基于无人机影像的采煤沉陷区玉米生物量反演与分析

肖 武 陈佳乐 笪宏志 任 河 张建勇 张 雷

(1.中国矿业大学(北京)土地复垦与生态重建研究所， 北京 100083； 2.浙江大学公共管理学院， 杭州 310058)

0 引言

煤炭资源的开发利用为现代化建设做出了巨大贡献，但长时间、大规模、高强度的开采不可避免地破坏原生的矿床地质条件和占用、破坏大量的土地[1]，造成原有生态系统的严重破坏，引发植被退化、水土流失、物种减少等一系列生态效应[2]。如何对受损土地进行快速监测、确定受损范围与程度一直以来都是研究的重点。

国内外对采矿区的生态损毁监测已有不少研究，但传统方法大多集中于利用卫星遥感技术对矿区土地利用类型或积水面积变化进行监测，如VENKATARAMAN等利用卫星遥感技术对矿区进行了监测，结果表明采矿活动的增加与研究区植被和土地退化程度有关；CHRISTAIN等为了估算动态系统“沉降-地下水-植被”的变化，进行了大面积的时序性卫星观测，得到土地利用和土地覆盖的光谱特征可能与水文状况变化引起的特定植被现象有关的结论；吴雪茜等应用开采沉陷预测技术、地理信息及卫星遥感技术，对淮南矿区土地、水域演变趋势进行研究并提出治理对策；肖武等利用遥感影像解译了淮南张集矿区15年内积水面积变化，结合高潜水位矿区的特点，论证了采煤沉陷地构建平原水库的可行性。在监测矿区生态扰动影响中，遥感卫星尺度大、分辨率低、时间周期长且遥感指标宏观化、单一化，无法对处于开采过程中的矿区进行实时、动态、有效的监测。近年来，随着无人机遥感技术的不断成熟，加之无人机响应快、周期短、精度高、易操作、成本低的特点，无人机遥感技术在作物生态参数反演估算、农田生态环境信息监测等方面得到广泛应用[7-9]，但在矿区的应用尚处于起步阶段，大多数研究都集中于对矿区各类采矿设施与土地利用情况分类与监测、矿区地热资源分布调查、非法与越界开采识别、露天矿工程量(采剥量、堆放量等)计算等几个方面，而对于矿区生态环境扰动识别、植被长势监测的应用还有待于进一步挖掘。

采煤扰动对矿区生态的影响很大程度上表征在作物生化参数的改变上，其中，作物生物量指单位面积内作物累积有机物质的总量，其与长势和单产密切相关，是农业监测中应用最为广泛的指标之一。玉米生物量直接影响玉米整体的长势，进而决定玉米的产量，而在高潜水位采煤沉陷影响下，区内地形受到沉陷的影响导致潜水位相对升高，产生渍害进而影响农作物的正常生长，其直观反映为农作物生物量降低，作物枯死和减产、绝产。因此实时、有效地对采煤沉陷区作物的长势监测是矿区土地复垦、生态修复的前提。同时作物生化参数与植被指数之间也存在着明显的相关性，利用植被指数等遥感参量反演作物生物量是监测作物长势的重要方法[11-12]，以往的研究大多用于精准农业相关研究，裴浩杰等基于多种生化参数指标与光谱指数结合偏最小二乘回归构建模型判断出研究区小麦整体的长势差异；杨粉团等针对玉米粘虫灾情构建了基于重归一化植被指数多时相的叶片生物量定量模型，实现了对玉米粘虫灾情程度的有效监测。需要指出的是，现阶段研究主要针对正常农田或受某单一胁迫影响植被的生化参数反演而展开的，并且所用传感器多为普通数码相机或近红外多光谱相机。KROSS等利用Rapid Eye数据分析了NDVI、 red-edge NDVI (NDVIre)和Modified Triangular Vegetation Index 2(MTVI2)等7种宽波段指数与大豆和玉米生物量的相关性，得出NDVIre与生物量的相关性最高(R2=0.78)。JIN等则通过分析发现，MTVI2相较NDVI和EVI等与生物量的相关性更强，决定性系数分别为0.72和0.7，均方根误差为198.65、227.41 g/m2，可以证明红边波段对作物生长参数的响应更为显著。因此，本文尝试利用无人机搭载含有红边波段的多光谱相机，结合地面实测样本数据，研究以植被指数反演作物生物量表征耕地损毁程度的可行性。根据已有研究，筛选相关性较好的植被指数并借助红边波段对作物长势响应敏感的优势加以扩展，构建适用于高潜水位采煤沉陷地的玉米生物量遥感监测模型，以期为矿区土地损毁监测与评价、土地复垦与生态修复等提供基础数据与理论支撑。

