Global Vision Media Focus
Das Unternehmen wurde insgesamt 15 Mal im chinesischen Staatsfernsehen CCTV erwähnt und erreichte über Parteimedien, zentrale Medien und lokale offizielle Medien insgesamt 50 Millionen Menschen.
Vergleich der Identifizierung von Rotschlammvorkommen auf Basis der Satellitenbilder Xiguang-105 (Tianxianpei) und Sentinel-2
Hintergrund Einführung
Lagerstätten für Rotschlamm sind spezielle Anlagen zur Lagerung von Rotschlamm, einem stark alkalischen Abfallprodukt der Aluminiumoxidproduktion. Ihre Hauptfunktion besteht darin, das Austreten von Rotschlamm und damit verbundene Umweltverschmutzungen zu verhindern. Da Rotschlamm Fluoride enthält und die dazugehörige Flüssigkeit einen pH-Wert aufweist, der die Sicherheitsstandards deutlich überschreitet, wird er als allgemeiner Industrieabfall der Klasse II eingestuft und erfordert gemäß den einschlägigen Umweltstandards eine Versickerungssicherung. Frühere Lagerstätten für Rotschlamm, denen es an Versickerungssicherungen mangelte, führten zu Grundwasserverschmutzungen. Im Jahr 2016 beliefen sich Chinas Rotschlammvorräte auf über 50 Millionen Tonnen, bei einer Nutzungsrate von lediglich 15 %. Die Lagerung auf Halden ist nach wie vor die gängigste Behandlungsmethode.
Prinzipien und Methoden
Mithilfe der Satellitenfernerkundung lassen sich die Verteilung von Tagebau-Rotschlammfeldern sowie der Fortschritt der ökologischen Sanierung und Umwandlung ermitteln und überwachen, was zu einem effektiven Umgang mit dieser Art von industriellen Feststoffabfällen beiträgt.
Im Vergleich zu multispektralen Satelliten weisen hyperspektrale Satelliten eine höhere Materialauflösung auf und eignen sich daher besonders für Szenarien, die die Identifizierung spezifischer Bodenmerkmale erfordern. Aus diesem Grund wurde ein bekanntes Rotschlammgebiet für eine vergleichende Analyse ausgewählt.
Tabelle 1. Vergleich der Bandparameter
Als Zielgebiet wurde ein Rotschlammfeld in einem Aluminiumwerk in der Provinz Shandong ausgewählt. Zur Zielidentifizierung wurden hyperspektrale Satellitendaten der Satelliten Sentinel-2 und Xiguang-105 (Tianxianpei) verwendet. Die Sentinel-2-Daten basierten auf einem Medianwert aus dem Zeitraum vom 10. März bis 20. April 2025, die Xiguang-105-Daten (Tianxianpei) auf Daten ab dem 29. März 2025.
Da Sentinel-2 aufgrund der begrenzten Anzahl an Spektralbändern nicht geeignet war, wurden Algorithmen zum Abgleich spektraler Merkmale eingesetzt. Daher wurde ein überwachtes Clustering-Verfahren mit Random Forest angewendet, um Rotschlammfelder in Bauxitminen zu extrahieren. Die Stichproben bestanden aus polygonalen Vektoren, und es wurden fünf Kategorien ausgewählt: Rotschlammfelder, Ackerland, Staubschutznetze auf Baustellen, Gewässer und rote Gebäudedächer.
Für den Satelliten Xiguang-1 05 (Tianxianpei) wurde die Einzelpixel-Spektralkurve des Rotschlammfeldes als Referenzendglied erfasst, und das Ziel wurde mithilfe des Adaptive Coherence Estimator-Algorithmus und der Schwellenwertsegmentierung extrahiert.
Bereich 1
Abbildung 1. RGB-Bild von Sentinel-2 und Extraktionsergebnisse
Abbildung 2. Ergebnisse der Rotschlammgewinnung vom Satelliten Xiguang-1 05 (Tianxianpei).
Bereich 2
Abbildung 3. RGB-Bild von Sentinel-2 und Extraktionsergebnisse
Abbildung 4. RGB-Bild und Extraktionsergebnisse des Satelliten Xiguang-1 05 (Tianxianpei) sowie Überprüfung der hochauflösenden Basiskarte.
Ergebnisanalyse
Bei der Verwendung von Daten des Satelliten Xiguang-1 05 (Tianxianpei) wurden zwei Rotschlammvorkommen außerhalb des bekannten Rotschlammvorkommens gefunden, die jedoch in den Sentinel-2-Daten nicht identifiziert wurden.
Die Vergleichsergebnisse zeigen, dass multispektrale Bilddaten bei wenigen Proben für die überwachte Klassifizierung nur bedingt geeignet sind, spezifische Substanzen zu identifizieren. Hyperspektrale Bilddaten hingegen können verschiedene hybride Pixelzerlegungsalgorithmen zur Substanzidentifizierung nutzen und benötigen dafür lediglich eine einzige Pixelprobe (reine Pixel sind optimal, aber auch hybride Pixel erfüllen die Anforderungen). Die üblicherweise für multispektrale Bilddaten verwendeten überwachten Clustering-Algorithmen weisen eine geringe Universalität auf; Modelle, die mit einem Bild trainiert wurden, erzielen bei anderen Bildern schlechte Ergebnisse. Die auf hyperspektralen Bilddaten basierende Endmember-Extraktion ermöglicht jedoch die direkte Anwendung auf andere Bilder mit besseren Ergebnissen.
Kleinere Halbwertsbreiten (FWHM) und dichtere Spektralbänder ermöglichen die Identifizierung subtiler Unterschiede in den Reflexionseigenschaften verschiedener Materialien. Daher bietet die Hyperspektralbildgebung in der Materialidentifizierung auch dann noch einen deutlichen Vorteil, wenn die Bodenauflösung wesentlich geringer ist als die von Multispektralbildern.