土地重度污染區域測繪及實景三維建模技術研究

摘要：重度污染區域不僅破壞了土壤生態平衡，更對人類的健康構成了嚴重威脅。為實現有效治理，研究測繪及實景三維建模技術是十分必要的。以某重度金屬污染區為例，以無人機為載體，搭載高光譜遙感設備，采集測繪數據，結合反演模型和GIS插值方法，揭示污染空間分布特征，完成測繪。基于遙感影像和點云數據，將點云數據轉化為連續的三維表面模型并將遙感影像作為紋理數據，映射到模型上，完成實景三維建模。結果表明，As與Cu污染主要集中在西北和西南地區，而Cd主要集中在北部地區。實景圖紋理細膩，光照合理，呈現出高度真實感。

關鍵詞：土地重度污染區域；測繪；高光譜數據；空間分布特征；實景三維建模

中圖分類號：X53 文獻標志碼：B

前言

土地污染問題作為當前全球環境危機的重要組成部分，其嚴峻性正隨著工業化、城市化進程的加速而日益凸顯，尤其是那些遭受重度污染的區域，不僅嚴重破壞了自然生態的平衡，還對周邊居民的生活質量和健康安全構成了長期且深遠的威脅。因此，實現這些區域的精確測繪與實景三維建模，成為了環境科學、地理信息科學及相關技術領域亟需攻克的難題。這一需求不僅源于對污染源快速、準確識別的迫切要求，更在于為污染范圍界定、污染程度的科學評估以及后續治理策略的制定提供堅實的數據支撐。然而，面對土地重度污染區域的復雜性與特殊性，現有的測繪與建模技術往往顯得力不從心。復雜的地表覆蓋物，如多樣化的植被類型、密布的建筑物以及被污染改變的土壤特性，極大地增加了遙感影像解譯的難度與不確定性。同時，污染物質種類繁多、濃度分布不均，更是對數據處理算法提出了極高的要求，使得傳統方法難以應對。因此，如何針對這些特點，開發出一套適用于土地重度污染區域的測繪與建模技術體系，是當前亟待解決的問題。此研究結合污染區域的實際特點，提出一套高效、準確的測繪與建模方法。研究成果將有助于提高污染區域的識別精度和治理效率，為土地資源的可持續利用提供技術支持。

1土地重度污染區概況

以某重度金屬污染區為例，這一區域長期以來都是工業和加工活動的集中地，導致土壤遭受了重金屬、放射性元素以及有機污染物的嚴重侵襲。這些污染物不僅破壞了土壤原有的結構和功能，使其失去了應有的肥力和生產力，還通過食物鏈等途徑，對周邊生態環境和居民健康造成了嚴重的影響。

研究區的地形地貌條件相當復雜，既有巍峨的山地，又有起伏的丘陵，還有廣袤的平原，這種多樣性的地貌類型給污染評估和治理工作帶來了極大的挑戰。氣候方面，該區域屬于典型的季風氣候，四季分明，降雨充沛。然而，在特定的氣候條件下，如降雨或風力較大的時段，污染物很容易隨著水流或風力的作用發生擴散和遷移，進一步加劇了污染的范圍和程度。更為嚴重的是，研究區內還存在一些廢棄的工廠和礦山，這些地區曾是工業和采礦活動的核心區域，也是污染物排放的主要源頭。這些廢棄的工廠和礦山由于缺乏有效的管理和維護，導致污染物長期積累，形成了嚴重的污染區域。這些地區的土壤污染程度尤為嚴重，不僅治理難度極大，而且對周邊環境和居民的影響也最為直接和嚴重。污染區域平面圖見圖1。

針對這一嚴峻形勢，進行土地重度污染區域測繪及實景三維建模技術研究顯得尤為重要。通過精確的測繪工作，可以全面掌握污染區域的地形地貌、土壤類型、污染分布等關鍵信息，為后續的污染評估和治理工作提供準確的數據支持。而實景三維建模技術則可以將這些復雜的信息以直觀的三維形式展現出來，使得決策者、研究人員和公眾能夠更加清晰地了解污染區域的實際情況，從而制定出更加科學、合理的治理方案。

