基于NDVI-DFI的矿业开发密集区地表热环境分异效应分析

侯春华，李富平,2,3，冯一帆，谷海红,2,3，袁雪涛，宋 文,5，刘惠欣

基于NDVI-DFI的矿业开发密集区地表热环境分异效应分析

侯春华1，李富平1,2,3※，冯一帆4，谷海红1,2,3，袁雪涛1，宋 文1,5，刘惠欣6

（1. 华北理工大学矿业工程学院，唐山 063210；2. 河北省矿业开发与安全技术重点实验室，唐山 063210；3. 河北省矿区生态修复产业技术研究院，唐山 063210；4. 长光禹辰信息技术与装备（青岛）有限公司，青岛 266109；5. 中国科学院地理科学与资源研究所陆地表层格局与模拟重点实验室，北京 100101；6. 华北理工大学图书馆，唐山 063210）

目前大量研究基于像元二分模型探讨植被覆盖度与城市热岛的关系，基于像元三分模型反演植被覆盖度的研究、植被覆盖度与矿业开发密集区地表热环境分异效应关系的分析尚少见报道。该文利用2000－2018年5期Landsat卫星遥感影像，基于NDVI-DFI像元三分模型反演研究区植被覆盖度，将混合像元分解为光合/非光合植被和裸土3部分。利用辐射传输方程法反演地表温度。借助分级统计法、红蓝差值影像法、相关分析法和回归分析法，分析研究区植被覆盖度时空变化与地表热环境分异扰动效应之间的关系。结果表明：研究区NDVI-DFI特征空间符合像元三分模型的基本假设；相关分析法表明，光合/非光合植被覆盖度和裸土覆盖度变化与地表温度变化之间呈显著相关关系，相关系数分别为－0.81、0.72和0.90；回归分析结果表明，地表温度分别与光合/非光合植被覆盖度和裸土覆盖度呈极显著负相关关系（<0.01）、不显著正相关关系和极显著正相关关系（<0.01）；光合植被覆盖度每增加10%会使地表温度相应降低0.52 ℃，裸土覆盖度每增加10%会使地表温度上升0.98 ℃，非光合植被覆盖度每增加10%会使地表温度相应上升0.61 ℃。研究结果可为矿业开发密集区地表热环境改善提供定量参考依据。

遥感；模型；植被覆盖度；地表温度；NDVI-DFI；矿区

0 引 言

地表温度（land surface temperature，LST）是评价与监测地表物理、化学和生物过程的关键参数，同时也是城市热环境和气候研究的重要因子[1]。植被覆盖对地表能量交换和地表热流均有影响[2]。基于各种植被指数，如归一化植被指数（normalized difference vegetation index，NDVI）、土壤调节植被指数（soil adjusted vegetation index，SAVI）、归一化差值山地植被指数（normalized difference mountain vegetation index，NDMVI）或植被覆盖度（vegetation fractional coverage，VFC）分析植被对区域地表热环境的影响已成为研究热点[3-5]，结论基本一致，即植被覆盖与地表温度呈负相关关系，植被具有降低地表温度的作用[6-9]。并且许多研究通过计算地表温度与植被指数和植被覆盖度的相关系数，得出植被覆盖度与地表温度的相关性要高于植被指数与地表温度的相关性，因此建议用植被覆盖度来研究植被对地表的降温作用[10-12]。以往研究多集中于利用仅考虑裸土（bare soil，BS）和光合植被（photosynthetic vegetation，PV）2种组分的像元二分模型（dimidiate pixel model，DPM）[13-16]反演区域VFC探讨其与地表热环境之间的关系[17-20]。而自然界植被不仅包含绿色健康的光合植被，还包含大量的非光合植被（non-photosynthetic vegetation，NPV）[21-22]。自然界中植被的凋落物，干枯植被的枝干、茎和农作物收割后遗留的干枯作物茬等都包括在NPV范畴内[23-24]。研究表明NPV可以影响大气和土壤之间的水热传输条件[25-26]，进而影响地表热环境分异效应。因此在某些区域（尤其是受矿业扰动的干旱半干旱的矿业开发密集区、草原和荒漠化地区等）把一个混合像元仅仅分解为BS和PV这2种组分分析其与地表热环境分异效应之间的关系并不合理。