1 材料与方法

1.1 研究区概况

东滩煤矿位于山东省济宁市境内，跨兖州、邹城、曲阜三市(县)，地理位置116°50′49″～116°56′56″E，35°24′11″～35°31′25″N。地处鲁中低山丘陵到平原洼地的过渡地带，整体地势由东北向西南逐渐降低，潜水埋深为2 m左右，属于高潜水位矿区。矿区内土壤类型多为褐土，土质较好，土壤肥沃，耕性良好，主要实行冬小麦与夏玉米的轮作模式，其中，夏玉米一般在当年6月种植，10月收获，是重要的粮食产区。矿区内主要河流有白马河与泥河，向南流入南阳湖，均为季节性河流。研究区为东滩煤矿A1工作面开采影响的范围(图1)。其中A1大采高综放工作面位于三采区南部3号煤层，地面平均标高+50.72 m，开采平均标高-497.8 m。所采煤层煤厚平均8.30 m，煤层倾角平均为4°，自2014年8月开采结束至实验日期2017年8月，研究区已基本达到稳沉状态，地表形成了大面积的沉陷区，加之潜水位较高，地面沉陷深度最深已达5 m，大量的优质耕地沉入水中，形成典型的矿区积水盆地。研究区内沉陷程度自积水中心向四周逐渐减轻，参考地表实测数据沉降范围基本分布在0.15～5.25 m。地表主要地物分布类型由内及外依次为芦苇、沼泽、滩涂、水淹的农作物。结合该工作面的开采特征，依据采煤沉陷预计软件获得沉陷区的下沉等值线，按照传统定义设置下沉10 mm等值线为影响边界。采用走向、倾向、角平分线方向布设3条实地采样线实地采样线L1、L2、L3，长度分别为550、540、620 m，其中近水区域植被长势受采煤扰动影响明显，为了采集更细致的样本信息来表征植被的生长变化趋势，3条样线上样点布设间距均随下沉值的减小而增大，依次为5、10、20、30、60 m，记录所有样点的空间位置和相应环境信息，共计54个采样点，3条样线L1、L2、L3最远端点布设在扰动边界之外作为参照点(图1)。本次无人机观测试验的时间为2017年8月15日(夏玉米灌浆期)，灌浆期是玉米关键生育期中生物量应达到最大和最适宜的时期，与后期产量有着显著相关性，是利用生物量监测玉米长势的最佳时期。

1.2 数据获取与处理方法

1.2.1多光谱影像数据获取

使用的遥感传感器为瑞士parrotsequoia无人机多光谱相机(下文简称sequoia)，是专为无人机在农业科研、调查而研发的，能适用多种飞行器。它不仅可以获取1 600万像素RGB三原色照片，还能获取120万像素的绿光(波长550 nm、带宽40 nm)、红光(波长660 nm、带宽40 nm)、红边(波长735 nm、带宽10 nm)、近红外(波长790 nm、带宽40 nm)等波段影像(图2)。依靠自带的光照传感器可记录光照条件并自动校准4个多光谱传感器的独立亮度，同时内置GPS和IMU。搭载sequoia的遥感平台为四旋翼无人机大疆M100。试验现场如图3所示，此时天气晴朗无风，视野良好。无人机飞行高度110 m，设定航速9 m/s。传感器镜头视场角15°，镜头垂直向下，地面分辨率13 cm，航拍面积1.1 km2，共获取4 980幅影像，覆盖整个研究区。

图1 研究区概况和采样点布设 Fig.1 Map of study area and layout of sampling points

在地面铺设好传感器自带的光谱反射率校正板，每个架次起飞前先手持飞机在校正板正上方1.5 m处拍照，获得当时条件下的标准反射率，选用软件pix4dmapper对影像进行处理，在处理过程中利用标准反射率校准所有的航拍影像以得到理想的处理成果，并使用ENVI5.1软件，以研究区数码正射影像为参考影像在图像不同位置均匀选取30个参考点对多光谱影像进行几何精校正，经检验图像几何纠正误差小于0.5个像元，根据生物量地面测量对应的样点位置构建感兴趣区域(Region of interest，ROI)，以ROI范围内地物的平均反射率光谱值作为该样点玉米叶片反射率光谱，得到各样点的反射率光谱数据。

