CN114386771A - 一种基于遥感的水环境污染“源-汇”风险识别方法及系统 - Google Patents
一种基于遥感的水环境污染“源-汇”风险识别方法及系统 Download PDFInfo
- Publication number
- CN114386771A CN114386771A CN202111546798.6A CN202111546798A CN114386771A CN 114386771 A CN114386771 A CN 114386771A CN 202111546798 A CN202111546798 A CN 202111546798A CN 114386771 A CN114386771 A CN 114386771A
- Authority
- CN
- China
- Prior art keywords
- risk
- source
- resistance
- sink
- remote sensing
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 54
- 238000011160 research Methods 0.000 claims abstract description 36
- 239000002689 soil Substances 0.000 claims abstract description 27
- 238000012546 transfer Methods 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000003344 environmental pollutant Substances 0.000 claims description 11
- 231100000719 pollutant Toxicity 0.000 claims description 11
- 238000009736 wetting Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 230000003628 erosive effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000004888 barrier function Effects 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000005314 correlation function Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 238000013077 scoring method Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000003066 decision tree Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 claims description 2
- 229920006395 saturated elastomer Polymers 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000011144 upstream manufacturing Methods 0.000 description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000002265 prevention Effects 0.000 description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 229910052698 phosphorus Inorganic materials 0.000 description 3
- 239000011574 phosphorus Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于遥感的水环境污染“源‑汇”风险识别方法及系统包括以下步骤:1.遥感影像预处理、解译得到土地利用;2.选取影响面源污染的土地利用、地形地貌、人口、植被指数、土壤等阻力因子构建阻力评价体系;3.根据阻力因子评价体系建立,使用栅格计算器计算研究区的阻力基面和阻力面;4.在阻力面的基础上,划分“源‑汇”风险等级,识别水体面源污染“源‑汇”风险格局,利用风险转移矩阵分析研究区的风险转移变化。此本发明利用遥感技术,构建阻力评价体系,通过GIS的空间分析功能对面源污染“源‑汇”风险格局进行划分,预测风险转移方向,实现了对水环境污染“源‑汇”高风险区域的自动识别,为保护湖泊流域生态环境提供了实践借鉴。
