Ecological environmental assessment of Gobi desert open-pit mine based on time series model
-
摘要:
矿区生态环境评价中常采用单景、多景遥感数据来进行评价，但这2种数据存在时间不一致性和评估不准确性的缺点。为实现矿区生态环境的准确监测，以戈壁荒漠露天矿及其周边环境为研究对象，采用CFmask算法+Tmask算法获取纯净像元反射率。经时间序列模型合成研究区年度遥感数据，采用压力-状态-响应模型对其进行长时间序列生态环境评价。结果表明：①基于时间序列模型预测的地表反射率值与对应局部区域的卫星观测地表反射率值差异较小且其真彩色影像视觉差异较小，非纯净像元位置处预测反射率与周边纯净像元地表反射率真彩色影像视觉差异较小。以2022年各波段纯净像元反射率观测值与预测值验证精度，结果显示观测值与预测值显著相关(相关系数均大于0.6)。实地考察数据与经时间序列预测数据得到的生态环境指数的相关性(R2=0.450)优于单景生态指数(R2=0.347)、多景生态指数(R2=0.386)。② 2013—2021年研究区整体生态环境较差，呈南高北低、西高东低的空间格局，且随着时间增加，南部生态环境退化较为严重。矿区内生态环境变化较矿区外生态环境变化稳定，矿区外生态环境退化较快。③生态差、生态中、生态优面积的年变化速率分别为0.005/a、0.002/a、−0.007/a。各生态等级状况随时间呈现景观破碎度减小、景观异质性减小、聚合度增加态势，生态优斑块流向生态中、生态差斑块，生态差等级逐渐成为研究区生态环境主要生态等级。矿区内各等级占比稳定，矿区外生态差占比逐年增加。在对研究区进行生态修复时应尽量避免在半阳坡方向种植作物，且在阴坡、半阴坡、阳坡、半阳坡方向种植作物时均应避免坡度大于17.5°。
Abstract:Single and multi-scene remote sensing data have been usually adopted to evaluate the ecological environment in mining areas, whereas these two types of data always presented the drawbacks of inconsistent time and inaccurate evaluation. To achieve the accurate monitoring of ecological environment in mining areas, the open-pit mine in Gobi desert and its surrounding environment was selected as the research object, and CFmask algorithm+Tmask algorithm were used to obtain pure pixel reflectance. The annual remote sensing data of study area was synthesized by the time series model, and then the pressure-state-response model was used for long-term ecological environment evaluation. The results show that: ① The difference between the predicted surface reflectance values based on time series model and the surface reflectance values observed by the satellite in the corresponding local area was small, while the difference between the true color image vision was relatively small. Meanwhile, the difference between the predicted reflectance value of the impeccable pixel position and the surface reflectance value of the surrounding pure pixel in true color image vision was small. The accuracy was verified by comparing the observed and predicted values of pure pixel reflectance of each band in the study area in 2022, and the results showed that the observed values were significantly correlated with the predicted values (with the correlation coefficients greater than 0.6). The correlation between the field investigation data and the ecological environment index obtained from the time series prediction data (R2=0.450) was better than that of the single-scene ecological index (R2=0.347) and the multi-scene ecological index (R2=0.386). ② From 2013 to 2021, the overall ecological environment of the study area was poor, presenting a spatial pattern of high in the south and low in the north, high in the west and low in the east. With the increasing time, the ecological environment in the south deteriorated more seriously. The change of ecological environment inside the mining area was more stable than that outside the mining area, with the ecological environment outside the mining area degenerating rapidly. ③ The annual change rates of poor, moderate and superior ecological areas were 0.005 /a, 0.002/a and −0.007/a, respectively. The status of each ecological grade performed a trend of decreasing landscape fragmentation, decreasing landscape heterogeneity, and increasing convergence over time. The ecological superiority patch moved towards ecological medium and poor patches, and the ecological poor grade gradually became the main ecological grade of the ecological environment in the study area. The proportion of each grade within the mining area was stable, while the proportion of ecological poor level outside the mining area increased year by year. When ecological restoration would be conducted in the research area, crops planting should be avoided in the direction of semi-sunny slopes as much as possible. Moreover, it is recommended to avoid planting crops with slopes greater than 17.5° in the direction of shady slopes, semi-shady slopes, sunny slopes and semi-sunny slopes.
-
0. 引 言
