中国海洋湖沼学会主办。
文章信息
- 邱琰皓, 张芳. 2022.
- QIU Yan-Hao, ZHANG Fang. 2022.
- 基于无人机低空拍摄图像的垃圾监测——以青岛石雀滩为例
- DISTRIBUTION OF GARBAGE IN SHIQUE BEACH, QINGDAO BY ANALYZING UAV-TAKEN LOW-ALTITUDE IMAGES
- 海洋与湖沼, 53(6): 1349-1359
- Oceanologia et Limnologia Sinica, 53(6): 1349-1359.
- http://dx.doi.org/10.11693/hyhz20220300072
文章历史
-
收稿日期:2022-03-24
收修改稿日期:2022-05-07
2. 青岛海洋科学与技术试点国家实验室 海洋生态与环境科学功能实验室 山东青岛 266071;
3. 中国科学院大学 北京 100049
2. Laboratory of Marine Ecology and Environmental Sciences, Pilot National Laboratory for Marine Science and Technology (Qingdao), Qingdao 266071, China;
3. University of Chinese Academy of Sciences, Beijing 100049, China
近年来, 海洋垃圾污染已经成为全球性的经济、政治、环境议题(Ryan et al, 1993; Law et al, 2010)。海洋垃圾的定义是“海洋和海岸环境中具持久性的、人造的或经加工的固体废弃物”(Sheavly et al, 2007)。海洋垃圾不仅阻碍航运、破坏海洋环境的美感, 产生负面的社会经济后果, 还会对海洋生物造成严重的危害, 并且海洋垃圾中的持久性、累积性污染物也会通过生物链危害人类健康(Lazar et al, 2011; Baulch et al, 2014; Li et al, 2016)。海洋垃圾主要包括海滩垃圾、海面漂浮垃圾与海底垃圾, 随着人类对海岸带的不断开发利用, 海滩垃圾的数量迅速增加, 引起了广泛关注, 自20世纪80年代以来, 世界上许多组织一直在采集、分析海滩垃圾数据, 以期引起人们对这一问题的重视(Moore et al, 2000)。开展海滩垃圾监测, 了解海滩垃圾的类型、来源, 可以为有效治理海滩垃圾污染、改善海岸带生态环境提供理论和技术支撑。
目前监测海滩垃圾主要是通过人工手段, 例如赵肖等通过现场建立采样点, 采用基线调查, 调查了我国各海域海滩垃圾的类型和来源, 人工手段会耗费大量的人力物力, 采样点也有相当复杂的选取原则(赵肖等, 2016), 对于不开放或者难以建立标准采样点的区域无法进行监测。近年来, 无人机技术在海洋生态学研究中得到了广泛的应用(Konar et al, 2018; Adade et al, 2021)。国内还未有利用无人机监测海滩垃圾的报道, 国际上多项研究进行了初步实践并探讨了无人机航拍在海滩垃圾监测中的潜力与优势, Lo等(2020)将不同类型的垃圾随机放置在海滩上, 使用大疆无人机在较低的高度下(15 m高度以下)对其进行拍摄, 测试了小型无人机监测海滩垃圾的能力, 结果表明无人机调查的速度是传统目视调查的3倍, Andriolo等(2021)采集了少量海滩垃圾在6~20 m高度下的航拍图像, 测试了具有不同背景的操作员对图片中垃圾的识别、标记和分类能力。目前通过无人机低空拍摄方法监测海滩垃圾的研究大部分仍然处于摸索阶段, 主要在小面积样方内进行模拟实验, 或者在较低的高度下开展对海滩局部小范围内的垃圾调查(Taddia et al, 2021)。
在此背景下, 本研究尝试使用无人机低空拍摄方法开展了青岛市石雀滩全区域的垃圾调查, 为海滩垃圾的监测提供了新的方向。讨论了石雀滩垃圾的空间分布、大小特征、类型组成以及颜色分布, 并分析了其来源情况, 为市政管理部门管控海滩垃圾、改善海洋生态环境提供基础资料。本研究通过面积/面积密度概念来表征垃圾的丰度, 为定量海滩垃圾提供了一个新思路。
