CN113077133B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113077133B CN113077133B CN202110305276.0A CN202110305276A CN113077133B CN 113077133 B CN113077133 B CN 113077133B CN 202110305276 A CN202110305276 A CN 202110305276A CN 113077133 B CN113077133 B CN 113077133B
- Authority
- CN
- China
- Prior art keywords
- illegal dumping
- waste
- area
- map
- data
- 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.)
- Active
Links
Images
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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0833—Tracking
-
- 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
Abstract
本发明公开了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,该方法通过遥感技术、深度学习确定区域内非法倾倒点位;再结合无人机拍摄及图像分类手段,再对所确定中高风险区域进行二次复核,在确定的中高风险区域内快速识别危废非法倾倒点区域,构建非法倾倒风险概率地图;通过构建危废数据库,基于机器学习的分类方法,判定产废单位是否发生危废漏报、错报、少报的行为,确定可疑的产废单位,有利于监管部门缩小监管范围。同时,再与确定的风险概率地图联合,可以识别某一非法倾倒点中可能涉及非法倾倒的产废单位名单,实现非法倾倒危废的精准溯源。
Description
技术领域
本发明涉及危废管理领域,特别涉及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的方法。
背景技术
危险废物(简称危废),是指列入国家危险废物名录或者根据国家规定的危险废物鉴别标准和鉴别方法认定的具有危险特性(包括腐蚀性、毒性、易燃性、反应性或感染性)的固体废物。由于危险废弃物主要来源于化学、炼油、金属、采矿、机械以及医药行业;危险废弃物一般都具有各种毒害作用,不但污染空气、水、土壤,还可通过各种途径破坏生态环境、危害人类的生命健康,不利于生态环境保护与经济的可持续发展。
中国目前处于工业化后期和新型城镇化深入推进期,危废的产生量呈现逐年增加的态势。据专家估算,当前全国每年危废的产生量约为1亿吨,而实际的利用处置量仅约1500万吨。现有的危废利用处置能力不足,加之监管难度高,在利益驱动之下,近年以来我国危废非法倾倒的事件频发,不仅对土壤、地下水及周边生态环境造成了恶劣的环境后果,更威胁到了居民的生命健康。
目前我国对于非法倾倒的监管方法是基于危废转运联单制度,即分别由产废单位、危废运输单位、危废处理单位分别填写相关信息,根据多方核实信息的准确,保证危废在处理处置及利用过程中不出现非法倾倒的行为。此外,监管部门定期开展危险废物非法倾倒专项整治工作,如长江大保护背景下的“清废行动2018”,对长江经济带固体废物倾倒情况进行全面摸排核实。但上述监管方式存在以下不足:(1)危废转移联单主要依赖生产者主动申报,可能存在企业对于危废定性认识不足、企业对办理转移联单责任认识不足,导致部分危废没有被申报,游离在监管体系之外;(2)危废转移联单制度涉及产废单位、危废运输单位、危废处理单位等多方利益主体,监管链条长,监管难度大;(3)危险废物非法倾倒行为往往隐蔽性强,导致危险废物非法倾倒专项整治工作需进行大范围排查,成本高、不确定性高;(4)监管效率低,导致大部分危废非法倾倒事件在造成恶劣后果才被发现,属于事件驱动型的监管,在被发现时候已经造成了严重的环境风险,且依赖于事件驱动型的监管难以排查到人迹稀少的区域;(5)在确定非法倾倒点之后,有关部门会委托有资质的单位对危废物质展开调查,但由于涉及的危废产生单位范围大、区域广,难以对非法倾倒的危废溯源。
发明内容
本发明提供了一种克服现有技术缺点的识别方法和溯源方法。本发明一个目的是提供一种基于多源数据的危险废物非法倾倒风险区域识别方法,可确定未知区域危废非法倾倒点位;本发明的另一个目的是对危废非法倾倒点位所对应的产废单位溯源。
本发明的一个目的确定位置区域危废非法倾倒点位的实施方案为:
一种基于多源数据的危险废物非法倾倒风险区域识别方法,所述方法包括:
搜集目标区域内所有已知危险废物非法垃圾倾倒点位的经纬度数据和基于该非法倾倒点位的指标数据;
利用卫星遥感拍摄获得目标区域的遥感数据,预处理遥感数据后获取目标区域内的光谱特征,根据光谱特征给每种类别的土地分配非法倾倒的发生概率,并与GIS地图相连接获得地图α;
根据已知非法倾倒点的经纬度数据与指标数据建立最佳危废非法倾倒风险概率模型,将目标区域中所有的指标数据输入该风险概率模型,在GIS中绘制适宜性地图γ;
将地图α与地图γ相关联,缩小可疑的非法倾倒点位范围。