露天煤矿开采是一种具有大规模高强度性质的生态扰动行为，会引起地表破坏、土壤污染、生态系统功能退化等一系列生态环境问题[1]。随着矿产资源大规模开发，对矿区环境进行监测评价可以更好、更快地了解矿区环境现状及变化情况，减少治理矿区环境的成本。遥感技术的快速发展为矿区环境监测提供了便利，且降低了监测成本。
压力−状态−响应模型(Pressure-State-Response, PSR)经常被用来评价区域生态环境，如艾比湖流域[2]、珠江三角洲区[3]。有学者基于PSR模型耦合空间距离指数模型来构建土地沙漠化敏感性评价体系来探讨生态条件较差区域的环境情况[4]。还有学者采用PSR模型来评价生态基地薄弱的昆玉市生态环境[5]。前人研究表明PSR模型可以用来评价生态环境较脆弱的地区。
前人在矿区生态环境评价中多采用单景影像评价指代一年生态状况[6-8]，或者根据原始光学影像筛选云量小于某定值且过境时间介于6至9月间的影像数据，通过均值法、最大值、最小值合成后的数据代表一年的生态状况[9-11]。这两种方法存在偶然性，易受云量影响的缺点，且均不能保证光学影像中薄云、厚云、云阴影是否在生态评价过程中产生影响。对于目前应用较多的Landsat、MODIS和Sentinel影像，因卫星过境时云量、云层等客观条件难以实现对区域进行时间一致性和评估准确性的长时间序列观测。目前较多学者基于时间序列模型采用单一遥感指数用来识别露天矿生态恢复区[12-14]，采用综合指数评价矿区生态环境质量的相关研究较少。对于采用综合遥感指数评价局部区域生态环境质量方面，已有学者采用掩膜函数(Fmask)算法、多时间掩膜(Tmsak)算法[15]识别无云像元后通过分段线性谐波模型预测长时间序列的影像反射率[16]，预测合成1986至2019年7月1日杭州区域地表反射率，对杭州区域生态环境进行长时间序列评价。然而，时间序列模型预测地表反射率是否适用于植被覆盖较少、戈壁荒漠区域？单景影像、多景影像与时间序列模型预测数据用于生态环境评价的优劣性亟待深入探讨。
基于Google Earth Engine平台采用CFmask算法、Tmask算法提取Landsat 8 OLI/TIRS数据无云纯净像元；基于纯净像元掩膜、纯净像元地表反射率采用时间序列模型来预测卫星过境时的地表反射率；结合遥感指数、NPP-VIIRS夜间灯光数据、土地利用/覆盖 (Land use and Land cover change, LUCC)数据、数字高程模型 (Digital Elevation Model, DEM)通过PSR模型评价准噶尔盆地北部戈壁荒漠露天矿及周边生态环境状况。研究方法相比于其他矿区生态环境评价中在时间一致性缺陷上有所改进；相比于基于时间序列模型的单一遥感指数复垦区识别，选用综合遥感指数，相对而言更为客观全面。研究结果可为科学、客观地评价戈壁荒漠露天矿生态环境提供新思路。
1. 研究区与数据源
1.1 研究区概况
以准噶尔盆地北部的红沙泉矿区与北山矿区、电厂及其周边10 km[17-18]为研究区(图1)研究区内地势东南高、西北低，属于大陆干旱荒漠气候。年平均气温约3 ℃，年降水量为160～200 mm，年蒸发量1200～2400 mm。研究区内无常年地表径流，存在一处泉水点——红沙泉。研究区土壤以荒漠盐碱土为主，经实地考察发现研究区内土壤颗粒主要以粉粒和沙粒为主，主要为粉砂质土。研究区内地表植被稀疏，地表植被多为适应低水分高盐碱的植被，主要为梭梭、猪毛菜、盐角草、灰绿藜、红纱、白莲蒿、苦豆子、碱蓬、刺旋花、芦苇和骆驼刺等。
1.2 数据源
文章采用MODIS MYD13Q1、MYD11A2数据集来判断时间序列模型预测地表反射率、大气反射率的可行性。采用中国近地表日气温数据集[19]来判断研究区内植被的生长周期，筛选预测后的Landsat 8 OLI/TIRS数据。2013—2022年3至11月研究区内有206景Landsat 8 OTL/TIRS 数据，依据生长周期选择其中的124景Landsat 8 OLI/TIRS 数据、2013—2021年间NPP/VIIRS年度夜间灯光数据集、ASTER GDEM地形数据集来探究戈壁露天荒漠煤矿开采对周边环境的影响情况。上述数据来源详见表1。
表 1 数据简介Table 1. Data introduction数据集 分辨率 数值来源 地表反射率产品数据(Landsat 8 OLI/TIRS Level 2,
Collection 2, Tier 1)30 m Google earth engine 平台(https://code.earthengine.google.com/) 夜间灯光年度产品数据(NPP/VIIRS ) 500 m 地球观测组(Earth Observation Group ，EOG) (https://eogdata.mines.edu/products/vnl/) 地形数据(ASTER GDEM) 30 m 地理空间数据云(https://www.gscloud.cn/) 地表反射率产品数据(MODIS MYD13Q1) 250 m 美国航天局地球数据(https://search.earthdata.nasa.gov) 地表温度产品数据(MODIS MYD11A2) 1000 m 美国航天局地球数据(https://search.earthdata.nasa.gov) 中国近地表日气温数据集（1979—2018） 0.1° 国家青藏科学数据中心(https://data.tpdc.ac.cn/home) 夜间灯光数据存在灯光噪声，采用中值滤波法去除。使用大津法(Otsu)标记非人类活动区域，采用年际连续校正法校正灯光异常波动值[20]。参考GB/T 201010—2017《土地利用现状分类》，结合实地考察结果、奥维互动地图天地图影像、Landsat 8 OLI/TIRS 原始数据目视解译研究区草地、林地、交通运输用地、露采区、排土场、设施占用地、裸地、裸岩石砾地8种土地利用类型，经实地验证解译精度在90%以上。采用韦弗指数对土地利用类型进行数学整合，其范围为100～500[21]（表2）。
表 2 土地利用程度−韦弗指数Table 2. Land use degree−Weaver index土地利用类型 指数 林地 100 草地 200 裸地 300 裸岩石砾地 400 交通运输用地 400 设施占用地 500 露采区 500 排土场 500 2. 研究方法
2.1 压力−状态−响应模型
PSR模型中压力指标反映人类社会活动对自然环境的影响，状态指标反映当前自然环境的状态，响应指标反映由破坏或者保护引起的生态环境变化情况[28]。研究区人类活动区域主要为红沙泉矿区、北山矿区、电厂，夜间灯光数据可在土地利用类型的基础上更为准确的表现研究区人类活动范围，故选用土地利用类型(LUCC)、夜间灯光(Nighttime light, NTL)作为压力指标；研究区以植被覆盖度较小且植被呈小斑块簇状，所以采用以修改型土壤调节植被指数(Modified Soil Adjusted Vegetation Index, MSAVI)获取的植被覆盖度(Fractional Vegetation Cover, FVC)，且裸地、裸岩石砾地为研究区主要土地利用类型，故选用裸土指数(Bare Soil Index, BSI)、裸岩石砾地指数(New Gravel Land Index, NGLI)作为状态指标；土壤为盐碱地，选用盐分指数(Salt Index, SI)，此外选用地表温度(Land Surface Temperature, LST)、温度植被干旱指数(Temperature Vegetation Dryness Index, TVDI)作为响应指标（表3）。采用熵权法获取各指标的权重，加权获取生态环境指数IE。
表 3 各指标计算公式Table 3. Calculation formula of each index指标 计算公式 效应 参考文献 压力指标 LUCC 目视解译 − [22] NTL 大津法（Otsu）、年际连续校正法 − [22] 状态指标 FVC $ \begin{aligned}&\left\{ \begin{aligned} & \mathrm{FVC}=0 & \mathrm{MSAVI} \leqslant 0 \\ &\mathrm{FVC}=\frac{\mathrm{MSAVI-\mathrm{MSAVI}}_{\min }}{\mathrm{MSAVI}_{\max }-\mathrm{MSAVI}_{\min }} & \mathrm{MSAVI}>0\end{aligned} \right. \\&\mathrm{MSAVI}=\frac{2 \rho_{{_\mathrm{N I R}}}+1-\sqrt{\left(2 \rho_{{_\mathrm{N R}}}+1\right)^2-8\left(\rho_{{_\mathrm{N I R}}}-\rho_{\mathrm{red} }\right)}}{2}\end{aligned} $
