Βελτιστοποίση διαχείρισης απορριμμάτων σε αγροτεικές περιοχές με χρήση τηλεπισκόπισης και GIS

Από RemoteSensing Wiki

Πρωτότυπος τίτλος: Optimizing rural waste management: Leveraging high-resolution remote sensing and GIS for efficient collection and routing

Συγγραφείς: Xi Cheng, Jieyu Yang, Zhuojun Zeng, Zhiyong Han, Zhanfeng Shen, Guozhong Shi, Deng Pan, Likang Meng

Πηγή: College of Geophysics(Chengdu University of Technology), Chengdu 610059, China, State Key Laboratory of Geohazard Prevention and Geoenvironment Protection (Chengdu University of Technology), Chengdu 610059, China, State Environmental Protection Key Laboratory of Synergetic Control and Joint Remediation for Soil & Water Pollution (Chengdu University of Technology), Chengdu 610059, China, College of Ecology and Environment (Chengdu University of Technology), Chengdu 610059, China, Key Laboratory of Development and Application of Rural Renewable Energy, (Ministry of Agriculture, China), Chengdu 610041, China, Aerospace Information Research Institute (Chinese Academy of Science), Beijing, 10010, China

Λέξεις κλειδιά: Rural waste collection, Very high-resolution remote sensing, Semantic segmentation, Multiple points clustering, Pointer Network, Route optimization

Σύνδεσμος πρωτότυπου κειμένου: https://www.sciencedirect.com/science/article/pii/S1569843224005752 https://doi.org/10.1016/j.jag.2024.104219

Εισαγωγή

Η αυξημένη παραγωγή οικιακών απορριμμάτων στις αγροτικές περιοχές της Κίνας, λόγω κοινωνικοοικονομικής ανάπτυξης, δημιουργεί περιβαλλοντικές προκλήσεις. Παρά τις αυξημένες επενδύσεις σε οχήματα καθαριότητας, η επεξεργασία απορριμμάτων παραμένει ανεπαρκής, με μόλις 38,27% των απορριμμάτων να υποβάλλονται σε ασφαλή επεξεργασία, συγκριτικά με το 99,2% στις πόλεις. Η συλλογή απορριμμάτων αποτελεί βασικό στοιχείο, αλλά συχνά παρουσιάζει υψηλό κόστος και περιβαλλοντικές επιπτώσεις λόγω αναποτελεσματικών διαδρομών. Αντίθετα, αναπτυγμένες χώρες εφαρμόζουν ώριμες τεχνολογίες διαχείρισης απορριμμάτων. Η μελέτη προτείνει ένα σύστημα διαχείρισης απορριμμάτων κατάλληλο για αγροτικές περιοχές, συνδυάζοντας τηλεπισκόπηση, βελτιστοποίηση διαδρομών και έξυπνους αλγορίθμους. Με χρήση δεδομένων υψηλής ανάλυσης και ενισχυτικής μάθησης, το μοντέλο αντιμετωπίζει τις προκλήσεις των αγροτικών περιοχών, μειώνοντας κόστος, εκπομπές και περιβαλλοντική υποβάθμιση.

Περιοχή Μελέτης

Η περιοχή μελέτης είναι η πόλη Huangtu στην επαρχία Sichuan της νοτιοδυτικής Κίνας, καλύπτοντας έκταση 84,54 km² με πληθυσμό περίπου 37.017 κατοίκους (Τμήμα Αγροτικών Ερευνών, Εθνικό Γραφείο Στατιστικής της Λαϊκής Δημοκρατίας της Κίνας, 2020). Η γεωγραφία της Huangtu χαρακτηρίζεται από λόφους και φράγματα, ενώ συνορεύει με δύο λεκάνες απορροής, των ποταμών Anchang και Caoxi (Εικ. 1), και έχει υποτροπικό υγρό μουσώνιο κλίμα. Η επιλογή της Huangtu ως περιοχή μελέτης βασίζεται σε δύο λόγους. Πρώτον, η Huangtu αντιπροσωπεύει πολλές αγροτικές πόλεις της Κίνας με ποικιλόμορφο γεωγραφικό περιβάλλον και χαμηλή πυκνότητα πληθυσμού (περίπου 500 άτομα/km² την περίοδο 2011–2019). Αυτά τα χαρακτηριστικά προσφέρουν μια πολύτιμη ευκαιρία για την αξιολόγηση του αποκεντρωμένου μοντέλου συλλογής και διαδρομών απορριμμάτων. Δεύτερον, προηγούμενες μελέτες μας στην περιοχή έχουν παράσχει χρήσιμες πληροφορίες που χρησιμοποιούνται για τη βελτίωση του μοντέλου και την ενσωμάτωση περιβαλλοντικών περιορισμών στο πλαίσιο της μελέτης.