本发明的另一个目的对危废非法倾倒点位所对应的产废单位溯源的实施方案为:
一种基于多源数据的危险废物非法倾倒风险区域溯源的方法,所述方法包括:
建立产废单位数据库,包含目标区域内所有产废企业的位置、名称、产品、产量、工艺特征、行业、产值等信息;
利用危废联单、RFID识别、GPS定位技术建立产废企业与危废运输车辆的对应关系;
获取产废单位受监管下的转移运输量;
将获取的转移运输量输入产废单位数据库并更新,将数据库中产废单位、危废产品和转移运输量输入分类模型,确定实际危废产生量偏离危废联单总运输量的产废单位名单;
利用前述非法倾倒风险区域识别方法确定所述产废单位名单中位于危险废物非法倾倒中高风险区域的产废单位。
本发明具有以下有益效果如下:
1.通过遥感技术、深度学习确定区域内非法倾倒点位;
2.结合无人机拍摄及图像分类手段,再对所确定中高风险区域进行二次复核,在确定的中高风险区域内快速识别危废非法倾倒点区域,进一步缩小监管范围。
3.通过构建危废数据库,基于机器学习的分类方法,判定产废单位是否发生危废漏报、错报、少报的行为,确定可疑的产废单位,有利于监管部门缩小监管范围。同时,再与确定的风险概率地图联合,可以识别某一非法倾倒点中可能涉及非法倾倒的产废单位名单,实现非法倾倒危废的精准溯源。
下文将结合附图对本发明具体实施例进行详细描述,本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
图1是本发明风险区域识别方法实施例一流程示意图;
图2是本发明风险区域识别方法实施例一遥感识别流程示意图;
图3是本发明风险区域识别方法实施例一概率模型绘制地图流程示意图;
图4是本发明风险区域识别方法实施例二流程示意图;
图5是本发明风险区域识别方法实施例二无人机确认可疑点流程示意图;
图6是本发明风险区域识别方法实施例三流程示意图;
图7是本发明风险区域溯源方法流程示意图;
图8是本发明风险区域溯源方法实地调查结果分类示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
实施例一
如图1所示,一种基于多源数据的危险废物非法倾倒风险区域识别方法,所述方法包括:
步骤1:搜集目标区域内所有已知危险废物非法垃圾倾倒点位的经纬度数据和基于该非法倾倒点位的指标数据;
步骤2:利用卫星遥感拍摄获得目标区域的遥感数据,预处理遥感数据后获取目标区域内的光谱特征,根据光谱特征给每种类别的土地分配非法倾倒的发生概率,并与 GIS地图相连接获得地图α;
步骤3:根据已知非法倾倒点的经纬度数据与相应的指标数据建立最佳危废非法倾倒风险概率模型,将目标区域中所有的指标数据输入该风险概率模型,在GIS中绘制适宜性地图γ;
步骤4:将地图α与地图γ相关联,缩小可疑的非法倾倒点位范围。
当然,该方法中的目标区域可以是针对某个小区域范围进行识别,得到后推广到包含该小区域的大区域。
其中,步骤1中所需的相关指标数据及选取说明如下表:
表1所选取的指标类型及说明
步骤2:选择合适的遥感卫星获取目标区域目标时间的遥感数据;
对遥感数据进行预处理,包括辐射校正和几何校正;
利用已知的非法倾倒点中受胁迫植被的光谱特征对遥感卫星拍摄的图像进行非法倾倒点区域分类,得到每个区域是非法倾倒点位的概率,将每个区域是非法倾倒点位的概率与利用自然间断点分级法确定的阈值进行比较得到每个区域所属的概率区域;
将结果输出导入GIS地图中。
如图2所示,具体包括以下步骤:
步骤2-1,确定目标区域,选择合适的遥感卫星,如Sentinel-2B、Landsat-5等。在相关网站(如https://ladsweb.modaps.eosdis.nasa.gov/search/)上获取目标区域目标时间的遥感数据。
步骤2-2,对遥感数据进行预处理,包括辐射校正和几何校正。
遥感图像的分辨率包括三种:空间分辨率、光谱分辨率、辐射分辨率;光谱分辨率越高,对物体的识别精度越高,遥感应用分析的效果也就越好。因此需要对数据进行辐射校正和几何校正。
进一步的,步骤2-2包括以下步骤:
步骤2-2-1,首先进行波段的合成,以Landsat-5遥感卫星提供的数据为例,对TM遥感影像的m个波段分析,选择TM(m1、m2、m3……)的波段组合,使最终视觉效果接近于地物自然表现。
步骤2-2-2,选取控制点。以固定比例尺的地形图为基准,在多个不同拍摄时间(t1、 t2、t3……)的影像中选择同名地物点,其中t1、t2、t3是由当前到过去的三个时刻。必须选择位置相对比较稳定的点(如道路交叉点等),该点即称之为地面控制点。
以农田为例,虽然遥感卫星拍摄出了图像,但是在一大片农田之中没有办法确定具体位置,因此需要选取控制点来帮助确定具体位置,比如说农田里的一根电线杆,或者是农田区域内的道路交叉点。地面控制点是位置相对稳定的点,选取地面控制点是为了更好的几何校正。
步骤2-2-3,采用最近邻重采样的方法完成数据的几何校正。
当遥感影像在几何位置上发生了变化,产生诸如行列不均匀,像元大小与地面大小对应不准确,地物形状不规则变化等畸变时,即说明遥感影像发生了畸变,几何校正即是对这种畸变的校正。
经过步骤2-2-2和2-2-3提高了遥感图像的空间分辨率。
步骤2-2-4,采用DOS模型完成辐射校正,形成反射率影像,减少大气层辐射的影响。该步骤提高了遥感图像的辐射分辨率。