+[23] BSI ${\text{BSI}} = \dfrac{{\left( {{\rho _{{_\mathrm{SWIR1}}}} + {\rho _{{{_\mathrm{Red}}} }}} \right) - \left( {{\rho _{{_\text{blue}}}} - {\rho _{{{_\mathrm{Red}}} }}} \right)}}{{\left( {{\rho _{{_\mathrm{SWIR1}}}} + {\rho _{{{_\mathrm{Red}}} }}} \right) + \left( {{\rho _{{_\text{blue}}}} - {\rho _{{{_\mathrm{Red}}} }}} \right)}}$ + [24] NGLI $ {\text{NGLI}} = \dfrac{{{\rho _{{_\text{SWIR2}}}} - {\rho _{{_\text{SWIR1}}}}}}{{{\rho _{{_\text{SWIR2}}}} + {\rho _{{_\text{SWIR1}}}}}} $ − [25] 响应指标 LST ${\rho _{{_\mathrm{ST}}}} - 273.15$ − TVDI $ \left\{ \begin{gathered}{\rm TVDI} = \left( {{T_{\text{s}}} - {T_{\min }}} \right)/\left( {{T_{\max }} - {T_{\min }}} \right) \\ {T_{\min }} = {a_{{\mathrm{down}}}}{\rm NDVI}{^3} + {b_{{\mathrm{down}}}}{\rm NDVI}{^2} + {c_{{\mathrm{down}}}}{\rm NDVI} + {d_{{\mathrm{down}}}} \\ {T_{\max }} = {a_{{\mathrm{up}}}}{\rm NDVI}{^3} + {b_{{\mathrm{up}}}}{\rm NDVI}{^2} + {c_{{\mathrm{up}}}}{\rm NDVI} + {d_{{\mathrm{up}}}} \\ \end{gathered} \right. $ − [26] SI $ {\mathrm{SI}}=\sqrt{\text{ }{\rho }_{_\text{Blue}}\text{ }\times \text{ }{\rho }_{_\text{Red}}\text{ }} $ − [27] 注：下标“Blue、Red、NIR、SWIR1、SWIR2”分别为“蓝波段、红波段、近红外波段、短波红外1、短波红外2”；下标“down、up”分别为高温、低温和不同次方NDVI的拟合系数；$\rho_{{_\mathrm{ST}}} $为开尔文温度；“+、−”号表示该指标为“正向指标或负向指标”。 $$ I_{\mathrm{E}} = \sum\limits_{i = 1}^8 {{W_i} \times X_i'} $$ (1) 式中：Wi为指标i的权重；$ X_i' $为指标i归一化后的值。
因各指标量纲存在差异，故采用标准化去除各指标的量纲。
$$ X_i^\prime = \left( {{X_i} - {X_{\min }}} \right)/\left( {{X_{\max }} - {X_{\min }}} \right) $$ (2) $$ X_i^\prime = \left( {{X_{\max }} - {X_i}} \right)/\left( {{X_{\max }} - {X_{\min }}} \right) $$ (3) 式中：$ {X_i} $为待校正指标值；$ {X_{\min }} $为待校正指标最小值，$ {X_{\max }} $为待校正指标最大值；$ X_i' $为校正后指标值。表2中正向指标选择式2，负向指标选择式3。
2.2 遥感指数年度数据合成
为避免忽略监测研究区内的早春短命植被，采用世界气象组织给定的植被生长周期指标(GSL)[29]确定的生长期开始时间与生长期结束时间来筛选经时间序列预测合成的Landsat 8 OLI / TIRS数据。
1)传统年度数据合成。逐年选用植被生长期内单景、多景Landsat 8 OLI/TIRS数据获取各景影像的遥感生态环境评价指数数据，采用均值法合成各年份遥感指数数据。
2)基于时间序列模型的年度遥感指数。采用时间序列模型对地表反射率数据进行预测前需筛选纯净无云数据。CFmask算法可去除影像中的厚云，但对薄云、云阴影目标易于忽略[30]。因此需要在基于CFmsak算法提取纯净像元后采用多时间掩膜(Tmsak)算法去除未被检测到的异常数据。Tmask算法是对多时间陆地卫星图像的大气顶部(TOA)反射率波段(green、NIR、SWIR1)采用时间序列模型计算得到模型估计值，以模型估计值与陆地卫星观测值的比较结果对云、云阴影和雪实现自动掩膜[15]。依据时间序列模型与CFmask+Tmsak算法筛选纯净像元的反射率，采用时间序列模型预测获取异常像元的观测值。在文献[16]中3种时间序列模型$ \hat \rho {(i,t)_1} $、$ \hat \rho {(i,t)_2} $、$ \hat \rho {(i,t)_3} $的基础上再增加Tmask算法中的时间序列模型$ \hat \rho {(i,t)_0} $[15]，时间序列模型如下[15-16]：
$$ \begin{split} \hat \rho {(i,x)_0}=& {a_{0,i}} + {a_{1,i}}\cos \left( {\frac{{2\pi }}{{{{\text{t}}_0}}}x} \right) + {b_{1,i}}\sin \left( {\frac{{2\pi }}{{{{\text{t}}_0}}}x} \right) + \\ &{a_{2,i}}\cos \left( {\frac{{2\pi }}{{N{{\text{t}}_0}}}x} \right) + {b_{2,i}}\sin \left( {\frac{{2\pi }}{{N{{\text{t}}_0}}}x} \right) \\[-1pt] \end{split} $$ (4) $$ \hat \rho {(i,t)_1} = {c_{0,i}} + {c_{1,i}}t + {{{d}}_{1,i}}\cos \left(\frac{{2{\text{π}} }}{{{{\text{t}}_1}}}x\right) + {e_{1,i}}\sin \left(\frac{{2{\text{π}} }}{{{{\text{t}}_1}}}x\right) $$ (5) $$ \hat \rho {(i,t)_2} = {c_{0,i}} + {c_{1,j}}t + \mathop \sum \limits_{n = 1}^2 {d_{n,i}}\cos \left(n\frac{{2{\text{π}} }}{{{{{t}}_1}}}x\right) + {e_{n,i}}\sin \left(n\frac{{2{\text{π}} }}{{{{{t}}_1}}}x\right) $$ (6) $$ \hat \rho {(i,t)_3} = {c_{0,i}} + {c_{1,j}}t + \mathop \sum \limits_{n = 1}^3 {d_{n,i}}\cos \left(n\frac{{2{\text{π}} }}{{{{{t}}_1}}}x\right) + {e_{n,i}}\sin \left(n\frac{{2{\text{π}} }}{{{{{t}}_1}}}x\right) $$ (7) 式（4）中a0,i为整体值的系数；a1,i、b1,i为年内周期性变化系数；a2,i、b2,i为年际变化系数；t0为每年的天数(t0=365)；N为时间序列的年数；x为卫星过境时的儒里略时间。式（5）—式（7）中d1,i、e1,i、dn,i、en,i为谐波系数(表示年度内周期性变化)；c0,i、c1,i为斜率系数和截距系数(表示年际间变化系数)，t1为每年的天数(t1=365.25)，x为卫星过境时的儒里略时间；$ \hat \rho {(i,t)_0} $、$ \hat \rho {(i,t)_1} $、$ \hat \rho {(i,t)_2} $、$ \hat \rho {(i,t)_3} $为预测的第i波段的反射率数据。式（4）中以一阶谐波表示年内周期变化。以一阶谐波表示年际变化，用于对土地利用类型变化做出调整。式（5）—式（7）以线性斜率、截距来表示年际间变化，以不同阶的谐波来表示年内周期变化，其中文献[16]中认为阶数越大谐波段越复杂表示年内周期变化的性能越好。技术流程如图2所示。
3. 基于时间序列模型的生态环境评价
CFmask算法去除研究区内大范围的云层及小范围的厚云云层效果较好，但是仍存在尚未去除的云层阴影和浅薄云层(以云层阴影居多)。在2013—2022年11月206景影像中存在未被检测的云阴影、薄云异常数据有35景，占比16.99%。传统合成方法依赖于云量大小，当云量较大时缺失像元(即异常像元)较多。进行长时间环境评价过程中易受异常像元、选用影像的时间影响。为解决这一问题，采用时间序列模型预测卫星过境时的地表反射率。
3.1 时间序列模型预测可行性及预测结果分析
1)可行性分析。研究区位于准噶尔盆地北部，人类活动区主要为矿区及发电厂，多数区域人类活动较少。研究区内人类活动强度较小区域地形地貌变化符合周期性年内变化、渐进性年际变化，土地利类型用变化较小，人类活动较强区域土地表面变化存在突变。由图3可知，研究区蓝光波段、红光波段、近红外波段、中红外波段、植被层( NDVI和 EVI)、地表温度在时间维度上整体呈现周期性变化，周期为1年。中红外、地表温度周期幅度较大，以6—8月为波动峰值。蓝光波段、红光波段、近红外波段在11月至2月存在异常峰值，这与当地降雪存在一定关系，在3月至11月波动幅度较小。NDVI、EVI在3月至11月波动幅度较小，2013—2020年间11月至次年3月存在部分小峰值，该小峰值较多出现于1月，2021—2022年小峰值消失且变化趋势逐渐平缓。因此采用时间序列模型对Landsat 8 OLI/TIRS过境时的地表反射率进行预测是可行的。
