高分遥感影像下的大通废弃煤矿区生态修复林淹水胁迫灾情信息提取

王 楠，汪桂生，张 震

(安徽理工大学测绘学院，安徽 淮南 232001)

煤炭是世界上最重要的资源之一，然而煤矿的开釆和利用为全球社会文明做出巨大贡献的同时，对土地和生态环境也造成了严重破坏[1]。煤矿开采后产生的废弃煤矿带来诸多生态环境问题，主要表现为地表植被剥离、地表沉陷、矿区土壤污染、矿区地表水体和地下水污染等[2]。消除矿业生产造成的环境污染和破坏、修复当地的生态环境、废弃煤矿资源再利用与生态修复已迫在眉睫，也是生态文明建设的必然要求。植被恢复是改善矿区生态环境最常用也是最有效的方法之一[3]，通过植被恢复，建立稳定、高效的矿区废弃地人工植被生态系统，为动植物的生存提供良好的生态环境条件[4]。植被恢复不仅可以充分利用土壤与植物复合系统的功能改善废弃矿区生态环境，促进生物物种的多样性，而且对林地本身及其周围环境的生态效应造成一定影响，进而对区域和全球的生态平衡产生作用[5]。2004—2010年，国家投入了大量的资源，采用以自然修复为主、人工修复为辅的方法，集成湿地构建技术、固废覆绿景观再造技术、生物垫护坡加固技术、植被组合搭配技术和高污染渗沥液生态降解等技术对大通废弃煤矿矿区进行生态修复[6]。目前原国内外植物水淹胁迫研究主要集中在造林树种、草本植物、作物及果树等方面[7-11]，从植物生理角度分析淹水引起的植物形态、生理和代谢的变化，理解水淹对植物的影响及植物对水淹的响应。由于森林生态系统是一个庞大而复杂的动态变化系统，森林分布的立地条件复杂，野外研究难度大，灾情信息获取困难，森林淹水胁迫灾情空间信息获取的研究还相对较少。

利用遥感技术可以获取矿产资源开发及矿山环境动态宏观观测数据，并且遥感获取的数据量大、更新快，能够有效地对所需的矿山环境相关数据进行更新和提取，以便进行实时监测。生态恢复与重建评估多属于定性评估[12-14]，随着遥感技术的发展，利用高分辨率遥感影像，可以准确估算森林各种因子(树高、树冠、材积和生物量等)，进而建立数学模型进行定量分析。

本文利用WorldView-3卫星影像为数据源，并结合GPS定位数据及实测数据，提取大通湿地内受灾生态恢复林的受灾面积、受灾树种等森林资源信息，为建立森林生物量反演模型、森林生态恢复与重建生态效益评价提供数据支持。研究成果可为废弃煤矿生态环境监测及生态恢复效果评估工作提供参考。

1 研究区域概况

大通废弃矿位于安徽省淮南市东部的大通区(如图1所示)，面积约为4500×104m2，属于淮河冲积平原和江淮丘陵交界地带，局部地形为山前坡地，南侧为舜耕山，北侧为平原。矿区内地貌类型为丘陵，地形南高北低，相对高差约200 m。气候类型为暖温带半湿润季风型气候，年降雨量近年来为950 mm左右；大通废弃矿区土壤有效含水量在6%～9%，且四季温差小，利于植物生长发育[15]。自采空后矿区内塌陷呈凹槽形状，地下水位不断升高，开采沉陷区出现不同深度的地表水域(如图2所示)。2010年，在大通废弃煤矿原址基础上进行生态恢复后建设大通湿地生态区获原国土资源部正式批准，成为国家级矿山公园。大通湿地内植被类型简单，主要以人工林植物和草本植物为主[16]。大通湿地内主植被可明显分为沉降坑植物、煤矸石环境植物、人工林植物等，主要森林群落有水杉(metasequoia glyptostroboides)林、刺槐(robinia pseudoacacia)林、响叶杨(populus adenopoda)林、麻栎(quercus acutissima)和枹栎(quercus aliena)混交林等[16]。

2 数据源与方法

2.1 WorldView-3数据

WorldView-3是美国DigitalGlobe公司于2014年8月发射的第4代高解析度光学卫星，是目前世界上分辨率最高的光学卫星。WorldView-3卫星提供0.3 m全色分辨率、1.24 m多光谱分辨率和3.7 m红外短波分辨率数据[17]。本文研究使用的WorldView-3数据拍摄于2015年4月1日，光谱波段为红、蓝、绿和近红外波段，空间分辨率为1.2 m，使用的坐标系统为WGS-84，覆盖研究区全境。

图1 大通湿地地理位置

图2 大通湿地生态修复林淹水胁迫

2.2 实测数据

在森林成分混杂的大面积地区，根据森林条件、树种、地形和可测量性，设立森林成分均匀、具有代表性的小面积样地，有助于提高森林资源监测的精度。在本文研究中选择整个大通湿地，面积约4.5 km2作为研究区域。为了检验生态恢复林的树种分类精度，2016年4月和5月在大通湿地内设立了9个20 m×20 m的样地，并将样地划分为针叶林、阔叶林和混交林3种林分类型。测量了胸径大于5 cm的树的树种，以及平均胸径和树高、林木密度，并标注了树的存活状态(见表1)。另外，在2017年4月使用手持GPS(Garmin MAP 62cs，精度3 m)测量了样地的中心点位置和地表渗水区边界(如图3所示)。