传感器在接收来自地面目标物的电磁波辐射能量时,受遥感传感器本身特性、大气作用以及地物光照条件(如:地形、太阳高度角)等因素的影响,使得遥感传感器的探测值与地物实际的光谱辐射值不一致,更准确地说就是遥感影像灰度失真了,产生了辐射畸变,因此需要辐射校正。
步骤2-2-5,对步骤2-2-4的影像进行掩膜处理,提取出经过预处理的目标区域。
步骤2-3,利用步骤1中已知的非法倾倒点中受胁迫植被的光谱特征进行校准,使用最大似然分类初步识别可能的非法倾倒点位。对遥感卫星所拍摄的t1时刻遥感图像的光谱特征非常接近于已知非法倾倒点的区域进行分类。记每一个区域是非法倾倒点位的概率为αi,同时利用自然间断点分级法(Jenks)确定两个概率阈值记为P1、P2,自然间断点是基于数据中固有的自然分组,其要素将被划分为多个类,对于这些类,会在数据值的差异相对较大的位置处设置其边界,即为P1、P2。其中P1>P2,当αi> P1时,规定为存在非法倾倒地点的高概率区域;当P1>αi>P2时,规定为存在非法倾倒地点的中概率区域;当αi<P2时,规定为存在非法倾倒地点的低概率区域。即高概率区、中概率区、低概率区。
步骤2-4,将步骤2-3中所得的t1时刻的中高概率区域与其对应的t2时刻的遥感图像作对比。若存在明显的变化,则列为可疑的非法倾倒点位;若不存在明显变化,再与其对应的t3时刻的遥感图像作对比,存在明显的变化,则列为可疑的非法倾倒点位,不存在明显变化,则不记录此区域。
步骤2-5,人工输出数字化结果,并将结果导入GIS地图中,记为图α。
导入GIS系统中会重新分类,即给予不同的概率区域(这里不同概率区域为中高概率区域)以不同的颜色,从而将可疑的非法倾倒点位标记出来。
步骤3:将目标区域中已知非法倾倒点的经纬度数据按一定比例分为训练集区域和测试集区域,将训练集区域的非法倾倒点的经纬度数据与指标数据分别输入到多元回归模型、最大熵模型和随机森林模型,根据R2、AUC指标确定各模型的精度,得到最佳模型;输入目标区域中所有的指标数据,在GIS中绘制适宜性地图γ。
如图3所示,具体包括以下步骤:
步骤3-1,采用多元回归的方法绘制适宜性地图并检验。
进一步的,步骤3-1包括以下步骤:
步骤3-1-1,将整个目标区域中已知的非法倾倒点位的经纬度数据随机分为训练集区域M1与测试集区域N1。M1区域中存在目标区域中70%的已知非法倾倒点、N1区域中存在目标区域中30%的已知非法倾倒点。
步骤3-1-2,确定指标的权重。对M1区域内的危废非法倾倒点位提取指标,指标的选取可参考步骤1。假设共确认了n个因子,包含n1、n2、n3…,这n个因子共同作用影响非法倾倒点的产生。利用多元回归的方法对M1区域内的非法倾倒点建立因子模型,确定n个因子所解释的总方差,记为P。同时可以得到单个因子ni的方差解释率为pi,则各个因子所对应的权重为:
步骤3-1-3,在GIS中建立起精度为500m×500m的渔网图,选取网格中点,将此网格对应的n个因子数据赋予网格中点。
步骤3-1-4,在GIS中利用加权线性组合程序,根据步骤3-1-2中所确定的各个因子对应的权重,对每一个网格都进行一次多元回归模拟,从而得到每一个网格所对应的危废非法倾倒点位的存在概率,记为βi,得到初步的非法倾倒点位概率分布图。
步骤3-1-5,对步骤3-1-4中得到的概率分布图进行重新分类,确定两个概率阈值P1'、P2'(与步骤2-3相似),其中P1'>P2',当βi>P1'时,规定为存在非法倾倒地点的高概率区域;当P1'>βi>P2'时,规定为存在非法倾倒地点的中概率区域;当βi<P2'时,规定为存在非法倾倒地点的低概率区域,建立适宜性地图。
步骤3-1-6,将测试集N1内存在的非法倾倒点位经纬度数据带入步骤3-1-5所建立的适宜性地图之中(查看已知存在的非法倾倒点是不是在建立的模型中,以此来检测模型的优劣),利用ROC曲线、AUC面积与R2值来判断模型的准确性与精度。
其中,ROC曲线与横坐标围成的面积即为AUC面积,当AUC面积越大时,所得到的模型精度越高。R2指的是相关系数,代表试验数据与拟合函数之间的吻合程度, R2值越接近1,表明吻合程度越高,越接近0,则吻合程度越低。
步骤3-2,采用最大熵模型的方法绘制适宜性地图并检验。
进一步的,步骤3-2包括以下步骤:
步骤3-2-1,将整个目标区域中已知的非法倾倒点位经纬度数据随机分为训练集区域M2与测试集区域N2,M2区域中存在目标区域中70%的已知非法倾倒点、N2区域存在目标区域中30%的已知非法倾倒点。
步骤3-2-2,将n个指标因子的格式进行转换,将所有的变量转换为asc格式,使之能够被Maxent(最大熵模型)识别读取。
步骤3-2-3,将M2区域内的已知的非法倾倒点经纬度数据的csv文件与n个变量的asc文件分别输入到Maxent预测模型之中。
步骤3-2-4,对Maxent模型的参数进行设置,利用刀切法确定概率阈值,输出模型的预测结果,建立适宜性地图。
步骤3-2-5,将测试集N2内存在的非法倾倒点位经纬度数据带入步骤3-2-4所建立的适宜性地图之中,利用ROC曲线、AUC面积、R2值来判断模型的准确性与精度。
步骤3-3,采用随机森林的方法绘制适宜性地图并检验。
进一步的,步骤3-3包括以下步骤:
步骤3-3-1,选取整个目标区域的一部分进行研究,记该区域为Z。将其中已知的非法倾倒点位经纬度数据随机分为训练集区域M3与测试集区域N3。其中M3区域中存在Z区域中70%的已知非法倾倒点、N3区域中存在Z区域中30%的已知非法倾倒点。
