安太堡露天矿区复垦地植被覆盖度反演估算研究

张 耀 ，周 伟

(1.中国地质大学(北京) 土地科学技术学院，北京 100083；2.国土资源部 土地整治重点实验室，北京 100035)

安太堡露天矿区复垦地植被覆盖度反演估算研究

张 耀1，2，周 伟1，2

(1.中国地质大学(北京) 土地科学技术学院，北京 100083；2.国土资源部 土地整治重点实验室，北京 100035)

长期露天开采造成了植被大面积破坏、土地压占损毁等环境问题。利用遥感技术准确、快速监测矿区植被覆盖度，对植被恢复和土地复垦监管具有重要意义。以山西平朔安太堡露天煤矿为研究对象，利用多时相TM数据结合实地调查数据，采用主成分分析法，从19个植被指数因子中提取主成分，建立植被覆盖度反演模型。结果表明：（1）前两个主成分PC1和PC2的累积贡献率为91.508%，建立复垦植被覆盖度反演模型，经检验R2=0.742，达到显著相关水平。（2）1990～2010年，南、西排土场植被覆盖度分别增加了20.88%和12.89%，西扩排土场和内排土场植被覆盖度分别降低了18.23%和7.59%，南、西排土场植被覆盖度和植被覆盖增加量都大于西扩排土场和内排土场的。（3）南、西排土场植被复垦时间都超过了10年，而西扩排土场和内排土场的复垦时间少于10年，说明复垦周期长有利于植被恢复，进行复垦工程对矿区生态环境的修复具有直接作用和重要意义。

植被覆盖度；植被指数；复垦植被；TM数据；露天矿

露天矿开采损毁原始地貌的植被覆盖、降低土壤养分，严重损坏矿区及周边的生态系统[1]。矿区土地复垦是将采矿对环境损毁降至最小、恢复当地生态平衡的重要手段，是矿山生产建设中的重要环节[2]。复垦植被作为复垦最重要步骤之一，其覆盖度的动态变化是复垦植被健康状况的直接表现，是评价复垦效果比较直观和有效的指标[3]。植被复垦是一个长期的工程，随着复垦时间的推移，会出现植被物种的更替。因此，根据植被在生态环境中的演化特征，要求复垦植被的监测具有动态性和长期性。持续的、长期的监测复垦植被恢复信息成为土地复垦工程的关键[4]。

传统样地采样方式受时空尺度的限制，参考样地的选择有限，且地面监测复垦植被的样方难以根据复垦植被年限的增长而变化，很难完成长周期多尺度监测的目标[5]。而遥感技术具有覆盖广、采样周期短、可动态地掌握信息等特点，已成为动态监测区域植被覆盖度的重要手段[6]。其中，植被指数法是从遥感图像上快速、动态获取大范围植被信息常用的经济有效的方法，通过获取植被生长状态、植被参数反演、植被时序变化监测等信息，来监测植被生长状态、绿色植被活力等信息，是定量研究植被覆盖特征的好方法[7]。植被覆盖度与植被指数耦合关系研究有：Purevdorj等通过研究蒙古和日本草原，对NDVI、土壤调节植被指数SAVI等5个植被指数和植被覆盖度的相关性和多项式回归分析，得到NDVI、SAVI与植被覆盖度相关性较高的结论[8]。黎良财等计算NDVI、差值植被指数DVI、SR等5种植被指数结合相机拍摄样方提取的植被覆盖度进行分析，建立回归模型[9]。

国内外学者以长时间序列Landsat影像为数据源，利用植被指数、主成分分析等方法分别对不同时空尺度的矿区植被覆盖变化进行了研究[10-12]。研究发现：Erener等用Landsat数据NDVI、SR研究土耳其Seyitömer煤矿，分析表明复垦地植被覆盖总体呈上升趋势[13]。Halounova用归一化植被指数NDVI、简单比值指数SR等8个植被指数对捷克波西米亚北露天矿的100个复垦森林类型进行对比研究，评价10年间复垦植被恢复情况[14]。Susmita等用NDVI和缨帽变换研究美国阿巴拉契亚南部高植被覆盖的露天煤矿区，分析得到森林经过扰动与恢复转变的阈值[15]。黎良财等用NDVI像元二分模型对铅锌矿区植被覆盖度进行了时空变化分析[16]。