1 材料与方法 1.1 调查区域及样区划分石雀滩位于青岛凤凰岛旅游度假区, 全长两千余米, 是一个集旅游观光、娱乐活动、生活休闲等于一体的风景区, 夏季以及节假日期间海滩人流量较大。海滩东部毗邻“亚洲第一滩”金沙滩, 海滩西部毗邻石雀滩海域国家级海洋牧场示范区。该示范区是农业农村部2015年公布的第一批国家级海洋牧场示范区, 总面积为1 534 hm2。示范区内建造了约200 hm2人工鱼礁区, 增殖刺参、盘鲍、大泷六线鱼、许氏平鲉、牙鲆、黑鲷、斑石鲷等品种。示范区内建设了280个智能型深水抗风浪网箱, 用来养殖鲈鱼、三文鱼、黑鲪等鱼种。此外, 示范区内具有600 hm2藻类养殖区。
本次调查基本覆盖了石雀滩海滩全区域。传统上, 海岸带区域被划分为潮上带、潮间带和潮下带, 为探究垃圾在海滩内部的分布格局以及研究方便, 根据离岸距离, 我们将石雀滩划分为三个样区(Alshawafi et al, 2017), 分别为近岸区、中间区、远岸区。近岸区距离陆地最近, 边界毗邻陆地, 中间区距离陆地稍远, 紧挨近岸区, 远岸区距离陆地最远, 紧挨中间区, 与海水相接。三个样区相互毗邻, 样区长度约2 000 m, 样区宽度约50 m, 样区的整体方向与海陆交界平行(Oigman-Pszczol et al, 2007; Lee et al, 2017)。其中, 远岸区和中间区几乎完全位于潮间带, 近岸区部分位于潮间带, 部分位于潮上带(图 1)。
1.2 无人机以及图像的采集 1.2.1 无人机使用FEIMA D2000多旋翼无人机系统采集石雀滩垃圾的低空航拍图像, D2000为深圳飞马机器人科技有限公司产品, 主体展开尺寸为495×442×279 mm, 空机重量2.6 kg, 可搭配不同功能的载荷, 最大载荷重量750 g。该系统搭配了正射相机模块, 相机型号为SONY a7Rm4, 有效像素约6 100万, 照片分辨率为9 504×6 336; 支持航线规划, 可以实现自动拍照, 每飞行一段距离触发一次拍照操作, 避免了人为操作带来的误差; 飞行速度为7~13 m/s, 巡航监测效率高; 电池容量为12 000 mAh, 可保证无人机在上述速度下的飞行时长为50 min左右, 单架次内具较大的监测范围。
1.2.2 图像采集调查时间: 2021年12月21日, 使用FEIMA D2000无人机对石雀滩的垃圾进行了低空拍摄。当日天气晴朗, 风速在3~5 m/s, 良好的能见度与较小的风力均有利于相机稳定、高质量地采集图像数据。航拍时间在中午的12点到下午1点之间, 该时间段内, 当日潮水最低, 海滩的裸露面积最大。
起飞地点: 无人机的起飞点(35.95°N, 120.24°E)距离石雀滩约500 m, 地表平整空旷, 天空无异物遮挡, 满足无人机的起飞条件, 距离周边高层建筑50 m以上, 尽可能地减少了高层建筑对GPS信号的影响, 满足无人机的通讯条件。
飞行高度: 本文在前期进行了现场验证。在本调查之前, 使用FEIMA D2000无人机对青岛的海滩垃圾进行了多次试航拍调查。调查在不同的飞行高度(100、120、150、170、200 m)下进行, 调查范围从青岛奥帆中心延伸至石老人浴场, 试航拍图像覆盖的海岸线长度超过10 km, 有效覆盖的海岸面积超过0.5 km2, 在航拍照片中发现了少量不同类型的海滩垃圾。飞行高度影响航拍照片的地面分辨率, 不同飞行高度下无人机对海滩垃圾的监测效果不同, 高度越高, 无人机能够监测识别到的垃圾越少。结合国外已有文献资料, 综合效率与海滩垃圾的监测效果等因素考虑, 将本次调查的飞行高度设置为100 m。本文认为, 100 m是D2000无人机监测海滩垃圾的最合适的飞行高度, 该高度下既保证了良好的空间分辨率(地面采样距离为0.008 9 m/像素, 能够分辨出的最小地面物体长度在4~5 cm左右), 使得较小的垃圾碎片在航拍照片中也有较高的识别率(Orych, 2015; Bao et al, 2018; Fallati et al, 2019), 又避免了低飞行高度对该无人机可能产生的安全威胁。
飞行路线: 无人机在石雀滩内的飞行路线即是航拍图像数据的采集路线。无人机从起飞点出发, 到达石雀滩东端时, 即开始执行拍摄任务, 然后无人机在海滩上沿平行于海岸带的方向飞行, 到达石雀滩西端后调转方向朝海滩东端飞行, 再一次到达海滩东端时调转方向朝海滩西端飞行, 在整个海滩内执行S型往返式路线飞行。航向重叠度与旁向重叠度均设置为15% (Xiang et al, 2011; Bao et al, 2018; Yao et al, 2019), 该重叠度下航拍照片能有效覆盖石雀滩全部区域, 并且避免产生过多的重复数据。对部分区域及内部垃圾碎片的重复拍照会在后期图像处理过程中通过人工辨别并筛除。
1.3 图像处理与垃圾的识别ImageJ是一个基于Java的公共的图像处理软件, 可运行于Microsoft Windows、Mac OS、Mac OS X和Linux等多种操作系统平台(图 2)。使用ImageJ软件处理航拍照片, 主要操作步骤如下: (1) 垃圾的识别。使用ImageJ软件打开航拍照片, 通过肉眼识别照片中的垃圾, 对垃圾进行认定、分类, 并进行标注、计数。(2) 使用ImageJ软件的Selection功能标记并圈出垃圾所在的区域。(3) 垃圾的形状多样, 并且大部分情况下是不规则的, 因此一般使用Elliptical selection、Polygon selection和Freehand selection三种形状工具, 用于精准选定椭圆形区域(包括圆形)、多边形区域以及手动自由绘制的区域。(4) 计算垃圾所在区域占据的像素个数。垃圾所在的区域选定之后, 使用Analyze工作区中的Measure功能计算出垃圾所在区域占据的像素个数(图 3)。基于垃圾占据的像素个数计算垃圾的实际占地面积、完成对垃圾的大小分类。
1.4 垃圾的密度与面积计算
区域内垃圾的密度计算方法如下:
其中, D代表垃圾的数量密度或面积密度, N为垃圾的数量或计算出的实际面积, L为样区的长度, W为样区的宽度。
对于单个垃圾碎片而言, 无人机的低空拍摄图像直观地体现了它所在图片区域内的“占图面积”, 需要将“占图面积”转算为该垃圾的实际占地面积, 转算过程如下:
在100 m的航拍高度下, 单张图片所覆盖的实际面积(图 4)计算如下, 镜头长视角度α=48.1°, 宽视角度β=33.1°。则图片显示的实际面积S如公式(2):
其中, 长度X=100tanα/2=89.25 m; 宽度Y=100tanβ/2=59.50 m。
单张图片的总像素个数N为60 217 344个(9 504×6 336), 通过ImageJ软件计算求出某个垃圾所占据的像素个数(n), 求得垃圾实际占地面积s:
从大小、材料、颜色和来源四个角度对垃圾进行分类。
目前, 对于海滩垃圾的大小尺寸等级国际上尚未有统一的定义, 缺乏对其分类的系统框架。在尺寸界限不存在明确的科学依据的情况下, 应当基于实用主义和工作需要来指导垃圾尺寸的划分(Hartmann et al, 2019; Salgado-Hernanz et al, 2021), 参考《海洋垃圾监测与评价技术规程》(国家海洋局生态环境保护司, 2015)中对海洋垃圾大小的分类, 结合航拍图像特点, 使用垃圾在图片上占据的像素个数来表征垃圾的大小。像素是构成图片的基本元素, 它不会因为显示设备、人眼感知的差异等受影响, 能帮助我们获得客观真实的大小评价。根据垃圾占据像素个数的多少, 将发现的垃圾分为小型垃圾、中型垃圾、大型垃圾、特大型垃圾四类(表 1)。
类型 | 像素个数 | 实际大小(占地面积)/m2 |
小型垃圾 | ≤1 000 | ≤0.09 |
中型垃圾 | 1 000~10 000 | 0.09~0.9 |
大型垃圾 | 10 000~100 000 | 0.9~9 |
特大型垃圾 | >100 000 | >9 |
参考《海洋垃圾监测与评价技术规程》, 根据材料类型, 垃圾可以分为塑料类、泡沫类、玻璃类、金属类、橡胶类、织物(布)类、木制品类、纸类和其他人造物品及无法辨识的材料。
对所有垃圾的颜色进行了统计分类, 包括白色、黑色、绿色、蓝色、棕色、红色、黄色、灰色、紫色、粉色等常见颜色。
海滩垃圾来源分类根据西北太平洋组织(NOWPAP)的统计方法, 按人类海岸活动、航运/渔业类活动、医疗/卫生用品、吸烟用品、其他弃置物5类对能辨别出类型的垃圾的来源进行统计分类(表 2)。
垃圾来源 | 垃圾类型 |
人类海岸活动 | 塑料瓶、塑料袋、玩具、塑料餐具、食品包装容器、衣服、鞋、金属饮品罐及相关材料、纸类垃圾、玻璃瓶等 |
航运/渔业类活动 | 废弃渔网及碎片、浮标、航标等 |
医疗/卫生用品 | 塑料注射器、尿布、棉签、卫生棉、牙刷等 |
吸烟用品 | 香烟、烟头、滤嘴、打火机等 |
其他弃置物 | 加工木材、橡胶轮胎、电线、玻璃和陶瓷类建筑材料等 |
从数量上看, 本次调查在石雀滩共发现1 436个垃圾, 近岸区内垃圾为862个, 占比60%, 中间区内垃圾为309个, 占比22%, 远岸区内垃圾为265个, 占比18%; 从实际占地面积看, 海滩内垃圾总占地面积944.22 m2, 近岸区内垃圾占地面积为622 m2, 占比66%, 中间区内垃圾占地面积为154 m2, 占比16%, 远岸区内垃圾占地面积为168 m2, 占比18%(图 5)。
全区域内垃圾数量密度为4 787个/km2, 各样区内的数量密度分别为8 620、3 090、2 650个/km2。全区域内垃圾的面积密度为3 147 m2/km2, 各样区内垃圾的面积密度分别为6 217、1 540、1 685 m2/km2(图 6)。石雀滩内垃圾的内部分布具有明显的差异性, 其中近岸区内的垃圾数量、实际面积及丰度明显大于中间区与远岸区, 另外两带的垃圾相对较少, 处于类似水平。
2.2 海滩垃圾的大小分布石雀滩内小型垃圾数量的为472个, 占据垃圾总数量的33%, 中型垃圾的数量为763个, 占据总数量的53%, 大型垃圾的数量为186个, 占据总数量的13%, 特大型垃圾的数量为15个, 占据总数量的1%。从数量上看, 石雀滩的垃圾以中型垃圾和小型垃圾为主, 一共为1 235个, 占总量的86%。
石雀滩内内小型垃圾的实际占地面积为23.24 m2, 中型垃圾的实际占地面积为201.76 m2, 大型垃圾的实际占地面积为467 m2, 特大型垃圾的实际占地面积为252.22 m2。从面积占比来看, 特大型垃圾和大型垃圾处于突出位置, 分别占比49%、27%, 二者共占据海滩垃圾总面积的76% (图 7)。
统计不同大小的垃圾在石雀滩内部三个样区内的分布情况(图 8), 结果表明, 各样区内的分布格局与总体趋于一致: 在数量上均是小型垃圾和中型垃圾之和占主导地位, 各区域内二者贡献均在各区域总数量的82%以上; 在占地面积上大型和特大型垃圾之和占主导地位, 各区域内二者贡献均在各区域总面积的67%以上。也就是说, 不同大小的垃圾在各个样区间的分布是较为均匀的。
2.3 海滩垃圾的类型组成从数量上看, 石雀滩内塑料类垃圾的数量最多, 为567个, 占比39.48%, 其次是其他类垃圾, 为539个, 占比37.53%, 这些垃圾绝大多数为细小的碎屑, 不作重点讨论。木制品类垃圾有143个, 占比9.96%。织物(布)类、橡胶类、泡沫类、金属类和玻璃类这5类垃圾的数量相对较少, 分别为72个(5.01%)、58个(4.04%)、31个(2.16%)、24个(1.67%), 2个(0.14%)。从实际占地面积上看, 依旧是塑料类垃圾贡献最大, 总占地面积为363.84 m2, 占比38.53%, 其次是其他类垃圾, 占地面积为173.66 m2, 占比18.39%。木制品类垃圾、织物(布)类、橡胶类、金属类这4类垃圾面积占比处于类似水平, 在7%~13%之间, 泡沫类与玻璃类属于最少的一档, 面积占比仅为1.83%、0.01%(图 9)。
对石雀滩内部三个样区内不同类型垃圾的数量分布和面积分布也进行了统计分析, 发现垃圾在各个区域内的类型分布特征和大小分布特征表现一致, 均趋同于全区域的分布格局, 结合数量和占地面积来看, 塑料类垃圾也依旧是各个样区内的优势类型(图 10)。
2.4 海滩垃圾的颜色特征石雀滩内共发现10种颜色的垃圾, 分别为白色、黑色、绿色、蓝色、棕色、红色、黄色、灰色、紫色、粉色。
从数量上看, 白色垃圾的数量最多, 有417个, 占比29%, 其次是绿色垃圾和蓝色垃圾, 为321个、151个, 分别占比22%、10%, 这3种颜色的垃圾共占据了总量的61%。从占地面积上看, 面积最多的垃圾的颜色分别是绿色、黑色、白色、红色, 分别为234.82、139.73、131.98、127.19 m2, 占比25%、15%、14%、13%(图 11)。总体来看, 白色、绿色、蓝色、黑色、红色是海滩垃圾的主要色调。
值得注意的是, 数量最多的绿色、白色和蓝色垃圾中, 塑料类垃圾占比53%, 占地面积最多的绿色、白色、黑色和红色垃圾中, 塑料类垃圾占比50%。
2.5 海滩垃圾的来源分析根据西北太平洋组织(NOWPAP)的统计方法, 对所有识别出类型的海滩垃圾的来源进行了统计, 涉及人类海岸活动、航运/渔业类活动、其他弃置物三个类型(图 12)。
结果表明, 石雀滩全区域内来源于人类海岸活动的垃圾数量最多, 占据比例为52%、来源于人类海岸活动和航运/渔业类活动的垃圾贡献了总量的83%, 二者在海滩垃圾的产生中起主要作用, 整体来看, 各样区内垃圾来源比例的分布与全区域的结果是十分相似的。
3 讨论从青岛石雀滩的垃圾分布调查结果来看, 空间分布上, 近岸区垃圾在数量和面积上都明显大于另外两个样区。海滩垃圾的产生主要受人类海岸活动的影响(Foster-Smith et al, 2007; Asensio-Montesinos et al, 2019), 与中间区、远岸区相比, 近岸区承载了更频繁、更密集的人类活动, 因此更多的垃圾被遗弃、留存在了这个区域。此外, 海滩上的垃圾在自然因素(风、潮汐、径流)及人类活动的作用下(Prevenios et al, 2018; Asensio-Montesinos et al, 2020), 在海滩内会发生位置的移动, 在石雀滩近岸区内, 尤其是与陆地相接的一边, 存在较多砂石区、弯角地带、洼地区域以及低矮交错的植物群, 这些地势条件对垃圾有着一定的截留作用, 近岸区内这些地势及其周围的垃圾丰度也大于其他区域; 类似地, 在中间区以及远岸区内, 有着少量的礁石区、砂砾区, 这些区域内的垃圾丰度也略大于同一样区内的开阔平坦区(Bowman et al, 1998)。石雀滩中间区与远岸区绝大部分地势开阔平坦, 该地势一定程度上促进了垃圾的运动, 这就造成了近岸区垃圾丰度明显大于其他两带的分布格局。由此可见, 地势条件是影响海滩内部垃圾分布的重要因素之一, 对垃圾有截留作用的地势我们称其为优势地势, 在海滩垃圾治理中, 应当重点关注这些优势地区, 提供针对性的措施。
大小分布上, 对于所有区域, 数量上, 中型垃圾和小型垃圾是优势类型; 面积上, 大型垃圾和特大型垃圾是优势类型。值得注意的是, 与近岸区、中间区以及全域相比, 远岸区小型垃圾的数量比例明显较低, 作者推测这是由于远岸区接近海水, 部分小型垃圾在潮汐的作用下被冲刷到海洋中(Prevenios et al, 2018)。从类型上来看, 与其他国内外针对海滩垃圾的研究结果一样, 塑料类垃圾占据主导地位。颜色分布上, 白色、绿色、蓝色、黑色、红色占据主要地位, 颜色与垃圾类型相关, 可为揭示垃圾的来源提供帮助(Behera et al, 2021)。海滩塑料类垃圾是海洋微塑料的重要来源, 一项针对微塑料的研究中观察到了6种颜色的微塑料, 频率最多的颜色为红色、白色、黄色、蓝色、绿色, 研究人员推测微塑料颗粒多样的颜色对海洋生物可能很有吸引力, 从而增加了他们对微塑料的摄入(Paler et al, 2019)。
清洁度高的海滩背景颜色是十分单一的, 在这样的背景下, 各类颜色的垃圾绝大部分具有明显的边界(Jakovljevic et al, 2020)(这也是通过占有的像素来表征垃圾大小的依据之一), 在低空拍摄图像中, 颜色海滩垃圾最为直观的特征。自动化识别检测图像中的垃圾碎片是未来的研究方向, 颜色可以作为图像中垃圾的“指示”特征(Lavers et al, 2016)。实现垃圾与海滩背景的分离, 建立特定的感兴趣区域(region of interest, ROI)是计算机对图中的垃圾进行“自动解释”(automatic interpretation)的首要环节, 颜色差异使垃圾与海滩背景之间产生了明显的边界, 有利于构建有效的ROI区(Bao et al, 2018)。并且, 颜色区域的面积可以表征垃圾的面积(Kako et al, 2012), 结合深度学习手段, 通过颜色提取区域面积(Hidaka et al, 2022), 从而实现全流程自动化监测、定量海滩垃圾, 进一步提高效率。