Description
技术领域
本发明属于环境污染识别与防控技术领域,具体涉及一种基于遥感的水环境污染“源-汇”风险识别方法及系统。
背景技术
面源污染的识别和防控远比水质受到污染后再治理更加省时省力。面源污染具有分布广、污染源多、治理难、成本高等,是湖泊流域生态环境污染的主要贡献者。洱海流域在点源污染得到有效遏制后,上游种植业非点源污染成为最大污染源,而控制面源污染是改善洱海水质的决定因素。
面源污染的防治对水环境的改善具有重要意义,但农民的经济利用同时也要兼顾。因此通过面源污染“源-汇”风险格局的划分,快速识别面源污染发生的高风险区域并重点防控,对保护洱海流域生态环境提供技术与决策支持具有一定的价值。
我国由于数据共享机制不完善,对于交叉较多的学科,非相关邻域研究人员想获取其他研究学科的数据较难,对于像水文水质数据由于具有保密性很难获取,也是研究面源污染常用数据。而遥感技术具有全天时、全天候、观测面积广、数据综合性和可比性强等特点,可应用于监视天气状况、自然灾害、环境污染等方面,对于缺少数据的研究人员遥感的运用就显得格外重要。
随着各国航天技术的发展,各种对地观测卫星不断发射,多平台、多传感器、多种分辨率的卫星提供多种来源的遥感数据,并可免费获取或申请获取,精度从千米级可到亚米级,低成本、便捷的获取方式对于一定尺度范围内的相关研究提供了研究数据,满足各种要求的研究需要。同时结合无人机、GIS技术、位置定位技术、景观学、生态学等相关学科,使得遥感技术在多学科、多技术的交叉应用上更加突出,在保护环境如水体的监测治理等方面具有独特的优势。
源-汇”风险是“源-汇”景观理论的借用,最初是用来研究大气污染中CO2的来源与吸收,后来被引入到景观生态学当中,发展为“源-汇”景观理论。“源-汇”方法将流域景观赋予“源”、“汇”属性,并依据源汇景观指数评价流域内景观对面源污染贡献的影响,以此识别流域内面源污染的风险强弱。
传统农业面源污染的产生是氮、磷等元素流失、转移并富集的过程,而新污染物(塑料、重金属、电池等)也会造成面源污染,其造成的危害则更为严重、持久。
尽管预测面源污染发生程度的方法很多,但有的对研究区域的基础资料要求高,有的缺乏预测的精确性或适用性不强。流域内并非所有的耕地都会对水体造成污染,识别出可能是高污染的区域并重点防控,实现生态效益和经济效益的和谐共存是保护生态环境追求的目标。通过构建影响氮磷等污染物的阻力评价体系,以阻力成本的方式来识别面源污染的“源-汇”风险程度,是研究洱海流域上游非点源污染的有益尝试。
发明内容
本发明的目的在于提供一种基于遥感的水环境污染“源-汇”风险识别方法及系统,利用遥感+多学科的技术识别面源污染“源-汇”风险的关键区域,进行重点管控,避免一刀切模式。
本发明的具体技术方案为:
一种基于遥感的水环境污染“源-汇”风险识别方法,包括以下步骤:
步骤(1):遥感影像预处理和遥感解译得到土地利用;
步骤(2):选取影响面源污染的土地利用、地形地貌、人口、植被指数、土壤等阻力因子构建阻力评价体系;
步骤(3):根据阻力因子评价体系建立,使用栅格计算器计算研究区的阻力基面和阻力面;
步骤(4):在阻力面的基础上,划分“源-汇”风险等级,识别水体面源污染“源-汇”风险格局,利用风险转移矩阵分析研究区的风险转移变化。
优选的是,所述步骤(1)中,遥感影像预处理包括:对下载的遥感数据可进行融合、去云去噪、图像增强、辐射校正、几何校正、大气校正、镶嵌、裁剪等预处理;
遥感解译包括:进行实地调查,选取各地物的蓝本,建立解译标志,以TM的7个波段和其他遥感数据以及NDVI、NDBI和NDWI三个指数值等作为初始数据;基于Matlab GUI开发GA-SVM算法软件对初始数据寻优,得到支持向量机分类器的最优参数γ和C,进而对遥感影像分类;将高分辨率数据与多源遥感数据融合,提高空间分辨率,采用支持随机向量分类方法进行监督分类;使用波段运算、影像融合、决策树、机器学习等方法来提高土地利用解译的精度。
优选的是,所述
归一化植被指数:NDVI= ((NIR - R)/(NIR + R))
其中:NIR 为近红外段的像素值R 为红光波段的像素值;
归一化建筑指数:NDBI = (SWIR-NIR) / (SWIR + NIR)
其中:SWIR为短波红外波段,NIR为近红外波段;
归一化水体指数:NDWI = (Green - NIR)/(Green+NIR)
其中:Green为绿波段,NIR为近红外波段。
优选的是,所述步骤(2)中,阻力评价体系构建方法为:
1)选取土地利用类型、相对高程、坡度、地形湿润指数、人口密度、土壤可蚀性和植被指数7个因子;