图2 多光谱相机 Fig.2 Multispectral camera

图3 航测现场 Fig.3 Scene of aerial survey site

1.2.2样点地表高程获取

为了获取沉陷区下沉情况，在样点信息采集过程中，同时采用经矿区已知点校正过的南方银河一号RTK沿3条样线L1、L2、L3测得样点地表高程。

1.2.3生物量采集

在进行航测的同时，在地面样线上同步取样。如图1所示分别沿走向、倾向、角平分线方向样线由内及外进行采样。因地面沉陷，部分样点处于常年积水区域和湿地中，植被样本多为芦苇、杂草。本文研究对象为耕地，故最后数据采集为耕地上39个玉米样方的地上干生物量(Above ground biomass, AGB)。为不影响品种正常选育，选取1 m×1 m样方范围内边缘行取2株长势均匀的玉米作为试验样本，并测量样方内的总株数、行间距、株高、基径参考信息。用实验室高精度天平测量样本玉米鲜生物量，平均后得到样方内玉米鲜生物量，在实验室内将其先在105℃高温条件下杀青1 h，接着在80℃恒温条件下干燥24 h至恒质量，称其质量，并根据实测总株数计算出样方内的总干生物量，结合样方的总面积，计算出每平方米的地上干生物量(g/m2)[18]。

1.3 植被指数选取

图4 健康与受胁迫植被光谱反射曲线 Fig.4 Spectral reflectance curves of healthy and stressed vegetations

基于植被光合色素与光谱反射率特征波段具有很强的相关性，特征波段的选取是需要参考色素的光谱特征信息[19]。如图4所示,在可见光范围内，叶绿素出现2个强烈的吸收峰、分别为以450 nm和640～680 nm为中心的蓝波段和红波段，吸收的峰值出现在670 nm；一个强烈的反射峰出现在550 nm左右的绿光波段，此时叶绿素吸收系数最小。在700 nm附近，也为对应的叶绿素吸收谷值波段，因此550 nm与700 nm附近常常被选作抗干扰的特征波段，用来削弱非光合作用物质引起的光合有效辐射；红边区间700～780 nm是叶绿素在红边波段的强吸收到近红波段多次散射形成的高反射平台的爬升嵴，这个区间能非常敏感地响应植被营养、长势、水分。

生化参数等指标的变化已被国内外的大量研究结果证实。其中，当植被长势良好时，红边会向长波方向移动(红移)，当植被遭受虫害、污染、水分等因素胁迫时，红边则会向短波方向移动(蓝移)[20]；在780 nm以后，近红外波段叶绿素对电磁波的吸收特征微弱，也常常将780～800 nm附近波段选作特征波段。

结合以上对光谱曲线的特征波段的分析与本次实验多光谱传感器的多通道优势，初步选取了现有研究中常见的且符合本次实验特征波段组合的植被指数，并在此基础上，利用红边波段对植物叶绿素响应敏感的优势[21]，用红边波段替换红或绿波段来扩展现有植被指数，共选取植被指数22个。表1列出了部分指数的计算公式及出处。

表1 部分选用的反演玉米生物量的植被指数公式 Tab.1 Vegetation index formula inverted from biomass

注：ρNIR、ρR、ρG、ρRed-edge分别表示近红外、红光、绿光、红边波段的反射率。

与现有研究中针对某单一地类或受某单一胁迫影响的植被生物量反演不同的是，该研究区为矿区采煤沉陷耕地，地下采煤扰动大，作物生长情况受胁迫因子较复杂，选用的22种植被指数与玉米生物量的相关性表现可能与前人研究结果不一致。因此为保证获得最优的反演精度，提前计算22种植被指数与实测生物量的相关性并根据其高低进行筛选，选取其中相关性较好的部分植被指数作为参照。在多种新的植被指数都与生物量的相关性良好时，若忽视植被指数间的近似线性关系则可能会使得回归方程不稳定，有些植被指数对生物量影响的显著性被隐蔽起来，某些回归系数的符号与实际意义不相符合等[22]。改进前后植被指数两两之间的方差膨胀因子(Variance inflation factor，VIF)，以分析和控制变量间的多重共线性；再按照相关性高且显著的原则，并设定变量最大VIF小于10，确定最优植被指数及其组合；最后分别将最优植被指数及其组合作为入选变量输入多元逐步回归模型、BP神经网络模型进行拟合。

