Обустройство мест захоронения бытовых отходов
В современном коммунальном хозяйстве предусмотрен целый комплекс мероприятий по сбору, переработке, утилизации и захоронению бытовых отходов. Действия по управлению отходами включают сортировку мусора, переработку части бытовых отходов, компостирование, сжигание отходов, а также глубокое их преобразование. В итоге все эти меры должны способствовать уменьшению количества отходов, подлежащих захоронению.
Мусороперерабатывающих предприятий в России — единицы. В основном твердые бытовые отходы (ТБО) захораниваются в лучшем случае на «санитарных» полигонах, в худшем — на мусоросвалках.
Полигоны ТБО — это оборудованные сооружения, в основном — в специально устроенных выемках, котлованах или карьерах, где складируются бытовые отходы. Мусор, доставляемый на полигоны автотранспортом, равномерно распределяется по поверхности, уплотняется, а образованные таким образом толщи перекрываются слоями глины, мергеля, песка. Полигон разбивается на участки (очереди) по порядку эксплуатации. Вначале отрабатывается один участок, затем он перекрывается слоем песчаноглинистого материала, а отходы складируются на очередном участке и так далее. При этом дно выемки со временем заполняется, но по принятым у нас нормам эксплуатация полигона не прекращается. В результате вырастает настоящая гора из мусора.
Рис. 1. Мусорный полигон ТБО «Малинки» на 6 500 000 тонн твердых бытовых отходов
Полигоны ТБО являются критическими компонентами в управлении и смягчении экологического воздействия промышленных деятельностей. Однако мониторинг этих областей может быть сложным из-за удаленных местоположений и ограниченной доступности. В последнее время космические методы применяются для преодоления этих ограничений и обеспечения более точного и эффективного мониторинга полигонов ТБО. В этой статье мы рассмотрим, как космические методы могут помочь в мониторинге полигонов ТБО и обсудим преимущества и ограничения использования этих техник.
Методы оценки полигонов ТБО аэрокосмическими методами
Космические методы включают анализ данных, собранных с космических датчиков, таких как спутники или самолеты, для мониторинга различных аспектов окружающей среды. Эти методы предлагают несколько преимуществ по сравнению с традиционными земными методами мониторинга, включая большую покрытие, более высокое пространственное разрешение и снижение затрат. Например, применяя алгоритмы машинного обучения к спутниковым изображениям, исследователи могут с высокой точностью определять изменения в образцах землепользования, состоянии растительности и влажности почвы.
Несмотря на большие возможности для усовершенствования мониторинга полигонов ТБО, космические методы также имеют свои ограничения, которые нужно решить. Одной из основных проблем является наличие облачности, которая может затруднять сбор надежных данных в определенные времена года или в конкретных местах. Кроме того, стоимость приобретения и обработки спутниковых изображений все еще может быть слишком высокой для многих организаций, особенно при ограниченном бюджете. И, наконец, интерпретация результатов сложных алгоритмов требует специализированных знаний, которые не всегда доступны в организации. Далее будут рассмотрены наиболее популярные и эффективные методы космического мониторинга.
Рис. 2. Расположение испытательных площадок. (Слева): Свалки Новый Фейсалабад и Главный Фейсалабад, расположенные в Пакистане; (Справа): Свалки Цагаан Даваа, Морангийн Даваа и Нарангиин Энгер, расположенные в Монголии.
Преимущества использования космических методов в мониторинге полигонов ТБО:
- Возможность получения точной информации о состоянии окружающей среды в режиме реального времени.
- Высокая точность измерений благодаря использованию спутниковых данных.
- Возможность проведения анализа данных в режиме реального времени и оперативного реагирования на изменения экологической ситуации.
- Большой потенциал в области научных исследований.
Недостатки методов:
- Высокая стоимость проведения мониторинга с помощью КА.
- Необходимость наличия специального оборудования для обработки данных, полученных с помощью КА.