2)时间序列模型预测数据结果分析。由时间序列预测前后对比图(图4)可以发现使用时间序列模型修复异常像元效果较好，且就局部环境而言修复像元值与周边像元差异较小。
![]()
图 4 基于时间序列模型预测前后数据对比Figure 4. Comparison of data before and after prediction based on time series model选用经CFmask+Tmask算法得到的纯净像元掩膜，对比分析2022年纯净像元Landsat 8 OTL/TIRS反射率观测值和预测值相关性(表4)，2022年各波段观测值及预测值相关系数均大于0.6，采用时间序列模型预测得到的反射率与卫星观测得到的地表反射率显著相关。
表 4 各波段反射率观测值与预测值相关性Table 4. Correlation between observed and predicted reflectance values of each band波段 R2 波段 R2 Blue 0.742** SWIR1 0.883** Green 0.821** SWIR2 0.867** Red 0.851** T 0.615** NIR 0.864** 注：**为均通过了0.01显著性检验。 3.2 植被生长周期分析
实地考察时间分别为2020年6月、2021、2022年7—8月，考察发现研究区内植被稀疏且大多呈簇状分布。其中红沙泉泉眼周边植被种类较多，如芦苇等植被。现有学者在2017年、2018年5月中旬至五月末对准噶尔荒漠区域调查植物多样性和测定群落生物量发现该区域存在早春短命植物[31]。此外，多位学者研究表明荒漠短命植物生长周期较短，且在5—7月份基本全面枯萎[6,32]。因此仅依据生长旺盛期来进行生态环境评价难以客观反映研究区生态状况。
图5为1979—2018年研究区植被生长周期变化情况（GSS为植被生长期开始时间；GSE为植被生长期结束时间；GSL为植被生长期， 200 d为植被生长期为200 d)由图5可知，植被生长开始时间随时间增加而减小，即植被生长期开始时间GSS提前；植被生长期结束时间随时间增加而增加，即植被生长期结束时间GSE推后；植被生长期随时间增加而增加。1979—2018年各年GSS、GSE集中于3月初、10月末。依据GSS、GSE随时间变化公式计算2019—2021年的GSS、GSE，为后续筛选Landsat数据提供依据。
![]()
图 5 1979—2018年研究区植被生长周期变化情况Figure 5. Change of vegetation growth cycle in the study area from 1979 to 20183.3 基于时间序列模型的生态环境评价
采用熵权法确定各年份各指标权重，采用均值法获取2013—2021年各指标权重。各指标权重见表5，权重较大的指标有LUCC、DEM、FVC、TVDI。
表 5 各指标权重Table 5. Weight of each indicator指标 效应 权重 权重共计 压力指标 LUCC − 0.041 0.042 NTL − 0.001 状态指标 FVC + 0.878 0.878 BSI + 0.000 NGLI − 0.000 响应指标 LST − 0.007 0.073 TVDI − 0.069 SI − 0.000 统计矿区内外生态环境(非人工林区域)指数值(表6)，内环境生态指数均值远低于外环境生态指数均值，外环境生态指数均值约为内环境均值的1～3倍。内环境生态指数均值随时间变化较为稳定，而外环境生态指数均值逐年减小，且后者的标准差均高于前者的标准差。内环境中2013—2019年生态指数均值呈减小趋势，2020—2021年有所上升。
表 6 矿区内外生态指数统计Table 6. Statistics of ecological indexes inside and outside the mining area年份 矿区内生态指数统计值 矿区外生态指数统计值 均值 标准差 均值 标准差 2013 0.045 0.139 0.091 0.216 2014 0.032 0.105 0.092 0.226 2015 0.025 0.080 0.065 0.172 2016 0.026 0.083 0.060 0.155 2017 0.025 0.081 0.048 0.120 2018 0.027 0.082 0.043 0.100 2019 0.027 0.079 0.039 0.091 2020 0.027 0.078 0.038 0.091 2021 0.033 0.098 0.046 0.117 采用大津法确定不同生态指数级别之间的阈值，各年份EI阈值见表7。阈值1与阈值2分布较为集中，故采用多年份阈值平均值作为EI分级依据。依据EI阈值将研究区生态环境指数划分为3个级别(生态优、生态中、生态差)，即当EI值大于0.555时为生态优、介于0.057～0.555时为生态中、小于0.057时为生态差。观察基于PSR模型生态环境指数EI分级时空分布图(图6)可以发现研究区范围内生态环境整体较差。其中生态优的区域主要集中在西部及南部，且随着时间的变化南部区域生态环境退化严重。生态环境指数分级后可以发现南部生态中退化相比于生态优退化更为剧烈。
表 7 各年份分级阈值Table 7. Grading threshold of each year年份 阈值1 阈值2 2013 0.547 0.059 2014 0.543 0.055 2015 0.555 0.055 2016 0.557 0.059 2017 0.561 0.059 2018 0.563 0.059 2019 0.561 0.059 2020 0.557 0.059 2021 0.551 0.059 均值 0.555 0.057 ![]()
图 6 生态环境指数分级时空分布Figure 6. Spatial and temporal distribution of ecological environment index grading统计各生态等级的面积及占比情况(图7)，生态差面积及占比逐年稳定上升，生态中与生态优面积及占比逐年稳定下降，各等级占比变化速率为0.005/a、0.002/a、−0.007/a。统计内外环境(非人工林区域)生态等级占比情况（表8），内外环境中均以生态差占比较高，其中内环境生态差占比远高于外环境。但内环境生态差、中、优区域占比较为稳定，外环境生态差区域占比逐年增长，生态中、生态优区域占比逐年减小。
![]()
图 7 生态环境指数分级统计Figure 7. Spatial and temporal distribution of ecological environment index grading表 8 矿区内外各生态等级占比统计Table 8. Statistics of the proportion of each ecological grade inside and outside the mining area年份 矿区内各等级占比/% 矿区外各等级占比/% 差 中 优 差 中 优 2013 82.71 14.74 2.54 82.14 11.44 6.42 2014 84.03 14.57 1.39 81.59 11.40 47.02 2015 84.17 14.27 0.76 82.44 13.71 43.84 2016 83.86 15.31 0.83 81.99 1.96 43.05 2017 83.99 15.23 0.78 82.50 15.78 1.72 2018 83.48 15.72 0.749 83.45 15.40 1.15 2019 83.30 15.96 0.74 85.00 14.05 0.95 2020 83.03 16.27 0.70 85.95 13.08 0.97 2021 81.73 17.09 1.18 85.43 12.88 1.69 采用景观尺度的斑块密度(PD)、景观形状指数(LSI)、平均斑块面积(AREA_MN)、斑块聚合度(COHESION)、景观分隔度(DIVISION)、香浓多样性指数(SHDI)、香浓均匀度指数(SHEI)来评价研究区各等级生态环境的聚集度、破碎度。由图8可知，PD、LSI、SHDI、SHEI、DIVISION、COHESI ON整体呈现减小趋势，AREA_MN整体呈现增加趋势。PD、LSI、SHDI在2013—2019年间呈递减趋势，2019—2021年间呈递增趋势；AREA_MN在2013—2019年间呈现递增趋势、2019—2021年间呈现递减趋势；SHEI2014—2021年间呈递减趋势；COHESION在2013—2021年间呈现减小趋势，在2015、2020年出现短暂增加情况；DIVISION在2013—2021年间呈现递减趋势。景观指数PD、AREA_MN、LSI变化情况表明研究区生态环境景观破碎度减小，DOVISION、COHESION变化情况表明研究区生态环境景观形状复杂程度减小、分布离散程度减小，SHDI、SHEI变化表明研究区生态环境景观异质性减小，即某类生态等级主导地位强化[22]。对比EI时空变化情况可以确定景观指数的变化情况与生态中、生态优斑块转向生态差斑块存在较大关系。
4. 讨 论
4.1 传统合成方法数据与本文数据精度对比