步骤3-3-2,在GIS中建立起精度为500m×500m的渔网图,选取网格中点将此网格对应的n个因子数据赋予网格中点。对Z区域中存在危废非法倾倒点位的网格标记为1,不存在危废非法倾倒点位的网格标记为0。
步骤3-3-3,将n个因子作为模型的变量,是否存在非法倾倒点(0、1)作为结果,建立随机森林的模型,然后将模型推广到整个目标区域之中。利用ROC曲线、AUC 面积、R2值来判断模型的准确性与精度。
步骤3-3-4,利用十折交叉验证检验随机森林模型的外推能力。之所以考虑使用十折交叉验证的原因是,利用随机森林训练的结果对于训练集的拟合程度通常较好,但是对于训练集之外的数据的拟合程度有时并不令人满意。因此通常并不会把所有的数据集都拿来训练,而是将数据分出一部分作为测试集对训练集生成的参数进行测试,相对客观的判断这些参数对训练集之外的数据的符合程度。如果十折交叉验证的结果显示模型的外推能力不好,则不考虑使用随机森林模型。
步骤3-4,根据R2、AUC面积等指标比较各模型的精度,选择最佳模型。
步骤3-5,根据步骤3-4中所筛选出的最佳模型,将目标区域中所有的指标数据输入最佳模型,进而对研究区域进行详细计算,输出结果,在GIS中绘制适宜性地图γ。其中,目标区域中所有的指标数据包括已知倾倒点和未知倾倒点的指标数据。
步骤4所述将地图α与地图γ相关联为选取地图α与地图γ的相同区域。
具体包括如下步骤:
以地图α为主图,假设地图α中一共存在N个可疑非法倾倒点,结合地图γ,利用地图叠加的功能,筛选出N个可疑非法倾倒点中位于地图γ的中高风险区域内N1个可疑危废非法倾倒点。
实施例二
如图4所示,所述方法还包括步骤5:利用无人机对确定的可疑的非法倾倒点位范围进行航拍,将提取的图像输入贝叶斯分类器,自动区分非法倾倒点与未发生非法倾倒的区域。
参见图5,具体包括如下步骤:
步骤5-1,选择合适的无人机,给无人机安装合适精度的数字摄像机,同时考虑到一部分危废非法倾倒地点用土壤做了掩盖,因此可另给无人机安装红外热像仪来观测。
步骤5-2,利用无人机对步骤4-2中N1个可疑危废非法倾倒点进行拍摄,记无人机探索的可疑危废非法倾倒站点的区域为ni,利用无人机对该区域进行拍摄所得到的一组图片集记为A{a1、a2、a3…an},此外利用红外热像仪记录下来的一组图集记为B{b1、 b2、b3…bn}。
步骤5-3,对图集A进行分类之前,首先需要设计空间过滤器清除“噪声”(不需要的信息)。图像数据不仅包含我们想要的信息,还包括了许多干扰信息。例如,应该忽略麦田,房屋,道路等,以减少对非法倾倒场地的检测时间。
使用空间滤波器去除多余的多阶能量峰,并仅提取衍射图的中心最大值。将空间滤波器矩阵用于“锐化”(边缘增强)滤波器,以便对图像进行分类,即模式分类的过程。
模式分类的过程对于人工智能研究领域中解决的许多问题至关重要。目前已经开发了一套丰富的技术并将其应用于各种问题。本申请中采用贝叶斯模式识别。
步骤5-4,采用贝叶斯模式识别(Bayesian pattern recognition),对图集A的图像进行识别分析。
进一步的,步骤5-4包括以下步骤:
步骤5-4-1,假设每个图像模式都属于一个类别。模式的特征在于一组测量值(称为特征)。这些特征被组合以形成特征向量x=(x1,x2,...xd)。特征向量和类别之间的对应关系不必是确定的,即不同的类别可以导致观察到相同的特征向量。
步骤5-4-2,开发分类器,其目的是找到一个决策函数,该决策函数能够将错误分类的数量减少到最小。假设在数学上图像遵循正态分布,则:
步骤5-4-3,利用贝叶斯分类器对图像进行分类,在A图集之中进一步筛选出可疑的危废倾倒站点。记进一步筛选完的图集为G{g1、g2、g3…gn}图集,人工输出数字化结果,将结果导入GIS地图中。
步骤5-5,对利用红外热像仪记录下来的图集B进行处理,热像仪就是将物体发出的不可见红外能量转变为可见的热图像。热图像的上面的不同颜色代表被测物体的不同温度。
进一步的,步骤5-5包括以下步骤:
步骤5-5-1,利用装备红外热像仪的无人机拍摄目标区域内已知的危险废物非法倾倒点的热图像,记整个热图像图集为C{c1、c2、c3…cn}图集,提取其热图像特征。
步骤5-5-2,将B图集中热图像与C图集比对,建立贝叶斯分类器对B图集进行分类,分成两个图像集:趋近于C图集的图像集Q{q1、q2、q3…qn}和偏离于C图集的图像集I{i1、i2、i3…in}。取图集Q,人工输出数字化结果,将结果导入GIS地图中。
步骤5-6,对G图集的点位经纬度数据与Q图集的点位经纬度数据取并集R{r1、 r2、r3…rn},R集合即为最终确认的可疑的危废非法倾倒点点位。
实施例三
如图6所示,所述方法还包括步骤6:对自动区分所确定的非法倾倒点区域进行实地调查,调查内容包括是否存在非法倾倒、危废物质类别及标签标识信息。
具体包括如下步骤:
对步骤5中得到可疑危废非法倾倒点R行实地调查。调查结果存在三种可能性,(a)R域不存在非法倾倒;(b)R域存在危废的非法倾倒,且在危废物品上查询到了相关产废单位的信息;(c)R域存在危废的非法倾倒,但没有在危废物品上查询到了相关产废单位的信息。
如图7所示,一种基于多源数据的危险废物非法倾倒风险区域溯源的方法,所述方法包括:
步骤7:建立产废单位数据库,包含目标区域内所有产废企业的位置、名称、产品、产量、工艺特征、行业、产值等信息;利用危废联单、RFID识别、GPS定位技术建立产废企业与危废运输车辆的对应关系;获取产废单位受监管下的转移运输量;
