2. 国家国防科技工业局重大专项工程中心, 北京 100101
2. The Earth Observation Systems and Data Center, State Administration of Science, Technology and Industry for National Defence, PRC, Beijing 100101, China
矿产资源的开采,一方面促进了社会经济的发展,另一方面也对矿区的生态环境产生了不同程度的破坏,如造成的土地退化、土壤污染、水体污染、植被破坏和生物多样性减少等问题[1],结生态环境的可持续发展带来挑战[2]。神府矿区是我国重要的能源供给矿区之一,其煤炭资源存储量大、煤质好且具备大规模开采的基础设施[3]。在对神府矿区进行矿产资源大规模开采的同时,也对周边环境产生了不同层次的破坏。对神府矿区的生态环境进行评价,不仅有助于更好地治理其周边环境,还可为我国其他矿区生态环境保护工作和矿区健康可持续发展提供决策依据,具有十分重要的现实意义[4]。
近年来,遥感技术凭借其大范围、长时间和全天候实时监测环境的优势,被越来越多地应用于矿区生态环境监测与评价[5-6]。目前,主要是利用TM、ETM、NOAA、MSS、SPOT、NOAA、CBERS、SAR、高分影像等遥感数据对矿区生态环境进行监测与评价,对大型煤矿区的植被覆盖度、土地利用变化、地表沉陷、植被破坏、热环境影响、植被生产力等单一生态要素进行监测[7-11]。在此基础上,进一步采用模糊评价法[12]、层次分析法[13]、PSR模型[14]、波段信息组合法、主成分分析法[15]和人工神经网络法[16]等建立生态环境评价模型或指标体系,对矿区生态环境进行评价。如文献[17]以山东义桥矿区为研究对象,建立矿区生态系统模糊综合评价指标体系,计算出矿区各项指数的生态现状健康值。上述各种方法中,模糊评价法、层次分析法和PSR模型法需要人为设定权重,受人为因素影响较大;主成分分析法和人工神经网络法无需人为设定权重,受主观经验影响较小。2006年环境保护部门提出采用生态环境状况指数EI作为生态环境状况的评价标准,近年来得到广泛应用,但其指标权重仍需人为设定。文献[18]提出一个新型的遥感生态指数(RSEI),该指数基于绿度、湿度、热度和干度4个指标评价生态质量,可避免人为权重设定且结果能被可视化,其能够快速、客观并直观地对区域生态环境进行评价。文献[19]采用RSEI动态评价神东矿区及各个主要矿井生态环境时空动态变化特征,发现神东矿区各矿井的RSEI均值总体呈增加趋势,表明矿区生态环境质量逐渐变好。
尽管遥感生态指数(RSEI)法可较客观地进行矿区生态环境评价,但其指标体系中仅考虑了植被绿度参数和地表环境、气候因素对生态环境的影响,未体现出生态系统对环境变化的长期持续累积响应,对于生态与环境之间的交互作用表达有待进一步提高。而植被生产力是植物在单位时间、单位面积内所累积的有机质数量,其能够表征区域生态系统的质量状况[20],能够从长时间角度反映生态环境的变化。因此,本文对遥感生态指数RSEI加以改进,除了考虑绿度、湿度、热度和干度4项指标外,还增加了植被生产力指标,以充分体现矿区生态系统的可持续发展能力,体现生态系统与环境之间的交互作用效果;在此基础上,基于改进的RESI采用主成分分析法建立评估模型,评价分析2000—2016年神府矿区生态环境的时空变化。
1 研究区域与数据神府矿区位于陕西省北部,矿区内开采条件好、煤质优良,是典型的高强度开采区。该区域植被类型较单一,西部主要是草原,东部是耕地,北部有灌丛稀疏分布;地貌类型处于过渡地带,西部是风沙草滩,东部和南部是黄土丘陵沟壑区,环境异质性高[20-21]。
