Fragile Watermarking Algorithm for High Precision Map of OpenDRIVE Format
-
摘要: 针对高精地图数据完整性保护问题,本研究基于零宽度字符和信息-摘要算法提出了一种适用于OpenDRIVE格式高精地图的脆弱水印算法。嵌入水印过程中,先按照文档结点的树状结构与道路要素的起始点坐标排序建立位置关系,再提取结点外部文本生成脆弱水印信息,最后结合建立的位置关系将水印信息嵌入到对应结点。在验证时,对比生成的水印信息与提取的水印信息,根据两者差别鉴定数据完整性。实验表明,该算法生成的水印不可见性良好,不会改变地图所包含的信息,造成的增量与原始大小的比值通常可控制在5%以内,验证水印时能够精准定位文档中发生的篡改。Abstract: Objectives: It is not supposed to be ignored that the issue of data integrity protection of high precision map, which is considered as a key data resource in the development of digital transportation. However, hash algorithms applied to file verification did not consider the function of inferring the location of tampered content inside a message based on a single checksum exception in its design. Therefore, an algorithm that can verify the integrity of high-precision map data and accurately locate tampering can not only effectively prevent and resolve network security risks in the field of digital transportation, but also effectively protect the safety of people's lives and property. Focusing on this question, this paper proposed a fragile watermarking algorithm that is suitable for high precision map of OpenDRIVE format. Methods: This algorithm is designed based on Unicode zero-width characters and MD5 hash algorithm. The algorithm proposed use zero-width character sequences to embed watermark information, with XML nodes as units to generate, embed, extract and verify watermarks. The watermark information corresponding to each node is composed of a combination of a tree watermark and a road feature watermark. In order not to affect the normal use of the data, the embedding position of the watermark sequence is selected at the end of the row corresponding to the starting label or unique label of each node. When the data is distributed, the administrator can use this algorithm to generate fragile watermarks and embed them into highprecision map data and verify whether the watermarks are successfully embedded in the file. When the user needs to verify the integrity of the file, this algorithm can be used to extract and verify the watermark. If the two are completely consistent, inform the user that the integrity of the file has passed the inspection, otherwise the algorithm will determine the tampering location for the user based on the abnormal situation. Results: The result show that:(1) Embedding watermarks into high-precision map documents will not cause visible abnormal display phenomena. (2) Embedding watermarks will not cause significant changes in the size of high-precision map documents, and the ratio of increment to original size can be controlled within 5%. (3) Highly sensitive to attacks against nodes and watermarks, and able to accurately locate the location of tampering. When whole element deletion occurs, the geometric information of the deleted element can be inferred. Conclusions: This algorithm is suitable for the integrity protection of high-precision map data, and can also be applied to the integrity protection of other structurally similar data such as HTML and CSS, as long as cancelling some preprocessing requirements, reconfirming the appropriate watermark embedding position and clarifying the definition of features and the sorting rules between features.
-
Keywords:
- Fragile Watermarking /
- High Precision Map /
- Zero-Width Characters /
- XML /
- Text Watermarking
-
空气污染作为全球十大环境污染之首无时无刻不在影响人类的生活与健康[1, 2]。当前在空气污染防控和人群健康损害规避措施制定过程中,难以全面了解空气污染空间分布差异与成因。揭示城市空气污染空间分异特征、格局与成因成为研究人员共同面临的科学课题。
国内外迄今已报道的空气污染空间分异特征与成因研究方法,主要有经验统计分析和模型模拟法。相关性分析、趋势检验等技术[3-5]能较好实现空气污染与相关因子的定性关联,但无法量化不同因子的贡献大小。模型模拟可从污染源排放-传输角度动态追踪污染物扩散和输送的过程,明确解释和预测污染与各驱动因子的空间交互作用[6-9],但存在稳定性与精度随研究区改变而变化、模型需求的高分辨率污染排放清单、气象数据难以获取等问题。
运用宏观尺度土地利用/覆盖 (land-use and land-cover,LULC)与微观尺度景观格局差异间接表征污染排放空间特征的方式已经被广泛认可[4, 9, 10]。用于挖掘目标空间数据时空关联特性的GIS (geographic information system)空间分析为识别多元地理要素对空气污染的驱动机制提供了新的手段。地理探测器为从土地利用视角解释城市空气污染空间分异特征的成因提供了重要的技术支撑[11]。
以长沙市(长)、株州市(株)、湘潭市(潭)城市群为对象,本文在综合运用GIS和RS (remote sensing)技术实现污染物浓度及其影响因素空间分异制图的基础上,借助地理探测思想从宏观尺度LULC和微观尺度景观格局两方面定量分析、比较融合气象因子前后的土地因子对区内典型空气污染物NO2、PM10、O3、PM2.5浓度空间分布格局形成的贡献大小。
1 长株潭概况与数据源
研究区包含长株潭三市的16个区/县级行政单位,约3 452 km2。以湘江为界,北部平坦开阔,中部为低平冲积平原,其它为丘陵低山,全年以亚热带季风为主[12, 13],空气污染扩散条件较差。区内自然人文景观类型多样,道路通达性好,2013年底城镇化率接近61.0%,“灰霾”天气常见,污染防治迫在眉睫。
数据采自美国地质调查局2013年7月31日空间分辨率30 m的Landsat8影像,湖南省环保厅发布的研究区23个监测点NO2、PM10、O3、PM2.5小时观测浓度和湖南省气象局发布的18个监测点同年温度、湿度、降水、风速均值和风向频率统计值。空气质量监测点采样高度为3~15 m,温度、湿度监测仪器、风速测定仪、雨量器分别距地约1.5 m、10 m、0.7 m。研究区与监测点分布见图 1。
2 空间制图与地理探测方法
2.1 空气污染与气象因子制图
采用综合比较平均绝对误差、均方根误差和拟合优度确定反距离加权为空气污染浓度与气象因子空间分异特征制图的方法。依据空气质量评价定义,选定1 000m为污染物浓度与气象因子制图的空间分辨率,绘制年均NO2、PM10、O3、PM2.5浓度和温度、湿度、降水、风速的空间分布差异图。
2.2 LULC遥感分类与景观格局可视化
首先对Landsat8影像利用ENVI软件完成大气校正、几何校正、镶嵌和裁剪,然后依据LULC特征,采用最大似然法监督分类将预处理影像分为裸地、建设用地、耕地、林地、绿地、道路和水域。用同期资源3号卫星影像数据检验,分类精度达83.57%。利用ArcGIS对分类结果按1 000 m格网尺寸重采样,计算每个格网内不同LULC类型面积占比,生成占比空间分异图。
景观指数是从微观尺度表征LULC要素空间配置关系的有效指标[12, 13]。选取景观级别蔓延度(contagion index,CONTAG)、最大斑块指数(largest patch index,LPI)、周长面积分维数(perimeter-area fractal dimension,PAFRAC)、多样性指数(shannon's diversity index,SHDI),应用Fragstats移动窗口法计算、绘制各景观指数空间分异图。CONTAG反映景观中不同斑块类型的连通、聚集程度,值越小斑块离散程度越高。LPI值大小决定景观中优势种丰度等生态特征,反映人类活动方向和强弱。PAFRAC表示景观形状复杂程度,值越大形状越复杂,景观破碎程度越高。SHDI反映景观类型多样性大小,值越高,土地利用类型越丰富。
2.3 因子贡献力地理探测
地理探测器是以空间变异理论、空间叠置技术和集合论为基础,通过比较因变量与自变量因子地理图层空间一致性,判定自变量因子对因变量取值变化贡献大小的度量方法[11],度量指标为因子贡献力PD,H(power of determinant,P):
$${{P}_{D,H}}=1-\frac{1}{n\sigma _{H}^{2}}{{\sum }^{m}}_{i=1}{{n}_{D,i}}\sigma _{{{H}_{D,i}}}^{2}$$ (1) 式中,H、D分别表示因变量与自变量因子;σH2与n表示H的栅格值方差和栅格总数;σHD,i2、nD,i和m分别表示D的第i类栅格值方差、栅格数和类型总数。因子贡献力取值范围为0~1,0表示自变量因子与因变量完全无关,1表示自变量因子完全控制因变量。
自变量因子(D1,D2)共同作用时彼此间相互加强、抵抗或独立关系的分析称为交互探测。用符号“∩”表示两个因子的交互作用,定义为:① 加强: PD,H(D1∩D2)> PD,H(D1)或PD,H(D2);② 双加强:PD,H(D1∩D2)> PD,H(D1) 和PD,H(D2);③ 非线性加强:PD,H(D1∩D2)> PD,H(D1)+PD,H(D2);④ 抵抗:PD,H(D1∩D2)< PD,H(D1)+PD,H(D2);⑤ 单抵抗:PD,H(D1∩D2)< PD,H(D1)或PD,H(D2);⑥ 非线性抵抗:PD,H(D1∩D2)< PD,H(D1)和PD,H(D2);⑦ 独立:PD,H(D1∩D2)= PD,H(D1)+PD,H(D2)。
本文以空气污染物浓度为因变量,土地利用因子(含LULC占比和景观指数)和气象因子为自变量,叠置后导入地理探测器,分析空气污染空间分异特征的因子贡献力以及因子间的交互关系。地理探测器适用于类型变量因子,选择适宜于不均衡分布数据分类的自然间断法对各因子进行离散,经反复实验确定十类分级方案,结果较好。
3 因子空间分布特征与贡献力分析
3.1 LULC与空气污染空间分布特征
图 2为2013年空气污染物浓度与土地因子的空间分异特征图。综合分析图 2(a)与图 2(c)可知,建设用地主要分布在水域两侧,道路贯穿整个地区,二者面积占比越大,NO2、PM2.5浓度越高;林地集中分布在长沙县北部地区,NO2、PM2.5浓度较低。O3浓度总体呈外围高、中心低的趋势,与耕地占比分布正向一致;与建设用地、林地的关系与NO2、PM2.5相反。LULC类型对PM10浓度分布的影响相对复杂,建设用地外围绿地和耕地夹杂地区浓度仍然较高,究其原因,NO2与PM2.5主要来源于化石燃料燃烧和机动车尾气排放等。自然保护区、森林覆盖率较高地区的NO2浓度低,反倒催化了O3的生成。湘潭市建设用地面积虽小,但矿冶工业园集中分布,高速城镇化过程中的工业、建筑扬尘造成了PM10浓度升高。
微观尺度景观格局(图 2(b))结果表明,CONTAG、LPI分别较高 浏阳河两侧及长沙县东南大部O3浓度较高,NO2、PM10和PM2.5浓度较低;开发强度高的望城南部等地区为PAFRAC高值区,PM10浓度也相对较高;研究区东部SHDI值越低,PM2.5浓度值越低,SHDI与CONTAG空间分布相反。长沙市中心LPI值高、SHDI值低,NO2、PM2.5浓度达到最大值。原因为CONTAG高值区内优势斑块绿地和林地的连通性好,对NO2、PM10和PM2.5的“负效应”明显。土地开发活动较强的望城县和湘潭市景观格局破碎程度高,PM10和PM2.5浓度相应较高。长沙市中心建设用地(含交通道路)为优势斑块,景观相对单一,污染排放集中且扩散条件差,NO2、PM2.5浓度街道峡谷效应明显。
3.2 气象条件与空气污染空间分布特征
空气污染物浓度空间分布(图 3(a))与气象因子空间分布格局(图 3(b))的对比表明,以湘江为界,长沙市东部相对湿度和风速高于西部,东西部NO2、PM2.5浓度整体水平相似,与O3浓度有差异。PM10、PM2.5浓度随着相对湿度升高增大的特征在湘潭、株洲两市局部地区表现明显。PM10浓度随着温度降低、降水量增高而降低的特征较为显著。O3浓度和湿度、风速还与太阳辐射相关;湿度越大、太阳辐射越小,太阳辐射和其他下垫面因素造成的温度差异导致风速越低[14],O3浓度负效越明显。
风玫瑰图(图 4)进一步揭示研究区2013年盛行北风和南风。北风三级(5.4 m/s)、四级(7.9 m/s)以下风力天数占总天数比例分别约36%、64%,因地形三面环山、北部开口,因而对空气污染的扩散作用有限,容易造成NO2、PM2.5的原地滞留。南风风力三级以上天数占总天数约60%,集中在夏季,因而对年均尺度空气污染物浓度空间分异特征的影响有限。
3.3 土地单因子贡献分析
表 1为基于地理探测器的空气污染浓度空间分异特征土地单因子贡献力。LULC类型面积占比单因子贡献(P:0.01~0.11)略高于LULC景观指数因子(P:0.01 ~0.08)。相同因子对不同空气污染物浓度、不同因子对同一空气污染物浓度的单因子贡献力大小差别显著。LULC类型因子对四种空气污染物浓度贡献作用的强弱依次为NO2>PM2.5> O3>PM10;建设用地、林地面积占比因子对NO2、PM2.5浓度空间变化的贡献力(P: 0.06~ 0.09),高于其他类型面积占比因子(P<0.04),结果与LULC类型面积占比和空气污染浓度空间分布响应基本一致[12]。景观指数因子对NO2浓度空间变化的作用最强,PM2.5次之,O3最弱。PAFRAC对四种空气污染浓度的作用(P: 0.02~0.08)比SHDI、CONTAG、LPI更显著(P<0.03),反映了人类土地开发活动造成的景观破碎对空气污染浓度空间分布的强烈负影响。综上分析,土地单因子对空气污染浓度空间分异特征的贡献力均较小。LULC类型仅直接反映人为的不同类别的土地开发活动,无法直接反映污染排放特征的空间分异规律;城市化进程中导致污染源在不同LULC类型间的差异逐渐减小。
表 1 土地单因子贡献力Table 1. The Power of Determinant of Single Land Factor to Air Pollution土地利用/覆盖类型 土地利用/景观指数 裸地 建设用地 耕地 林地 绿地 道路 水域 CONTAG LPI PAFRAC SHDI NO2 0.01 0.09 0.09 0.11 0.03 0.03 0.01 0.02 0.03 0.08 0.03 PM10 0.03 0.02 0.01 0.01 0.02 0.02 0.03 0.01 0.01 0.03 0.03 O3 0.04 0.02 0.02 0.02 0.01 0.01 0.02 0.01 0.01 0.02 0.02 PM2.5 0.01 0.09 0.03 0.06 0.04 0.02 0.01 0.02 0.01 0.07 0.02 3.4 土地因子复合贡献分析
土地因子对空气污染浓度空间变化的复合贡献及其相互作用关系见图 5。结合表 1可知,LULC类型面积占比因子和景观指数因子对空气污染浓度空间变化的复合贡献力(建设用地、CONTAG、PAFRC分别省略为建设、CON、PAF)明显高于单因子作用,其强弱关系依次为面积占比因子(P: 0.03~0.28)>面积占比因子与景观指数因子(P: 0.03~0.23)>景观指数因子(P: 0.03~0.13)。面积占比因子与景观指数因子复合贡献对NO2浓度空间变化的贡献最显著,PM2.5次之,O3最弱。对不同空气污染物,最大复合贡献作用来源于不同因素。其中,LULC面积占比因子对NO2、PM10、O3、PM2.5浓度空间变化的最大因子贡献力分别来源于耕地∩林地、裸地∩建设用地、建设用地∩绿地;景观指数因子则分别为CONTAG∩PAFRAC、PAFRAC∩SHDI、CONTAG∩SHDI、PAFRAC∩SHDI;面积占比因子 & 景观指数因子分别来源于林地∩PAFRAC、绿地∩SHDI、绿地∩SHDI、建设用地∩PAFRAC。结果表明LULC景观破碎程度、多样性等因子是除面积占比之外从微观尺度揭示土利用配置关系对空气污染浓度空间变化产生影响的重要因素。