从作者大量的现场踏勘经验来看, 青岛市各个海滩均存在大量的纸类、玻璃类垃圾, 以及烟头[吸烟用品是在西北太平洋组织(NOWPAP)的统计方法中垃圾来源的一项大类]。本次调查未发现纸类垃圾以及烟头, 仅发现极少的玻璃垃圾, 这是由于纸类和玻璃在海滩上的留存状态多是碎屑、碎片式的, 和烟头一样, 非常小, 很难被无人机镜头“观察”到(Lee et al, 2016)。使用更高素质的镜头使地面分辨率达到亚厘米级能有效解决这个问题(Han et al, 2017), 或者使用小型消费级无人机在较低的飞行高度下(5~20 m)辅助调查(Lo et al, 2020; Andriolo et al, 2021; Taddia et al, 2021)。此外, 现场存在少量垃圾被礁石、植物等地表物体遮盖而无法辨识, 但这些垃圾绝大部分是小型垃圾碎片, 并且整体上存量很少, 对本研究的调查结果影响非常小。
已有的报道主要基于数量和质量两种指标来研究海滩垃圾, 本研究引入面积来表征垃圾的大小和丰度。Sydes等(1981)的研究指出, 从凋落物对草本植物的产量影响结果来看, 凋落物的表面积是比凋落物的重量更重要的影响因素。对于海滩垃圾而言, 占地面积或许是比数量和质量更重要的指标。1颗2 cm左右玻璃球的质量约等于10~20个普通塑料袋的质量, 从人文角度来讲, 后者引起的视觉冲击与视觉污染远远大于前者, 从生态角度来说, 10~20个塑料袋对海洋环境以及海洋生物的潜在危害也远远大于同等质量的1颗玻璃球。金属类、木制品类、橡胶类垃圾与塑料类垃圾之间的对比也是如此。已有的海滩垃圾研究也都表明, 海滩垃圾类型多样且塑料类垃圾占优势地位, 因此, 在海滩管理工作以及科学研究中, 垃圾的面积/面积密度与重量相比是更实用更重要的指标。常规的人工调查方法要想测量垃圾的占地面积是极其困难且不现实的, 因此目前也几乎没有关于海滩垃圾的占地面积资料。根据我们的研究, 无人机低空拍摄方法是获取垃圾占地面积的有力工具, 为海滩垃圾的定量提供了新的角度, 结合数量、质量资料可以对海滩垃圾丰度进行更客观的评估。
本研究通过无人机开展对海滩垃圾的全覆盖调查, 结果表明, 无人机低空拍摄调查海滩垃圾具有极大的可行性与优越性, 本次使用无人机对石雀滩垃圾的航拍实际覆盖的海滩面积约为30万m2, 图像采集实际耗时仅为40 min, 后续对垃圾的认定与分类、垃圾的丰度评估均在室内完成。与在现场的人工调查方法相比, 效率得到了极大的提高(Martin et al, 2021), 另外也避免了海滩垃圾潜在的对人体的污染影响。获取了石雀滩垃圾的数量与占地面积资料, 基于空间、大小、类型、颜色以及来源讨论了海滩垃圾的分布特征, 为管理部门制定针对性治理措施提供了基础数据。高分辨率的低空航拍图像使得该方法可以监测到海滩上的大部分垃圾, 并且该方法的学习门槛低, 作业方式灵活, 流程简单, 数据采集的过程大部分为自动化步骤, 能够进行快速、高频次的飞行部署(Martin et al, 2018), 为海滩垃圾碎片的长期观测计划提供了新方法(Merlino et al, 2020)。
4 结论(1) 石雀滩的垃圾在空间分布上具有差异性, 近岸区垃圾的丰度显著大于中间区与远岸区; 地势条件是影响垃圾空间分布的重要因素, 海滩内存在“优势”地势, 对垃圾有一定的截留作用。
(2) 石雀滩内, 小型、中型垃圾在数量上占优, 大型、特大型垃圾在面积上占比较高; 塑料类垃圾占据主要地位; 白色、绿色、蓝色、黑色、红色是石雀滩垃圾的主要色调; 人类海岸活动和航运/渔业类活动是石雀滩垃圾的主要来源。
(3) 不同类型垃圾的影响力、危害程度不同, 不能仅通过数量与质量来评估垃圾的丰度, 引入面积来表征垃圾的量可以获得更客观的评价。
(4) 无人机低空拍摄方法监测海滩垃圾效率高、成本低、流程简单, 可以进行快速、高频次的部署, 具有极大的优越性, 可以广泛推广应用到海滩管理工作与科学研究中。
国家海洋局生态环境保护司. 2015. 海洋垃圾监测与评价技术规程(试行)[S]. 国家海洋局生态环境保护司.