2)根据选取的7 个阻力因子,参考相关文献和Delphi专家打分法为各因子权重赋值;
3)同一因子的不同等级也有不同的阻碍作用,依据文献或自然断点法利用重分类工具划分五个等级,分别赋予对应因子阻力系数值为1、3、5、7、9,以此构建阻力基面评价指标体系。
优选的是,所述步骤1)中:
地形湿润指数:使用Arcgis基于DEM计算地形湿度指数,计算Slope,填洼,水流方向,汇流累积量,单位面积的汇流量,地形湿度指数计算,公式如下:
TWI = ln [CA/Slope]
其中,TWI是地形湿润指数,CA是通过网格单元排水的局部上坡集水区,slope是每个网格单元最陡的向外坡度,以落差/距离衡量,即坡度角度的tan值;
土壤可蚀性是标准小区上单位降雨侵蚀力所引起的土壤流失量。USLE 的表达式为:
A = R ×K×L ×S ×C ×P
式中:A为单位面积上多年的平均土壤流失量,R为降雨侵蚀力因子,K为土壤可蚀性因子,L为坡长因子,S为坡度因子,C为覆盖-管理因子,P为水土保持措施因子;
植被指数:基于高光谱图像的植被指数由三个步骤组成:波段选择、可饱和带重构和索引结构重新定义;
首先,选取4个代表性波段,构建增强植被指数即EVI,以消除复杂城市地表因素的干扰;
其次,通过指数函数重构易饱和波段即 760 nm,形成优化的增强植被指数即OEVI;
最后,将红边即689 nm和绿边即520 nm波段之和的分母加入到OEVI中,重新定义了指数结构,进一步增强了植被的光谱信息,以此计算植被指数即NDVI。
优选的是,所述步骤3)中:
阻力因子的阻力系数分布从1 等级到 9 等级,表示各因子阻碍污染物形成面源污染的阻力在逐渐增大;
相对高程越高受到人类活动影响越小,面源污染发生的风险越小;坡度越高污染物转移越快,风险等级越高;
NDVI表示面源污染的下垫面情况,植被指数越高,阻碍能力越高,风险等级越低;
地形湿润指数表示土壤的饱和能力,值越大土壤越容易达到饱和而产流;
土壤可蚀性简称K值,反映不同土壤受到侵蚀的速度,值越大,侵蚀能力越强;
人口密度反映人类聚集程度,值越高面源污染物产出越高,风险越高;
土地利用反映地表景观变化的快慢和人类改造地表的能力,耕地和建设用地越多,风险等级越高。
优选的是,所述步骤(3)中:
利用ARCGIS10.5的栅格计算器,将每期的7个阻力因子进行权重叠加计算,生成综合阻力基面;
依据中国土地分类体系将土地划分为耕地、林地、草地、水域、建设用地和其他用地,耕地和建设用地在面源污染的过程中起产生作用,为“源”景观,而林地、草地、水域和其他用地在面源污染的过程中起阻碍作用,为“汇”景观;
将各期的综合阻力基面和选取的“源”景观,利用ARCGIS10.5的Cost-distance工具计算最小累计阻力面。
优选的是,所述步骤(3)中:
通过以下公式计算所述当前景观单元的阻力成本:
式中:MCR为最小累计阻力值;D ij 为某物种从源斑块j至空间中某一点所穿越的景观基面i的空间距离; R i 为修正后的阻力系数;f为正相关关系函数,表征源景观至空间中某一点路径的相对易达性。
优选的是,所述步骤(4)中:
在阻力面的基础上,依据阻力面值的高低,使用相关分类法进行“源-汇”风险等级划分,将研究区分为极低风险区、低风险区、中风险区、高风险区和极高风险区,极高风险区等级最高,表示面源污染的风险也最高;
选取研究期初和研究期末的“源-汇”风险格局,使用ARCGIS10.5的intersect工具进行相交,得到研究期初至研究期末来的“源-汇”风险转移矩阵;
所述“源-汇”风险等级划分根据:
阻力面作为反映“源-汇”风险的指标,该指标反映面源污染物从“源”景观到最终汇集处之间的可达性。阻力面值越大,“源-汇”风险程度越小,景观单元所起到的汇作用越强,面源污染越不容易发生,否则反之;
“源-汇”风险等级划分采用自然断点法或几何间断方法划分面源污染风险等级。
一种基于遥感的水环境污染“源-汇”风险识别系统,包括:
遥感处理模块:用于遥感影像的预处理,解译预处理好的遥感影像,得到土地利用类型;
阻力体系构建模块:用于将选取的像土地利用、坡度等阻力因子重分类,每个因子划分五类,分别赋予阻力等级值如1、3、5、7、9,同时为每个阻力因子赋予相应权重;
成本距离计算模块:用于计算综合阻力基面和最小累计阻力面;
分级模块:用于对得到的最小累计阻力面选取合适的分类方法,划分“源-汇”风险等级;
分析评估模块:用于对风险等级进行风险评估,对长时间的研究区可使用风险转移矩阵分析。
与现有技术相比较,本发明的有益效果在于:
本发明以构建累计阻力面形式划分研究区“源-汇”风险等级,从而识别面源污染的关键区域,分区采用不同治理方案,避免一刀切,实现水体环境的保护和农民利益的双赢,对相关湖泊流域的保护会起到更加非凡的意义。
