土地重度污染區域測繪數據整合方法研究

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

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

然而，當前在測繪數據整合方面，存在諸多問題和挑戰。例如文獻[3]提出了一種高效整合土地重度污染區域測繪數據，對評估污染與制定治理方案至關重要；文獻[4]提出了一種時序組合法捕捉污染變化，整合歷史數據揭示演變規律，但對歷史數據依賴較大，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集成法提取測繪數據特征，優化映射整合數據，但污染區數據復雜多變，導致算法整合時容易出現偏差；文獻[6]提出了一種多傳感器融合方法，全面整合污染區信息，但傳感器誤差導致數據關聯模糊，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。通過對復雜和多維的測繪數據進行降維處理，能夠聚焦關鍵信息，消除冗余數據，精準地整合土地重度污染區域的測繪數據，為環境治理和土地修復提供有力支持。

1土地重度污染區域測繪數據降維處理

土地污染測繪數據含多種特征，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，需要保持數據局部關系，連接同類近鄰點可保降維后數據點相近，反映原始特征。為了獲取數據分布密度信息，計算鄰域中的平均樣本個數，公式為式（1）：

式（1）中， M 為全部數據， v_i 為第 i 個鄰域值，反映數據點密度。為理解鄰域拓撲結構，引入小流形G^k={g₁^k，g₂^k，…g_M^k} 連接同類 m 數據點 °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數據特征。

為了提高降維魯棒性，避免目標函數出現過度擬合現象，引入了正則化方法構建回歸模型：

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

據結構能力。正則項最小化 以最大化類間距離，實現土地污染數據降維的可視化映射。即：

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

2基于降維處理的測繪數據聚焦整合

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

基于受重度污染土地的遙感測繪數據經緯坐標，在三維空間中，利用區域坐標的四維特性，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構，見圖1。

為保證數據的完整性，需要擴展經緯坐標空間，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無交集，則停止。在此基礎上進一步擴展構建同級網格，與遙感數據對應，形成四叉分解網格，實現對重度污染區域的有效覆蓋。

基于空間擴展，聚焦特征點于各單元以提升數據整合效果。過程如下：

步驟一：定義冗余數據集 s ，含多數類 S₁ 和少數類 S₂ 。將 S₂ 分為 S₂₁?S₂₂?S₂₃，S₂₁ 為 S₁ 與 S₂ 交集數據，S₂₂ 為 S₂ 單一特征數據， S₂₃ 為 S₂ 中不穩定特征數據。

步驟二：為均衡不同數據集整合系數，采用維數約簡法提取特征系數，基于平行四邊形空間數據關聯。數據不在平行四邊形內則沒有相關性，反之則可直接提取。在此基礎上，構建低維測繪數據集，掃描記錄數據出現的次數，判斷并記錄同維數據于項目頭表中。循環移除表外數據，排序后形成頻繁模式樹，節點代表低維數據集，分枝示次數。在項目頭表中降序查找，去重后得到獨立樹狀關聯集，以樹型的方式輸出單路徑數據集，形成特征系數集 {λ₂₁ ， 。

步驟三：根據特征系數集 {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 所在數據集單一污染特征測繪數據集為待整合數據集，此時將該數據集進行中心插值計算，得到的整合結果為式（6）：

（22 式（6）

通過式（6），可實現測繪數據的聚焦整合。

3 實驗

3.1 實驗區域概況

以某面積為100平方公里的土地重度污染區域為例，該區域主要受到重金屬（如 CuZn，AsCdPb 等）和有機污染物（如農藥殘留、石油烴等）的嚴重污染，這些污染物來源于過去的工業排放、農業活動以及不當的垃圾處理。據土壤污染初步調查報告顯示，該區域污染程度極高，甚至被完全荒廢，這不僅對環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

無人機遙感技術融合無人機與遙感技術，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據。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圖像。

測繪時，無人機按預設航線飛行覆蓋實驗區，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、識別及預測污染。

3.3實際測繪數據分析

通過無人機遙感技術測繪可獲取125400個數據，從中隨機選擇100個數據并編號，每個測繪信息的數據量見表1。

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

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

3.4 實驗結果與分析

數據融合方法與所研究方法的數據整合程度進行對比分析，對比結果見圖3。

將基于數據分解的組合方法、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，數據分散;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據，僅小部分離散；使用所研究方法實現五類數據整合，各數據聚類位置與實際相符，如65號地表形態數據偏左中心，18號高程數據左上方等。

4結束語

文章提出了一種基于降維處理的土地重度污染區域測繪數據整合方法，有效解決了傳統方法在處理復雜龐大數據時整合效果差的問題。該方法通過計算領域平均樣本個數獲取數據分布密度信息，轉化為矢量特征表示，直觀展現數據的空間結構。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果，降低了數據復雜性。采用維數約簡平行四邊形空間數據關聯抽取方法，結合中心插值方法，實現了數據的準確整合。實驗驗證表明，該方法能夠將不同類測繪數據分別整合在理想位置，確保了數據整合的準確性和有效性。該方法不僅提高了數據整合的效率，還為土地重度污染區域的精準識別和治理提供了有力支持，對環境保護和可持續發展具有重要意義。

參考文獻：

[1]王智，趙海寶，鐘劍鋒，等.燃煤電廠爐后環保設備數據整合系統分析[J].環境工程，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境有機污染物測定[J].環境工程，2021，39（5）：204-216;224.

[3]李柚潔，趙順昱，楊萍，等.基于數據分解的大氣污染物短期預測組合方法綜述[J].環境工程，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據異常檢測及恢復[J].安全與環境學報，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整合數據的京津冀城市群碳排放時空演變特征[J].環境工程技術學報，2023，13（2）：447-454.