基于GIS与RS对非点源污染的风险评估

四川农业大学
本科毕业论文
（2012届）
题目：基于GIS与RS对金花乡农业非点源污染的风险评估完成日期：2011 年 12月 8日
基于GIS与RS对金花乡农业非点源污染的风险评估
学生：
四川农业大学城乡建设学院，城乡规划系地理信息系统专业
导师：
四川农业大学城乡建设学院，城乡规划系
摘要：本文是采用遥感技术和地理信息系统技术对农业非点源污染状况进行建模评估。

根据研究区的实际情况选择多光谱图像和高分辨率图像作为获取农业非点源污染信息的数
据来源，并与地理信息系统相结合进行分析与研究，综合评价农业非点源污染状况。

研究数据主要使用的是Google Earth上免费的全波段高清遥感影像。

对影像进行一系列的处理，提取所需要的基础数据。

以农业非点源污染风险影响因素分析为基础，建立农业非点源污染的风险评估方法及面向农业非点源污染风险评估的GIS空间分析模型。

在RS与GIS的支持下，实现模型所需要的数据的提取及分析运算，从而获得多尺度的农业非点源污染风险程度分布图。

为农业非点源污染提供工作目标区。

以眉山市东坡区金花乡为例，进行模型的应用，得到该乡风险等级最高（第四等级）的土地面积达到了1112.98hm2，占全乡面积的35.23%，次级（第三等级）为1630.2hm2占全乡面积的52.19%，这两个等级达到全乡总面积的87.42%，属于非点源污染高风险等级乡镇。

关键词：遥感；图像处理；地理信息系统；农业非点源污染；风险评估
Jinhua Township,based on GIS and RS segment of non-point source
pollution risk assessment
Student: Su Yi Yong
Urban Institute, Sichuan Agricultural University, Town and Country Planning Department ,geographic
information systems
Instructor: Chen Dongli
Sichuan Agricultural University, Urban Institute, Town and Country Planning Department Summary:This paper is the use of remote sensing and geographic information systems technology on agricultural non-point source pollution modeling assessment. According to the study area to choose the actual high-resolution multi-spectral images as images and access to
agricultural non-point source pollution information of data sources, and combined with the geographic information system analysis and research, a comprehensive evaluation of agricultural non-point source pollution. Primary research data on Google Earth using the free high-definition full-band remote sensing images. A series of image processing to extract the required basic data. Agricultural non-point source pollution based on analysis of risk factors, the establishment of agricultural non-point source pollution risk assessment methods and for agricultural non-point source pollution risk assessment, GIS spatial analysis models. In the RS and GIS support to achieve the required data model extraction and analysis algorithms, to obtain multi-scale agricultural non-point source pollution risk maps. For agricultural non-point source pollution target area to provide work. Dongpo District, Meishan, Jinhua Township, in an example, the application of the model, the township received the highest level of risk (fourth level) of the land area of the 1112.98hm2, accounting for 35.23% of the township area, the secondary (third grade ) to 1630.2hm2 52.19% total area of the township, township two levels to the total area of 87.42%, non-point source pollution is the high level of risk townships.
Keywords:remote sensing; image processing; geographic information systems; agricultural non-point source pollution; risk assessment
1 引言
环境质量问题已成为全世界共同关注的问题，人口的迅速增长和人民生活水平的提高，使环境质量问题处于恶性循环的状态。

据统计资料显示，因工业“三废”污染的农田近1000万hm2，污水灌溉的农田面积已达330多万 hm2。

对于各种农业非点源污染造成的损失，目前尚缺乏系统的调查资料。

仅以重金属污染为例，我国仅重金属污染的土地面积达2000万hm2，占总耕地面积的1/5，全国每年减产粮食1000多万t，另外被污染的粮食每年也多达1200万t，合计经济损失至少200亿元。

农业非点源污染问题已经成为制约我国社会经济发展的严重问题。

可持续发展战略的提出后，国家更加重视土地的污染问题。

但是随着我国工业化和城市化的进程的不断加快对土地的污染也在不断加剧，工业生产排放的“三废”形成的污染源以点状、线状和面状的污染方式对一定范围内的土地造成不同程度的污染;城市、农村居民点的生活垃圾和污水，以及农业生产中化肥农药残留、污水灌溉等造成污染物进入土壤造成土地的污染也以不同形式严重影响着周边健康的土地，而人们仍旧要在这片受到污染的土地上生产生活，这就迫切需要及时、迅速的对农业非点源污染的现状、污染范围以及程度做出评价，指导农业生产的合理布局，从而保证我国的粮食安全和人民的居住安全，并且有针对性的和逐步的改良消除土地的污染。