VIF=1/(1-R2)

(1)

式中VIF——植被指数间的方差膨胀因子

R——植被指数间的相关系数

1.4 数据分析方法

在野外实验中，由于实验环境和仪器本身等客观因素或偶然因素的影响，可能会导致获取的数据中存在异常数据。为了剔除可能存在的异常数据，提高数据的可靠性及分析结果的精度，在建立回归方程前，对样本数据进行回归分析与残差分析[23]。根据求出的残差和标准残差值选择样本，最终选取了残差最小的36个样本。表2为剔除粗差后的实测样本的统计特征。

表2 优化后玉米地上干生物量统计特征 Tab.2 Statistical characteristics of AGB in optimized maize g/m2

在确定好样本集后，以预处理后的无人机多光谱图像为数据源，基于0.05 m空间分辨率数码正射影像精确划分的36个实地样方范围，提取各个样方的植被指数，在建立经验模型之前，先分别讨论初步选取的植被指数与玉米生物量的相关性，根据结果进行初步排序，筛选出相关性较好的植被指数并加以改进。利用SPSS 22.0软件对灌浆期的36个玉米生物量实测值进行随机抽样，选出26个作为建模样本,10个作为检验样本。针对改进前后的植被指数利用一元回归、基于最小二乘法的多元逐步线性回归、BP神经网络法进行拟合。从中筛选出与玉米生物量相关性最好的模型。

1.5 模型评价方法

选取上述构建的各种模型决定系数、均方根误差和估测精度进行模型分析检验,其计算公式为

(2)

(3)

(4)

图5 采样线上玉米生物量与地表高程随距离变化趋势 Fig.5 Changing trends of maize biomass and land surface elevation with distance in each sampling line of corn

2 结果与分析

2.1 采煤扰动与遥感参数关系

采煤沉陷造成采空区上覆岩层的拉伸、断裂与弯曲等移动变形，致使高潜水位的地区地下水位相对上升，沉陷中心区域耕地变为沼泽，玉米在内的农作物无法继续种植，周边影响区域地表变形减弱改变了土壤持水能力和通气状况，影响有机物和矿物质的分解、淋溶和沉积，以及由此而引起的土壤侵蚀，使土壤保水能力变差，养分流失严重，土质恶化，造成耕地上玉米不同程度的减产[25]。本文针对此类现象，选取3条样线上玉米生物量、地表高程和植被指数值随样点距积水中心距离的变化趋势对比分析，可知受地下采煤扰动的影响，样点上地表高程不同程度的沉陷，导致沉陷耕地土壤质量不同程度的受损，传播到地表，玉米生物量呈现随地表下沉值减少、与积水中心距离增加而增加至最大值后，略微下降后便稳定在某一值的现象(图5)，表征到样线上植被指数值上，植被指数变化趋势与玉米生物量一致，随地表高程增加而增加至最大值后，略微变化后稳定在某一值(图6)。这说明在采煤沉陷耕地的复杂背景中，地下的采煤扰动导致地表作物长势差异进而反映到遥感参数上是一个连续的过程，通过反演作物生物量来监测耕地损毁程度是可行的。

图6 采样线上植被指数值与地表高程随距离变化趋势 Fig.6 Changing trends of vegetation index and land surface elevation with distance in each sampling line of corn

2.2 优选植被指数

2.2.1不同光谱植被指数对灌浆期玉米地上干物质量的敏感性分析

通过对不同光谱植被指数与玉米地上干物质量 进行相关分析，结果发现22种植被指数与灌浆期玉米生物量均极显著相关(表3)，但不同的植被指数与地上干物质量之间的相关程度不同，即不同的植被指数对玉米地上干物质量变化表现出不同的敏感性。其中，结合表4中各指数的计算方式，可以得到初步的规律：在现有的指数中近红波段和红边的组合与玉米地上干物质量的相关系数最高，可达到0.9以上，而近红波段和绿、红波段组合的指数与玉米地上干物质量的相关性则相对差一些，相关系数在0.6～0.8之间。表明红边指数对灌浆期玉米地上干物质量的敏感性较强，能很好地反映玉米AGB的变化情况。