本发明为遥感+多学科应用,可研究长时间跨度,采用长时间序列来分析研究区面源污染的时空分布特征及风险格局演变特征,同时采用风险转移矩阵分析长时间的风险转移变化,探讨相关湖泊流域的各种环境保护政策的实施效果。
附图说明
图1为本发明实施例的基于遥感的水环境污染“源-汇”风险识别方法的框架图;
图2为本发明实施例的基于遥感的水环境污染“源-汇”风险识别系统的框架图;
图3为本发明实施例提供的基于遥感的水环境污染“源-汇”风险识别方法的流程图;
图4为本发明实施例提供的基于遥感的水环境污染“源-汇”风险识别方法及系统的成本距离示意图;
图5为本发明实施例提供的基于遥感的水环境污染“源-汇”风险识别方法及系统的风险转移示意图。
具体实施方式
下面结合附图和具体实施方式对本发明的内容做进一步详细说明。
请参照图 1 所示,一种基于遥感的水环境污染“源-汇”风险识别方法及系统,(以洱海流域上游为例)包括以下步骤:
步骤1:遥感影像预处理、解译得到土地利用;
遥感影像预处理:对下载的遥感数据可进行融合、去云去噪、图像增强、辐射校正、几何校正、大气校正、镶嵌、裁剪等预处理。
遥感解译:进行实地调查,选取各地物的蓝本,建立解译标志,如以TM的7个波段和其他遥感数据以及NDVI、NDBI和NDWI三个指数值等作为初始数据;基于Matlab GUI开发GA-SVM算法软件对初始数据寻优,得到支持向量机分类器的最优参数γ和C,进而对遥感影像分类。
步骤2:选取影响面源污染的土地利用、地形地貌、人口、植被指数、土壤等阻力因子构建阻力评价体系
选取影响洱海流域上游面源污染的土地利用类型、相对高程、坡度、地形湿润指数、人口密度、土壤可蚀性和植被指数(NDVI)等 7 个因子;
根据选取的7 个阻力因子,参考相关文献和Delphi专家打分法为各因子权重赋值;
同一因子的不同等级也有不同的阻碍作用,依据文献或自然断点法利用重分类工具划分五个等级,分别赋予对应因子阻力系数值为1、3、5、7、9,以此构建阻力基面评价指标体系。相关信息见表1。
表1 阻力基面评价指标体系
利用ENVI软件处理遥感影像得到2005年、2010年、2015年和2020年的土地利用数据,从各官网上下载人口密度,DEM、土壤数据、NDVI,由DEM计算地形湿润指数;
步骤3:根据阻力因子评价体系建立,使用栅格计算器计算研究区的阻力基面和阻力面;
利用ARCGIS10.5的栅格计算器,将每期的7个阻力因子进行权重叠加计算,生成2005年、2010年、2015年和2020年洱海流域上游的综合阻力基面;
依据中国土地分类体系将洱海流域上游的土地划分为耕地、林地、草地、水域、建设用地和其他用地,耕地和建设用地在面源污染的过程中起产生作用,为“源”景观,而林地、草地、水域和其他用地在面源污染的过程中起阻碍作用,为“汇”景观;见表2。
表2 “源-汇”分类
建设用地是人类生产生活等所占用地,以点源污染物的排放为主,耕地则是以农药化肥等施用造成氮磷等非点源污染物的排放为主,根据“源-汇”景观理论,选取耕地和建设用地作为“源”景观;
将各期的综合阻力基面和选取的“源”景观,利用ARCGIS10.5的Cost-distance工具计算最小累计阻力面;
式中:MCR为最小累计阻力值; Dij为某物种从源斑块j至空间中某一点所穿越的景观基面i的空间距离;Ri为修正后的阻力系数;f为正相关关系函数,表征源景观至空间中某一点路径的相对易达性。
步骤4:在阻力面的基础上,划分“源-汇”风险等级,识别水体面源污染“源-汇”风险格局,利用风险转移矩阵分析研究区的风险转移变化;
在阻力面的基础上,依据阻力面值的高低,使用相关分类法进行“源-汇”风险等级划分,将研究区分为极低风险区、低风险区、中风险区、高风险区和极高风险区,极高风险区等级最高,表示面源污染的风险也最高;
选取研究期初(2005年)和研究期末(2020年)的“源-汇”风险格局,使用ARCGIS10.5的intersect工具进行相交,得到研究期初至研究期末(16年)来的“源-汇”风险转移矩阵。
阻力面作为反映“源-汇”风险的指标,该指标反映面源污染物从“源”景观到最终汇集处之间的可达性。阻力面值越大,“源-汇”风险程度越小,景观单元所起到的汇作用越强,面源污染越不容易发生,否则反之。
“源-汇”风险等级划分众多文献利用数据的突变点采用自然断点法进行分类。洱海流域上游属于盆地,采用自然断点法会把山地错分到极高风险区当中,综合各种数据分析后本实例采用几何间断方法划分面源污染风险等级。
图2是本发明实施例提供的基于遥感的水环境污染“源-汇”风险识别系统框图,如图2所示,包括遥感处理模块、阻力体系构建模块、成本距离计算模块、分级模块、分析评估模块。
遥感处理模块:用于遥感影像的预处理,解译预处理好的遥感影像,得到土地利用类型;