2013—2021年间研究区范围内处于生长周期内且云量小于20%的Landsat 8 OLI/TIRS数据共有66景。由图9a可知，云量小于10%时存在有效像元占比(非异常像元数占研究区整体像元数比值)小于 80% 的影像。因此单独依据云量大小筛选影像来评价研究区生态环境状况不合适。
单景合成方法中选用2013—2021年间各年份植被生长期内云量小于20%且有效像元占比最高的影像代指每年的合成数据，过境时间如图9c所示。2013年与其余年份选用影像的过境时间月份相差较大。2013年植被生长期内云量小于20%的影像有3景，过境时间为2013年4月24日、2013年7月13日、2013年8月30日，后者云量小于前两者，8月30日影像云量最低(0.48)，但4月24日影像有效像元占比最高(98.80%)。多景生态环境中选用影像的云量和有效像元占比如图9d所示，均值法合成获取各年份遥感指标数据。由图9b可知，2014—2021年选用影像数均大于5，高于2013年选用影像数。选用影像月份介于3—10月，以4月、7月、9月居多。
以研究区内面积变化相对较小且植被生长状态较好的林地区域为例，统计该区域单景、多景生态环境指数均值及标准差(图10)。单景、多景影像评价生态环境时，林地区域生态环境指数均值在2014—2021年间变化相对平稳，2013年与后续年份差异较大。对比2013年4月—2013年9月林地区域Landsat假彩色影像(图11)，即使在一年中同一区域，植被部分地表反射率状况存在较大差异。8—9月反射率较为相近，7月次之，4月最差。生态环境评价时需对各遥感指标进行标准化处理，不同时期遥感影像对植被指标及植被覆盖度植被标准化结果影响较大。以2013年生态指数结果为例，单景影像林地区域生态指数较多区域为0.5，约为2013年多景生态指数林地区域的一半。前者使用4月24日过境影像，后者在此基础上增加8月30日过境影像，后者生态指数对于前者的结果存在一定的缓合效果，但无法准确评价该年中林地区域环境状况。
![]()
图 10 2013—2021年度单景、多景林地区域生态指数均值及标准差Figure 10. Mean value and standard deviation of regional ecological index of single-view and multiple-view forest land in 2013—2021以2020年实地考察数据验证单景、多景、本文时间序列模型预测合成的生态环境指数精度。考查数据与单景、多景、本文数据在较低区域聚集性较好。由图12可知，随着考查数据的增加，各生态指数呈现增加趋势，文中生态指数与实测数字的精度（R2=0.450, p<0.01）高于单景、多景。单景生态环境指数与实测值分布离散，多景次之。由图13可知，研究区2020年多景生态指数与文中合成生态指数在空间分布中相近，单景生态指数与前两者相差较大。由图14可知，单景生态指数在南部区域、沟壑区域存在低估现象。多景、文中生态指数可较为准确地显示细小沟壑区域生态状况。矿区边界区域单景生态指数评价较为准确，多景生态指数存在高估现象，文中生态指数有所改善，但依旧存在高估。排土场及露采区附近交通运输用地区域单景生态指数、多景生态指数存在高估现象，文中生态指数评价较为准确。植被区域单景生态指数有所低估，多景及文中生态指数数据评价较为相近。
![]()
图 12 单景、多景、本文生态指数与考察数据散点Figure 12. Scatter chart of single view, multiple view, ecological index and survey data![]()
图 13 2020年单景、多景、本文生态指数空间分布Figure 13. Spatial distribution of ecological index of single view, multiple views and this article in 2020![]()
图 14 单景、多景、本文生态指数局部区域对比图Figure 14. Comparison of single view, multiple view and local area of ecological index in this paper对戈壁荒漠露天矿及其周边环境进行长时间环境评价时发现单景、多景影像对研究区进行生态评价时存在低估现象。结合本文生态指数与实地考查数据相关性可知，本文生态指数较为适用于戈壁露天矿生态环境评价。
同一植被类型条件下生态环境质量因选用卫星影像的不同存在一定差异，对同一研究区进行长时序连续生态环境评价时易存在可用卫星数据时间不一致的缺陷，故在应用PSR模型进行生态环境评估时引入时间序列模型。由采用时间序列模型预测各卫星过境时的地表反射率可知，研究区纯净像元观测的地表反射率与时间序列模型预测的地表反射率相关系数介于0.615～0.883，均通过99%显著性检验。故时间序列模型可预测异常像元，对后续指数分析过程中单景、多景生态指数偶然性、不稳定性。这与孙超的经指数处理后使得生态评估可以反映长期趋势[15]相一致。笔者根据研究区植被特性，由日气温数据获取研究区的植被生长周期。研究区植被生长周期逐年增长，这与前人研究结果一致[30]。本文采用合成地表遥感指数数据、NTL、LUCC数据通过PSR模型得到研究区生态环境指数。各指标分别为压力因子(LUCC、NTL)、状态因子(FVC、BSI、NGLI)、响应(因子LST、TVDI、SI)，LUCC (权重: 0.041)、FVC(权重: 0.878)、TVDI(权重: 0.069)指标对研究区生态环境存在较大影响。各年份生态环境指数均呈现南高北低、西高东低与该区域的地形分布较为相似，局部生态好的区域位于矿区的人工林区域以及沟壑处植被生长较好区域。这与本文研究区在于昊辰文中[33]准东ARSEI时空分布格局一致。矿区外部生态环境指数均值约为内部的1～3倍。这与研究区南部、西部沟壑区域的植被面积减少在较大关系。
4.2 本研究区生态环境修复的管理对策建议
由图6可知，2013—2021年研究区南部生态环境质量优于北部生态环境质量，南部区域土地利用类型主要为草地，北部区域土地利用类型主要为裸岩石砾地。研究区内沟壑处的生态环境质量较优于地势较为平坦区域的生态环境质量。故后续对于研究区进行生态修复时可考虑先于沟壑处种植生态修复作物，在进行生态修复时可优先考虑研究区草地、裸地区域。
此外，采用坡度、坡向数据分析不同地形条件下的生态环境质量状况，以0.5°为间隔对坡度数据进行分级，坡向划分为阴坡(0～45°、315°～360°)、半阴坡(45°～135°)、阳坡(135°～225°)、半阳坡(225°～315°)。
由图15可知，阴坡方向0～5°、11.5°～14.5°，半阴坡方向0～2.5°、10°～13.5°，阳坡方向9～11°，半阳坡方向0～6°生态环境质量较好。半阳坡方向生态环境质量在各个方向生态环境质量中最差。相同坡度条件下，2°～3.5°、14°～14.5°、18°～19.5°阳坡方向生态环境优于其他方向；0～1°、12°～13°、16.5°～17.5°半阴坡方向生态环境优于其他方向；4°～10.5°间阳坡方向生态环境较优于其他方向；半阳坡生态环境较差于其他方向。因此在对研究区进行生态修复时应尽量避免在半阳坡方向种植生态修复作物，且在不同坡向进行生态环境修复时均应避免坡度大于17.5°。
5. 结 论
1)采用CFmask算法+Tmask算法可有效识别戈壁荒漠区域Landsat 数据中的云、云阴影、薄云。时间序列模型可较好的预测Landsat 8 OLI/TIRS 过境时的地表反射率。研究区植被生长期内纯净像元反射率预测值与观测值显著相关。文中方法生态指数数据与实地考察数据相关性为0.450，高于单景、多景。
2)研究区压力状态响应模型中土地利用/覆盖、植被覆盖度、地表湿度对生态环境影响较大，权重分别为0.041、0.878、0.069。
3)研究区生态环境呈退化趋势，生态优区域面积占比退化速率为0.007/a。整体研究区植被生长周期增加，且退化区域远离人类活动主要区域，结合各指标权重可猜测自然环境影响研究区生态环境较为严重。矿区外生态指数均值约为矿区内生态指数均值的1～3倍，但矿区外生态指数随时间变化不如矿区内生态指数稳定，且矿区外生态差区域占比逐年加重。研究区各级生态环境景观破碎度减小，景观异质性减小，聚合度增加，生态优斑块随时间变化转移向生态中、生态差斑块，生态差斑块主导研究区环境状态。在对研究区进行生态修复时可先于沟壑处种植生态修复作物，可优先考虑草地、裸地区域。种植时应尽量避免选择半阳坡方向种植作物，且在阴坡、半阴坡、阳坡、半阳坡方向种植作物时均应避免坡度大于17.5°。
-
![]()
图 4 基于时间序列模型预测前后数据对比
Figure 4. Comparison of data before and after prediction based on time series model
![]()
图 5 1979—2018年研究区植被生长周期变化情况
Figure 5. Change of vegetation growth cycle in the study area from 1979 to 2018
![]()
图 6 生态环境指数分级时空分布
Figure 6. Spatial and temporal distribution of ecological environment index grading
![]()
图 7 生态环境指数分级统计
Figure 7. Spatial and temporal distribution of ecological environment index grading
