土地重度污染區(qū)域測繪數(shù)據(jù)整合方法研究

文章編號：1674-6139（2025）07-0126-05

中圖分類號：X830文獻標志碼：B

Research on Integration Method of Surveying and Mapping Data in Areaswith SevereLand Pollution

SongShenglei，MaYoulu，LiuXiaojie，DingYi （Qinghai Provincial Natural Resources Survey and Monitoring Institute，Xining 81OoOO，China）

Abstract：Aimingattheproblemofhighdimensionalityinsurveyingandmappingdataofheavilypollutedlandreas，adimensioalityeductionfocusedintegatiomethodisproposedisetodcalulatesteverageumberofmplesinteeighborodbas datadensityepesetstdataictorearesndtrodeguladregeioodeltevetoefiigysplag mappingfordimensioalityeduction，tefeaturecoeficientsetistractedusingdimensoalityeductionmetod，thestanetwen theintegrationoudaryndtefouscenterisalculatedndtdatasettointegatediseteiedTeintegationlts tainedusingcenterinterplationExperimentshaveshownthatthisethdcanefcientlyintegratedataonsufacemorphologyelea tion，three-dimensionalstructure，olutanttyps，ndisrbutionrnges，whicharegatheredaroundtheintegationblocsbeed 65，18，54，9d4ntlpoghataitetitdingogprtfoiotald land restoration.

Keywords：dimensionalityeductionproesing；severelandpolution；surveyingandmappingdata；integration；paralelqadrilat eral association extraction

前言

工業(yè)化和城市化的迅猛推進，使得土地污染問題日益顯現(xiàn)，其中土地重度污染區(qū)域更是亟待治理和修復(fù)的重點[]。這些污染區(qū)域不僅威脅著人類健康和生態(tài)安全，對土地資源的可持續(xù)利用也構(gòu)成了巨大挑戰(zhàn)[2]。因此，準確、高效地整合土地重度污染區(qū)域的測繪數(shù)據(jù)，對于科學(xué)評估污染程度、制定合理治理方案至關(guān)重要。

然而，當前在測繪數(shù)據(jù)整合方面，存在諸多問題和挑戰(zhàn)。例如文獻[3]提出了一種高效整合土地重度污染區(qū)域測繪數(shù)據(jù)，對評估污染與制定治理方案至關(guān)重要；文獻[4]提出了一種時序組合法捕捉污染變化，整合歷史數(shù)據(jù)揭示演變規(guī)律，但對歷史數(shù)據(jù)依賴較大，缺失則會影響準確時需分析的準確性;文獻[5]提出了一種改進ScoreCAM集成法提取測繪數(shù)據(jù)特征，優(yōu)化映射整合數(shù)據(jù)，但污染區(qū)數(shù)據(jù)復(fù)雜多變，導(dǎo)致算法整合時容易出現(xiàn)偏差；文獻[6]提出了一種多傳感器融合方法，全面整合污染區(qū)信息，但傳感器誤差導(dǎo)致數(shù)據(jù)關(guān)聯(lián)模糊，影響融合的一致性。

針對上述問題，提出了基于降維處理的聚焦整合方法。通過對復(fù)雜和多維的測繪數(shù)據(jù)進行降維處理，能夠聚焦關(guān)鍵信息，消除冗余數(shù)據(jù)，精準地整合土地重度污染區(qū)域的測繪數(shù)據(jù)，為環(huán)境治理和土地修復(fù)提供有力支持。

1土地重度污染區(qū)域測繪數(shù)據(jù)降維處理

土地污染測繪數(shù)據(jù)含多種特征，由于采集樣本的限制，可能面臨特征多而樣本少的問題[7]，容易導(dǎo)致過擬合。通過降維可去除冗余，防止過擬合。在降維過程中，需要保持數(shù)據(jù)局部關(guān)系，連接同類近鄰點可保降維后數(shù)據(jù)點相近，反映原始特征。為了獲取數(shù)據(jù)分布密度信息，計算鄰域中的平均樣本個數(shù)，公式為式（1）：

式（1）中， M 為全部數(shù)據(jù)， v_i 為第 i 個鄰域值，反映數(shù)據(jù)點密度。為理解鄰域拓撲結(jié)構(gòu)，引入小流形G^k={g₁^k，g₂^k，…g_M^k} 連接同類 m 數(shù)據(jù)點 °d_G（a_i，a_j） （20為 i_√j 兩點測地線距離，用于表示重度污染區(qū)數(shù)據(jù)特征。

為了提高降維魯棒性，避免目標函數(shù)出現(xiàn)過度擬合現(xiàn)象，引入了正則化方法構(gòu)建回歸模型：

式（3）中， n 為標簽樣本數(shù)， 為損失函數(shù)與數(shù)據(jù)特征 ?A_a 為正則化參數(shù)， 為度量數(shù)