2.3 研究路线

以遥感图像处理的基本过程为基础，本文设计了图4所示的技术路线。利用WorldView-3数据结合实地测量数据，获取大通湿地内植被分布信息；利用GPS数据提取地表渗水区，与遥感影像和实测数据结合，提取大通湿地内的生态恢复林的受灾面积、受灾树种等森林资源信息，并验证提取精度，最终获得淹水胁迫灾情信息。

表1 样地的森林资源概况

图3 试验样地位置及水域边界

图4 研究流程

3 结 果

3.1 面向对象的监督分类

基于文献资料并结合实地测量数据将地物划分为14个分类类别，每个分类类别选取不小于10个训练样本，并以实测数据、谷歌地球、现有的专题地图和照片等其他信息作为分类参考，使用最大似然法对影像进行监督分类(如图5所示)。基于树种的监督分类精度的混淆矩阵见表2。

表2 面向对象植被分类混淆矩阵

图5 大通湿地植被覆盖分类

从分类结果与精度评价的数据来看，湿地内植被信息提取效果较好，总体分类精度达到88.5%，Kappa系数为0.866。在提取的植被信息中，水杉的分类效果最好，其用户精度与生产者精度分别为98.4%和90.8%。但响叶杨的用户精度较低，仅为50.5%。造成这两种树用户精度较低的主要原因是部分水杉、构树被错分为响叶杨。WorldView-3数据虽然具有高空间分辨率的特征，但近红外波段波长仅为770—1040 nm，不具备阔叶树分类需要的光谱分辨率[17]。根据WorldView-3数据提取地表植被信息结果，湿地内植被资源信息见表3。

表3 大通湿地植被资源

根据上述分类和统计结果，植被覆盖面积为13.9×104m2，占湿地总面积的33.8%。水杉是大通湿地内价值最高的树种，同时也是大通湿地生态修复林的优势树种，主要分布在湿地的东南部，其覆盖面积为24 260 m2。响叶杨覆盖面积为15 290 m2，主要分布在湿地的北部。草地面积为8520 m2，主要分布在湿地内空旷的区域和生态林的林窗。杨柳为湿生植物，覆盖面积为5130 m2，其根有强大的护岸能力，被种植在靠近水的岸边。

3.2 植被淹水胁迫灾情

利用WorldView-3数据，结合手持GPS测量的地表渗水区域边界数据，提取大通湿地内地表渗水区的遥感影像，并对其进行监督分类(如图6所示)。渗水区内基于树种的监督分类精度的混淆矩阵见表4。

图6 大通湿地渗水区内淹水胁迫植被分类

根据分类结果与精度评价的数据，地表渗水区内植被信息提取效果较好，总体分类精度达到91.6%，Kappa系数为0.87。根据监督分类精度的混淆矩阵，响叶杨的提取效果较好，其分类的生产者精度和用户精度分别为98.8%和99.7%，较湿地整体分类结果有了很大的提升。响叶杨的分类精度大幅提升的主要原因是响叶杨在渗水区内分布相对集中，属于优势树种，并且与其他树种有明显的界线。构树的用户精度比较差，只有44.4%，主要原因是部分刺槐被错分为构树。刺槐和构树是大通湿地内阔叶林的主要构成树种，二者边界不明显，在光谱信息等特征上比较接近。

表4 渗水区内植被分类混淆矩阵

续表4

灾情结果表明，从2015—2017年地表渗水区的面积由3.1×104m2扩大到9.9×104m2，占目前湿地总面积的19.3%。受灾植被种类分别是响叶杨、天目玉兰、刺槐、构树、杨柳和草，各植被受灾灾情信息见表5。

表5 大通湿地内植被淹水胁迫灾情统计

根据灾情统计，大通湿地内受淹水胁迫影响的植被类型为6种，受灾总面积为31 570 m2。受淹水胁迫影响最大的树种是响叶杨，其受灾面积为11 930 m2，占受灾总面积的37.8%。天目玉兰受灾面积为380 m2，占受灾总面积的1.2%；构树受灾面积为4740 m2，占受灾总面积的15%；刺槐受灾面积为6850 m2，占受灾总面积的21.7%；杨柳受灾面积为2640 m2，占受灾总面积的8.4%；草地受灾面积达到5930 m2，占受灾总面积的15.9%。

4 结 论

本文以淮南市大通湿地为例，利用WorldView-3和GPS数据，实现了植被淹水胁迫的定位观测，有效提取了大通湿地内淹水胁迫灾情。研究结果表明：①水杉是大通湿地内价值最高的树种，也是大通湿地生态修复林的优势树种，主要分布在湿地的东南部，未受到淹水胁迫的影响；②78%的响叶杨分布在地表渗水区内，是受淹水胁迫影响最大的树种；③草地受灾情况也比较严重，面积为5030 m2，占湿地内草地总面积的61%。随着煤矿塌陷区面积的不断扩大，大通湿地内地表渗水区面积也逐渐扩大，积水逐步绵延到湿地内生态恢复林区，使大通湿地内植物的形态结构发生变化，甚至死亡，对湿地内的生态系统及环境质量等方面都造成了潜在的威胁。

当然，在对具体精确的植被目标如阔叶林和混交林检测时，需结合更高分辨率遥感数据源，加强对地表光谱信息的探测；对于水域边界的测量，需结合更高分辨率的定位仪器。在后续研究中，需从不同尺度上有效评价灾害的影响程度及影响范围，以提高对灾情的全面监测能力。