- Ограниченность доступности данных, получаемых с помощью КА, из-за ограничений на распространение информации.
Анализ на основе индексов растительности
Свалка Цагаан-Даваа расположена в Монголии. Изменение растительного покрова в самой южной части свалки можно наблюдать в период с 2020 по 2021 год, как показано слева на рисунке 3. Несмотря на облачность, изменения все же были заметны. Как можно найти в литературе, NDVI (это наиболее известный и используемый индекс растительности для количественной оценки зеленой растительности путем измерения здоровья растений на основе того, отраженного света растением на определенных частотах) является хорошо зарекомендовавшим себя индексом, который также часто используется при обнаружении свалок, поскольку он может соотносить стресс растительности с потенциальным загрязнением, вызванным отходами. Для этого к этому сайту был применен NDVI, который показан в правой части изображения до и после события. Индекс четко выделяет область интереса как в 2020, так и в 2021 году, сообщая о более низком значении на свалке, чем в прилегающих районах. Это событие также наглядно представлено индексом NDVI, который вырос в 2021 году, когда произошли изменения. Чтобы количественно оценить увеличение значений NDVI, средние значения по территории, где произошло изменение земного покрова (черные пунктирные многоугольники на рис. 3), были рассчитаны до и после вышеупомянутого события, и значения представлены в таблице 2. Результаты показывают увеличение значений NDVI, которое ожидалось из-за удаления отходов и вызванного этим изменения земного покрова, о чем свидетельствует визуальная интерпретация изображений Google Earth.
Рис. 3. Свалка Цагаан Даваа. (Слева): изображение местности в Google Earth; (Справа): карта NDVI. Красная линия: периметр свалки, черная пунктирная линия: территория, затронутая изменением растительного покрова.
NDWI (индекс растительности, дополняющий NDVI, чувствителен к изменениям содержания воды в растительном покрове) был проанализирован для свалки Морангийн Даваа в Монголии, как показано на рисунке 4 слева. NDWI использовался, поскольку содержание воды в почве может быть связано с фильтратом, образующимся из отходов. На этом участке в период с 2018 по 2019 год произошло расширение полигона в южной части. Для южной части участка, как и ожидалось, отмечается рост значений NDWI.
Рис. 4. Свалка Морангийн Даваа. (Слева): съемка территории с помощью Google Earth; (Справа): карта NDWI. Красная линия: периметр свалки, черная пунктирная линия: территория, затрагиваемая вывозом отходов.
Более того, вышеупомянутое увеличение NDWI можно наблюдать не только на иллюстрации (Рис. 4), но и путем расчета средних значений по площади свалки, связанной с событием (Таблица 3), что позволяет предположить потенциальное присутствие фильтратов на площадке, особенно в районе, затронутом новой свалкой мусора (в южном районе).
На свалке Нарангиин-Энгер в Монголии в период с 2020 по 2021 год произошло событие: изменение земного покрова в южной части полигона, показанное слева на рис. 5. DDI был разработан специально для обнаружения свалок, и для этого объекта показан пример применения. Изменение растительного покрова отчетливо обнаруживается, поскольку наблюдалось снижение значений DDI на этом конкретном участке участка. Также в этом случае средние значения по южной части участка (черный пунктирный многоугольник на рис. 4) были рассчитаны до и после изменения земного покрова (Таблица 4). В интересующей области произошло снижение с -1,12 до -5,65, подтвердив ожидаемое.
Рис. 5. Свалка Нарангиин Энгер. (Слева): съемка территории с помощью Google Earth; (Справа): карта DDI. Красная линия: периметр свалки; черная пунктирная линия: территория, затронутая изменением растительного покрова.
Анализ температуры поверхности суши
LST (Land surface temperature) является ключевым параметром, который можно получить из данных дистанционного зондирования. Предлагаемый алгоритм оценки температуры поверхности земли состоит из получения скорректированного на атмосферу спектрального излучения для одного теплового диапазона Landsat. LST был рассчитан для главной свалки Фейсалабад в Пакистане (см. Рис. 6). Оказалось, что на изображениях за два рассматриваемых года не было очевидных изменений в распределении температуры поверхности, и в целом по форме свалки LST смог эффективно разграничить периметр свалки от окружающей территории. Можно отметить, что значения LST в 2021 году были выше, чем зарегистрированные в тот же период 2020 года для той же сцены, но важно подчеркнуть, что пространственное распределение значений LST на изображениях пропорционально сохранилось. Как упоминалось ранее, поскольку в период с 2020 по 2021 год очевидных изменений не произошло, средние значения были рассчитаны по всей площади полигона, чтобы изучить возможность определения периметра полигона с использованием информации о температуре. Чтобы учесть этот эффект, был рассчитан общий температурный сдвиг между двумя изображениями, рассматривая только территорию за пределами свалки, в результате чего значение сдвига составило 5,9 °C. Как уже упоминалось, стоит ориентироваться на разницу между температурой участка и температурой окружающей территории. Результаты, показанные в Таблице 1, предполагают температурный разрыв около 5 °C, который сохранялся с течением времени.
Рис. 6. Основная свалка Фейсалабад. (Слева): съемка территории с помощью Google Earth; (В центре): карта LST в 2020 году; (Справа): карта LST 2021 года. Красная линия: периметр свалки.
Индекс |
2020 год |
2021 год |
LST IN (°C) |
38,319 |
42,943 |
LST OUT (°C) |
29.475 |
35,382 |
Таблица 1. Средние значения LST, рассчитанные внутри свалки и на прилегающей территории. В течение долгого времени внутри объекта сохранялась более высокая температура по сравнению с окружающей средой.
Анализ на основе SAR
SAR — это радарная технология, использующая радиоволны для создания детальных изображений объектов на земной поверхности. SAR работает путем излучения радарного сигнала и регистрации отраженных от него сигналов. Изображения РСА были обработаны для получения коэффициента обратного рассеяния в поляризациях VH и VV. В связи с этим в качестве эталонного участка для анализа был выбран участок Нью-Фейсалабад, расположенный в Пакистане. Сайт указан слева на рис. 7, как показано в Google Earth. На этих изображениях можно наблюдать значительное расширение южной части участка в период с 2020 по 2021 год.
Рис. 7. Новая свалка Фейсалабад. (Слева): съемка территории с помощью Google Earth; (Справа): карты обратного рассеяния в поляризациях VH и VV. Красная линия: периметр свалки.
Как показано на Рис. 7, обратное рассеяние выделило периметр свалки, поскольку высокие значения коэффициента обратного рассеяния имели место внутри границ площадки, тогда как окружающая территория характеризовалась более низкими значениями. Можно предположить расширение площадки, поскольку в южной части площадки коэффициент обратного рассеяния увеличился для обеих поляризаций. Увеличение коэффициента обратного рассеяния можно объяснить изменением механизма рассеяния, что подтверждает ожидаемые изменения поверхности, предполагаемые визуальной интерпретацией изображений Google Earth. Действительно, поверхность территории, подлежащей расширению, превратилась из голой почвы в свалку отходов, что, учитывая ее неоднородный состав и геометрию, привело к увеличению интенсивности сигнала, измеряемого радарным датчиком.
Многопараметрический анализ
Анализ на основе SAR и нескольких оптических параметров
В дополнение к проиллюстрированному выше анализу отдельных выбранных параметров, т. е. мультиспектральных индексов, LST и обратного рассеяния, полученного на основе SAR, стоит продемонстрировать их совместное применение. В частности, для простоты три индекса растительности и LST были рассчитаны на участке, выбранном для анализа на основе SAR, то есть на свалке в Новом Фейсалабаде.