针对生态极其脆弱的黄土高原露天矿区，人工扰动大，破碎化程度高，筛选适宜的植被指数来反演植被覆盖度，是定量植被遥感的关键技术。然而，研究露天矿复垦区域植被覆盖的研究不多，尤其是用遥感技术做长期定量监测的研究较少。所以结合植被地面调查，包括复垦植被覆盖度、物种以及群落结构，通过对比复垦植被和原地貌自然植被的这些指标，来评价复垦植被是否达到标准。因此，本文以平朔生态脆弱区为研究对象，利用1990～2010年多时相TM影像，通过反演矿区植被覆盖度，对复垦植被和当地植被的生长状况进行长期、动态监测，分析其时空变化情况，为矿区土地复垦监管的信息化提供支持，为矿区环境治理提供决策支持。

1 研究区概况

平朔矿区地处黄土高原东部，与晋陕蒙“黑三角”接壤，位于山西省朔州市平鲁区，112.29º～112.46ºE，39.40º～ 39.54ºN（图 1）。

图1 山西平朔位置与矿区示意Fig.1 Location of Pingshuo mine in Shanxi province

本区地貌景观以黄土低山丘陵台地为主，海拔1 200～1 600 m，地势东北高，西南低，地表水系属于海河流域的永定河水系，地表水资源贫乏。本区属于半干旱大陆性温带季风气候区，年平均气温6.0℃，年降水量450.0 mm，年蒸发量2 160.0 mm。本区属于中国植被区划中的VI温带草原区域VIA东部草原亚区域VIAii温带北部草原地带VIAiia温带南部森林（草甸）草原亚地带VIAiia-4晋北山地森林草原区。植被以旱生和旱中生草原植物区系成分为主，植被覆盖率低，主要植被群落类型有长芒草、扁穗冰草、克氏针茅等耐旱植物。矿区农田栽培作物属一年一熟制，主要农作物有玉米、谷子、莜麦等。本区主要地带性土壤为栗钙土、栗褐土、黄绵土。平朔矿区属宁武煤田北部区域，煤炭储量127.5亿t，开采时间1986～2095年，持续时间约为 110 年。平朔煤矿有三个露天矿：安太堡露天矿，安家岭露天矿，东露天矿。本文主要研究区域为安太堡露天矿，其开采与复垦基本情况见表1。

2 数据获取与研究方法

2.1 复垦植被覆盖度的野外调查

复垦区域的植被覆盖度获取对于模型建立和反演非常重要。选择安太堡南排土场的四块样地（SⅠ、SⅢ、SⅣ、SⅤ）为树木植被覆盖度调查样地，样地被国土资源部列为复垦示范基地，样地基本情况见表2。野外调查时间为2010年8月，以10m×10m样方为树种编号单元，调查内容包括树木的树种名称、高度、冠幅、胸径、物候期和地理位置等信息，并建立数据库。由于需要跟TM影像匹配分析，需要对样方进行重采样，生成30m×30 m网格，每个网格在TM影像上为1个像元大小，每个网格内有9个原样方（3×3），重采样后样方数量为32个。野外调查树木植被覆盖度是树木冠层垂直投影面积占样地面积的百分比，其取值范围为0～100%[17]。

表1 安太堡排土场的开采与复垦基本情况Table 1 Dumps area and the time of mining and reclamation

表2 野外调查样地信息概况†Table 2 Description of the sample plots

2.2 遥感数据源

采用安太堡矿区处于植被生长季节的Landsat TM数据（美国地质调查局提供）作为数据源，数据获取日期为1990-08-22、2000-08-10、2000-09-11、2000-09-18、2010-07-05、2010-07-12、2010-09-14。遥感影像研究区域无云覆盖，已经过辐射定标、大气校正和几何校正，数据质量较好。为了减少物候变化对植被生长状况的影响，取数据每年植被生长季的不同月份的均值为该年数值。利用外业调查范围作为边界，裁剪出研究区域TM影像。

2.3 植被指数的计算

植被指数是一种无量纲指数，是多个波段光谱反射率的线性或非线性组合，从而将多光谱中的重要光谱信息压缩到一个植被指数通道，实现多光谱数据的降维。遥感图像上的植被信息，是通过植物叶子和植被冠层的光谱特征反映的。可见光绿光波段（520～590 nm）对区分植物类别敏感，红光波段（630～690 nm）对植被覆盖度、植被生长状况敏感。可见光谱段（380～760 nm）受叶子叶绿素含量控制，近红外谱段（760～1 100 nm）受叶内细胞结构控制，短波红外谱段（1 300～2 500 nm）受叶细胞内水分含量控制[17]。