应用遥感技术评价和动态监测农业非点源污染状况，及时的发现和消除各类污染源，减少受污染的土地对农业生产和人们生活的危害，提高人们的生活质量。

综合分析比较，确定了造成研究区内农业非点源污染的主要污染因素为:农药化肥的使用，人们生活垃圾的不合理处理，牲口的粪便污染。

传统农业非点源污染评价获取农业非点源污染信息的方法完全依靠现场调查通过人工取得各种污染物的样品，在实验室条件下分析取得各种污染物的组分含量，从而衡量和评价农业非点源污染的程度和范围，建立土地的污染评价体系。

传统的方法有许多缺点: (l)传统的方法虽然简单，但工作效率低，评价的周期较长，农业非点源污染评价结果的实时性不强，监测结果与实际存在较大误差；
(2)对遥感技术的支持不够，没有利用遥感图像数据，达不到农业非点源污染评价的准确和快速监测的目的；
(3)对各种相关信息的综合分析能力较弱，为了取得较准确地评价结果需要大量的人力、物力和财力，设立大量的永久和临时的监测点采样分析；
(4)农业非点源污染评价多从微观角度考虑，因此评价结果不能宏观的反映土地的污染状况，不能为管理和决策提供高效的支持。

本次研究是应用RS和GSI技术对农业非点源污染进行综合评价研究。

首先，在遥感图像处理之前完成图像几何校正、图像配准和图像直方图匹配等图像预处理，对Google Earth图像进行遥感图像处理，再在ERDAS软件里面利用非监督分类等方式对图像进行地类的提取。

利用地理信息系统(GIS)的空间分析功能，进行空间内插分析，建立污染模型，并对三个农业非点源污染因子进行叠加分析，采用AHP法确定各个污染因子的权重，通过计算得到综合农业非点源污染指标，作出综合农业非点源污染风险评估图。

另外，采用不同时相的遥感监测图像，结合利用GIS系统科学的布置观测点、监测站获得采样数据，对进行动态的农业非点源污染监测。

1.2研究区概况
金花乡位于四川省眉山市东坡区城东南方17km处，幅员面积31.24km2，辖13个村，1个街道居委会，107个社（组），1.8万人，耕地1179hm2，厢江河沿边蜿蜒通过境内。

东与仁寿县万春乡接壤，南靠柳圣乡，西连复兴乡，北接崇礼镇，复盛乡。

都江堰水顺东风渠与自东北向南通过，为人民生产，生活提供了可靠的源泉，全乡经济繁荣，商贸活跃，教育，科技，文化等各项事业不断进步，社会稳定，人民安居乐业，实现了“三通”，即：电话，有线电视，水泥路、油路、碎石路连接了村与村，组与组，
户与户。

1997年和1998年先后被地委行署命名为“小康乡”，“村民自治示范乡”，1958年被国务院授予“先进文化乡”称号。

金花乡土地肥沃，物产资源丰富，年产水稻6743t，玉米314t，红苕803t，花生45t，油菜288t，蚕茧90t，林木1200m3，茨竹450t，年出栏生猪20166头，鸡281200只，鸭150300只，鹅33100只，兔245t，鱼128t，禽蛋89t。

地下还有丰厚的既可食用，又可工业用的石膏矿上亿吨，具有50多年的开采历史，石膏产品畅销全国二十多个省、市，蚕桑生产居眉山地区前列，东坡区杂交竹种子基地乡。

1.1 数据来源
大部分数据由个人实地调查采样。

如农田家禽头数，农药使用量，化肥使用量等。

土壤孔隙度，年降雨量和7-8月降雨量数据由当地农业部门和水利部门提供，土地利用类型，由Google Earth上免费的高清卫片经过相应处理得到。

2 遥感图像处理和地类的提取
2.1 遥感图像的预处理
2.1.1 图像的裁剪
在Google Earth卫图下载软件上输入对应的经纬度坐标左上103056…23“，30002…45”，右下103059‟32“，29059…38”下载研究区范围的高清遥感影像。

在ERDAS IMAGINE9.2软件中根据乡级行政界线利用不规则裁剪工具裁剪出研究区域,如图1。

图1 乡级行政界线裁剪出的研究区域图
2.1.2几何校正
由于Google Earth上的图像已经做过相应的几何校正处理，在使用时可以免去几何校正过程。

2.1.3对裁切的图像进行去噪。

由于受到天气，大气等其他因素的影响，所获得的图像有些噪音，对后面的图像分类有一定的影响。

这些噪声主要是由于拍摄时候的环境引起的，图像滤波是减弱噪音，增强对比度，进而得到比较清晰的图像。

2.1.4图像增强处理
图像增强处理是遥感图像处理常用的一种图像预处理方法。

由于图像在拍摄时候受光线天气等因素的影响，往往会出现颜色质量不高，图像较为模糊等现象，图像增强处理就是用于改善图像质量以及图像视觉效果的一种方法，其目的是要改善图像的一些视觉缺陷，针对给定图像的应用场合，有目的地强调整体或局部特征性，将原来不清晰的图像变
得清晰或突出某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制图像中不感兴趣的图像特征，使图像质量得到改善，并且丰富图像的特征信息量，加强图像判读和识别效果，满足图像分类等其他作用的需要。

实验中采用直方图均衡方法对图像进行增强，如图2
图2 直方图均衡增强处理后的影像
2.2 土地分类
2.2.1 非监督分类
经过一系列图像的预处理后，就可以进行相应的地类的提取。

由于研究区域地类的分类的种类不是太复杂，共分成4类：农田，林地，旱地和建筑用地。

利用ERDAS非监督分类方法，以4类进行归类合并。

首先在ERDAS IMAGINE9.2中利用非监督分类模块进行分类。

在非监督分类时，输入分类数量特征值时，一般是预分类数量的2至3倍。

根据与分类的结果对照原图像进行人为判读，将相同地类进行合并、命名。

区分出农田，林地，旱地和建筑用地。

如图3。

红色表示林地，绿色表示农田，黄色表示旱地，深绿色表示建筑（包括道路）用地。

图3 土地分类图
2.2.2 利用ArcGIS软件，对栅格数据进行重分类：
重分类的原因是根据数据单元发生变化的信息，采用新值来取代栅格数据单元原有的值。

在ArcGIS9.3软件中运用S patial Analyst工具的Reclassify来进行重分类得到结果: 如图4
图4 土地重分类
2.2.3 栅格数据与矢量数据的相互转换
分类后分别对每一个栅格图层矢量化，由于利用ERDAS软件在进行地类的提取的时候，不可能达到百分之百准确，对照在Google Earth上下载的高清卫片进行局部的调整，比如有的塑料大棚被分到了建筑用地里面，则需要手工调整。

由于不能对栅格数据直接进行编辑，则需要转为矢量数据，对矢量数据修改。

再对修改好的矢量数据栅格化（矢量数
据栅格化时应注意栅格大小）。

得到土地分类的栅格数据。

这个过程可以在ArcGIS 工具软件里面利用Spatial Analyst 工具实现。

3 利用GIS 建立农业非点源污染的风险评估模型
农业非点源污染的风险评估模型就是在农业非点源生成影响因素综合分析的基础上，对农业非点源污染程度与发生可能性的全面评价，其目的是快速、准确地在研究区域划分出不同污染风险程度的地域单元，为农业非点源污染的控制提供工作的目标区域。

在GIS 技术的支持下，研究建立农业非点源污染的风险评估模型。

它实际上是一个GIS 空间分析模型。

模型包括农业非点源污染风险影响因子体系设计、研究区空间数据的采集、因子分级与数据提取、影响因子专题数据制作、影响因子数据合成分析、风险等级的划分与农业非点源污染风险程度分布图输出等几个部分。

如图5
否
是
图5 GIS 风险评估分布模型图
3.2农业非点源污染风险影响因子体系设计
全面而一个不少地罗列出农业非点源污染影响因子，这样的做法是不切合实际的，也是农业非点源污染风险评估实践中所不必要的。

根据相关研究和实践表明气候，水文地质、地形、农田土壤条件、土地利用方式等是农业非点源污染风险的主要影响因子，在这些影
评估目标 确定栅格大小 空间数据数字化和空间内插 社会经济统计数据 因子分级与数据提取基础数据库
重新确定影响因
子或改变栅格大
小或调整算法 影响因子合成计算 输出污染风险程度分布图
输出影响因子专题图 输出合成评估分值图 风险等级划分 是否合适 数据源 建立影响因子体
响因素中选择对农业非点源污染风险影响显著的主要影响因子建立影响因子体系。

3.3 影响因子的等级划分
所有的影响因子都以5级划分（表1），不同的因子级别对农业非点源污染风险程度的贡献程度不同，级别越高贡献越大。

表中的分级阀值是根据当地的实际情况来定的。

表1 非点源污染影响因子分
因素类型因子类型
因子分级
一级二级三级四级五级
地形坡度/ °< 5 5～8 8～15 15～25 >25
土壤土壤孔隙度/％<20 20～25 25～30 30～35 >35 农药使用量/ml.hm-2 <0.75 0.75～1 1～1.25 1.25～1.5 >1.5
土地利用土地利用类型林地园地建筑用地旱地农田农田家禽密度/头.hm-2 <50 50～100 100～150 150～200 >200 化肥使用量/Kg.hm-2 <100 100～300 300～500 500～800 >800
气候年降雨量/mm <300 300～500 500～800 800～1200 >1200 7－8月降雨量/mm <200 200～400 400～600 600～900 >900
3.4 影响因子数据提取和专题图的生成
根据研究区特点确定专题图层栅格大小，所有专题图层栅格大小保持一致，以保证下面专题图层合成计算的需要。

在这次研究中栅格大小为1m×1m。

在各因子中，利用空间内插的方法生成栅格图层。

3.4.1 内插方法的选取
反距离权重 (IDW) 插值可以明确地验证这样一种假设：彼此距离较近的事物要比彼此距离较远的事物更相似。

当为任何未测量的位置预测值时，反距离权重法会采用预测位置周围的测量值。

与距离预测位置较远的测量值相比，距离预测位置最近的测量值对预测值的影响更大。

反距离权重法假定每个测量点都有一种局部影响，而这种影响会随着距离的增大而减小。

由于这种方法为距离预测位置最近的点分配的权重较大，而权重却作为距离的函数而减小，因此称之为反距离权重。

在以下示例中对分配给数据点的权重进行了说明：
图 6 反距离权重窗口
“权重”窗口包含分配给各数据点的权重的列表，其中各数据点用于生成通过十字光标进行标记的位置处的预测值。

幂函数
如上所述，权重与反距离（数据点与预测位置之间）的p次幂成正比。

因此，随着距离的增加，权重将迅速降低。

权重下降的速度取决于值p。

如果p = 0，则表示距离没有减小，因为每个权重λ
均相同，预测值将是搜索邻域内的所有数据值的平均值。

随着p
i
值的增大，较远数据点的权重将迅速减小。

如果p值极大，则仅最邻近的数据点会对预
测产生影响。

图 7 反距离相对权重
Geostatistical Analyst 使用大于或等于1 的幂值。

当p = 2 时，此方法称为反距离平方权重插值。

将P = 2 用作默认值。

尽管没有理论依据证明该值优于其他值，但应通过预览输出和检验交叉验证统计信息来调查更改p 值时产生的影响。

可通过将均方根预测误差(RMSPE) 降至最小值来确定最佳幂值。

RMSPE 是在交叉验证过程中计算出的统计数据。

RMSPE 用于对预测表面的误差进行量化。

Geostatistical Analyst 会对若干个不同的幂值进行评估，从而确定出可以生成最小RMSPE 的幂值。

下图说明了Geostatistical Analyst 是如何计算出最佳幂值的。

针对几个不同的幂值绘制RMSPE（使用相同的数据集）。

根据点拟合一条曲线（局部二次多项式插值法），然后从该曲线上将提供最小RMSPE 的幂确定为最佳幂。

图 8 反距离权重最佳值示意图
针对这次的研究区域的数据类型和数据空间结构，这次数据内插方法选用反距离权重插值法。

该方法可以在ArcGIS工具软件中的Spatial Analyst工具实现。

3.4.2 地形
利用研究区DEM数据，在ArcGIS工具软件中提取和生成坡度图。

针对该金花乡地势平坦，最低海拔408m，最高海拔412m，坡度<5o。

从整个究区来看地形因子按等级划分为相同等级（一级），对非点源污染的贡献值相同，所以在空间叠加运算中省略了这个因子。

3.4.3 土壤
利用研究区土壤孔隙度，农药使用量采样建立了离散型矢量图层数据。

在ArcGIS工具软件中采用反距离权重插值方法获得该地区的土壤孔隙度和农药使用量的栅格图层。

再利用栅格数据重分类工具根据因子分级表将栅格数据分为5级。

分级结果分别是图9和图10。

图9农药使用量分级图图10土壤孔隙度分级图
3.4.4 土地利用
（1）土地利用类型
该地区的土地利用类型可分为林地、建筑用地、旱地、水田四种类型。

利用ERDAS 软件提取的栅格数据赋予等级值后结果。

如图11
图11研究区土地类型分类图
（2）农田家禽密度和化肥使用量
通过实地调查得出农田家禽密度头数矢量数据，再利用反距离权重插值方法获得农田家禽密度的栅格数据。

图12
通过以村为单位统计各类土地上的化肥使用量建立离散型矢量数据层，利用GIS工具软件的反距离权重插值法获得化肥使用量栅格图层。

图13
图12家禽密度分布图图13化肥使用量分布图
3.4.5 降雨因子
可以直接将研究区内多天侧得的平均年降雨量和7—8月份降雨量矢量图层，用反距离权重插值方法获得相应的栅格图层。

分析数据得知研究区的年降雨量为1020mm，7—8月份降雨量为434mm。

由于在研究区各个地方的降雨量几乎没有变化，这两个因子的分级分别处于该因子分级的同一级（第四级），所以这两个因子对整个研究区污染的贡献值分别相同。

可以不纳入计算。

3.5 影响因子数据合成分析
可以设个影响因子对农业非点源污染风险程度的贡献值为T，T值的确定方法是各因子中对农业非点源污染风险程度贡献值最大的等级为1，最小等级为0，则上述影响因子分为5级，每个因子的各等级因子贡献值为T等于：1，0.75,0.5,0.25，0。

可以用一个贡献值集合表示
T ij ：T
1j
=1,T
2j
=0.75,T
3j
=0.5,T
4j
=0.25,T
5j
=0
i=1、2、3、4、5；
i为各等级，j为各因子。

由于各因子对农业非点源污染风险程度影响不同，因此可以设定一个权重集合：
W=W
1
+W
2
+W
3
+……+W
j
=1 （公式1）
式中j为因子个数。

根据各影响因子的体系结构特点，因子权重可以采用层次分析法确定。

针对研究区各因子，根据层次分析法原理和相关介绍确定出各因子权重为：农药使用量因子权重为0.3，化肥使用量因子权重为0.25，农田家禽密度因子权重为0.2，土地利用类型因子权重为0.15，土壤孔隙度因子权重为0.1
将每个因子所对应栅格图层中个栅格单元的等级值乘以该因子的权重值，得到该因子每个栅格单元对非点源污染风险程度的贡献值。

再分别加上各因子所对栅格图层对应栅格单元的权重值。

就可以得到每个栅格单元的污染风险程度总贡献值R，可用下面公式表示: R=错误！未找到引用源。

（公式2）式中i=1、2、3、4、5……
这样的算法可以利用GIS工具软件里面的Spatial Analyst工具实现。

4. 农业非点源污染风险程度的等级划分和分布图的输出
得到几个因子叠加的栅格图层后，对分布图进行等级的划分。

一般情况下在最大与最小之间进行等间距4级划分。

级数越高，风险程度越高。

输出金花乡非点源污染风险评估
等级图，如图12
图12 金花乡非点源污染风险等级分布图
由金花乡非点源污染风险等级分布图可以看出，非点源污染高风险区主要集中在乡驻
地等几个居民集中区周围，这种结果与这几个地方因发展经济作物而大量喷洒农药和施肥，喂养家禽等因素有关。

5 结论与讨论
由金花乡非点源污染风险等级栅格图矢量化得到各等级面积如下表（表2）
表2 金花乡非点源污染风险等级面积对照表
等级面积百分比
一级33.73 1.47%
二级347 11.11%
三级1630.2 52.19%
四级1112.98 35.23%
该乡风险等级最高（第四等级）的土地面积达到了1112.98hm2，占全乡面积的35.23%，次级（第三等级）为1630.2 hm2占全乡面积的52.19%，这两个等级达到全乡总面积的87.42%，属于非点源污染高风险等级乡镇。

该乡各级部门应注意，防治非点源污染的蔓延。

主要从以下方面入手：
1、科学合理施肥，充分发挥肥料的增产作用通过合理施肥，不断改良土壤的生态环境，促进土壤的良性发展。

2、健全农作物防病虫害体系，合理用药，减少农药使用次数及用量，推广高效低毒残留农药和生物农药。

3、推广沼气工程。

科学养殖，合理处理家禽粪便。

4、加强水土保持技术，充分利用土地，多植树造林，扩大林地面积。

基于GIS与RS建立的农业非点源污染风险评估模型是一种比较快速、简便、有效的监测农业非点源污染的方法，这种模型对数据源的要求不高，模型运算所需要的数据比较容易找到。

这样就可以为农业非点源污染监测提供给了一种简便有效的方法。

对于RS在这个模型中起的作用还远不止本文所涉及的，如利用RS提取植物种类，和植物生理状态，这样可以更精确的找出相关因子的具体值，为模型提供更精准的数据，使模型的运行效果更好。

参考文献
[1]侯鹏. 基于遥感和地理信息系统的矿区环境监测与评价[C]，山东科技大学，2004,10-34
[2]赵树旗.周玉文，郝瑞霞. 城市校园区面源污染的监测试验研究[J]，南水北调与水科科报
2010(2):91-93
[3]王培. 基于GIS的SWAT模型在农业面源污染模拟中的应用[C]，安徽农业大学,2008,1-34
[4]赵鲁燕. 基于GIS和RS的土地污染评价研究[C]，河北农业大学，2005,3-25
[5]王明海. 面源污染对河流水质影响的分析与估算[J]，人民黄河,1993(4):7-9
[6]许磊.南太湖农业面源污染区小型浅水湖泊水质变化机理及调控技术研究[C]，浙江大学，2010，1-18
[7]邓雄.农业非点源污染的研究进展，存在的问题及发展[N]，中山大学学报,2007-12,2
[8]黄东风，王果，陈起.农业面源污染研究概况及发展趋势[J]，中国农村小康科技,2006(11):39-52
[9]雷能忠，黄大鹏。

基于GIS的农业非点源污染的风险评估[N]，中国农学报,2007-12,12
[10]丁恩俊.三峡库区农业面源污染控制的土地利用优化途径研究[C]，西南大学,2010,18-45
[11]刘琦，杨昌衡，刘添天.水环境面源污染控制与管理研究概况和展[J],望广州环境科学,2002(2):
5-8
[12]史尤新，李向阳，王宁等.太湖地区农业面源污染控制技术与对策[J],中国水利, 2006(17):11-14
[13]吴炳方.利用遥感信息对农业面源污染的分析研究[C]，万方数据库，1988,7-55
[14]裴永辉.农业面源污染的生态补偿机制研究[C]，中国农业科学院, 2010,8-25
[15]李和平.中国农业面源污染现状及改善对象[J]，中国减灾,2010(4):5-8
[16]Wang Zhaohuil,Zhao Dengzhon，Cao Bo.Research on Simulation of Non--point Source
Pollution in Qingjiang River Basin Based on SWAT Model and GIS[N].Journal of Yangtze River Scientific Research Institute.2010-1.2
[17]Pellemans A H.et al Metging multi-spectral and pachromatic SPOT images with Respect to the radiometric properties of the sensor[J].PE&RS,1993.59(1):81-87
[18]阳文锐，王如松，黄锦楼等. 反距离加权插值法在污染场地评价中的应用[J]，应用生态学报，
2007-9,9
[19]常建娥，蒋太立. 层次分析法确定权重的研究 [N]，武汉理工大学报，2007-1,1
[20]王崇倡，郭健，武文波.基于ERDAS的摇杆影像分类方法研究[N]，测绘工程,2007-6,3。