步骤8:将获取的转移运输量输入产废单位数据库并更新,将数据库中产废单位、危废产品和转移运输量输入分类模型,确定实际危废产生量偏离危废联单总运输量的产废单位名单;利用基于多源数据的危险废物非法倾倒风险区域识别方法确定的危险废物非法倾倒中高风险区域中的产废单位。
其中,步骤7具体包括如下步骤:
步骤7-1,根据目标区域内的产废单位数据,建立产废单位数据库。数据库的内容包含该产废单位的名称、位置、成立时间、产品种类、工艺特征、产生的危废种类、行业、产值等信息。
步骤7-2,利用危废联单、RFID识别、GPS定位技术建立起产废单位与危废运输车辆的对应关系。
进一步的,步骤7-2包括以下步骤:
步骤7-2-1,要求产废单位在转移危废前,按照国家有关规定报批危废转移计划,经批准后向当地环境保护行政主管部门申请领取联单。
步骤7-2-2,产废单位每转移一车同类危废时,需填写一份联单,有多类危废的,要按照每一类危废填写一份联单。危废联单的内容需包含危废的产生地点、危废的接受地点、运输车辆的信息、危废运输的时间以及危废种类。
步骤7-2-3,给予危废运输车辆安装RFID阅读器,同时要求转移运输的危废需要粘贴RFID电子标签,RFID电子标签包括危废生产信息、合同/工单信息、运输车辆信息、危废基础信息(类别、批次、来源、废物代码、成分、物理状态、数量、重量等信息),将RFID读取的结果与步骤7-2-2的危废联单比对,确保结果的一致性。
步骤7-2-4,给每一辆危废运输车辆安装GPS定位系统,可以实现对车辆的实时定位监控,对车辆详情进行展示;可以按照时间段查询车辆历史轨迹数据,在电子地图进行展示和活动轨迹播放。确保危废运输车辆的起始点和终点同危废联单保持一致,同时对危废运输车辆的异常停留点进行调查,确保运输车辆没有进行非法倾倒。
步骤7-3,由步骤7-2可以得到产废单位的受监管下的转移运输量,将这部分的转移运输量记为V{v1、v2、v3…vn}。
其中,步骤8具体包括如下步骤:
步骤8-1,将步骤7-3得到的危废转移运输量V输入到产废单位数据库之中,更新数据库。
步骤8-2,从更新后的数据库中挑选不同的时间跨度(T1、T2、T3…Tn)分别研究。设目标区域内产废单位共有K{k1、k2、k3…kn}家,取Ki单位进行分析。
步骤8-3,将Ki单位数据库内总体的危废类型定义为X{x1、x2、x3…xn},不同的危废物质分别对应x1、x2、x3…xn。针对危废物质xi建立分类模型,本发明采用二分法模型(当然,也可以采用K-means模型、支持向量机模型等),将Ki单位关于生产危废物质xi的数据和转移运输量vi的数据输入到分类模型之中,输出结果(将可疑与不可疑危废单位分开)。
步骤8-4,不断重复步骤8-3,直至完成所有产废单位的模型输出,确定实际危废产生量偏离危废联单总运输量的产废单位名单。
步骤8-5,对步骤6中所调查的三种情况进行分类讨论,如图8所示。对情况(a),尽管并不存在非法倾倒,但是表明该区域是危废非法倾倒的中高概率区域,仍要加强监管、不定期的巡查;对情况(b),可以直接定位参与危废非法倾倒的单位,可依法追究其法律责任;对情况(c),需要结合步骤8-4所确定的实际危险产生量偏离危废联单总运输量的产废单位名单,找到对应危废物质xi存在非法倾倒行为的可疑企业的信息,结合步骤2-步骤6任一步所绘制的适宜性地图,识别某一非法倾倒点中可能涉及非法倾倒的产废单位名单,实现非法倾倒危废的精准溯源,进而为调查取证节约时间与经济成本。
例如:根据步骤7判断出在某一区域内存在100家制备工业硫酸的企业,又根据步骤8-4筛选出这100家企业中实际危废产生量偏离危废联单总运输量的10家企业;同时结合步骤2所绘制的适宜性地图优先考虑这10家企业中位于危险废物非法倾倒中高风险区域的其中3家企业进行监管。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于多源数据的危险废物非法倾倒风险区域识别方法,其特征在于,所述方法包括:
搜集目标区域内所有已知危险废物非法垃圾倾倒点位的经纬度数据和基于所有已知危险废物非法垃圾倾倒点位的指标数据;
利用卫星遥感拍摄获得目标区域的遥感数据,预处理遥感数据后获取目标区域内的光谱特征,根据光谱特征给每种类别的土地分配非法倾倒的发生概率,并与GIS地图相连接获得地图α;
根据已知非法倾倒点的经纬度数据与相应的指标数据建立最佳危废非法倾倒风险概率模型,将目标区域中所有的指标数据输入该风险概率模型,在GIS中绘制适宜性地图γ;
将地图α与地图γ相关联,缩小可疑的非法倾倒点位范围。
2.根据权利要求1所述的一种基于多源数据的危险废物非法倾倒风险区域识别方法,其特征在于,所述方法还包括:利用无人机对确定的可疑的非法倾倒点位范围进行航拍,将提取的图像输入贝叶斯分类器,自动区分非法倾倒点与未发生非法倾倒的区域。
3.根据权利要求2所述的一种基于多源数据的危险废物非法倾倒风险区域识别方法,其特征在于,所述方法还包括:对自动区分所确定的非法倾倒点区域进行实地调查,调查内容包括是否存在非法倾倒、危废物质类别及标签标识信息。
4.根据权利要求1所述的一种基于多源数据的危险废物非法倾倒风险区域识别方法,其特征在于,所述利用卫星遥感拍摄获得目标区域的遥感数据,预处理遥感数据后获取目标区域内的光谱特征,根据光谱特征给每种类别的土地分配非法倾倒的发生概率,并与GIS地图相连接获得地图α具体为:
选择合适的遥感卫星获取目标区域目标时间的遥感数据;对遥感数据进行预处理,包括辐射校正和几何校正;