阻力体系构建模块:用于将选取的像土地利用、坡度等阻力因子重分类,每个因子划分五类,分别赋予阻力等级值如1、3、5、7、9,同时为每个阻力因子赋予相应权重;
成本距离计算模块:用于计算综合阻力基面和最小累计阻力面;
分级模块:用于对得到的最小累计阻力面选取合适的分类方法,划分“源-汇”风险等级;
分析评估模块:用于对风险等级进行风险评估,对长时间的研究区可使用风险转移矩阵分析。
图3是本发明实施例提供的基于遥感的水环境污染“源-汇”风险识别方法流程图,如图3所示,步骤包括:
步骤一:资料收集及预处理,包括遥感解译得到的土地利用、DEM、土壤数据、植被指数等;
步骤二:评价指标体系构建和“源”景观,对步骤一的数据进行阻力等级划分、阻力等级赋值、权重赋值、源景观的选取;
步骤三:建立阻力面,在步骤二的基础上,计算综合阻力基面,使用cost-diatance工具计算最小累计阻力面;
步骤四:“源-汇”风险等级划分和分析,采用相关分类方法划分研究区“源-汇”风险等级,进行相关分析;
步骤五:结论和措施,根据分析得出结论,提出相关政策意见。
图4是本发明实施例提供的基于遥感的水环境污染“源-汇”风险识别方法及系统成本距离示意图,如图4所示:图4a从计算机栅格计算角度示意,图4b为在ARCGIS中的具体操作角度示意。
图5是本发明实施例提供的基于遥感的水环境污染“源-汇”风险识别方法及系统风险转移示意图,如图5所示:表示从研究期开始到研究期结束风险等级的转移变化,风险等级的变化受到经济社会发展及环境保护政策影响,通过风险等级的变化,分析生态环境的变化趋势。转移矩阵公式如下:
其中:Sij代表n×n矩阵,S代表面积,n代表风险等级数,i,j分别代表研究期开始和结束的风险等级。
本发明通过面源污染“源-汇”风险格局的划分,快速识别面源污染发生的高风险区域并重点治理,探讨保护水环境的政策对湖泊流域面源污染的风险格局的影响及对农民的影响,以绿色高效低成本方式,识别和控制湖泊流域面源污染,降低因湖泊流域保护造成的对农户及农业的损失,为保护湖泊流域生态环境提供技术与决策支持。
Claims (10)
1.一种基于遥感的水环境污染“源-汇”风险识别方法,其特征在于,包括以下步骤:
步骤(1):遥感影像预处理和遥感解译得到土地利用;
步骤(2):选取影响面源污染的土地利用、地形地貌、人口、植被指数、土壤等阻力因子构建阻力评价体系;
步骤(3):根据阻力因子评价体系建立,使用栅格计算器计算研究区的阻力基面和阻力面;
步骤(4):在阻力面的基础上,划分“源-汇”风险等级,识别水体面源污染“源-汇”风险格局,利用风险转移矩阵分析研究区的风险转移变化。
2.一种如权利要求1所述的基于遥感的水环境污染“源-汇”风险识别方法,其特征在于,所述步骤(1)中,遥感影像预处理包括:对下载的遥感数据可进行融合、去云去噪、图像增强、辐射校正、几何校正、大气校正、镶嵌、裁剪等预处理;
遥感解译包括:进行实地调查,选取各地物的蓝本,建立解译标志,以TM的7个波段和其他遥感数据以及NDVI、NDBI和NDWI三个指数值等作为初始数据;基于Matlab GUI开发GA-SVM算法软件对初始数据寻优,得到支持向量机分类器的最优参数γ和C,进而对遥感影像分类;将高分辨率数据与多源遥感数据融合,提高空间分辨率,采用支持随机向量分类方法进行监督分类;使用波段运算、影像融合、决策树、机器学习等方法来提高土地利用解译的精度。
3.一种如权利要求2所述的于遥感的水环境污染“源-汇”风险识别方法,其特征在于,所述
归一化植被指数:NDVI= ((NIR - R)/(NIR + R))
其中:NIR 为近红外段的像素值R 为红光波段的像素值;
归一化建筑指数:NDBI = (SWIR-NIR) / (SWIR + NIR)
其中:SWIR为短波红外波段,NIR为近红外波段;
归一化水体指数:NDWI = (Green - NIR)/(Green+NIR)
其中:Green为绿波段,NIR为近红外波段。
4.一种如权利要求1所述的基于遥感的水环境污染“源-汇”风险识别方法,其特征在于,所述步骤(2)中,阻力评价体系构建方法为:
1)选取土地利用类型、相对高程、坡度、地形湿润指数、人口密度、土壤可蚀性和植被指数7个因子;
2)根据选取的7 个阻力因子,参考相关文献和Delphi专家打分法为各因子权重赋值;
3)同一因子的不同等级也有不同的阻碍作用,依据文献或自然断点法利用重分类工具划分五个等级,分别赋予对应因子阻力系数值为1、3、5、7、9,以此构建阻力基面评价指标体系。
5.一种如如权利要求4所述的基于遥感的水环境污染“源-汇”风险识别方法,其特征在于,所述步骤1)中:
地形湿润指数:使用Arcgis基于DEM计算地形湿度指数,计算Slope,填洼,水流方向,汇流累积量,单位面积的汇流量,地形湿度指数计算,公式如下:
TWI = ln [CA/Slope]
其中,TWI是地形湿润指数,CA是通过网格单元排水的局部上坡集水区,slope是每个网格单元最陡的向外坡度,以落差/距离衡量,即坡度角度的tan值;
土壤可蚀性是标准小区上单位降雨侵蚀力所引起的土壤流失量;USLE 的表达式为:
A = R ×K×L ×S ×C ×P
式中:A为单位面积上多年的平均土壤流失量,R为降雨侵蚀力因子,K为土壤可蚀性因子,L为坡长因子,S为坡度因子,C为覆盖-管理因子,P为水土保持措施因子;
植被指数:基于高光谱图像的植被指数由三个步骤组成:波段选择、可饱和带重构和索引结构重新定义;
首先,选取4个代表性波段,构建增强植被指数即EVI,以消除复杂城市地表因素的干扰;
其次,通过指数函数重构易饱和波段即 760 nm,形成优化的增强植被指数即 OEVI;
最后,将红边即689 nm和绿边即520 nm波段之和的分母加入到OEVI中,重新定义了指数结构,进一步增强了植被的光谱信息,以此计算植被指数即NDVI。
6.一种如权利要求4所述的基于遥感的水环境污染“源-汇”风险识别方法,其特征在于,所述步骤3)中:
阻力因子的阻力系数分布从1 等级到 9 等级,表示各因子阻碍污染物形成面源污染的阻力在逐渐增大;
相对高程越高受到人类活动影响越小,面源污染发生的风险越小;坡度越高污染物转移越快,风险等级越高;
NDVI表示面源污染的下垫面情况,植被指数越高,阻碍能力越高,风险等级越低;
地形湿润指数表示土壤的饱和能力,值越大土壤越容易达到饱和而产流;
土壤可蚀性简称K值,反映不同土壤受到侵蚀的速度,值越大,侵蚀能力越强;
人口密度反映人类聚集程度,值越高面源污染物产出越高,风险越高;
土地利用反映地表景观变化的快慢和人类改造地表的能力,耕地和建设用地越多,风险等级越高。
7.一种如权利要求1所述的基于遥感的水环境污染“源-汇”风险识别方法,其特征在于,所述步骤(3)中:
利用ARCGIS10.5的栅格计算器,将每期的7个阻力因子进行权重叠加计算,生成综合阻力基面;
依据中国土地分类体系将土地划分为耕地、林地、草地、水域、建设用地和其他用地,耕地和建设用地在面源污染的过程中起产生作用,为“源”景观,而林地、草地、水域和其他用地在面源污染的过程中起阻碍作用,为“汇”景观;
将各期的综合阻力基面和选取的“源”景观,利用ARCGIS10.5的Cost-distance工具计算最小累计阻力面。
9.一种如权利要求1所述的基于遥感的水环境污染“源-汇”风险识别方法,其特征在于,所述步骤(4)中:
在阻力面的基础上,依据阻力面值的高低,使用相关分类法进行“源-汇”风险等级划分,将研究区分为极低风险区、低风险区、中风险区、高风险区和极高风险区,极高风险区等级最高,表示面源污染的风险也最高;
选取研究期初和研究期末的“源-汇”风险格局,使用ARCGIS10.5的intersect工具进行相交,得到研究期初至研究期末来的“源-汇”风险转移矩阵;
所述“源-汇”风险等级划分根据:
阻力面作为反映“源-汇”风险的指标,该指标反映面源污染物从“源”景观到最终汇集处之间的可达性;阻力面值越大,“源-汇”风险程度越小,景观单元所起到的汇作用越强,面源污染越不容易发生,否则反之;
“源-汇”风险等级划分采用最适合研究区的分类方法(如自然断点法或几何间断方法)划分面源污染风险等级。
10.一种基于遥感的水环境污染“源-汇”风险识别系统,其特征在于,包括:
遥感处理模块:用于遥感影像的预处理,解译预处理好的遥感影像,得到土地利用类型;
阻力体系构建模块:用于将选取的像土地利用、坡度等阻力因子重分类,每个因子划分五类,分别赋予阻力等级值如1、3、5、7、9,同时为每个阻力因子赋予相应权重;
成本距离计算模块:用于计算综合阻力基面和最小累计阻力面;
分级模块:用于对得到的最小累计阻力面选取合适的分类方法,划分“源-汇”风险等级;
分析评估模块:用于对风险等级进行风险评估,对长时间的研究区可使用风险转移矩阵分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111546798.6A CN114386771A (zh) | 2021-12-17 | 2021-12-17 | 一种基于遥感的水环境污染“源-汇”风险识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111546798.6A CN114386771A (zh) | 2021-12-17 | 2021-12-17 | 一种基于遥感的水环境污染“源-汇”风险识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114386771A true CN114386771A (zh) | 2022-04-22 |