![]()
图 10 2013—2021年度单景、多景林地区域生态指数均值及标准差
Figure 10. Mean value and standard deviation of regional ecological index of single-view and multiple-view forest land in 2013—2021
![]()
图 12 单景、多景、本文生态指数与考察数据散点
Figure 12. Scatter chart of single view, multiple view, ecological index and survey data
![]()
图 13 2020年单景、多景、本文生态指数空间分布
Figure 13. Spatial distribution of ecological index of single view, multiple views and this article in 2020
![]()
图 14 单景、多景、本文生态指数局部区域对比图
Figure 14. Comparison of single view, multiple view and local area of ecological index in this paper
表 1 数据简介
Table 1 Data introduction
数据集 分辨率 数值来源 地表反射率产品数据(Landsat 8 OLI/TIRS Level 2,
Collection 2, Tier 1)30 m Google earth engine 平台(https://code.earthengine.google.com/) 夜间灯光年度产品数据(NPP/VIIRS ) 500 m 地球观测组(Earth Observation Group ，EOG) (https://eogdata.mines.edu/products/vnl/) 地形数据(ASTER GDEM) 30 m 地理空间数据云(https://www.gscloud.cn/) 地表反射率产品数据(MODIS MYD13Q1) 250 m 美国航天局地球数据(https://search.earthdata.nasa.gov) 地表温度产品数据(MODIS MYD11A2) 1000 m 美国航天局地球数据(https://search.earthdata.nasa.gov) 中国近地表日气温数据集（1979—2018） 0.1° 国家青藏科学数据中心(https://data.tpdc.ac.cn/home) 
下载: 导出CSV
表 2 土地利用程度−韦弗指数
Table 2 Land use degree−Weaver index
土地利用类型 指数 林地 100 草地 200 裸地 300 裸岩石砾地 400 交通运输用地 400 设施占用地 500 露采区 500 排土场 500
下载: 导出CSV
表 3 各指标计算公式
Table 3 Calculation formula of each index
指标 计算公式 效应 参考文献 压力指标 LUCC 目视解译 − [22] NTL 大津法（Otsu）、年际连续校正法 − [22] 状态指标 FVC $ \begin{aligned}&\left\{ \begin{aligned} & \mathrm{FVC}=0 & \mathrm{MSAVI} \leqslant 0 \\ &\mathrm{FVC}=\frac{\mathrm{MSAVI-\mathrm{MSAVI}}_{\min }}{\mathrm{MSAVI}_{\max }-\mathrm{MSAVI}_{\min }} & \mathrm{MSAVI}>0\end{aligned} \right. \\&\mathrm{MSAVI}=\frac{2 \rho_{{_\mathrm{N I R}}}+1-\sqrt{\left(2 \rho_{{_\mathrm{N R}}}+1\right)^2-8\left(\rho_{{_\mathrm{N I R}}}-\rho_{\mathrm{red} }\right)}}{2}\end{aligned} $
+[23] BSI ${\text{BSI}} = \dfrac{{\left( {{\rho _{{_\mathrm{SWIR1}}}} + {\rho _{{{_\mathrm{Red}}} }}} \right) - \left( {{\rho _{{_\text{blue}}}} - {\rho _{{{_\mathrm{Red}}} }}} \right)}}{{\left( {{\rho _{{_\mathrm{SWIR1}}}} + {\rho _{{{_\mathrm{Red}}} }}} \right) + \left( {{\rho _{{_\text{blue}}}} - {\rho _{{{_\mathrm{Red}}} }}} \right)}}$ + [24] NGLI $ {\text{NGLI}} = \dfrac{{{\rho _{{_\text{SWIR2}}}} - {\rho _{{_\text{SWIR1}}}}}}{{{\rho _{{_\text{SWIR2}}}} + {\rho _{{_\text{SWIR1}}}}}} $ − [25] 响应指标 LST ${\rho _{{_\mathrm{ST}}}} - 273.15$ − TVDI $ \left\{ \begin{gathered}{\rm TVDI} = \left( {{T_{\text{s}}} - {T_{\min }}} \right)/\left( {{T_{\max }} - {T_{\min }}} \right) \\ {T_{\min }} = {a_{{\mathrm{down}}}}{\rm NDVI}{^3} + {b_{{\mathrm{down}}}}{\rm NDVI}{^2} + {c_{{\mathrm{down}}}}{\rm NDVI} + {d_{{\mathrm{down}}}} \\ {T_{\max }} = {a_{{\mathrm{up}}}}{\rm NDVI}{^3} + {b_{{\mathrm{up}}}}{\rm NDVI}{^2} + {c_{{\mathrm{up}}}}{\rm NDVI} + {d_{{\mathrm{up}}}} \\ \end{gathered} \right. $ − [26] SI $ {\mathrm{SI}}=\sqrt{\text{ }{\rho }_{_\text{Blue}}\text{ }\times \text{ }{\rho }_{_\text{Red}}\text{ }} $ − [27] 注：下标“Blue、Red、NIR、SWIR1、SWIR2”分别为“蓝波段、红波段、近红外波段、短波红外1、短波红外2”；下标“down、up”分别为高温、低温和不同次方NDVI的拟合系数；$\rho_{{_\mathrm{ST}}} $为开尔文温度；“+、−”号表示该指标为“正向指标或负向指标”。
下载: 导出CSV
表 4 各波段反射率观测值与预测值相关性
Table 4 Correlation between observed and predicted reflectance values of each band
波段 R2 波段 R2 Blue 0.742** SWIR1 0.883** Green 0.821** SWIR2 0.867** Red 0.851** T 0.615** NIR 0.864** 注：**为均通过了0.01显著性检验。
下载: 导出CSV
表 5 各指标权重
Table 5 Weight of each indicator
指标 效应 权重 权重共计 压力指标 LUCC − 0.041 0.042 NTL − 0.001 状态指标 FVC + 0.878 0.878 BSI + 0.000 NGLI − 0.000 响应指标 LST − 0.007 0.073 TVDI − 0.069 SI − 0.000
下载: 导出CSV
表 6 矿区内外生态指数统计
Table 6 Statistics of ecological indexes inside and outside the mining area
年份 矿区内生态指数统计值 矿区外生态指数统计值 均值 标准差 均值 标准差 2013 0.045 0.139 0.091 0.216 2014 0.032 0.105 0.092 0.226 2015 0.025 0.080 0.065 0.172 2016 0.026 0.083 0.060 0.155 2017 0.025 0.081 0.048 0.120 2018 0.027 0.082 0.043 0.100 2019 0.027 0.079 0.039 0.091 2020 0.027 0.078 0.038 0.091 2021 0.033 0.098 0.046 0.117
下载: 导出CSV
表 7 各年份分级阈值
Table 7 Grading threshold of each year
年份 阈值1 阈值2 2013 0.547 0.059 2014 0.543 0.055 2015 0.555 0.055 2016 0.557 0.059 2017 0.561 0.059 2018 0.563 0.059 2019 0.561 0.059 2020 0.557 0.059 2021 0.551 0.059 均值 0.555 0.057