利用已知的非法倾倒点中受胁迫植被的光谱特征对遥感卫星拍摄的图像进行非法倾倒点区域分类,得到每个区域是非法倾倒点位的概率,将每个区域是非法倾倒点位的概率与利用自然间断点分级法确定的阈值进行比较得到每个区域所属的概率区域;
将结果输出导入GIS地图中。
5.根据权利要求1所述的一种基于多源数据的危险废物非法倾倒风险区域识别方法,其特征在于,所述根据已知非法倾倒点的经纬度数据与指标数据建立最佳危废非法倾倒风险概率模型,将目标区域中所有的指标数据输入该风险概率模型,在GIS中绘制适宜性地图γ,具体包括:
将目标区域中已知非法倾倒点的经纬度数据按一定比例分为训练集区域和测试集区域,将训练集区域的非法倾倒点的经纬度数据与指标数据分别输入到多元回归模型、最大熵模型和随机森林模型,根据R2、AUC指标确定各模型的精度,得到最佳模型;
将目标区域中所有的指标数据输入最佳模型并输出结果,在GIS中绘制适宜性地图γ。
6.根据权利要求2所述的一种基于多源数据的危险废物非法倾倒风险区域识别方法,其特征在于,所述无人机上安装数字摄像机和红外热像仪。
7.根据权利要求1所述的一种基于多源数据的危险废物非法倾倒风险区域识别方法,其特征在于,所述将地图α与地图γ相关联为选取地图α与地图γ的相同区域。
8.一种基于多源数据的危险废物非法倾倒风险区域溯源的方法,其特征在于,所述方法包括:
建立产废单位数据库,包含目标区域内所有产废企业的位置、名称、产品、产量、工艺特征、行业和产值信息;
利用危废联单、RFID识别、GPS定位技术建立产废企业与危废运输车辆的对应关系;获取产废单位受监管下的转移运输量;
将获取的转移运输量输入产废单位数据库并更新,将数据库中产废单位、危废产品和转移运输量输入分类模型,确定实际危废产生量偏离危废联单总运输量的产废单位名单;
利用权利要求1-7任一项方法确定所述产废单位名单中位于危险废物非法倾倒中高风险区域的产废单位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110305276.0A CN113077133B (zh) | 2021-03-19 | 2021-03-19 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110305276.0A CN113077133B (zh) | 2021-03-19 | 2021-03-19 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113077133A CN113077133A (zh) | 2021-07-06 |
CN113077133B true CN113077133B (zh) | 2022-04-01 |
Family
ID=76613201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110305276.0A Active CN113077133B (zh) | 2021-03-19 | 2021-03-19 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113077133B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116089825B (zh) * | 2023-04-07 | 2023-06-30 | 中国环境科学研究院 | 一种基于统计熵的固废指纹特征提取方法 |
CN116481600B (zh) * | 2023-06-26 | 2023-10-20 | 四川省林业勘察设计研究院有限公司 | 一种高原林业生态监测预警系统及方法 |
CN117236661B (zh) * | 2023-11-14 | 2024-02-20 | 南京市生态环境保护科学研究院 | 一种基于人工智能的危废倾倒数据管理系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7839301B2 (en) * | 1995-06-08 | 2010-11-23 | Western Strategic Products, Llc | Surface condition sensing and treatment systems, and associated methods |
CN102651094A (zh) * | 2011-02-28 | 2012-08-29 | 中国科学院遥感应用研究所 | 鼠疫自然疫源地空间分布预测方法 |
CN103063202A (zh) * | 2012-12-30 | 2013-04-24 | 同济大学 | 基于遥感影像的蓝藻生物量时空变化监测与可视化方法 |
CN109522603A (zh) * | 2018-10-18 | 2019-03-26 | 南京大学 | 基于云平台的车载拉格朗日实时大气污染溯源系统及方法 |
CN110580474A (zh) * | 2019-09-30 | 2019-12-17 | 生态环境部卫星环境应用中心 | 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 |
CN111144651A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