目前，已研究发展了40多种不同的植被指数，每一种植被指数创立都有明确的理论依据和应用目的。最常用的归一化植被指数NDVI能定量表达植被覆盖信息，适用于植被发育中期或中等覆盖度的植被监测。结合植被在短波红外波段反射率受到水分强吸收的特点，归一化水分指数NDWI来更有效的反演植被冠层水分含量[18]。由于受到土壤背景和大气噪声的影响，对不同覆盖区的出现敏感度不同的情况，需要加入不同参数来消除其影响的植被指数。在降低土壤背景的影响方面，SAVI引入土壤调节参数L能够随植被密度变化自动调节来减小土壤的影响[19]；增强型植被指数EVI通过加入蓝波段增强植被信号，校正土壤背景和气溶胶散射的影响，更为适用于植被茂密地区[20]。在减少大气散射的影响方面，大气阻抗植被指数ARVI通过归一化蓝、红和近红外波段的辐射来减少大气效应的敏感程度[21]。本文选用矿区常用的植被指数见表3。

表3 植被指数计算公式Table 3 Equation of vegetation indices for Landsat image

2.4 缨帽变换

缨帽变换也成Kauth-Thomas变换（KT），该变换是一种特殊的主成分分析，是基于多波段图像的线型变换，是一种全球性的植被指数。KT变换可从TM图像中分解出每个像元的土壤亮度指数（KTB，反映土壤信息）、绿度指数（KTG，反映生物量特征，与图像上植被数量相关）和湿度指数（KTW，与冠层和土壤湿度相关）[22]。计算公式：

式中，Rblue、Rgreen、Rred、Rnir分别为蓝、绿、红和近红外波段的反射率，R1.6um为1.6 um的短波红外反射率，R2.2um为2.2 um的短波红外反射率。

3 结果与分析

3.1 复垦排土场植被覆盖度估测模型构建

用SPSS软件对样地的19个植被指数因子进行相关性分析（表4），大多数植被指数与植被覆盖度显著相关（|Pearson| ＞0.7，P＜0.05），BGI与植被覆盖度不相关（P＞0.05），结果说明因子间可能存在多重相关性。在复垦区域植被覆盖度的定量评价中，需要采用多元线性回归或逐步回归方法建立植被覆盖度与植被指数回归模型。这种方法简便易行，但回归模型中的相关变量会影响模型精度，甚至出现病态模型，因此采用主成分分析法，筛选植被指数因子，生成主成分分量。由于主成分分量间具有相互正交的特性，多个主成分分量之间相互独立，这样既可保留不同植被指数信息的主要特征，又可避免变量之间多重相关。因此，本文采用主成分分析筛选植被指数的主成分，再建立主成分与植被盖度的回归模型，用于估测复垦地植被覆盖度。

对样地的19个植被指数因子进行主成分分析（表4，图2），由表4看出，前2个主成分的样本方差已达到91.508%，反映了样本的主要信息，之后的主成分分量反映的信息量较少。信息量主要由PC1和PC2集中反映，变量由多个因子降为2个综合变量，通过主成分变换起到了保留样本主要信息和降维作用。因子载荷分析表明，第一主成分PC1反映大部分信息，贡献率为84.656%，与PC1显著相关的因子有：AFRI、ARVI、DVI、EVI、KTG、KTW、NDBI、NDVI、NDWI、PVI、RDVI、RGI、SR、TVI、VARI；第二主成分PC2反映部分信息，贡献率为6.852%，与PC2相关的因子有：与土壤相关因子SAVI和KTB，与大气相关因子VARI。

表4 相关性系数、公因子方差提取和主成分因子载荷、特征值及贡献率Table 4 Coefficient, common factor variance extraction,factors loading value, eigenvalue and contributiveness

图2 旋转空间的成分图Fig 2 Composition diagram of rotation space

以主成分为自变量，将野外调查得到的32个样方的植被覆盖度为因变量，进行多元线性回归分析，建立植被覆盖度估测模型。计算公式为：

式中：Y为复垦地植被覆盖度（%）。模型方差分析及线型回归关系显著性检验结果见图3、表5。基于遥感植被指数的主成分和矿区复垦排土场植被覆盖度具有显著相关关系，相关系数R2=0.742，说明反演的效果较好。但低植被覆盖度区域反演盖度比实测覆盖度高，这可能与两者的尺度差异和实际测定的方法有关。高植被覆盖区域点的离散度较高，说明高植被覆盖条件下反演结果可能受到植被密度、植被光学厚度等参数的影响较大。

图3 反演植被覆盖度与实测植被覆盖度的关系Fig. 3 Relationship between fi eld measured vegetation fraction and modeled vegetation fraction

表5 方差分析Table 5 Variance analysis

3.2 植被覆盖度反演结果分析

2010年，基于主成分分析植被覆盖度反演结果，见表6、图4。2010年，南排土场反演植被覆盖度为98.85%，这与矿区实地调查的大于90%结果一致；西排土场估测植被覆盖度为99.81%，这与矿区实地调查该区域植被覆盖度大于95%结果一致。这说明，基于主成分分析植被覆盖度反演模型取得良好结果，可用于分析研究区植被覆盖状况。

表6 1990～2010年各排土场植被覆盖度估测值Table 6 Vegetation fraction of dumps from 1990 to 2010

图4 1990～2010年各排土场植被覆盖度估测趋势Fig.4 Vegetation fraction of dumps from 1990 to 2010

由表6、图4可知，2010年矿区西扩排土场、内排土场反演植被覆盖度分别为81.77%、79.87%，南排土场和西排土场植被覆盖优于西扩排土场和内排土场，说明西扩、内排土场植被复垦情况弱于南、西排土场复垦情况。这是由于南排土场从1992-1997年开始复垦，西排土场从1994～1997年开始复垦，截止2010年两个排土场的复垦时间都超过了10年。南排土场植被覆盖度从1990年的77.97%升至2010年的98.85%，20年增加了20.88%。西排土场植被覆盖度从1990年的86.92%增至2010年的99.81%，20年增加了12.89%，说明两地植被恢复情况较好，复垦工程基本完成。西扩排土场1993年开始开采，1990年植被覆盖度与原地貌林地覆盖度一致，为100%；2000年降至84.53%，到了2010年降至81.77%，20年植被覆盖度降低了18.23%，西扩排土场2001～2008年开始复垦，由于复垦时间较短，植被覆盖度的变化不显著，需要继续进行植被的恢复工程。内排土场1997年开始开采，1990年植被覆盖度为87.46%，低于原地貌林地覆盖度，这是由于内排土场于1987年安太堡煤矿开采之初就作为生产区域，以矿山建筑和运煤通道为主，植被覆盖已遭到破坏；2000年降至76.20%，2010年增至79.87%，这说明复垦植被已使区域内植被覆盖增加，但由于复垦时间较短和开采还在进行的情况，该区域植被覆盖度较低，需要持续复垦。

4 结论与讨论

（1）以安太堡露天矿为研究对象，采用主成分分析法，筛选提取了19个植被指数因子的主成分，利用得到的主成分建立了矿区复垦植被覆盖度反演模型，经过方差分析及相关性检验，达到显著相关水平，取得了良好精度。在与植被覆盖度相关的多个植被指数因子中，利用主成分分析方法，筛选主成分，再利用主成分值与复垦林地植被覆盖度建立估测模型，既可以保留多个植被指数的主要信息，又可以避免因子间共线性的问题，起到降维、简化模型的作用，是提取与复垦地植被覆盖度相关的植被指数因子、估测复垦地植被覆盖度的一种有效方法。

这种方法可操作性强、技术路线简单，也可适用于不同分辨率的数据，对黄土高原煤矿区植被的生长信息有良好的监测能力，可用于实时、动态对矿区复垦进展做长期的监测和评价，能满足矿区植被覆盖定量化的研究要求，可以为建立土地复垦监管指标体系做基础数据。

然而，由于实测数据是在覆盖度较高的南排土场，反演结果在低植被覆盖区域精度较低，所以今后的研究中需要加入更多不同覆盖度的实地验证数据来提高模型精度。

（2）截止2010年，南排土场从1992～1997年开始复垦，西排土场从1994～1997年开始复垦，两个排土场的复垦时间都超过10年，1990～2010年南排土场、西排土场的植被覆盖度分别增加了20.88%和12.89%；西扩排土场1993年开始开采，2001～2008年开始复垦，内排土场1997至今进行复垦，两个排土场的复垦时间较短，1990～2010年西扩排土场、内排土场的植被覆盖度分别降低了18.23%和7.59%，南排土场和西排土场植被覆盖度和增加量都优于西扩排土场和内排土场，这说明复垦周期长有利于植被恢复，复垦工程的进行对矿区生态环境的修复具有直接作用和重要意义。对比原地貌植被，经过人工复垦的植被长势持续良好，整体优于未扰动区的植被。

（3）平朔煤矿从1990～2010年期间的20年，在不同时期做了大量的生态补偿措施，在一定程度上减轻周边环境的影响。平朔矿区在生态修复方面成效显著，有很多成功经验值得其他矿区借鉴：矿区采用边开采边复垦的技术，土地利用类型呈“原地貌-剥离区-采场-排土场-复垦区”周期性转换模式，矿区持续稳定的环境保护投入与卓有成效的土地复垦工作，保障了矿区的生态环境修复的持续与强化。复垦区人工植被面积增大，随着时间推移形成了较稳定的植被群落，对新增排土场需及时进行植被修复，优化植物物种，有助于人工植被向自然植被的演替，有利于黄土高原生态环境修复。

致谢：本文特别感谢印第安纳州立大学的谢燕华博士的悉心指导与帮助。

[1] 胡振琪,龙精华,王新静.论煤矿区生态环境的自修复、自然修复和人工修复[J].煤炭学报,2014(8): 1751-1757.

[2] Prakash A, Gupta R P. Land-use mapping and change detection in a coal mining area - a case study in the Jharia coal fi eld, India[J].International Journal of Remote Sensing, 1998,19(3): 391-410.

[3] Zhang Yan, Yang Jianying, Wu Hai-long, et al. Dynamic changes in soil and vegetation during varying ecological-recovery conditions of abandoned mines in Beijing[J]. Ecological Engineering,2014,73: 676-683.

[4] Alday Josu G., Santana Víctor M., Marrs Rob H., et al. Shrubinduced understory vegetation changes in reclaimed mine sites[J]. Ecological Engineering, 2014,73: 691-698.

[5] 宋祥兰,王兰英,邝先松,等.赣南废弃稀土矿区植被恢复模式试验[J].中南林业科技大学学报, 2015,35(6): 58-62.

[6] 严恩萍,林 辉,党永峰,等.2000-2012年京津风沙源治理区植被覆盖时空演变特征[J].生态学报, 2014,34(17):5007-5020.

[7] Ramoelo Abel, Dzikiti Sebinasi, van Deventer Heidi, et al.Potential to monitor plant stress using remote sensing tools[J].Journal of Arid Environments, 2015,113: 134-144.

[8] Purevdorj T, Tateishi R, Ishiyama T, et al. Relationships between percent vegetation cover and vegetation indices[J]. International Journal Remote Sensing, 1998,19(18): 3519-3535.

[9] 黎良财,张晓丽,邓 利,等.广西岩溶地区植被覆盖度与植被指数耦合模型研究[J].中南林业科技大学学报, 2015,35(5): 28-34.

[10] Bakr N, Weindorf D C, Bahnassy M H, et al. Monitoring land cover changes in a newly reclaimed area of Egypt using multi-temporal Landsat data[J]. Applied Geography, 2010,30(4):592-605.

[11] Larsson H. Linear regression s for canopy cover estimation in Acacia woodlands using Landsat-TM, -MSS and SPOT HRV XS data[J] .International Journal Remote Sensing, 1993, 14(11):2129-2136.

[12] Prakash A, Gupta R P. Land-use mapping and change detection in a coal mining area-a case study in the Jharia coal fi eld, India[J].International Journal of Remote Sensing, 1998,19(3): 391-410.

[13] Erener Arzu. Remote sensing of vegetation health for reclaimed areas of Seyitömer open cast coal mine[J]. International Journal of Coal Geology, 2011,86(1): 20-26.

[14] Halounová L. Reclamation areas and their development studied by vegetation indices[J]. International Journal of Digital Earth,2008,1(1): 155-164.

[15] Sen Susmita, Zipper Carl E, Wynne Randolph H, et al.Identifying revegetated mines as disturbance/ recovery trajectories using an interannual Landsat chronosequence[J].Photogrammetric Engineering & Remote Sensing, 2012,78(3):223-235.