Family
ID=81197648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111546798.6A Pending CN114386771A (zh) | 2021-12-17 | 2021-12-17 | 一种基于遥感的水环境污染“源-汇”风险识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114386771A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663783A (zh) * | 2022-05-23 | 2022-06-24 | 自然资源部第二海洋研究所 | 一种基于机器学习的入海河流水体污染遥感识别方法 |
CN115774953A (zh) * | 2022-11-09 | 2023-03-10 | 安徽新宇环保科技股份有限公司 | 一种基于数据处理的污染时空风险监管评估系统及方法 |
-
2021
- 2021-12-17 CN CN202111546798.6A patent/CN114386771A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663783A (zh) * | 2022-05-23 | 2022-06-24 | 自然资源部第二海洋研究所 | 一种基于机器学习的入海河流水体污染遥感识别方法 |
CN115774953A (zh) * | 2022-11-09 | 2023-03-10 | 安徽新宇环保科技股份有限公司 | 一种基于数据处理的污染时空风险监管评估系统及方法 |
CN115774953B (zh) * | 2022-11-09 | 2024-04-26 | 安徽新宇环保科技股份有限公司 | 一种基于数据处理的污染时空风险监管评估系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Prediction of ecological effects of potential population and impervious surface increases using a remote sensing based ecological index (RSEI) | |
Mao et al. | National wetland mapping in China: A new product resulting from object-based and hierarchical classification of Landsat 8 OLI images | |
Tian et al. | Aboveground mangrove biomass estimation in Beibu Gulf using machine learning and UAV remote sensing | |
Bartesaghi-Koc et al. | Mapping and classifying green infrastructure typologies for climate-related studies based on remote sensing data | |
Kafy et al. | Predicting the impacts of land use/land cover changes on seasonal urban thermal characteristics using machine learning algorithms | |
Amani et al. | A generalized supervised classification scheme to produce provincial wetland inventory maps: An application of Google Earth Engine for big geo data processing | |
Hester et al. | Per-pixel classification of high spatial resolution satellite imagery for urban land-cover mapping | |
An et al. | Identification of representative samples from existing samples for digital soil mapping | |