|
赵肖, 綦世斌, 廖岩, 等, 2016. 我国海滩垃圾污染现状及控制对策. 环境科学研究, 29(10): 1560-1566 |
ADADE R, AIBINU A M, EKUMAH B, et al, 2021. Unmanned Aerial Vehicle (UAV) applications in coastal zone management-a review. Environmental Monitoring and Assessment, 193(3): 154 DOI:10.1007/s10661-021-08949-8 |
ALSHAWAFI A, ANALLA M, ALWASHALI E, et al, 2017. Assessment of marine debris on the coastal wetland of Martil in the North-East of Morocco. Marine Pollution Bulletin, 117(1/2): 302-310 |
ANDRIOLO U, GONÇALVES G, RANGEL-BUITRAGO N, et al, 2021. Drones for litter mapping: An inter-operator concordance test in marking beached items on aerial images. Marine Pollution Bulletin, 169: 112542 DOI:10.1016/j.marpolbul.2021.112542 |
ASENSIO-MONTESINOS F, ANFUSO G, RAMÍREZ M O, et al, 2020. Beach litter composition and distribution on the Atlantic coast of Cádiz (SW Spain). Regional Studies in Marine Science, 34: 101050 DOI:10.1016/j.rsma.2020.101050 |
ASENSIO-MONTESINOS F, ANFUSO G, WILLIAMS A T, 2019. Beach litter distribution along the western Mediterranean coast of Spain. Marine Pollution Bulletin, 141: 119-126 DOI:10.1016/j.marpolbul.2019.02.031 |
BAO Z C, SHA J M, LI X M, et al, 2018. Monitoring of beach litter by automatic interpretation of unmanned aerial vehicle images using the segmentation threshold method. Marine Pollution Bulletin, 137: 388-398 DOI:10.1016/j.marpolbul.2018.08.009 |
BAULCH S, PERRY C, 2014. Evaluating the impacts of marine debris on cetaceans. Marine Pollution Bulletin, 80(1-2): 210-221 DOI:10.1016/j.marpolbul.2013.12.050 |
BEHERA D P, KOLANDHASAMY P, SIGAMANI S, et al, 2021. A preliminary investigation of marine litter pollution along Mandvi beach, Kachchh, Gujarat. Marine Pollution Bulletin, 165: 112100 DOI:10.1016/j.marpolbul.2021.112100 |
BOWMAN D, MANOR-SAMSONOV N, GOLIK A, 1998. Dynamics of litter pollution on Israeli Mediterranean beaches: a budgetary, litter flux approach. Journal of Coastal Research, 14(2): 418-432 |
FALLATI L, POLIDORI A, SALVATORE C, et al, 2019. Anthropogenic marine debris assessment with unmanned aerial vehicle imagery and deep learning: a case study along the beaches of the republic of maldives. Science of the Total Environment, 693: 133581 DOI:10.1016/j.scitotenv.2019.133581 |
FOSTER-SMITH J, BIRCHENOUGH A C, EVANS S M, et al, 2007. Human impacts on cable beach, broome (Western Australia). Coastal Management, 35(2/3): 181-194 |
HAN S, HONG C K, 2017. Acquisition of subcentimeter GSD images using UAV and analysis of visual resolution. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 35(6): 563-572 |
HARTMANN N B, HÜFFER T, THOMPSON R C, et al, 2019. Are we speaking the same language? Recommendations for a definition and categorization framework for plastic debris. Environmental Science & Technology, 53(3): 1039-1047 |
HIDAKA M, MATSUOKA D, SUGIYAMA D, et al, 2022. Pixel-level image classification for detecting beach litter using a deep learning approach. Marine Pollution Bulletin, 175: 113371 DOI:10.1016/j.marpolbul.2022.113371 |
JAKOVLJEVIC G, GOVEDARICA M, ALVAREZ-TABOADA F, 2020. A deep learning model for automatic plastic mapping using unmanned aerial vehicle (UAV) data. Remote Sensing, 12(9): 1515 DOI:10.3390/rs12091515 |
KAKO S I, ISOBE A, MAGOME S, 2012. Low altitude remote-sensing method to monitor marine and beach litter of various colors using a balloon equipped with a digital camera. Marine Pollution Bulletin, 64(6): 1156-1162 DOI:10.1016/j.marpolbul.2012.03.024 |
KONAR B, IKEN K, 2018. The use of unmanned aerial vehicle imagery in intertidal monitoring. Deep Sea Research Part II: Topical Studies in Oceanography, 147: 79-86 DOI:10.1016/j.dsr2.2017.04.010 |
LAVERS J L, OPPEL S, BOND A L, 2016. Factors influencing the detection of beach plastic debris. Marine Environmental Research, 119: 245-251 DOI:10.1016/j.marenvres.2016.06.009 |
LAW K L, MORÉT-FERGUSON S, MAXIMENKO N A, et al, 2010. Plastic accumulation in the North Atlantic subtropical gyre. Science, 329(5996): 1185-1188 DOI:10.1126/science.1192321 |