下载: 导出CSV
表 8 矿区内外各生态等级占比统计
Table 8 Statistics of the proportion of each ecological grade inside and outside the mining area
年份 矿区内各等级占比/% 矿区外各等级占比/% 差 中 优 差 中 优 2013 82.71 14.74 2.54 82.14 11.44 6.42 2014 84.03 14.57 1.39 81.59 11.40 47.02 2015 84.17 14.27 0.76 82.44 13.71 43.84 2016 83.86 15.31 0.83 81.99 1.96 43.05 2017 83.99 15.23 0.78 82.50 15.78 1.72 2018 83.48 15.72 0.749 83.45 15.40 1.15 2019 83.30 15.96 0.74 85.00 14.05 0.95 2020 83.03 16.27 0.70 85.95 13.08 0.97 2021 81.73 17.09 1.18 85.43 12.88 1.69
下载: 导出CSV
-
[1] 徐 轩,李均力,包安明,等. 新疆五彩湾矿区开发对荒漠植被的扰动分析[J]. 地球信息科学学报,2019,21(12):1934−1944. XU Xuan,LI Junli,BAO Anming, et al. Disturbance analysis of desert vegetation under the development of Wucaiwan Min-ingArea in Xinjiang[J]. Journal of geo-information science,2019,21(12):1934−1944.
[2] 刘思怡,丁建丽,张钧泳,等. 艾比湖流域草地生态系统环境健康遥感诊断[J]. 草业学报,2020,29(10):1−13. LIU Siyi,DING Jianli,ZHANG Junyong, et al. Remote sensing diagnosis of grassland ecosystem environmental health in the Ebinur Lake Basin[J]. Acta prataculturae sinica,2020,29(10):1−13.
[3] 郑慧玲,王永红,马 卫. 基于PSR模型的珠江三角洲生态环境脆弱性评价[J]. 水土保持通报,2022,42(4):210−217,381. ZHENG Huiling,WANG Yonghong,MA Wei. Evaluation of eco-environmental vulnerability of Pearl River Delta Based on PSR Model[J]. Bulletin of soil and water conservation,2022,42(4):210−217,381.
[4] 姜旭海,韩 玲,白宗璠,等. 内蒙古自治区沙漠化敏感性时空演变格局和趋势分析[J]. 生态学报,2023(1):1−15. JIANG Xuhai,HAN Ling,BAI Zongfan, et al. Analysis of the temporal and spatial evolution pattern and trend of desertification sensitivity in the Inner Mongolia Autonomous Region[J]. Acta ecologica sinica,2023(1):1−15.
[5] 袁 也,武文丽,付宗驰,等. 新疆昆玉市生态安全评价及其时空分异特征研究[J]. 石河子大学学报(自然科学版),2021,39(6):733−740. YUAN Ye,WU Wenli,FU Zongchi, et al. Spatial-temporal dis-crimination for the urban eco-security evaluation in Xinjiang Kunyu[J]. Journal of shihezi university (natural science),2021,39(6):733−740.
[6] 夏 楠. 准东矿区生态环境遥感监测及生态质量评价模型研究[D]. 乌鲁木齐:新疆大学,2018. XIA Nan. Study on remote sensing monitoring of eco-environment and assessment model of ecological quality in Zhundong Mining Region[D]. Urumqi:Xinjiang University,2018.
[7] 李 晶,邓晓娟,杨 震,等. 基于时序多光谱影像的干旱草原区开采扰动信息提取方法[J]. 光谱学与光谱分析,2019,39(12):3788−3793. LI Jing,DENG Xiaojuan,YANG Zhen, et al. A method of extracting mining disturbance in arid grassland based on time series multispectral images[J]. Spectroscopy and spectral analysis,2019,39(12):3788−3793.
[8] 刘 英,朱 蓉,岳 辉. 典型露天矿区生态环境遥感评价[J]. 西安科技大学学报,2021,41(4):682−691. LIU Ying,ZHU Rong,YUE Hui. Remote sensing evaluation of ecological environment in typical open-pit mining areas[J]. Journal of xi'an university of science and technology,2021,41(4):682−691.
[9] 范德芹,邱 玥,孙文彬,等. 基于遥感生态指数的神府矿区生态环境评价[J]. 测绘通报,2021,532(7):23−28. FAN Deqin,QIU Yue,SUN Wenbin, et al. Evaluating ecological environment based on remote sensing ecological index in Shenfu mining area[J]. Bulletin of surveying and mapping,2021,532(7):23−28.
[10] 刘 虎,姜 岳,夏明宇,等. 基于30年遥感监测的矿区生态环境变化:以南四湖周边矿区为例[J]. 金属矿山,2021,538(4):197−206. LIU Hu,JIANG Yue,XIA Mingyu, et al. Ecological environment changes of mining area with 30 Years' remote sensing moni-toring:a case study around Nansihu Lake,Shandong Province[J]. Metal Mine,2021,538(4):197−206.
[11] 岳 辉,刘 英,朱 蓉. 基于遥感生态指数的神东矿区生态环境变化监测[J]. 水土保持通报,2019,39(2):101−107,114. YUE Hui,LIU Ying,ZHU Rong, et al. Monitoring ecological environment change based on remote sensing ecological index in Shendong Mining Area[J]. Bulletin of soil and water conservation,2019,39(2):101−107,114.
[12] XIAO Wu,DENG Xinyu,HE Tingting, et al. Mapping annual land disturbance and reclamation in a surface coal mining region using google earth engine and the landtrendr algorithm:A case study of the shengli coalfield in Inner Mongolia,China[J]. Remote sensing,2020,12(10):1612. doi: 10.3390/rs12101612
[13] YANG Yongjun,ERSKINE Peter D,LECHNER Alex M, et al. Detecting the dynamics of vegetation disturbance and recovery in surface mining area via Landsat imagery and LandTrendr algorithm[J]. Journal of cleaner production,2018,178:353−362.