Εικόνα 1: Η τοποθεσία και η διοικητική μονάδα της περιοχής μελέτης (πόλη Huangtu, Κίνα), η δορυφορική της εικόνα για το 2020 και τα τυπικά δείγματα περιοχών (κίτρινα σημεία) με τις αντίστοιχες ετικέτες (οι χρωματιστές γραμμές αντιπροσωπεύουν τα όρια των χειροκίνητα επισημασμένων δειγμάτων για την αντίστοιχη κατηγορία).

Δεδομένα Τηλεπισκόπησης Υψηλής Ανάλυσης (VHR)

Ένας από τους στόχους της παρούσας μελέτης είναι η εξαγωγή βασικών πληροφοριών για τη συλλογή οικιακών απορριμμάτων σε αγροτικές περιοχές απευθείας από εικόνες τηλεπισκόπησης. Το βασικό σύνολο δεδομένων προέρχεται από εικόνες VHR του 2020, που ελήφθησαν ως στιγμιότυπα Επίπεδου-18 από το Google Earth, με χωρική ανάλυση περίπου 1,08 m. Αυτές οι εικόνες, αποτελούμενες από τρεις οπτικές ζώνες (πράσινη, κόκκινη και μπλε), παρέχουν λεπτομερή αναπαράσταση του αγροτικού τοπίου της Huangtu. Μετά από σχολαστική προεπεξεργασία δεδομένων, που περιλάμβανε σύνθεση, περικοπή και προσαρμογή βάθους bit, οι εικόνες αναπροσανατολίστηκαν στο συντεταγμένο σύστημα Universal Transverse Mercator (UTM). Για την τυποποίηση της ανάλυσης και τη βελτίωση της οπτικής ακρίβειας, οι εικόνες επαναδειγματίστηκαν σε ομοιόμορφη χωρική ανάλυση 1 m. Βάσει των εικόνων VHR, επιλέχθηκαν συνολικά 30 τμήματα διαστάσεων 1000 × 1000 pixels ως δείγματα εκπαίδευσης για την τμηματοποίηση εικόνων, όπως φαίνεται στα τετράγωνα της Εικ. 1. Αυτά τα τμήματα αντιπροσωπεύουν συνολικά το αγροτικό τοπίο της Huangtu, περιλαμβάνοντας πέντε τυπικά περιβαλλοντικά χαρακτηριστικά: κτίρια, δρόμους, υδάτινα σώματα, γεωργικές εκτάσεις και δάση, διασφαλίζοντας επαρκή ποικιλομορφία για το μοντέλο βαθιάς μάθησης. Για την απόκτηση ετικετών πραγματικών δεδομένων (ground truth) για τα δείγματα, χρησιμοποιήθηκε ακριβής οπτική ερμηνεία για τον καθορισμό των ορίων των περιβαλλοντικών χαρακτηριστικών στις επιλεγμένες περιοχές δειγμάτων. Τα δειγματοληπτικά τμήματα κατηγοριοποιήθηκαν σε πέντε κατηγορίες κάλυψης γης: κτίρια, δρόμους, υδάτινα σώματα, γεωργικές εκτάσεις και δάση, όπως φαίνεται στην Εικ. 1. Τα δεδομένα αυτά θα διατεθούν δημόσια στη διεύθυνση: https://github.com/xicheng79/.