CN111680866A (zh) * | 2020-04-27 | 2020-09-18 | 国家海洋信息中心 | 一种海洋生态保护重要性的评价方法、应用和装置 |
US10807133B2 (en) * | 2016-07-26 | 2020-10-20 | The Government Of The United States Of America, As Represented By The Secretary Of The Navy | Real-time configuration of instrumentation |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109631860A (zh) * | 2018-12-27 | 2019-04-16 | 南京理工大学 | 基于无人机的水库生活垃圾监测方法及系统 |
CN111914767B (zh) * | 2020-08-05 | 2023-10-10 | 北京市遥感信息研究所 | 一种基于多源遥感数据的散乱污企业检测方法及系统 |
-
2021
- 2021-03-19 CN CN202110305276.0A patent/CN113077133B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7839301B2 (en) * | 1995-06-08 | 2010-11-23 | Western Strategic Products, Llc | Surface condition sensing and treatment systems, and associated methods |
CN102651094A (zh) * | 2011-02-28 | 2012-08-29 | 中国科学院遥感应用研究所 | 鼠疫自然疫源地空间分布预测方法 |
CN103063202A (zh) * | 2012-12-30 | 2013-04-24 | 同济大学 | 基于遥感影像的蓝藻生物量时空变化监测与可视化方法 |
US10807133B2 (en) * | 2016-07-26 | 2020-10-20 | The Government Of The United States Of America, As Represented By The Secretary Of The Navy | Real-time configuration of instrumentation |
CN109522603A (zh) * | 2018-10-18 | 2019-03-26 | 南京大学 | 基于云平台的车载拉格朗日实时大气污染溯源系统及方法 |
CN110580474A (zh) * | 2019-09-30 | 2019-12-17 | 生态环境部卫星环境应用中心 | 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 |
CN111144651A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
CN111680866A (zh) * | 2020-04-27 | 2020-09-18 | 国家海洋信息中心 | 一种海洋生态保护重要性的评价方法、应用和装置 |
Non-Patent Citations (2)
Title |
---|
"Integrated use of satellite remote sensing, GIS, and ground spectroscopy techniques for monitoring olive oil mill waste disposal areas on the island of Crete, Greece";Dimitrios D. Alexakis等;《International Journal of Remote Sensing》;20160121;正文第2-3节 * |
"流域非点源污染景观源汇格局遥感解析";张新等;《农业工程学报》;20140115;第30卷(第2期);第191-197页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113077133A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113077133B (zh) | 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 | |
Tapete et al. | Detection of archaeological looting from space: Methods, achievements and challenges | |
Xu et al. | BrIM and UAS for bridge inspections and management | |
Tan et al. | Automatic detection of sewer defects based on improved you only look once algorithm | |