LAZAR B, GRAČAN R, 2011. Ingestion of marine debris by loggerhead sea turtles, Caretta caretta, in the Adriatic Sea. Marine Pollution Bulletin, 62(1): 43-47 DOI:10.1016/j.marpolbul.2010.09.013 |
LEE J, LEE J, HONG S, et al, 2017. Characteristics of meso-sized plastic marine debris on 20 beaches in Korea. Marine Pollution Bulletin, 123(1/2): 92-96 |
LEE J, SUNG S, 2016. Evaluating spatial resolution for quality assurance of UAV images. Spatial Information Research, 24(2): 141-154 DOI:10.1007/s41324-016-0015-0 |
LI W C, TSE H F, FOK L, 2016. Plastic waste in the marine environment: A review of sources, occurrence and effects. Science of the Total Environment, 566/567: 333-349 DOI:10.1016/j.scitotenv.2016.05.084 |
LO H S, WONG L C, KWOK S H, et al, 2020. Field test of beach litter assessment by commercial aerial drone. Marine Pollution Bulletin, 151: 110823 DOI:10.1016/j.marpolbul.2019.110823 |
MARTIN C, PARKES S, ZHANG Q N, et al, 2018. Use of unmanned aerial vehicles for efficient beach litter monitoring. Marine Pollution Bulletin, 131: 662-673 DOI:10.1016/j.marpolbul.2018.04.045 |
MARTIN C, ZHANG Q N, ZHAI D J, et al, 2021. Enabling a large-scale assessment of litter along Saudi Arabian red sea shores by combining drones and machine learning. Environmental Pollution, 277: 116730 DOI:10.1016/j.envpol.2021.116730 |
MERLINO S, PATERNI M, BERTON A, et al, 2020. Unmanned aerial vehicles for debris survey in coastal areas: Long-term monitoring programme to study spatial and temporal accumulation of the dynamics of beached marine litter. Remote Sensing, 12(8): 1260 DOI:10.3390/rs12081260 |
MOORE S L, ALLEN M J, 2000. Distribution of anthropogenic and natural debris on the mainland shelf of the Southern California Bight. Marine Pollution Bulletin, 40(1): 83-88 DOI:10.1016/S0025-326X(99)00175-7 |
OIGMAN-PSZCZOL S S, CREED J C, 2007. Quantification and classification of marine litter on beaches along Armação dos Búzios, rio de janeiro, brazil. Journal of Coastal Research, 23(2): 421-428 |
ORYCH A. 2015. Review of methods for determining the spatial resolution of UAV sensors[C]//International Conference on Unmanned Aerial Vehicles in Geomatics. Toronto: International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences: 391-395.
|
PALER M K O, MALENAB M C T, MARALIT J R, et al, 2019. Plastic waste occurrence on a beach off southwestern Luzon, Philippines. Marine Pollution Bulletin, 141: 416-419 DOI:10.1016/j.marpolbul.2019.02.006 |
PREVENIOS M, ZERI C, TSANGARIS C, et al, 2018. Beach litter dynamics on Mediterranean coasts: Distinguishing sources and pathways. Marine Pollution Bulletin, 129(2): 448-457 DOI:10.1016/j.marpolbul.2017.10.013 |
RYAN P G, MOLONEY C L, 1993. Marine litter keeps increasing. Nature, 361(6407): 23 |
SALGADO-HERNANZ P M, BAUZÀ J, ALOMAR C, et al, 2021. Assessment of marine litter through remote sensing: recent approaches and future goals. Marine Pollution Bulletin, 168: 112347 DOI:10.1016/j.marpolbul.2021.112347 |
SHEAVLY S B, REGISTER K M, 2007. Marine debris & plastics: environmental concerns, sources, impacts and solutions. Journal of Polymers and the Environment, 15(4): 301-305 DOI:10.1007/s10924-007-0074-3 |
SYDES C, GRIME J P, 1981. Effects of tree leaf litter on herbaceous vegetation in deciduous woodland: II. An experimental investigation. The Journal of Ecology, 69(1): 249-262 DOI:10.2307/2259829 |
TADDIA Y, CORBAU C, BUONINSEGNI J, et al, 2021. UAV approach for detecting plastic marine debris on the beach: a case study in the po river delta (Italy). Drones, 5(4): 140 DOI:10.3390/drones5040140 |
XIANG H T, TIAN L, 2011. Development of a low-cost agricultural remote sensing system based on an autonomous unmanned aerial vehicle (UAV). Biosystems Engineering, 108(2): 174-190 DOI:10.1016/j.biosystemseng.2010.11.010 |
YAO P, XIE Z X, REN P, 2019. Optimal UAV route planning for coverage search of stationary target in river. IEEE Transactions on Control Systems Technology, 27(2): 822-829 DOI:10.1109/TCST.2017.2781655 |