2.2.2最优估算模型变量选择

表4列出基于22种植被指数与灌浆期玉米AGB拟合的一元回归模型。从表4可以看出，利用各种植被指数拟合的一元曲线回归模型(SCRM)均达到较好的拟合效果。在所选植被指数的最优模型中，红边植被指数与玉米AGB拟合的指数模型效果较好。其中，在原有植被指数WDRVI、MVI的基础上改进的红边指数WDRVIre、MVIre的拟合效果最优，其决定系数R2达0.80、0.81；红边指数CIredge、SRredge、MSRredge次之，R2为0.79，其他指数中拟合效果较好的是NDVI、GNDVI，R2也达0.68。

表3 不同植被指数与灌浆期玉米地上生物量的 相关系数(n=26) Tab.3 Correlation coefficient between different vegetation indices and corn aboveground biomass at filling stage(n=26)

注：** 表示在0.01水平上显著相关。

综合以上一元最优模型的分析结果，为进一步提高模型精度，多元回归模型的入选参量的筛选应在一元最优模型精度较高的指数中进行，故对22种一元模型决定系数在0.65以上的植被指数进行双变量相关性分析，根据相关系数计算方差膨胀因子，对选取的植被指数的多重共线性分析(表5)，由表分析可知，单变量中改进后的红边指数与生物量的相关性最高，但是红边波段指数之间都存在着严重的共线性分析，因此，多变量构建模型应在除红边和近红波段组合外，考虑加入绿波段、红波段与近红波段之间的组合指数以进一步提高模型的精度。

根据表5的结果，为排除后期模型可能出现的过拟合现象且考虑模型计算的简洁性，选取在单元回归模型精度最高的红边指数MVIre和两两之间共线性低的红、绿波段指数NDVI、GNDVI作为多元变量入选多元回归和BP神经网络反演模型。

2.3 生物量反演建模与验证

基于模型入选变量，分别采用多元回归、BP神经网络方法建模并选取其中最佳的反演模型，其中单元最优模型已在上文提及过(表4)；运用SPSS 22.0软件基于入选变量的所有组合可能进行MLR分析与建模；采用Matlab R2012a软件编程构建多种输入特征组合得BPNN模型，分别比较所得到的MLR、BPNN模型的决定系数和误差，筛选出各自的最优模型组合并基于交叉验证法[26]进行模型的检验和比较(表6)。

表4 各植被指数和玉米生物量的相关系数(n=26) Tab.4 Correlation coefficient between 22 vegetation indices and biomass(n=26)

表5 相关性较好的植被指数间的方差膨胀因子 Tab.5 Variance expansion factor among well-correlated vegetation indices

表6 生物量的估算与验证 Tab.6 Biomass estimation and verification

表6和图7显示了改进后的植被指数及组合在不同回归模型下对玉米生物量的最佳预测能力。在所有回归模型中，由改进后的红边MVI指数与绿波指数GNDVI构建的BP神经网络模型建模精度最高，R2=0.83、RMSE为168.09 g/m2。为了验证模型的精度，利用剩下的样本个数进行验证，结果显示验证模型R2和RMSE分别为0.64和178.72 g/m2，估测精度EA为79.4%，比其他模型R2增加了0.1～0.17、RMSE减少了29.65～60.23 g/m2、估测精度提高了3.3%～7.1%。其建模精度较为理想，由于上述选择建模样本和验证样本具有不确定性，所以本文再次用交叉验证法来进行生物量的估算，结果显示R2和RMSE分别为0.78和177.23 g/m2，预测值和实测值的散点图具有较好的一致性，该模型与生物量的相关性达到极显著水平，表明利用上述模型显著提高了采煤沉陷耕地玉米地上干生物量的反演精度。

图7 各模型生物量预测值与实测值之间的关系 Fig.7 Relationship between predicted and measured values of biomass

2.4 反演模型的应用

利用上述模型结合研究区玉米种植范围，进行采煤沉陷盆地玉米灌浆期地表干生物量实地反演和制图(图8)，获得研究区玉米生物量介于52.25～1 575.72 g/m2，平均值为873.08 g/m2，标准差为294.89 g/m2，与研究样本的描述性统计结果(表2)较为一致。利用自然间断分类法基于数据中固有的自然分组，对分类间隔加以识别，在数据值差异相对较大的位置处设置边界进行分组，将研究区玉米地表干生物量分为5个等级，统计每个等级的像元数量及所占比例，见表7。

