Extracción de redes antipolvo en obras de construcción mediante reconocimiento de objetivos hiperespectrales.

Introducción a los antecedentes

Las obras de construcción, como lugares cruciales para el desarrollo urbano, siempre han sido una importante fuente de contaminación por polvo. Ante la creciente exigencia gubernamental de mejorar la calidad ambiental urbana en los últimos años, el control efectivo de la contaminación por polvo en las obras se ha convertido en una prioridad. En este contexto, las redes de contención de polvo, como herramienta eficaz y práctica, se utilizan cada vez más en las obras, convirtiéndose en un elemento indispensable para el control del polvo. Por lo tanto, mediante la extracción y el análisis estadístico de los datos de las redes de contención de polvo, podemos evaluar indirectamente la distribución y el progreso de las obras, identificando los puntos críticos de las actividades de ingeniería civil.

Métodos y principios

Este artículo utiliza imágenes hiperespectrales del área de Xi'an, tomadas por el satélite Xiguang-1 05 el 6 de abril de 2025. Debido a que las redes antipolvo presentan poros que permiten el paso de cierta cantidad de luz, sus características de reflectancia varían ligeramente según la superficie que cubren. Los métodos tradicionales de clasificación de imágenes resultan ineficaces y se confunden fácilmente con los tejados de algunos edificios. Por lo tanto, basándonos en métodos de reconocimiento de objetivos, extrajimos los espectros de los píxeles de las redes antipolvo como componentes extremos mediante interpretación visual y creamos una biblioteca espectral. Posteriormente, se realizó la extracción de las redes antipolvo utilizando esta biblioteca espectral.

Tabla 1. Introducción de datos

proceso

1. Calibración de radiación:Los datos originales del valor DN se corrigen radiométricamente utilizando coeficientes de calibración radiométrica para obtener los datos de radiancia aparente.

2. Corrección atmosférica:Se realizó una corrección atmosférica utilizando el modelo 6S para obtener datos de reflectancia de la superficie.

3. Registro de imagen:Los datos procesados ​​se georreferencian posteriormente en función del mapa base.

4. Extracción de componentes extremos:Seleccione varios píxeles de la malla antipolvo, calcule el espectro promedio y guárdelo como un componente final.

5. Descomposición híbrida de píxeles:Los experimentos demostraron que el algoritmo Estimador de Coherencia Adaptativa obtuvo los mejores resultados en este escenario, utilizando un umbral manual para filtrar los píxeles cercanos al objetivo de la red de polvo.

6. Vectorización y generación de mapas de calor:Los píxeles ráster extraídos se convierten en puntos y polígonos, y se genera un mapa de calor a partir de los puntos mediante un algoritmo de estimación de densidad de núcleo.

Visualización de resultados

Figura 1. Distribución de los puntos de muestreo espectral para la malla antipolvo.

Figura 2. Curva espectral de la muestra de malla antipolvo

Figura 3. Biblioteca espectral establecida a partir del espectro promedio de la malla antipolvo.

La Figura 1 muestra los puntos de muestreo de los espectros típicos de las redes de control de polvo. Todos los puntos de muestreo de la figura se obtuvieron mediante la interpretación visual de las imágenes temporales más recientes. La Figura 2 muestra los espectros de cada punto de muestreo; existen ligeras diferencias en el borde rojo y en las regiones del infrarrojo cercano debido a las variaciones en la vegetación superficial. El espectro promedio de la Figura 2 se calculó y guardó en un formato de biblioteca espectral para su posterior descomposición en píxeles mixtos (Figura 3).

Figura 4. Mapa de calor que muestra la distribución de las redes de control de polvo en las obras de construcción de Xi'an y sus alrededores.(6 de abril de 2025)