Εικόνα 2: Διάγραμμα ροής του προτεινόμενου μοντέλου για την αποκεντρωμένη συλλογή απορριμμάτων στις αγροτικές περιοχές.   Μεθοδολογία

Η μελέτη επικεντρώνεται στην ανάλυση των αλλαγών στη χρήση και κάλυψη γης (LULC) στην πόλη Χαμίρπουρ της Ινδίας, χρησιμοποιώντας δορυφορικά δεδομένα και τεχνολογίες GIS. Η μεθοδολογία περιλαμβάνει: 1. Συλλογή Δεδομένων: o Χρήση πολυχρονικών δορυφορικών εικόνων από τα Landsat 7 ETM+ (2001, 2011) και Landsat 8 OLI/TIRS (2021), με χωρική ανάλυση 30m. o Τα δεδομένα συλλέχθηκαν από το Κέντρο Δεδομένων Παρατήρησης Γης (USGS). 2. Επεξεργασία Εικόνων: o Εφαρμογή προεπεξεργασίας για την εξάλειψη νεφών και παραμορφώσεων. o Δημιουργία σύνθετων εικόνων αληθών και ψευδοχρωμάτων με χρήση συγκεκριμένων ζωνών (Bands 4, 3, 2 για Landsat 7 και Bands 5, 4, 3 για Landsat 8). 3. Ταξινόμηση Εικόνων: o Εφαρμογή επιβλεπόμενης ταξινόμησης με τον αλγόριθμο μέγιστης πιθανότητας στο ArcMap 10.8. o Δημιουργία "κλειδιών ερμηνείας" με χρήση περιοχών εκπαίδευσης (30 δείγματα ανά κατηγορία). o Ταξινόμηση των pixels σε κατηγορίες χρήσης γης (π.χ. αστική περιοχή, βλάστηση, άγονη γη). 4. Ανίχνευση Αλλαγών: o Σύγκριση δεδομένων για τις περιόδους 2001–2011, 2011–2021 και 2001–2021. o Εντοπισμός αλλαγών, όπως αύξηση αστικών περιοχών και μείωση βλάστησης. 5. Ανάλυση: o Χρήση στατιστικών μεθόδων και GIS για την κατανόηση της σχέσης μεταξύ δημογραφικών αλλαγών και περιβαλλοντικών επιπτώσεων.

Εικόνα 3: Ιδέα και υλοποίηση του αλγορίθμου πολλαπλής ομαδοποίησης K-means (MKCA).

Αποτελέσματα 1. Μεταβολές LULC: o 2001–2011:  Μείωση άγονης γης κατά 1,26 km² (-72%).  Αύξηση αστικής περιοχής κατά 1,04 km² (+89,65%).  Ελαφρά αύξηση βλάστησης κατά 0,22 km² (+9,28%). o 2011–2021:  Μείωση βλάστησης κατά 1,29 km² (-99,2%).  Αύξηση αστικής περιοχής κατά 1,43 km² (+39,7%). o Συνολικά, η αστική περιοχή αυξήθηκε κατά 2,47 km² (212,9%) από το 2001 έως το 2021. 2. Περιβαλλοντικές Επιπτώσεις: o Η αύξηση των αστικών περιοχών συνδέεται με αυξημένες θερμοκρασίες (από 42°C το 2001 σε 46°C το 2021). o Αναμένεται περαιτέρω αύξηση έως 51°C το 2051. o Σημαντική αύξηση της κατανάλωσης νερού (+37,56%) και παραγωγής αποβλήτων (+41,88%) την περίοδο 2001–2021. 3. Συστάσεις: o Περιορισμός της αστικής κάλυψης στο 69% της συνολικής γης. o Αύξηση της βλάστησης μέσω αξιοποίησης άγονων εκτάσεων. o Εφαρμογή πολιτικών για την πρόληψη περιβαλλοντικής υποβάθμισης και κλιματικής αλλαγής.

Αυτή η μεθοδολογία και τα αποτελέσματα παρέχουν ένα πλαίσιο για τη διαχείριση των αλλαγών στη χρήση γης και τις περιβαλλοντικές προκλήσεις, ενώ μπορούν να επαναχρησιμοποιηθούν για παρόμοιες μελέτες σε άλλες περιοχές.