图8 基于BP神经网络模型采煤沉陷耕地灌浆期 玉米地上生物量反演图 Fig.8 Inversion map of aboveground biomass of corn at grain filling stage based on BP neural network model in mining subsidence

遥感识别结果表明，研究区内玉米生物量主要集中于592～1 050 g/m2，属于Ⅲ级(592～860 g/m2)和Ⅳ级(860～1 050 g/m2)的区域占74.4%，地表生物量低于592 g/m2的玉米面积占21.4%，研究区内玉米生物量整体偏低，反映耕地整体受采煤沉陷扰动较严重；玉米地表生物量空间分布基本表现为沿3条样线自扰动边界向盆地中心逐渐增加，至近水区域达到最低值。其中扰动边界内L1样线远端、L3覆盖区域玉米地表生物量分布在1 050 g/m2以上，表明此处玉米长势大多未受影响，中部区域耕地多属于中度和轻度损毁，反演结果与实地调查样本基本一致。扰动边界外部分耕地也呈现轻度扰动的现象，究其原因为研究区内玉米均为农民自然播种，玉米品种、施肥等因素不一致导致了玉米长势差异。

表7 基于BP模型反演的研究区灌浆期玉米地表干 生物量分等 Tab.7 Statistical analysis of surface dry biomass of maize at grain filling stage based on BP model inversion

3 讨论

研究区受采煤扰动地表已基本达到稳沉且受损耕地上的玉米属于灌浆期，玉米发育成熟，玉米生物量可以很好地反映作物的产量情况，进一步凸现耕地损毁的状况。应用灌浆期的遥感影像和地面实测数据能对作物最终的整体长势进行反演。在以后的研究中，应在玉米生长的各个时期同步或准同步进行无人机多光谱影像和地面数据的采集进一步提高灾害过程实时监测的准确性和时效性。同时还可以设置地面模拟试验进行多光谱的采集和分析，加强基于叶片叶面积指数、叶绿素、作物产量模型的反演机理研究和精度提高。但是，通过研究也发现，由于播种条件、地面微地形及田间管理的差异，玉米生物量在未开采损毁区域也呈现一定的波段，如何去确定基于作物生物量的开采沉陷损毁阈值也是下一步研究的关键。

在野外实地采集样本的过程中，发现研究区内植被的分布呈多样化，由沉陷中心的沉水植物到浮叶植物再到近水岸边的挺水植物，最后是长势各异的玉米，此次试验只研究了现有耕地中各样观测线上玉米生物量的变化趋势，导致可用的样本较少，限制了反演精度的提高。因此如何将观测线上所有植被的生长参数如生物量、作物产量等指标标准化、统一化，构建多指标、多植被、时序性的反演模型是下一步研究工作的重点。

4 结论

(1)在矿区采煤沉陷地复杂的生态环境中，红边波段能够在一定程度上提高生物量估算精度。通过对传统指数计算中引入红边波段进行改造，植被指数与玉米生物量的相关系数提高0.06～0.27，筛选得到相关性最优的红边指数MVIre，构建的幂指数模型决定系数R2达到0.81，比其他指数提高0.11～0.15，并在此基础上，排除多重共线性，构建多元线性回归模型、BP神经网络模型。其中以指数MVIre、GNDVI为基础的BP神经网络模型决定系数R2为0.83、预测均方根误差为178.72 g/m2、估测精度为79.4%，3个指标均为模型中最优。表明该方法可有效提高玉米生物量遥感反演模型的精度。

(2)基于最佳模型对东滩煤矿A1工作面地表采煤沉陷耕地进行空间识别和分析，结果表明：遥感指标识别获得的研究区采煤沉陷耕地玉米地表生物量空间分布情况与地面样点描述性统计结果一致，研究区内生长期74.4%的玉米生物量分布在592～1 050 g/m2之间，21.4%的玉米生物量集中分布在592 g/m2以下，4.2%的玉米生物量分布在1 050 g/m2以上。空间分布上玉米生物量呈现从沉陷盆地内部向边缘逐渐增加的趋势，这说明了沉陷深度与玉米生物量的强相关性。由于农民田间管理的不同，导致各测线之间玉米AGB也存在显著差异，因此无法通过某一确定阈值与区间来划分损毁程度。该研究可为同类型其他高潜水位矿区土地损毁监测与评价、土地复垦与生态修复等提供基础数据与理论支撑。