[论文解读] Waste Detection and Change Analysis based on Multispectral Satellite Imagery

Dávid Magyar, Máté Cserép+2 more|arXiv (Cornell University)|Mar 25, 2023

Municipal Solid Waste Management被引用 4

一句话总结

本文提出一种基于机器学习的方法，利用多光谱卫星影像与随机森林分类技术，检测森林、河流及偏远地区中的非法垃圾填埋场（热点）和河流中的漂浮垃圾阻塞。该方法在蒂萨河上实现了准确的检测与变化分析，其中水面阻塞的检测结果最为可靠，可为环保组织提供可扩展、低成本的监测方案。

ABSTRACT

One of the biggest environmental problems of our time is the increase in illegal landfills in forests, rivers, on river banks and other secluded places. In addition, waste in rivers causes damage not only locally, but also downstream, both in the water and washed ashore. Large islands of waste can also form at hydroelectric power stations and dams, and if they continue to flow, they can cause further damage to the natural environment along the river. Recent studies have also proved that rivers are the main source of plastic pollution in marine environments. Monitoring potential sources of danger is therefore highly important for effective waste collection for related organizations. In our research we analyze two possible forms of waste detection: identification of hot-spots (i.e. illegal waste dumps) and identification of water-surface river blockages. We used medium to high-resolution multispectral satellite imagery as our data source, especially focusing on the Tisza river as our study area. We found that using satellite imagery and machine learning are viable to locate and to monitor the change of the previously detected waste.

研究动机与目标

• 应对非法垃圾填埋场对森林、河流及偏远地区日益增长的环境威胁。
• 开发一种自动化、可扩展的解决方案，利用遥感技术检测塑料垃圾热点与河流中的漂浮垃圾岛。
• 为垃圾收集组织提供可重复、低成本的监测工具，结合卫星数据与机器学习技术。
• 实现随时间的变化检测，以追踪河流系统中垃圾的累积与移动情况。

提出的方法

• 使用来自Sentinel-2和PlanetScope任务的中高分辨率多光谱卫星影像。
• 应用随机森林分类方法，基于蓝、绿、红和近红外波段的光谱特征检测垃圾。
• 计算光谱指数（如NDVI、MNDWI）以增强垃圾与水体、植被等背景表面的区分能力。
• 执行形态学变换以优化检测到的垃圾区域并减少噪声。
• 实施自动化警报系统，通过每日卫星影像对比，检测垃圾覆盖范围的显著变化。
• 开发了一个网络应用原型，用于可视化检测到的垃圾区域，并追踪随时间的变化。

实验结果

研究问题

• RQ1 结合多光谱卫星影像与机器学习，能否有效检测偏远或难以到达区域的非法垃圾填埋场？
• RQ2 光谱指数与机器学习在多大程度上能够区分河流系统中漂浮的塑料垃圾、水体、植被与阴影？
• RQ3 该方法在识别与监测随时间推移垃圾累积变化方面有多高效？
• RQ4 该系统能否通过提供新形成的垃圾热点或河流阻塞的及时警报，支持实际的垃圾清理作业？

主要发现

• 该方法成功检测到垃圾热点，包括匈牙利的Deponia垃圾管理中心和罗马尼亚的Lake C˘alines,ti，分类结果清晰明确。
• 水面河流阻塞的检测具有高度可靠性，表现为与周围水体和陆地明显分离的红色区域。
• 处理高分辨率影像（如6614×5981像素）的执行时间最高达29分钟41秒，其中指数计算是主要性能瓶颈。
• 系统展示了实现每日监测的可行性，当检测到的垃圾区域发生显著变化时，会自动触发警报。
• 随机森林模型在春、夏两季表现最佳，因图像条件更清晰；而秋冬季节图像常因多云而难以可靠使用。
• 网络应用原型成功可视化了垃圾范围与变化趋势，最终版本计划实现每日更新。