Εικόνα 4: Το αποτέλεσμα της βελτιστοποίησης δρομολόγησης συλλογής απορριμμάτων σε διαφορετικά σύνολα δεδομένων.

Συμπεράσματα

Ένα πρακτικό μοντέλο συλλογής απορριμμάτων για αγροτικές περιοχές είναι ιδιαίτερα σημαντικό στο πλαίσιο της αυξανόμενης ζήτησης για αποκεντρωμένη συλλογή και δρομολόγηση απορριμμάτων στην Κίνα. Η παρούσα μελέτη συνδύασε τεχνολογίες τηλεπισκόπησης, GIS και νευρωνικά δίκτυα για να διερευνήσει την εφαρμογή ενός καινοτόμου μοντέλου συλλογής απορριμμάτων στις αγροτικές περιοχές. Το πλαίσιο που προτάθηκε χρησιμοποιεί το μοντέλο D-LinkNet για να εξάγει βασικά χαρακτηριστικά, όπως αγροτικά κτίρια, δρόμους, υδάτινα σώματα, γεωργικές εκτάσεις και δάση από εικόνες τηλεπισκόπησης υψηλής ανάλυσης (VHR). Μετά από επεξεργασία δεδομένων, όπως η ψηφιοποίηση και η μετατροπή στοιχείων, δημιουργήθηκε ένα βασικό σύνολο δεδομένων για το περιβάλλον. Βασισμένο σε αυτά, σχεδιάστηκε δημιουργικά το MKCA για να ομαδοποιήσει τα σημεία κτιρίων σε διαφορετικές ομάδες συλλογής απορριμμάτων. Επιπλέον, εφαρμόστηκε μια μεθοδολογία βασισμένη στο GIS για τον προσδιορισμό τοποθεσιών σημείων συλλογής απορριμμάτων (WCS) με σεβασμό στους περιβαλλοντικούς περιορισμούς. Για τη δρομολόγηση, εκπαιδεύτηκε το Ptr-Net για να αντιμετωπίσει τις σχετικές προκλήσεις του προβλήματος του "Περιπλανώμενου Πωλητή" (TSP). Τα αποτελέσματα από την πόλη Huangtu επιβεβαιώνουν την αξιοπιστία του μοντέλου, συνοψίζοντας τα εξής: 1. Σε αγροτικά περιβάλλοντα, το D-LinkNet ξεπερνά τα μοντέλα U-Net και DeepNetV3+ στην ακρίβεια τμηματοποίησης, με μέσο IoU 0,900 και F1 Score 0,935. 2. Το MKCA παρέχει μια πιο προσαρμοσμένη προσέγγιση για την κατηγοριοποίηση σημείων κτιρίων, αξιοποιώντας διαφοροποιημένες παραμέτρους SR. 3. Το Ptr-Net, ειδικά σε μεγάλες αγροτικές εκτάσεις με διάσπαρτα σημεία και κατακερματισμένα οδικά δίκτυα, εξασφαλίζει συντομότερες και αποδοτικότερες διαδρομές. Συνολικά, το προτεινόμενο μοντέλο παρουσιάζει εξαιρετική αποδοτικότητα στη συλλογή απορριμμάτων αγροτικών περιοχών, υπερέχοντας στην εξαγωγή περιβαλλοντικών στοιχείων, στον εντοπισμό σημείων συλλογής απορριμμάτων και στη βέλτιστη δρομολόγηση. Αυτά τα πλεονεκτήματα μπορούν να βελτιώσουν σημαντικά τις κυβερνητικές και κοινοτικές προσπάθειες, μειώνοντας το κόστος συλλογής απορριμμάτων σε χρόνο, εργατικό δυναμικό και χρήματα. Η μελλοντική έρευνα θα επικεντρωθεί στη βελτίωση της εφαρμοσιμότητας του μοντέλου, ενδεχομένως μέσω ενσωμάτωσης σε συστήματα Web GIS. Λειτουργίες όπως η παρακολούθηση χωρητικότητας WCS και η αυτόματη κατανομή προσωπικού θα μπορούσαν να ενισχύσουν περαιτέρω τη χρησιμότητά του, εξασφαλίζοντας την πρακτική και εμπορική του βιωσιμότητα.