2土地重度污染區域測繪

土地重度污染區域測繪是指針對受到嚴重污染的土地區域進行的一系列測量、繪圖和數據分析的技術活動。主要目的是準確界定污染區域的邊界、確定污染程度和類型等。針對研究區，此研究以無人機為載體，搭載高光譜遙感設備，進行土地重度污染區域測繪。下面對土地重度污染區域測繪過程進行具體分析。

2.1實驗與方法

（1）測繪設備選型與準備：選用專業無人機（Ecodrone（R）UAS-8）搭載高光譜遙感測繪系統作為土地重度污染區域測繪的設備，其中高光譜遙感測繪系統參數設置如下：

①光譜范圍：可見光至短波紅外，400nm-1000nm;

②光譜分辨率：≤12nm；

③光譜通道：200；

④地面分辨率：≤5cm/pixel；

⑤視場角：34°；

⑥空間通道：2048；

⑦鏡頭焦距：17mm;

⑧掃描寬度：最大200 m;

⑨數據格式：Raw、ENVI、GeoTIFF等；

（2）無人機飛行計劃制定：在測繪時，無人機飛行路線的制定涉及多個關鍵參數，這些參數對于確保測繪的準確性和安全性至關重要。以下是一些主要的參數：

①最大飛行高度：6/km；

②航向重疊度：200/0；

③旁向重疊度：100%；

④單次最大飛行時間：60/min；

⑤最大水平飛行速度：80/km/h；

⑥飛行方向：東南——西北；

⑦像幅：185*120/m；

⑧像元大小：4.00/μm；

⑨航線間隔：111/m；

⑩像控點數量：40/個；

⑩飛行模式：GPS導航。

（3）高光譜數據采集與處理：按照飛行計劃，操控無人機按照飛行計劃進行高光譜遙感數據的采集。在飛行過程中，注意保持飛行穩定，確保數據的連續性和一致性。針對采集到的數據，接下來進行預處理。

去噪聲處理：高光譜數據的獲取過程中往往存在各種噪聲，例如電噪聲、熱噪聲和散粒噪聲等。這些噪聲會影響數據的準確性和可靠性，因此需要進行去噪聲處理。常用的去噪聲方法包括中值濾波、均值濾波、高斯濾波和小波變換等。

平滑處理：平滑處理可以去除數據中的高頻噪聲和隨機波動，使數據更具有連續性和光滑性。常用的平滑方法包括移動平均平滑、最小二乘平滑和Savitzky-Golay濾波等。

糾正系統誤差：高光譜相機在采集數據時可能會受到系統誤差的影響，例如光照不均勻、鏡頭畸變和光譜漂移等。這些誤差會影響數據的準確性和可靠性，因此需要進行糾正。常用的糾正方法包括基于標準樣本的校正、基于多項式擬合的校正和基于人工智能的校正等。

光譜解混：高光譜數據通常是由多個光譜混合而成的，光譜解混的目的是將混合光譜分離成單個成分的光譜并計算平均光譜曲線，從而更準確地識別和分析目標物。最終得到高光譜數據見圖2。

圖2中共有3條不同走勢的平均光譜曲線，說明研究區存在三種不同的重金屬污染物質，它們各自具有獨特的光譜特性。

（4）光譜特征波段提取：競爭性自適應重加權算法（CARS）是一種用于特征選擇的算法，尤其適用于高光譜數據的特征波段提取。該方法通過迭代地選擇重要的特征并排除不重要的特征，從而有效地減少數據的維度，提高模型的性能。過程如下：首先設定迭代次數、采樣率、交叉驗證次數等參數。將高光譜數據的所有波段作為候選特征集合。在每次迭代中，根據采樣率隨機選擇一部分候選特征。使用選定的特征子集構建回歸模型，并通過交叉驗證評估模型的性能。根據模型的性能，對特征進行權重調整，即性能好的特征權重增加，性能差的特征權重減少。根據權重對特征進行排序，并排除權重較低的特征，更新候選特征集合。經過多次迭代后，根據權重或性能指標選擇最終的特征子集。這個子集通常包含了對模型性能貢獻最大的特征波段。提取的光譜特征波段為：光譜曲線1：（460，520）、（580，650）、（680，720）、（750，800）；光譜曲線2：（540，600）、（600，650）、（680，710）、（750，800）；光譜曲線3：（450，500）、（520，580）、（590，620）、（720，800）、（850，860）。