Как показано на рисунке 8, три индекса, т. е. NDVI, NDWI и DDI, показывают площадь свалки относительно ее окрестностей. Однако структура растительного покрова повлияла на точность результатов. Например, большая голая поверхность почвы за пределами свалки, в левом нижнем углу изображений, показала значения индексов, сопоставимые с индексами внутри свалки. Несмотря на это, в южной части интересующей территории наблюдалось небольшое снижение NDVI и рост NDWI и DDI в 2021 году, согласно ожиданиям относительно изменения анализа. Кроме того, распределение пикселей трех индексов оказалось более однородным на изображениях 2021 года, в результате чего границы свалки были более четкими в южной части из-за произошедшего захоронения отходов.
Рис. 8. Новая свалка Фейсалабад. Последовательно: обратное рассеяние NDVI, NDWI, DDI, LST и SAR в поляризациях VH и VV. Красная линия: периметр свалки; черная пунктирная линия: территория, затронутая вывозом отходов.
В рамках анализа LST был рассчитан на основе изображений, полученных за два рассматриваемых года (см. Рис. 8). Несмотря на несколько разные температурные диапазоны, наблюдаемые в течение двух лет, можно отметить, что южная часть полигона (которая является исследуемой) пострадала от увеличения значений LST по сравнению с прилегающими территориями. Этот результат согласуется с результатами, полученными с использованием других рассматриваемых индексов.
Что касается предыдущего анализа, средние значения были рассчитаны по территории, затронутой изменением (южная часть участка, выделена черной пунктирной линией на рис. 8) для 2020 и 2021 годов. Вычисленные значения показывают ожидаемую тенденцию для всех индексы (табл. 2). В частности, NDVI снизился, а NDWI увеличился примерно на 0,04 и 0,03 соответственно. Кроме того, DDI увеличился, показав более высокую разницу с 2020 по 2021 год по сравнению с другими мультиспектральными индексами (3,78). Как упоминалось ранее, на сравнение двух изображений LST, полученных в разные годы, влияет сдвиг, зависящий от климатических условий. Как и в предыдущем тематическом исследовании, сдвиг был рассчитан между двумя изображениями, рассматривая только территорию за пределами свалки, и получил значение 6,2 °C. Более того, чтобы оценить изменение температуры из-за захоронения отходов, LST рассчитывался путем усреднения изображений по конкретной территории, то есть южной части полигона. В результате была получена разница в 8,5 °C, так что, если вычесть температурный сдвиг, зависящий от климатических условий, увеличение на 2,3 °C можно связать с произошедшим удалением отходов.
Индекс |
2020 год |
2021 год |
NDVI |
0,1634 |
0,121 |
NDWI |
−0,232 |
−0,205 |
DDI |
−5,196 |
−1,411 |
LST T (°С) |
34,641 |
43.186 |
SAR VH (дБ) |
−16,380 |
−12,187 |
SAR VV (дБ) |
−9,033 |
−5,337 |
Таблица 2. Средние значения всех рассматриваемых показателей, рассчитанные по южной части полигона (где происходило захоронение отходов).
Создание мультивременной композиции
Мультивременной композит — это растровое изображение на область перекрытия двух или более разновременных космических снимков, предоставленное в виде комбинации одного или нескольких спектральных каналов всех этих снимков.
Мультивременная композиция космических снимков может быть полезным инструментом при мониторинге ТБО или развития полигона ТБО. Этот подход позволяет проанализировать изменения в течение определенного времени и выявлять динамику возникновения или распространения проблем, связанных с ТБО.
Преимущества мультивременной композиции:
- Оперативное обнаружение изменений: путем сравнения мультивременных композиций можно выявлять изменения в распределении и объеме отходов на полигоне. Это может помочь в оценке эффективности стратегий сбора и обработки ТБО и принятии соответствующих мер.
- Идентификация зон риска: Анализ мультивременных композиций может помочь идентифицировать участки, где скопление отходов или нарушения внутри полигона ТБО представляют потенциальные риски для окружающей среды или здоровья людей.