Antzoulatos et al. | Flood hazard and risk mapping by applying an explainable machine learning framework using satellite imagery and GIS data | |
Golovko et al. | Evaluation of remote-sensing-based landslide inventories for hazard assessment in Southern Kyrgyzstan | |
CN111914767B (zh) | 一种基于多源遥感数据的散乱污企业检测方法及系统 | |
Amatya et al. | Rainfall‐induced landslide inventories for Lower Mekong based on Planet imagery and a semi‐automatic mapping method | |
Chou et al. | Automated sensing system for real-time recognition of trucks in river dredging areas using computer vision and convolutional deep learning | |
Weidner et al. | Monitoring the effects of slope hazard mitigation and weather on rockfall along a Colorado highway using terrestrial laser scanning | |
Jilge et al. | Detecting unknown artificial urban surface materials based on spectral dissimilarity analysis | |
CN113361914B (zh) | 一种危险废物运输风险管控预警的方法与系统 | |
Salman Aal-shamkhi et al. | Extraction and modeling of urban sprawl development in Karbala City using VHR satellite imagery | |
US8150794B2 (en) | Data fusion framework for wide-area assessment of buried unexploded ordnance | |
Xu et al. | Comparing satellite image and GIS data classified local climate zones to assess urban heat island: A case study of Guangzhou | |
CN112241844A (zh) | 饮用水水源地环境风险源本底清单确定及更新方法和装置 | |
Jackson et al. | Urban land mapping from remotely sensed data | |
Pim | The use of aerial photographs in county inventories of waste-disposal sites | |
Bhatnagar et al. | Mapping wheel-ruts from timber harvesting operations using deep learning techniques in drone imagery | |
Thwal et al. | Land cover classification and change detection analysis of multispectral satellite images using machine learning | |
Lein | Implementing remote sensing strategies to support environmental compliance assessment: A neural network application | |
Haakana et al. | Finnish Corine 2006 Project: Determining changes in land cover in Finland between 2000 and 2006 | |
Alburshaid et al. | Spatio-temporal land use analysis and urban growth dynamic prediction in the kingdom of Bahrain | |
Badapalli et al. | Long-term temporal analysis of desertification | |
Abdel-rahman et al. | Utilizing of geoinformatics for mapping land use/land cover changes in Sohag, Egypt |
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 |