04-03 | 2019-07-12 | 中国科学院地理科学与资源研究所 | 一种场地污染风险等级评测及敏感受体影响识别系统 |
CN110186820A (zh) * | 2018-12-19 | 2019-08-30 | 河北中科遥感信息技术有限公司 | 多源数据融合与环境污染源及污染物分布分析方法 |
-
2019
- 2019-09-30 CN CN201910942973.XA patent/CN110580474B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120287273A1 (en) * | 2011-05-09 | 2012-11-15 | Abengoa Bioenergia Nuevas Tecnologias, S.A. | System for identifying sustainable geographical areas by remote sensing techniques and method thereof |
CN102999620A (zh) * | 2012-11-30 | 2013-03-27 | 山东师范大学 | 一种基于地理信息系统技术分析土壤污染空间分布规律的方法 |
CN103544550A (zh) * | 2013-11-08 | 2014-01-29 | 湖南科技大学 | 一种金属矿区土-水界面重金属污染负荷的预测方法 |
CN109711681A (zh) * | 2018-12-12 | 2019-05-03 | 天津大学 | 一种基于ArcGIS的全区域环境风险评价方法 |
CN110186820A (zh) * | 2018-12-19 | 2019-08-30 | 河北中科遥感信息技术有限公司 | 多源数据融合与环境污染源及污染物分布分析方法 |
CN110009226A (zh) * | 2019-04-03 | 2019-07-12 | 中国科学院地理科学与资源研究所 | 一种场地污染风险等级评测及敏感受体影响识别系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705941A (zh) * | 2020-05-22 | 2021-11-26 | 中国科学院地理科学与资源研究所 | 一种县域尺度高风险污染地块快速筛查方法 |
CN111815184A (zh) * | 2020-07-13 | 2020-10-23 | 农业农村部农业生态与资源保护总站 | 一种耕地土壤环境质量类别划分方法 |
CN111815184B (zh) * | 2020-07-13 | 2021-04-16 | 农业农村部农业生态与资源保护总站 | 一种耕地土壤环境质量类别划分方法 |
CN112116242A (zh) * | 2020-09-17 | 2020-12-22 | 福州福大经纬信息科技有限公司 | 一种结合多种遥感指标的裸土变化识别方法 |
CN112257690A (zh) * | 2020-12-21 | 2021-01-22 | 航天宏图信息技术股份有限公司 | 一种重金属污染评估方法及装置 |
CN113077133A (zh) * | 2021-03-19 | 2021-07-06 | 南京大学 | 一种基于多源数据的危险废物非法倾倒风险区域识别和溯源方法 |
CN113077133B (zh) * | 2021-03-19 | 2022-04-01 | 南京大学 | 一种基于多源数据的危险废物非法倾倒风险区域识别和溯源方法 |
CN115035256A (zh) * | 2022-05-06 | 2022-09-09 | 中国安全生产科学研究院 | 一种尾矿库事故隐患及风险演化方法及系统 |
CN115035256B (zh) * | 2022-05-06 | 2023-01-06 | 中国安全生产科学研究院 | 一种尾矿库事故隐患及风险演化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110580474B (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110580474B (zh) | 一种基于多源数据的农田重金属高风险区遥感快速识别方法 | |
Kamal et al. | Assessment of multi-resolution image data for mangrove leaf area index mapping | |
Omran | Detection of land-use and surface temperature change at different resolutions | |
Chen et al. | Characterizing spatial representativeness of flux tower eddy-covariance measurements across the Canadian Carbon Program Network using remote sensing and footprint analysis | |
Reichenau et al. | Spatial heterogeneity of leaf area index (LAI) and its temporal course on arable land: combining field measurements, remote sensing and simulation in a comprehensive data analysis approach (CDAA) | |
Gerighausen et al. | Spatially explicit estimation of clay and organic carbon content in agricultural soils using multi-annual imaging spectroscopy data | |
Wei et al. | Spatial detection of alpine treeline ecotones in the Western United States | |
CN112070056A (zh) | 一种基于面向对象和深度学习的敏感用地识别方法 | |
Kempf | The application of GIS and satellite imagery in archaeological land-use reconstruction: A predictive model? | |
Nizeyimana | Remote Sensing and GIS Integration | |
Huang et al. | Modeling spatial patterns of soil respiration in maize fields from vegetation and soil property factors with the use of remote sensing and geographical information system | |
Ardakani et al. | Monitoring of organic matter and soil salinity by using IRS-LissIII satellite data in the Harat plain, of yazd province. | |
Billah et al. | Land cover mapping of Khulna city applying remote sensing technique | |
Subramani et al. | Analysis of urban growth and its impact on groundwater tanneries by using gis | |
Katebikord et al. | Spatial modeling of soil organic carbon using remotely sensed indices and environmental field inventory variables | |
Subramani et al. | Land use and land cover change detection and urban sprawl analysis of Panamarathupatti Lake, Salem | |
Niraj et al. | Fate of agricultural areas of Kailali District of Nepal: A temporal land use land cover change (LUCC) analysis | |
Zhao et al. | Spatio-temporal analysis of land use changes using remote sensing in Horqin sandy land, China | |
Ghale | Multitemporal change detection on Urmia lake and its catchment area using remote sensing and geographical information systems | |
Shaukat et al. | Soil Mapping Using Electromagnetic Induction to Assess the Suitability of Land for Growing Leptospermum nitens in Western Australia | |
Aprilianti et al. | Identification and classification of cloud computing-based vegetation index values on several lands used in Bogor Regency, Indonesia | |
Wang et al. | Ground sampling methods for surface soil moisture in heterogeneous pixels | |
Zhu et al. | Identification of Agricultural Row Features Using Optical Data for Scattering and Reflectance Modeling Over Periodic Surfaces | |
Sharifi et al. | Study of Land Use/Land Cover Changes of Mysuru City, Karnataka, India by using Remote Sensing and GIS Techniques | |
Rahardjo et al. | Unmanned Aerial Vehicle (UAV) Data as a Land Cover Data Renewal in Pandanrejo Village, Kaligesing Sub-District, Purworejo |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |