Extraktion von Baustellenstaubnetzen basierend auf hyperspektraler Zielerkennung

Hintergrund Einführung

Baustellen, als zentrale Orte der Stadtentwicklung, sind seit jeher eine Hauptquelle für Staubbelastung. Angesichts der in den letzten Jahren gestiegenen Anforderungen der Regierung an die städtische Umweltqualität ist die effektive Bekämpfung der Staubbelastung auf Baustellen in den Fokus der Öffentlichkeit gerückt. Vor diesem Hintergrund werden Staubfangnetze als effizientes und praktisches Instrument zur Staubbekämpfung immer häufiger auf Baustellen eingesetzt und sind zu einem unverzichtbaren Bestandteil der Maßnahmen geworden. Durch die Erhebung und statistische Analyse von Daten aus Staubfangnetzen können wir daher indirekt die Verteilung und den Fortschritt von Baustellen beurteilen und Brennpunkte der Bautätigkeit identifizieren.

Methoden und Prinzipien

Diese Arbeit verwendet hyperspektrale Bilddaten der Region Xi’an, aufgenommen vom Satelliten Xiguang-105 am 6. April 2025. Da Staubnetze Lücken aufweisen, durch die etwas Licht hindurchtritt, variieren ihre Reflexionseigenschaften je nach bedeckter Fläche. Herkömmliche Bildklassifizierungsmethoden sind ineffektiv und können leicht mit Gebäudedächern verwechselt werden. Daher extrahierten wir mithilfe von Zielerkennungsverfahren die Spektren der Staubnetzpixel als Endglieder durch visuelle Interpretation und erstellten eine Spektralbibliothek. Anschließend wurde die Staubnetzextraktion auf Basis dieser Spektralbibliothek durchgeführt.

Tabelle 1. Dateneinführung

Verfahren

1. Strahlungskalibrierung:Die ursprünglichen DN-Wertdaten werden mithilfe radiometrischer Kalibrierungskoeffizienten radiometrisch korrigiert, um die scheinbaren Strahlungsdaten zu erhalten.

2. Atmosphärische Korrektur:Zur Ermittlung der Oberflächenreflexionsdaten wurde eine atmosphärische Korrektur unter Verwendung des 6S-Modells durchgeführt.

3. Bildregistrierung:Die verarbeiteten Daten werden anschließend anhand der Basiskarte georeferenziert.

4. Extraktion der Endglieder:Wählen Sie mehrere staubdichte Gitterpixel aus, berechnen Sie das durchschnittliche Spektrum und speichern Sie es als Endmember.

5. Hybride Pixelzerlegung:Experimente zeigten, dass der Algorithmus des adaptiven Kohärenzessors für dieses Szenario am besten geeignet war, wobei durch manuelle Schwellenwertsetzung Pixel in der Nähe des Staubnetzziels herausgefiltert wurden.

6. Vektorisierung und Heatmap-Generierung:Die extrahierten Rasterpixel werden in Punkte und Polygone umgewandelt, und auf Basis der Punkte wird mithilfe eines Kernel-Dichteschätzungsalgorithmus eine Heatmap generiert.

Ergebnisdarstellung

Abbildung 1. Verteilung der spektralen Abtastpunkte für staubdichte Netze

Abbildung 2. Spektralkurve der Probenahme mit staubdichtem Netzgewebe

Abbildung 3. Spektralbibliothek, die auf Basis des Durchschnittsspektrums des staubdichten Netzes erstellt wurde.

Abbildung 1 zeigt die Messpunkte typischer Spektren von Staubfangnetzen. Alle Messpunkte wurden durch visuelle Auswertung der aktuellen zeitlich gestaffelten Bilddaten ermittelt. Abbildung 2 zeigt die Spektren der einzelnen Messpunkte; geringfügige Unterschiede im Rotrand- und Nahinfrarotbereich sind auf Variationen in der Oberflächenvegetation zurückzuführen. Das Durchschnittsspektrum aus Abbildung 2 wurde berechnet und in einem Spektralbibliotheksformat für die anschließende Zerlegung gemischter Pixel gespeichert (Abbildung 3).

Abbildung 4. Wärmebild, das die Verteilung von Staubschutznetzen auf Baustellen in Xi'an und Umgebung zeigt.(6. April 2025)