本文用于计算绿度指标、湿度指标、热度指标和干度指标的数据为2000、2002、2004—2008、2011、2013和2016年神府矿区的Landsat 5 TM、ETM+和OLI遥感影像,具体时间主要集中在8—9月,该数据从地理数据云和USGS网站下载。计算植被净初级生产力的数据为2000—2016年MODIS 250 m分辨率的NDVI数据,由NASA网站下载;温度、降水和光照数据由中国气象数据网下载。
2 方法构建改进的RSEI指数[22],改进后的RSEI指标主要由绿度、植被生产力、湿度、干度、热度5种指标组成,构建RSEI指数后采用主成分分析法评价神府矿区的生态环境质量。改进后的RSEI指数表达式为

式中,FVC、NPP、Wet、LST、NDSI分别为绿度指标、植被生产力指标、湿度指标、热度指标及干度指标。
2.1 绿度指标选用植被覆盖度(FVC)代替绿度指标,FVC通过NDVI计算,具体公式为[23]

式中,NDVImax和NDVImin一般取一定置信度范围内NDVI的最大和最小值,本文选取的NDVImax和NDVImin的累计概率分别为95%和5%。
2.2 NPP指标采用基于CASA模型[24]改进的遥感NPP估算模型[25],充分考虑植物自身生长特性和对植物光合作用有调节能力的非生物因子(如气温、土壤和水分状况等)。CASA模型估算的NPP主要由植物吸收的光合有效辐射(APAR)和实际光能利用率(ε)两个变量决定,其计算公式为

式中,APAR(x, t)为像元x在t月吸收的光合有效辐射(单位为MJ·m-2);ε(x, t)为像元x在t月的实际光能利用率(单位为gC·MJ-1),具体解算过程见文献[26]。
2.3 湿度指标以Landsat 5 TM影像为例,反射率数据的湿度指标计算公式为[27]

式中,ρBlue、ρGreen、ρRed、ρNir、ρSwir1和ρSwir2分别为TM、ETM+和OLI影像的蓝、绿、红、近红外、短波红外1和短波红外2波段的反射率。传感器不同,其湿度指标的系数也不相同,具体数值根据传感器进行设定。
2.4 热度指标采用地表温度代表热度,先计算出亮度温度T,然后在对其进行比辐射率校正后获得地表温度LST,公式为[28]


式中,Li为TM、ETM+和OLI像元热红外波段在传感器上的辐射值;DN为像元灰度值;gain和bias分别为热红外波段的增益值和偏置值,可从影像的头文件读取;T为传感器的亮度温度值;K1和K2为定标参数。
2.5 干度指标干度指标由裸土指数(SI)和建筑指数(IBI)合成,记为NDSI,其计算公式为[29]

其中,SI=[(ρSwir1+ρRed)-(ρBlue+ρNir)]/[(ρSwir1+ρRed)+ (ρBlue+ρNir)];IBI={2ρSwir1/(ρSwir1+ρNir)-[ρNir/(ρNir+ρRed)+ρGreen/(ρGreen+ρSwir1)]}/{2ρSwir1/(ρSwir1+ρNir)+[ρNir/(ρNir+ρRed)+ρGreen/(ρGreen+ρSwir1)]}
3 结果与分析 3.1 单生态指标生态环境评价分析针对2000—2016年神府矿区各类生态指标的时空变化情况对研究区生态环境状况进行分析。为便于理解,将湿度和干度的数值进行归一化处理。图 1—图 5每幅图分别给出遥感生态指数(RSEI)中各指标的多年平均值及多年变化量的空间分布情况。
![]() |
图 1 2000—2016年FVC平均值及变化量 |
![]() |
图 2 2000—2016年NPP平均值及变化量 |
![]() |
图 3 2000—2016年Wet平均值及变化量 |
![]() |
图 4 2000—2016年NDSI平均值及变化量 |
![]() |
图 5 2000—2016年LST平均值及变化量 |