（5）建立機器學習的分類模型：使用訓練集來訓練分類模型。輸入光譜特征波段到訓練好的分類模型當中，識別圖3三條曲線分別對應重金屬元素種類，即圖3中紅色曲線代表As；黑色曲線代表Cu；藍色曲線代表Cd。

（6）建立反演模型：利用已知濃度的訓練樣本數據，訓練出一個污染物濃度與光譜特征之間的基于深度學習的反演模型。訓練過程中，模型會不斷調整內部參數，以最小化預測濃度與實際濃度之間的誤差。訓練完成后，通過使用驗證集對模型進行評估，以檢查模型在未見過的數據上的性能。一旦模型達到滿意的性能水平，就可以應用于實際場景中。通過此研究提取的光譜特征數據，對每個像素點進行濃度反演計算，預測和估計出土壤中重金屬的含量。

（7） GIS插值方法：為進一步揭示區域范圍內土壤重金屬空間分布特征，將上述獲取的每個像素點土壤中重金屬的含量，借助GIS進行土壤重金屬空間克里金插值，揭示區域范圍內土壤重金屬的空間分布特征。

通過上述7個步驟，完成土地重度污染區域測繪研究。

2.2測繪結果與分析

將反演得到的污染物濃度分布圖進行可視化處理，以直觀的方式展示污染區域的范圍、類型和程度，結果見圖3。

從圖3中可以看出，As與Cu的污染分布大致相同，主要集中在西北和西南地區，而Cd主要集中在北部地區。這主要是因為西北和西南地區有大量的礦產開采、冶煉等工業活動，這些活動會排放大量的含As和Cu的廢水、廢氣和固體廢棄物。這些廢棄物如果不經過妥善處理，就會造成周圍環境的重金屬污染。而在北部地區，曾經集中存在與Cd相關的工業生產，使得Cd在該地區的污染更為突出。

3實景三維模型研究

3.1三維實景建模技術

通過將復雜的污染狀況轉化為可視化的三維模型，決策者、研究人員和公眾可以更加清晰地了解污染區域的實際情況，為制定針對性的治理方案提供科學依據。土地重度污染區域的實景三維建模是一個綜合性的技術過程，它結合了無人機低空遙感影像、三維地形信息以及其他相關技術，以實現對污染區域的精確、快速的三維重建。以下是關于如何進行土地重度污染區域實景三維建模的詳細步驟：

步驟1：數據收集。通過無人機低空遙感技術獲取污染區域的影像數據。無人機能夠搭載高分辨率相機或激光掃描設備，對污染區域進行精細化的拍攝和掃描。同時，收集該區域的三維地形信息，包括高程數據、地形起伏等。

步驟2：數據預處理。在進行無人機低空遙感測繪時，通過搭載高分辨率相機或激光掃描設備，可以獲取污染區域的高質量影像和地形數據。這些數據對于后續的污染評估和治理工作具有重要意義。然而，在正式利用這些數據之前，需要對它們進行一系列的預處理操作，以確保數據的準確性和一致性。預處理步驟通常包括以下幾個方面：

（1）去噪：由于無人機在飛行過程中可能受到多種因素的影響，如氣流、機械振動等，所獲取的影像數據中可能包含噪聲。因此，需要通過去噪算法，如中值濾波、高斯濾波等，來減少或消除這些噪聲，提高影像的質量。

（2）校正：校正主要包括輻射校正和幾何校正。輻射校正用于消除影像中因大氣吸收、散射等因素造成的輻射失真，使影像的亮度、色彩等更接近真實情況。幾何校正則用于糾正影像中的幾何變形，如傾斜、扭曲等，使影像的幾何形態更準確。

（3）配準：對于獲取的多源數據（如影像數據和激光掃描數據），需要進行配準操作，以確保它們在空間上的一致性。這通常涉及到選擇共同的控制點，通過計算轉換參數來對齊不同的數據集。

步驟3：三維點云生成。利用收集到的深度信息和地形數據，通過相關算法和技術生成污染區域的三維點云。這些點云數據能夠精確地反映污染區域的三維空間結構。

步驟4：三維模型構建。基于生成的三維點云數據，利用三維建模軟件或工具進行模型的構建。這一過程中，可以采用Delaunay三角剖分算法將點云數據轉化為連續的三維表面模型。Delaunay三角剖分算法的核心思想是基于Delaunay三角形的性質，即每個三角形的外接圓不包含其他離散點。通過這一性質，算法能夠確保生成的三角形網格是平衡且無重疊的。具體來說，該算法首先找到點集的凸包，即連接點集中的點以形成一個凸多邊形。然后，算法對凸包內部的點進行一系列的三角剖分操作，將它們連接成一組滿足Delaunay三角形性質的三角形。

步驟5：紋理映射。為了增強模型的真實感，將預處理過的遙感影像作為紋理數據，映射到三維模型上。這樣，模型不僅具有精確的形狀，還具備與真實場景一致的紋理信息。映射過程如下：首先，需要對三維模型進行UV展開。這個過程將模型表面的每個部分“展開”到一個二維平面上，同時保持拓撲關系不變。這樣，每個頂點或面片在二維平面上都有一個對應的UV坐標。接下來，根據UV展開的結果，為模型上的每個頂點或面片分配紋理坐標。這些坐標指示了從紋理圖像的哪個位置獲取顏色信息來渲染模型的對應部分。然后，將預處理過的遙感影像作為紋理圖像加載到紋理映射系統中。通過調整紋理圖像的縮放、旋轉和平移等參數，確保模型在視覺上對齊。在渲染過程中，圖形處理器會根據每個頂點或面片的紋理坐標，從紋理圖像中取出相應的像素顏色信息，并應用到模型的對應位置上。這樣，遙感影像的像素就被精確地映射到了模型的表面上。

步驟6：模型優化與后處理。對構建好的三維模型進行優化和后處理，包括平滑處理、空洞填充、細節增強等，以提高模型的質量和完整性。

經過上述過程，完成三維實景建模技術過程研究。

3.2實景三維模型

實驗區域山脈坡度約為45度，侵蝕量約為2—3cm，表現為明顯的溝壑、懸崖和滑坡等侵蝕現象，植被覆蓋率為15%，由于高海拔和惡劣的氣候條件，植被較為稀疏。基于上述流程，針對研究區，實景三維建模實現過程見圖4。

從圖4中可以看出，實景圖呈現出模型的高度真實感，包括地形地貌、侵蝕作用、植被等細節的精細表現，具體表現為山脈坡度為45度左右，侵蝕量為2～3cm左右，植被覆蓋率大約在15%。且通過紋理映射和光照渲染等技術，具有逼真的光影效果和質感。

4結束語

此研究旨在針對土地重度污染區域，探索新型的測繪及實景三維建模技術。通過先進的高光譜遙感測繪手段，獲取污染區域的精確位置和范圍信息，并通過反演和插值等手段成功地測繪了某重度污染區的范圍和程度，并繪制了土壤重金屬的空間分布特征圖，這為后續的污染評估和治理工作提供了重要的技術支撐和決策依據。同時，利用先進的建模算法和軟件工具，構建污染區域的實景三維模型，實現對污染區域的全面、準確展示。通過此研究的開展，有望為土地重度污染區域的治理和修復提供新的技術支持和解決方案。同時，該研究也有助于推動測繪和三維建模技術的創新與發展，為環境保護和土地資源管理領域注入新的活力。