图 5还表明土地因子间存在明显的非线性或双加强关系,但加强关系因空气污染物存在差异。影响PM10、O3浓度空间变化的土地因子间的加强作用大于NO2、PM2.5 (非线性与双加强比例分别为27∶0,27∶0,24∶3,26∶1)。对NO2浓度空间变化为双加强关系的因子包括建设用地∩耕地、建设用地∩林地、LPI∩SHDI;对PM2.5浓度空间变化加强关系的因子包含建设用地∩林地。四种空气污染物浓度空间变化的LULC面积占比因子和景观指数因子复合贡献力均为非线性加强,大于其单独作用之和,表明宏观尺度的LULC与微观尺度的景观格局分析相结合对解释土地开发活动造成的城市空气污染空间分异特征具有作用。
3.5 气象和土地因子的复合贡献分析
图 6是顾及气象条件的土地因子对空气污染浓度的复合贡献作用及其相互关系分析结果。图 6表示研究区LULC面积占比因子与气象因子、景观指数因子与气象因子对空气污染的复合贡献力。结果表明,融合气象条件的LULC面积占比因子(P:0.18~0.53)与景观指数因子(P: 0.20~0.50)对空气污染浓度空间变化的贡献作用得到显著增强。驱动NO2、PM10、O3、PM2.5浓度空间变化的最大复合贡献力分别来源于林地∩湿度、建设用地∩降水、建设用地∩风速、耕地∩湿度;PAFRAC∩湿度、PAFRAC∩降水、PAFRAC∩风速、PAFRAC∩湿度。进一步证明林地、建设用地面积比与PAFRAC对空气污染浓度空间变化影响;同时湿度对NO2、PM2.5,降水对PM10,风速对O3浓度空间变化的作用得到凸显。LULC面积占比因子与气象因子间的相关关系仅表现为建设用地∩湿度对PM10浓度贡献的双加强关系。景观指数因子与气象因子双加强与非线性加强关系比例为11∶17;双加强关系主要反映
在对NO2浓度空间变化的贡献(LPI∩降水、LPI∩湿度、LPI∩温度、LPI∩风速、PAFRAC∩降水、PAFRAC∩湿度、PAFRAC∩温度、SHDI∩降水、SHDI∩湿度)。
分析原因,NO2主要直接来源于汽车尾气排放,其易扩散、溶于水的特征使之对污染排放场地条件和气象条件的变化更为敏感。除此之外,因LULC面积占比因子与气象因子分别影响空气污染物的排放和扩散过程,对于PM10、O3、PM2.5浓度空间变化的复合贡献加强作用仍显著高于景观指数因子与气象因子的复合作用。§3.2分析表明,风向对于年均尺度空气污染物空间分异特征的作用不显著,且鉴于低分辨率风向频率统计数据空间化处理的困难,本文在融合气象的土地因子复合贡献分析中暂未考虑风向因素。
4 结 语
集成RS技术、景观生态学方法、GIS空间分析方法和地理探测器手段,本文从宏观和微观双重尺度定量评估LULC及其景观格局对城市空气污染空间变化特征的贡献强度。宏观LULC类型、微观LULC景观格局与城市空气污染空间分布特征密切相关。建设用地面积占比高值区NO2、PM2.5浓度高,O3浓度低,林地、绿地聚集区则相反;非建设用地区蔓延度、破碎度越小,多样性越大,NO2、PM2.5浓度往往越高,O3浓度越低;建设用地集中分布区则规律相反。LULC面积占比单因子贡献作用略高于景观指数因子,但两者对空气污染浓度空间变化的复合贡献高于其单独作用,对四种空气污染物的贡献强度依次为NO2>PM2.5> PM10>O3。融合气象条件的土地因子对空气污染物浓度空间变化的复合贡献显著高于任意土地因子单一作用,因子间存在显著加强关系,加强作用大小依次为LULC面积占比因子与气象因子>景观指数因子与气象因子>LULC面积占比因子与景观指数因子。受我国当前城市空气质量监测数据获取条件限制,本文空气污染浓度空间分布插值结果仅基于23个监测点,有待提升精度。地理探测器仅从宏观地理空间视角初步揭示了内部空气污染浓度空间分布与土地和气象因子间的相互作用关系,但如何耦合大气污染物扩散的物理化学机制,在增加并合理配置监测样本点或采用可靠模型模拟获取较高分辨率空气污染物浓度空间分异,充分揭示三个以上因子对空气污染物浓度空间变化的驱动机制值得深入研究。
-
期刊类型引用(7)
1. 邱龙. 基于无人机测绘图像的大面积地形变化特征提取方法. 北京测绘. 2024(06): 930-935 . 百度学术
2. 邓颖,蒋兴良,张志劲,曾蕴睿,马龙飞. 基于DEM分析的输电线路覆冰微地形分类识别及验证方法. 高电压技术. 2024(11): 4971-4980 . 百度学术
3. 巩鑫龙,田瑞,王孟. 220?kV正兰甲线所在微地形区域风场特性研究. 电力安全技术. 2024(11): 47-51 . 百度学术
4. 董慎学,石峰,刘刚,王有威,徐兆国. 垭口地形对输电线路风场分布特性影响分析. 重庆理工大学学报(自然科学). 2023(06): 340-346 . 百度学术
5. 吴建蓉,文屹,张啟黎,何锦强,张厚荣,龚博. 基于GIS的易覆冰微地形分类提取算法与三维应用. 高电压技术. 2023(S1): 1-5 . 百度学术
6. 周访滨,钟绍平,朱衍哲,杨自强,马国伟. 顾及爆燃地形特征的峡谷分级提取方法. 测绘科学. 2023(09): 89-98 . 百度学术
7. 胡京,邓颖,蒋兴良,曾蕴睿. 输电线路覆冰垭口微地形的特征提取与识别方法. 中国电力. 2022(08): 135-142 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 118
- HTML全文浏览量: 4
- PDF下载量: 21
- 被引次数: 7