[14] WANG Huihui,XIE Miaomiao,LI Hanting, et al. Monitoring eco-system restoration of multiple surface coal mine sites in China via LANDSAT images using the Google Earth Engine[J]. Land degradation & development,2021,32(10):2936−2950.
[15] ZHU Zhe,WOODCOCK Curtis E. Automated cloud,cloud shadow,and snow detection in multitemporal landsat data an algorithm designed specifically for monitoring land cover change[J]. Remote sensing of environment,2014,152:217−234.
[16] SUN Chao,LI Jialin,LIU Yongchao, et al. Ecological quality assessment and monitoring using a time-series remote sensing-based ecological index (ts-RSEI)[J]. GIScience & remote sensing,2022,59(1):1793−1816.
[17] 康萨如拉,牛建明,张 庆,等. 草原区矿产开发对景观格局和初级生产力的影响:以黑岱沟露天煤矿为例[J]. 生态学报,2014,34(11):2855−2867. KANG Sarula,NIU Jianming,ZHANG Qing, et al. Impacts of mining on landscape pattern and primary productivity in the grassland of Inner Mongolia:a case study of Heidaigou open pit coal mining. Acta ecologica sinica,2014,34( 11) :2855−2867.
[18] 袁婷婷,王志强,汪溪远,等. 准东红沙泉矿区重金属生态风险缓冲区分析[J]. 土壤通报,2020,51(1):227−233. YUAN Tingting,WANG Zhiqiang,WANG Xiyuan, et al. Buffer analysis of heavy metal ecological risk in the Hongshaquan Mining Area of East Junggar Basin[J]. Chinese journal of soil science,2020,51(1):227−233.
[19] 方 舒,毛克彪. 中国近地表日气温数据集(1979-2018)[EB/OL]. 国家青藏高原科学数据中心,https://doi.org/10.5281/zenodo. 5502275. FANG Shu. ,MAO Kebiao. A dataset of daily near-surface air temperature in China from 1979 to 2018[EB/OL]. National tibetan plateau/third pole environment data center,https://doi.org/10.5281/zenodo.5502275.
[20] WU Junjun,WANG Xin,ZHONG Bo, et al. Ecological environment assessment for Greater Mekong Subre-gion based on Pressure-State-Response framework by remote sensing[J]. Ecological indicators,2020,117:106521. doi: 10.1016/j.ecolind.2020.106521
[21] 刘 英,魏嘉莉,毕银丽,等. 红沙泉露天煤矿碳储量时空动态变化分析[J]. 煤炭学报,2022,47(S1):214−224. doi: 10.13225/j.cnki.jccs.XR21.1562 LIU Ying,WEI Jiali,BI Yinli, et al. Spatiotemporal dynamic change analysis of carbon storage in desertification open-pit mine[J]. Journal of china coal society,2022,47(S1):214−224. doi: 10.13225/j.cnki.jccs.XR21.1562
[22] 闫梦川. 基于夜间灯光数据的长江三角洲地区GDP空间化分析[D]. 大连:辽宁师范大学,2022. YAN Mengchuan. Spatial analysis of GDP in the Yangtze River Delta region based on night light data[D]. Dalian:Liaoning Normal University,2022.
[23] QI Jiaguo,CHEHBOUNI Abdelghani,HUETE Alfredo Ramon, et al. A modified soil adjusted vegetation index[J]. Remote sensing of environment,1994,48(2):119−126. doi: 10.1016/0034-4257(94)90134-1
[24] RIKIMARU A. LAMDSAT TM data processing guide for forest canopy density mapping and monitoring model[C]//ITTO workshop on Utilization of Remote Sensing in Site Assessment and Planning for Rehabilitation of Logged-over Forest. July 30-August 1,Bangkok,Thailand,1996:1−8.
[25] 岳 辉,朱 蓉,刘 英,等. 荒漠化露天矿土壤湿度监测模型的构建:以红沙泉矿区为例[J]. 煤炭科学技术,2022,50(2):300−311. YUE Hui,ZHU Rong,LIU Ying, et al. Construction of soil moisture monitoring model in desertification open-pit mining area:taking Hongshaqian Mining Area as an example[J]. Coal science and technology,2022,50(2):300−311.
[26] MORAN Susan M,HYMER Daniel C,QI Jiaguo, et al. Soil moisture evaluation using multi-temporal synthetic aperture radar (SAR) in semiarid rangeland[J]. Agricultural and forest meteorology,2000,105(1−3):69−80.
[27] Douaoui Abd EI Kader,NICOLAS Hervé,WALTER Christian. Detecting salinity hazards within a semiarid context by means of combining soil and remote-sensing data[J]. Geoderma,2006,134(1/2):217−230. doi: 10.1016/j.geoderma.2005.10.009
[28] YUE H,LIU Y,LI Y,et al. Eco-environmental quality assessment in China’s 35 major cities based on remote sensing ecological index[J]. IEEE Access,2019,7:51295−51311.
[29] 郑招文,肖袁俊,宋文丹,等. 中国植被生长期的时空变化[J]. 应用生态学报,2020,31(12):3979−3988. ZHENG Zhaowen,XIAO Yuanjun,SONG Wendan, et al. Spati-otemporal variation of growing season length of vegetation in China[J]. Chinese journal of applied ecology,2020,31(12):3979−3988.
[30] FOGA Steve,SCARAMUZZA Pat L,GUO Song, et al. Cloud detection algorithm comparison and validation for operational Landsat data products[J]. Remote Sensing of Environment,2017,194:379−390. doi: 10.1016/j.rse.2017.03.026
[31] 王爱霞,马婧婧,龚会蝶,等. 北疆一年生早春短命植物物种丰富度分布格局及其影响因素[J]. 生物多样性,2021,29(6):735−745. doi: 10.17520/biods.2020331 WANG Aixia,MA Jingjing,GONG Huidie, et al. Patterns and drivers of species richness of early spring annual ephemeral plants in northern Xinjiang[J]. Biodiversity Science,2021,29(6):735−745. doi: 10.17520/biods.2020331
[32] 袁素芬,唐海萍,张宏锋. 准噶尔荒漠短命植物分布特征对干扰的响应[J]. 干旱区资源与环境,2014,28(11):122−126. YUAN Sufen,TANG Haiping,ZHANG Hongfeng. Response of distribution characteristics of ephemeral plants to the human disturbance in Dzungaria Desert[J]. Journal of arid land resources and environment,2014,28(11):122−126.
[33] 于昊辰. 新疆荒漠矿区土地生态系统退化评价及调控策略研究[D]. 徐州:中国矿业大学,2022. Yu Haochen. Measurement and regulation strategies of land ecosystem degradation for desert mining area in Xinjiang[D]. Xuzhou:China University of Mining and Technology,2022.
-
期刊类型引用(1)
1. 王市委，张浩斌，郭文兵，马超. 气候和采矿活动对荒漠化草原露天矿区植被的影响. 干旱区研究. 2024(11): 1921-1935 . 
百度学术
其他类型引用(0)
计量
- 文章访问数: 125
- HTML全文浏览量: 12
- PDF下载量: 49
- 被引次数: 1