- Оценка стабильности полигона ТБО: Сравнение мультивременных композиций позволяет отслеживать изменения на полигоне ТБО во времени. Это может помочь в оценке стабильности и устойчивости полигона, выявлении участков, требующих ремонта или дополнительной обработки.
- Планирование ресурсов: Анализ мультивременных композиций может помочь лучше планировать ресурсы и бюджет для обслуживания полигона ТБО. Выявление паттернов и трендов в распределении отходов может помочь в определении оптимальных маршрутов сбора, мест для дополнительных контейнеров или инфраструктуры.
Использование мультивременной композиции космических снимков требует обработки и анализа геопространственных данных. Это можно сделать с помощью геоинформационных систем и специализированного программного обеспечения для обработки спутниковых изображений.
Рис. 9. Полигон ТБО "Тимохово" - самый большой полигон ТБО в Московской области
В качестве примера, была составлена мультивременная композиция на общедоступных данных ДЗЗ Sentinel-2А. для полигона ТБО «Тимохово» в Московской области. За основу был взят красный канал, так как он хорошо отражает изменения растительности и обладает пространственным разрешением 10м на местности. Главным изображением был снимок от 2019.04.15, а втростепенным был снимок 2023.09.28. Для автоматизированного выявления изменения было составлено псевдоцветное изображение из двух красных каналов главного снимка и в качестве зеленого канала был выбран красный канал второстепенного снимка. Это позволило получить изображение (Рис.9.), где изменения полигона ТБО выделены зеленым цветом.
Рис. 10. Мультивременная композиция на Тимоховский полигон ТБО

Рис.11. Мультивременная композиция на закрытый полигон ТБО «Игумовский»
Август 2018 - июль 2023
Использование БПЛА
Беспилотные летательные аппараты (БПЛА), часто называемые дронами, предоставляют ценные возможности для мониторинга полигонов твердых бытовых отходов (ТБО). Комбинированное использование БПЛА и космических данных позволяет обеспечить более полную и детализированную информацию о полигонах ТБО. Вот некоторые особенности, преимущества и применение этой технологии:
- Особенности использования БПЛА для мониторинга полигонов ТБО:
- Гибкость и мобильность: БПЛА обладают возможностью летать и снимать данные с разных высот и углов, что позволяет получать точечные и обзорные изображения полигонов ТБО.
- Высокое разрешение: Современные БПЛА оборудованы камерами с высоким разрешением, позволяющим получать детальные снимки полигонов ТБО (менее 1м). Это позволяет обнаруживать и анализировать различные аспекты, такие как состояние расположения отходов и потенциальные проблемные зоны.
- Реальное время: БПЛА могут передавать данные в режиме реального времени, что позволяет операторам мониторить полигоны ТБО и быстро реагировать на изменения ситуации в случае обнаружения проблем.
- Преимущества комбинированного использования БПЛА и космических данных:
- Широкий охват: Комбинированное использование БПЛА и космических данных позволяет охватить большую площадь полигонов ТБО и получить обзорную информацию на региональном или даже национальном уровне.
- Мультиспектральность: Космические данные предоставляют информацию в различных спектральных каналах, таких как инфракрасный, тепловой или радиоэмиссионный. Комбинирование этих данных с БПЛА позволяет обнаруживать скрытые аномалии, идентифицировать горячие точки и определять химические или тепловые изменения на полигонах ТБО.
- Применение комбинированного подхода БПЛА и космических данных для мониторинга полигонов ТБО:
- Детектирование загрязнений: БПЛА могут обнаруживать утечки и разливы отходов, а также идентифицировать несанкционированное складирование или неправильное распределение отходов на полигоне. Космические данные дополняют эту информацию, позволяя выявить загрязнение в более широком масштабе.
- Мониторинг изменений: Комбинированное использование БПЛА и космических данных позволяет мониторить изменения на полигоне ТБО со временем. Повторные съемки позволяют выявлять и анализировать тенденции в расширении полигона, изменении уровня отходов и оценке эффективности действий по управлению отходами.