[16] 黎良财,邓 利,曹 颖,等.基于NDVI像元二分模型的矿区植被覆盖动态监测[J].中南林业科技大学学报,2012,32(6): 18-23.

[17] Gitelson A, Kaufman YJ, Stark R, et al. Novel algorithms for remote estimation of vegetation fraction[J].Remote Sensing of environment, 2002,80(01): 76-87.

[18] Gu Yingxin, Hunt Eric, Wardlow Brian, et al. Evaluation of MODIS NDVI and NDWI for vegetation drought monitoring using Oklahoma Mesonet soil moisture data[J]. Geophysical Research Letters, 2008,35(22).

[19] Huete Alfredo R. A soil-adjusted vegetation index (SAVI)[J].Remote sensing of environment, 1988,25(3): 295-309.

[20] Li Zhongfei, Li Xiaobing, Wei Dandan, et al. An assessment of correlation on MODIS-NDVI and EVI with natural vegetation coverage in Northern Hebei Province, China[J]. Procedia Environmental Sciences, 2010,2: 964-969.

[21] Kaufman J, Tanre D. Atmospherically resistant vegetation index(ARVI) for EOS-MODIS[J]. IEEE Transactions on Geoscience and Remote sensing, 1992,30(2): 261-270.

[22] Crist E P, Kauth R J. The Tasseled Cap De-Mystified[J].Photogrammetric Engineering and Remote Sensing, 1986,52(1):81-86.

Remote estimation of vegetation fraction for reclaimed areas of Antaibao opencast mine

ZHANG Yao1,2, ZHOU Wei1,2
(1. School of Land Science and Technology, China University of Geosciences(Beijing), Beijing 100083, China;2. Key Laboratory of Land Consolidation and Rehabilitation, Ministry of Land Resources, Beijing 100035, China)

In an area like the Antaibao coal mine, where extensive and rapid opencast mining is going on continuously, long-term reclamation monitoring is important. Accurate information of vegetation fraction is important for assessing how mining activities affect the ecosystem in mining areas. The principal components (PCs) for vegetation indices (VIs) are obtained by principal components analysis (PCA). A remote sensing method based on vegetation cover monitoring and assessment by using Landsat data sets with the temporal coverage from 1990 to 2010 was presented and applied to the Antaibao opencast mine, Shanxi Province, China. To reduce the impact of phenology on remote sensing based vegetation monitoring, 7 Landsat data were selected during vegetation growing season(June～October). A total of 33 pixels were selected as the survey fi elds during vegetation growth season in August 2010. VF of arbores canopy in the selected plots was computed. We monitored reclaimed vegetation variation through analyzing time series data of 19 vegetation indices, which were usually applied to mine area monitoring, such as NDVI, EVI. PCA for the VIs, the accumulative ratio of contribution of the fi rst two PCs is 91.508%，the variance contribution rate of PC1 is 84.656%, and the variance contribution rate of PC2 is 6.852%.The VF model was set up by regression analysis of SPSS based on the PC1 and PC2. T test examination showed that the fi eld VF was correlated signi fi cantly to PC1 and PC2, the correlation coef fi cient R2 of the model was 0.742. The result con fi rmed that the PCA in the inversion of vegetation fraction worked effectively, which could be widely used. In addition, we concluded that the vegetation system of South Dump, West Dump and West Enlarged Dump had gradually transformed to the natural ecosystem from 1990～2015.The vegetation in Inner Dump and Inner Enlarged Dump should be well restored. Reclamation was a long-time and dynamic project,whose effect is hard to determine in short term, while remote sensing technology is an effective way to monitor the inter-annual variation of vegetation recovery.

Vegetation fraction; Vegetation indices; Revegetation; TM data; Opencast mine

S771.8

A

1673-923X(2016)11-0113-07

10.14067/j.cnki.1673-923x.2016.11.020

2016-04-14

国家自然科学基金资助项目(41571508)

张 耀，硕士研究生 通讯作者：周 伟，教授；E-mail：zhouw@cugb.edu.cn

张 耀，周 伟.安太堡露天矿区复垦地植被覆盖度反演估算研究[J].中南林业科技大学学报，2016, 36(11): 113-119.

[本文编校：吴 毅]