由图 1可知,从空间分布来看,矿区西南部的植被覆盖度偏低,处于低覆盖水平,区域部分植被覆盖度较高,呈中高覆盖水平;近年来整个研究区域的植被覆盖度呈现整体提升趋势,2000—2016年大部分区域FVC整体增加0~0.3,说明矿区生态环境未因开采而受到破坏(开采情况参考文献[20])。由图 2可知,除矿区西南部植被生产力偏低(< 300 gC· m-2·a-1)、多年NPP呈下降趋势以外(研究时段内降低100~200 gC·m-2·a-1),其余大部分地区的植被净初级生产力分布相对均衡(400~600 gC·m-2·a-1),多年NPP呈提高趋势(研究时段内增加100~200 gC·m-2·a-1)。由于矿区西南部为非开采区,可能该地区NPP降低与地形地貌、气候因素相关;尽管矿区中部和东北部为开采区[20],但植被NPP空间分布未显示出明显的偏低趋势,多年NPP变化量呈现出提高趋势,说明近年来植被生态系统功能逐渐恢复。由图 3可知,矿区多年平均湿度呈现东北部相对湿润,西南部相对干的空间分布,湿度整体呈增加趋势,尤其西南部增加较为明显。这与近些年来的环境保护工作有很大关系,在开采矿山的同时,更注重生态保护,保护好了绿水青山,植被更易锁住水分,从而使土壤湿度增加。由图 4可知,矿区干度与植被覆盖度呈现明显的负相关联系,近年来得益于植被覆盖度的提升,研究区域内干度呈下降趋势(研究时段内NDSI下降了0~0.2)。图 5表明,土壤热度也与植被覆盖度呈现明显的负相关,在矿区中部和北部,由于植被覆盖度更高,对气候的调节作用更强,土壤温度明显偏低5℃~10℃;近年来整个研究区域内的LST呈现降低趋势(2000—2016年降低5℃~10℃),植被对土壤温度的调节作用有所增强,矿区生态环境呈良性发展态势。从各项生态指数的变化情况可以看出,近年来矿区生态环境受到了良好保护和修复。
3.2 改进的RSEI指数生态环境评价分析图 6为针对2000—2016年神府矿区,采用改进的遥感生态指数计算出的RSEI时空分布及变化情况。由于上述各生态指标均为客观、独立指标,生态指数RSEI随其变化呈现一定的规律。结果发现,矿区西南部生态指数RSEI偏低,介于0.2~0.4;其余区域生态指数差别不大,主要介于0.4~0.6;近年来整个研究区域的遥感生态指数呈现出增加趋势,增幅约为0.1/10 a,说明近年来该矿区生态环境质量持续提高;矿山开采区[20]的生态指数时空变化未出现异常,说明矿山开采区生态环境质量未受矿山开采的影响或影响较小。根据遥感生态指数的分级(共5级,每隔0.2为一级,从0至1分为5级,即差、较差、中等、良、优5个生态等级[22]),神府矿区整体上生态等级处于中等水平,西南部分地区生态等级较差,这可能与该区域干度较大有关,其他部分分散地区生态等级达到良好。
![]() |
图 6 2000—2016年RSRI平均值及变化量 |
本文在现有遥感生态指数RSEI基础上,提出了一种指标改进方案,通过引入NPP指标体现其对生态环境累积持续的影响。采用改进后的RSEI,对神府矿区2000—2016年的生态环境变化情况进行评估。结果表明,2000—2016年,单生态指标之间的时空变化规律互相契合,研究区域内综合生态指数RSEI呈整体升高趋势,RSEI增幅约为0.1/10 a,大部分区域的植被生产力逐渐增强。表明在矿山开采的同时,神府矿区的生态环境及生态系统功能逐渐恢复,生态环境质量逐渐提升。在后续的矿区生态环境保护工作中,本文结果将为相应管理措施的制定提供参考,以进一步巩固矿区生态保护和恢复效果。
[1] |
吴志杰, 王猛猛, 陈绍杰, 等. 基于遥感生态指数的永定矿区生态变化监测与评价[J]. 生态科学, 2016, 35(5): 200-207. |
[2] |
尹建平. 基于遥感生态指数的平朔露天矿生态环境评价[J]. 露天采矿技术, 2021, 36(1): 45-47. |
[3] |
刘雪. 基于GIS的矿山环境质量评价——以新疆五彩湾煤矿为例[D]. 北京: 中国地质大学(北京), 2018.
|
[4] |
华正坤. 基于遥感影像的平朔矿区植被动态监测研究[D]. 北京: 中国地质大学(北京), 2013.