CN114386771A (zh) | 一种基于遥感的水环境污染“源-汇”风险识别方法及系统 | |
Berezowski et al. | Impact of remotely sensed land-cover proportions on urban runoff prediction | |
Makinde et al. | Geoinformatic assessment of urban heat island and land use/cover processes: a case study from Akure | |
Zhang et al. | Mapping CO2 fluxes of cypress swamp and marshes in the Greater Everglades using eddy covariance measurements and Landsat data | |
Mohammed et al. | Assessing land cover/use changes in Karbala city (Iraq) using GIS techniques and remote sensing data | |
Pawłuszek et al. | Landslides identification using airborne laser scanning data derived topographic terrain attributes and support vector machine classification | |
Geng et al. | Vegetation coverage of desert ecosystems in the Qinghai-Tibet Plateau is underestimated | |
CN116385867A (zh) | 生态地块监测识别与分析方法、系统、介质、设备及终端 | |
Mahal et al. | Assessment of the impact of urbanization growth on the climate of Baghdad province using remote sensing techniques. | |
Kolli et al. | Assessment of change in the extent of mangrove ecosystems using different spectral indices in Google Earth Engine based on random forest model | |
Bindajam et al. | Characterizing the urban decadal expansion and its morphology using integrated spatial approaches in semi-arid mountainous environment, Saudi Arabia | |
Greenberg et al. | Limitations on maximum tree density using hyperspatial remote sensing and environmental gradient analysis | |
CN115830464A (zh) | 基于多源数据的高原山地农业大棚自动提取方法 | |
Ouchra et al. | Comparing Unsupervised Land Use Classification of Landsat 8 OLI Data Using K-means and LVQ Algorithms in Google Earth Engine: A Case Study of Casablanca. | |
Watson | Analysis of urban heat island climates along the I-85/I-40 corridor in central North Carolina | |
Kundu et al. | Forest covers classification of Sundarban on the basis of fuzzy C-means algorithm using satellite images | |
Bhatt et al. | Temporal NDVI change detection of nepal using modis imagery |
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 |