據(jù)結(jié)構(gòu)能力。正則項最小化 以最大化類間距離，實現(xiàn)土地污染數(shù)據(jù)降維的可視化映射。即：

式（4）中， K（u_i，u） 表示半正定核函數(shù)。降維處理可以將高維數(shù)據(jù)映射到低維空間中，消除原始數(shù)據(jù)中的噪聲和干擾，提取出最關(guān)鍵的信息，從而便于對數(shù)據(jù)進行可視化，更好地理解和利用數(shù)據(jù)。

2基于降維處理的測繪數(shù)據(jù)聚焦整合

在土地重度污染區(qū)域，整合測繪數(shù)據(jù)時采用降維技術(shù)能更有效地揭示污染的空間分布與來源。為整合多源、多分辨率數(shù)據(jù)，根據(jù)遙感數(shù)據(jù)的經(jīng)緯度信息，對該區(qū)域進行信息網(wǎng)格劃分，形成一系列不重疊且相連的網(wǎng)格單元，從而增強數(shù)據(jù)的可視化效果。

基于受重度污染土地的遙感測繪數(shù)據(jù)經(jīng)緯坐標，在三維空間中，利用區(qū)域坐標的四維特性，將測繪信息劃分為四個等級，確保每級空間信息呈叉狀分布，并形成完整的整合剖分結(jié)構(gòu)，見圖1。

為保證數(shù)據(jù)的完整性，需要擴展經(jīng)緯坐標空間，以防止引起誤差。在各維度延伸空間中，確保單元級別的覆蓋。若擴展范圍與重度污染區(qū)無交集，則停止。在此基礎(chǔ)上進一步擴展構(gòu)建同級網(wǎng)格，與遙感數(shù)據(jù)對應(yīng)，形成四叉分解網(wǎng)格，實現(xiàn)對重度污染區(qū)域的有效覆蓋。

基于空間擴展，聚焦特征點于各單元以提升數(shù)據(jù)整合效果。過程如下：

步驟一：定義冗余數(shù)據(jù)集 s ，含多數(shù)類 S₁ 和少數(shù)類 S₂ 。將 S₂ 分為 S₂₁?S₂₂?S₂₃，S₂₁ 為 S₁ 與 S₂ 交集數(shù)據(jù)，S₂₂ 為 S₂ 單一特征數(shù)據(jù)， S₂₃ 為 S₂ 中不穩(wěn)定特征數(shù)據(jù)。

步驟二：為均衡不同數(shù)據(jù)集整合系數(shù)，采用維數(shù)約簡法提取特征系數(shù)，基于平行四邊形空間數(shù)據(jù)關(guān)聯(lián)。數(shù)據(jù)不在平行四邊形內(nèi)則沒有相關(guān)性，反之則可直接提取。在此基礎(chǔ)上，構(gòu)建低維測繪數(shù)據(jù)集，掃描記錄數(shù)據(jù)出現(xiàn)的次數(shù)，判斷并記錄同維數(shù)據(jù)于項目頭表中。循環(huán)移除表外數(shù)據(jù)，排序后形成頻繁模式樹，節(jié)點代表低維數(shù)據(jù)集，分枝示次數(shù)。在項目頭表中降序查找，去重后得到獨立樹狀關(guān)聯(lián)集，以樹型的方式輸出單路徑數(shù)據(jù)集，形成特征系數(shù)集 {λ₂₁ ， 。

步驟三：根據(jù)特征系數(shù)集 {λ₂₁，λ₂₂，λ₂₃} 確定S₂₁，S₂₂，S₂₃ 的整合邊界中心，分別為 Q₂₁，Q₂₂，Q₂₃ ，由此計算整合邊界中心與聚焦整合中心 ∣o∣ 距離，公式為式（5）：

對 d₂₁，d₂₂，d₂₃ 排序，如果 d₂₁2223 ，則說明d₂₂ 所在數(shù)據(jù)集單一污染特征測繪數(shù)據(jù)集為待整合數(shù)據(jù)集，此時將該數(shù)據(jù)集進行中心插值計算，得到的整合結(jié)果為式（6）：

（22 式（6）

通過式（6），可實現(xiàn)測繪數(shù)據(jù)的聚焦整合。

3 實驗

3.1 實驗區(qū)域概況

以某面積為100平方公里的土地重度污染區(qū)域為例，該區(qū)域主要受到重金屬（如 CuZn，AsCdPb 等）和有機污染物（如農(nóng)藥殘留、石油烴等）的嚴重污染，這些污染物來源于過去的工業(yè)排放、農(nóng)業(yè)活動以及不當?shù)睦幚?。?jù)土壤污染初步調(diào)查報告顯示，該區(qū)域污染程度極高，甚至被完全荒廢，這不僅對環(huán)境造成了嚴重的危害，也給周邊居民的生活帶來了巨大的風險。

3.2 實驗過程

無人機遙感技術(shù)融合無人機與遙感技術(shù)，利用高分辨率多光譜和可見光相機，從空中采集地面高精度數(shù)據(jù)。其中，RTK定位模塊確保厘米級精度，多光譜相機識別植被、土壤及水體污染，可見光相機捕捉常規(guī)圖像。

測繪時，無人機按預(yù)設(shè)航線飛行覆蓋實驗區(qū)，收集地表信息后傳至地面站或云端處理，提取污染特征，這些信息可用于評估、識別及預(yù)測污染。

3.3實際測繪數(shù)據(jù)分析

通過無人機遙感技術(shù)測繪可獲取125400個數(shù)據(jù)，從中隨機選擇100個數(shù)據(jù)并編號，每個測繪信息的數(shù)據(jù)量見表1。

將表1測繪數(shù)據(jù)作為實驗數(shù)據(jù)，與分散數(shù)據(jù)整合到一起，即可證明所研究方法具有高效整合效果。

在理想情況下，地表形態(tài)測繪數(shù)據(jù)的聚類中心為65，聚類在整合塊的中心偏左位置；地表高程測繪數(shù)據(jù)的聚類中心為18，聚類在整合塊的左上方；地表三維結(jié)構(gòu)測繪數(shù)據(jù)的聚類中心為54，聚類在整合塊的中心最左邊；污染物種類測繪數(shù)據(jù)的聚類中心為95，聚類在整合塊的中心左下方；污染物分布范圍測繪數(shù)據(jù)的聚類中心為49，聚類在整合塊的右側(cè)。具體表示見圖2。

3.4 實驗結(jié)果與分析

數(shù)據(jù)融合方法與所研究方法的數(shù)據(jù)整合程度進行對比分析，對比結(jié)果見圖3。

將基于數(shù)據(jù)分解的組合方法、考慮時序特征的組合方法、基于改進ScoreCAM的集成方法、多傳感器較低，數(shù)據(jù)分散;使用改進ScoreCAM集成法雖有整合但分散度高；使用多傳感器融合法整合大部分數(shù)據(jù)，僅小部分離散；使用所研究方法實現(xiàn)五類數(shù)據(jù)整合，各數(shù)據(jù)聚類位置與實際相符，如65號地表形態(tài)數(shù)據(jù)偏左中心，18號高程數(shù)據(jù)左上方等。

4結(jié)束語

文章提出了一種基于降維處理的土地重度污染區(qū)域測繪數(shù)據(jù)整合方法，有效解決了傳統(tǒng)方法在處理復(fù)雜龐大數(shù)據(jù)時整合效果差的問題。該方法通過計算領(lǐng)域平均樣本個數(shù)獲取數(shù)據(jù)分布密度信息，轉(zhuǎn)化為矢量特征表示，直觀展現(xiàn)數(shù)據(jù)的空間結(jié)構(gòu)。同時，引入正則化方法避免過度擬合，利用顯示映射表示矢量特征降維結(jié)果，降低了數(shù)據(jù)復(fù)雜性。采用維數(shù)約簡平行四邊形空間數(shù)據(jù)關(guān)聯(lián)抽取方法，結(jié)合中心插值方法，實現(xiàn)了數(shù)據(jù)的準確整合。實驗驗證表明，該方法能夠?qū)⒉煌悳y繪數(shù)據(jù)分別整合在理想位置，確保了數(shù)據(jù)整合的準確性和有效性。該方法不僅提高了數(shù)據(jù)整合的效率，還為土地重度污染區(qū)域的精準識別和治理提供了有力支持，對環(huán)境保護和可持續(xù)發(fā)展具有重要意義。

參考文獻：

[1]王智，趙海寶，鐘劍鋒，等.燃煤電廠爐后環(huán)保設(shè)備數(shù)據(jù)整合系統(tǒng)分析[J].環(huán)境工程，2023，41（增刊2）：1293-1295 ;752.

[2]王立陽，劉瑞霞，袁鵬，等.基于極性有機化合物整合采樣器的水環(huán)境有機污染物測定[J].環(huán)境工程，2021，39（5）：204-216;224.

[3]李柚潔，趙順昱，楊萍，等.基于數(shù)據(jù)分解的大氣污染物短期預(yù)測組合方法綜述[J].環(huán)境工程，2023，41（4）：213-224.

[4]陸秋琴，王璐，黃光球.考慮時序特征的污染物數(shù)據(jù)異常檢測及恢復(fù)[J].安全與環(huán)境學(xué)報，2023，23（12）：4590-4599.

[5]LiJ，ZhangD，MengB，etal．FIMF score-CAM： Fast score-CAM based on local multi-feature integration for visual interpretation of CNNS[J].IET image processing，2023，17 （3）：761-772.

[6]LiuY，WangZ，PengL，etal．ADetachableandExpansibleMultisensorData FusionModel forPerceptioninLevel 3 AutonomousDrivingSystem[J].IEEE transactions on intelligent transportation systems，2023，24（2）：1814-1827.

[7]李云燕，盛清，代建.基于DMSP-OLS與NPP-VIIRS整合數(shù)據(jù)的京津冀城市群碳排放時空演變特征[J].環(huán)境工程技術(shù)學(xué)報，2023，13（2）：447-454.