|
[5] |
彭燕, 何国金, 张兆明, 等. 赣南稀土矿开发区生态环境遥感动态监测与评估[J]. 生态学报, 2016, 36(6): 1676-1685. |
[6] |
杜培军, 郑辉, 张海荣. 欧共体MINEO项目对我国采矿环境影响综合监测的启示[J]. 煤炭学报, 2008, 33(1): 71-75. DOI:10.3321/j.issn:0253-9993.2008.01.016 |
[7] |
LIAN X G, LIU X Y, GE L L, et al. Time-series unmanned aerial vehicle photogrammetry monitoring method without ground control points to measure mining subsidence[J]. Journal of Applied Remote Sensing, 2021, 15(2): 24505. |
[8] |
赵鹏. 新街台格庙矿区开发初期土地利用动态遥感监测[J]. 国土资源遥感, 2015, 27(4): 144-149. |
[9] |
刘培, 杜培军, 逄云峰. 基于遥感和CA Markov模型的煤矿区热环境与土地覆盖变化模拟评价[J]. 煤炭学报, 2012, 37(11): 1847-1853. |
[10] |
吴立新, 马保东, 刘善军. 基于SPOT卫星NDVI数据的神东矿区植被覆盖动态变化分析[J]. 煤炭学报, 2009, 34(9): 1217-1222. DOI:10.3321/j.issn:0253-9993.2009.09.014 |
[11] |
LIU X Y, ZHOU W, BAI Z K. Vegetation coverage change and stability in large open-pit coal mine dumps in China during 1990-2015[J]. Ecological Engineering, 2016, 95: 447-451. DOI:10.1016/j.ecoleng.2016.06.051 |
[12] |
周夏飞, 朱文泉, 马国霞, 等. 稀土矿开采导致的植被净初级生产力损失遥感评估——以江西省赣州市为例[J]. 遥感技术与应用, 2016, 31(2): 307-315. |
[13] |
白淑英, 朱倩文, 沈渭寿, 等. 白云鄂博矿区生态退化研究[J]. 生态与农村环境学报, 2016, 32(3): 367-373. |
[14] |
侯春华, 李富平, 冯一帆, 等. 基于NDVI-DFI的矿业开发密集区地表热环境分异效应分析[J]. 农业工程学报, 2020, 36(3): 160-168. |
[15] |
马丽丽, 田淑芳, 王娜. 基于层次分析与模糊数学综合评判法的矿区生态环境评价[J]. 国土资源遥感, 2013, 25(3): 165-170. |
[16] |
赵玉灵. 基于层次分析法的矿山环境评价方法研究——以海南岛为例[J]. 国土资源遥感, 2020, 32(1): 148-153. |
[17] |
王占军, 张悦国, 石嵩云, 等. 基于理想点法的矿区生态环境敏感性评价[J]. 水土保持通报, 2015, 35(2): 225-230. |
[18] |
李莹莹. 基于遥感技术的甘肃礼县金矿区生态环境评价应用研究[D]. 长沙: 中南大学, 2014.
|
[19] |
王金满, 郭凌俐, 白中科, 等. 黄土区露天煤矿排土场复垦后土壤与植被的演变规律[J]. 农业工程学报, 2013, 29(21): 223-232. DOI:10.3969/j.issn.1002-6819.2013.21.028 |
[20] |
范立民, 马雄德, 李永红, 等. 西部高强度采煤区矿山地质灾害现状与防控技术[J]. 煤炭学报, 2017, 42(2): 276-285. |
[21] |
肖武, 张文凯, 吕雪娇, 等. 西部生态脆弱区矿山不同开采强度下生态系统服务时空变化——以神府矿区为例[J]. 自然资源学报, 2020, 35(1): 68-81. |
[22] |
徐涵秋. 区域生态环境变化的遥感评价指数[J]. 中国环境科学, 2013, 33(5): 889-897. DOI:10.3969/j.issn.1000-6923.2013.05.019 |
[23] |
GOWARD S N, XUE Y K, CZAJKOWSKI K P. Evaluating land surface moisture conditions from the remotely sensed temperature/vegetation index measurements: an exploration with the simplified simple biosphere model[J]. Remote Sensing of Environment, 2002, 79(2): 225-242. |
[24] |
POTTER C S, RANDERSON J T, FIELD C B, et al. Terrestrial ecosystem production: a process model based on global satellite and surface data[J]. Global Biogeochemical Cycles, 1993, 7(4): 811-841. DOI:10.1029/93GB02725 |
[25] |
朱文泉, 潘耀忠, 张锦水. 中国陆地植被净初级生产力遥感估算[J]. 植物生态学报, 2007, 31(3): 413-424. DOI:10.3321/j.issn:1005-264X.2007.03.010 |
[26] |
ZHU W Q, PAN Y Z, HE H, et al. Simulation of maximum light use efficiency for some typical vegetation types in China[J]. Chinese Science Bulletin, 2006, 51(4): 457-463. DOI:10.1007/s11434-006-0457-1 |
[27] |
BAIG M H A, ZHANG L F, SHUAI T, et al. Derivation of a tasselled cap transformaton based on Landsat 8 at-satellite reflectance[J]. Remote Sensing Letters, 2014, 5(5): 423-431. DOI:10.1080/2150704X.2014.915434 |
[28] |
NICHOL J. Remote sensing of urban heat islands by day and night[J]. Photogrammetric Engineering & Remote Sensing, 2005, 71(5): 613-622. |
[29] |
XU H Q. A new index for delineating built-up land features in satellite imagery[J]. International Journal of Remote Sensing, 2008, 29(14): 4269-4276. DOI:10.1080/01431160802039957 |