基于像元三分模型的研究中，在如何选择代表NPV分布信息的植被指数方面，目前国内外利用遥感技术开展了广泛研究[27-31]。众多学者经过深入分析NPV的光谱特征，一些估算非光合植被覆盖度（fractional cover of NPV，NPV）的植被指数，如归一化衰老指数（normalized difference senescent vegetation index，NDSVI）、归一化耕作指数（normalized difference tillage index，NDTI）、归一化作物茬指数（normalized difference residue index，NDRI）、干枯燃料指数（dead fuel index，DFI）、纤维素吸收指数（cellulose absorption index，CAI）等逐渐被学者提出。Daughtry等[32]基于高光谱数据利用两吸收双肩和纤维素的吸收谷3个波段的反射率，定义吸收深度为纤维素吸收指数CAI，CAI基本不受土壤光学性质的影响，与光合植被覆盖度（fractional cover of PV，PV）线性相关，是估测NPV的最佳指数[33-34]。Guerschman等[23]在以上研究成果之上，提出NDVI-CAI像元三分模型，即假定混合像元由BS、NPV和PV这3部分组成，采用纯净端元指数法（pixel purity index，PPI）确定端元特征值，基于MODIS数据较好地估算了澳大利亚稀疏草原NPV和PV的时空分布。以上研究表明，基于高光谱数据的CAI指数已成功应用到NPV的估算[23,32,35]。然而CAI指数的应用范围由于高光谱影像可获取的数据有限，成本较高，难以应用于长期监测等而受到了一定制约。因此，Cao等根据NPV在MODIS数据上的光谱特征，提出了应用于多光谱数据的干枯燃料指数（DFI），初步验证了DFI估算NPV的潜力[36-37]。王光镇等以MODIS 500 m分辨率地表反射率产品为数据源，采用DFI指数构建了NDVI-DFI像元三分模型，结果表明该模型可以有效估算典型草原地区PV和NPV的值[38-39]。以上研究无论是基于NDVI-CAI还是基于NDVI-DFI构建的像元三分模型，都是应用于草原区域估算草地PV和NPV的动态变化。

对于矿业开发密集区，无论是矿山企业数量，还是矿山企业所占用土地数量来说都是相对集中的[40]。采矿活动的实施直接剥离掉大量矿区采场表土，出现的大面积裸露地表在遥感影像上与裸土（BS）的光谱特征相一致。由于矿业开发引起的不当开挖、覆被占用和土地占用直接改变了区域下垫面的热特性，这些变化降低了植被蒸散，增加了不透水材料对太阳热辐射的吸收[41-42]，导致大量枯枝败叶的产生，加上农田作物收割后遗留的大量作物茬，同样会对地表热环境分异效应造成一定影响。当前区域地表热环境分异效应的研究中，把NPV作为一种组分，基于像元三分模型将中分辨率多光谱遥感影像的混合像元分解为PV、NPV和BS这3种组分反演VFC，分析其与矿业开发密集区地表热环境分异效应的演变研究鲜有报道。

为此，本文利用迁安市2000—2018年的Landsat遥感影像数据，从基于NDVI-DFI像元三分模型反演植被覆盖度的时空演变特征出发，采用辐射传输方程法获取研究区19 a间的地表温度数据，分析植被覆盖度时空变化对地表热环境分异效应的影响机制，并基于回归分析法探究19 a间乡镇行政单元尺度的植被覆盖度均值与地表温度均值之间的定量关系。研究结果对于矿业开发密集区生态恢复和改善区域地表热环境聚集效应的目标具有重要的现实意义。

1 研究区与研究方法

1.1 研究区概况

研究区位于河北省东北部，燕山南麓，滦河岸边。地理坐标为东经118°26′～118°55′，北纬39°51′～40°15′。市境纵跨直线距离45 km，横跨直线距离39 km。东隔青龙河与秦皇岛市卢龙县相望，南与滦县相邻，西接迁西县，北以长城为界与秦皇岛市青龙满族自治县毗邻。全市总面积1 227 km2。地貌以平原、丘陵为主，其余为低山和谷地，境内地形呈“簸箕”状，地势西北高，东南低。属暖温带、半湿润季风型大陆性气候，四季分明，三面环山（图1）。迁安市植被丰茂，人工栽植的果树分水果树和干果树2大类。农作物资源中粮食作物主要有玉米、小麦、稻谷、高粱等；经济作物以花生为主，棉花、瓜类次之。迁安市矿业用地景观要素存在明显的团聚现象，主要分布在滦河以西的马兰庄、蔡园、杨店子、木厂口、赵店子等10个镇乡，矿产储量丰富，物产种类齐全。已探明矿藏主要有铁、石灰岩和白云岩等20多种，铁矿资源储量27亿t，素有“铁迁安”之称。

图1 研究区位置及土地利用类型

1.2 数据来源与预处理

1）遥感影像数据：影像来源于美国地质调查局（USGS）Landsat官方网站（http://glovis.usgs.gov/）的Level 1T级空间分辨率为30 m的中分辨率系列卫星产品。分别为2000年9月6日、2003年8月14日和2008年9月12日的3期Landsat 5 TM影像，2013年9月26日和2018年9月8日的2期Landsat 8 OLI/TIRS影像。数据轨道号122/32，云量均小于2%。5期影像季相近，均为植被生长最茂盛的季节，植被生长状态相近，研究结果可比性较高。经查验5期影像过境时间均为上午10:00—11:00之间，天气状况较好，适宜进行LST反演。该产品已经过正射校正和几何校正。预处理主要是依托ENVI5.3遥感影像处理软件平台，对可见光和热红外波段分别进行辐射定标，并对可见光波段进行大气校正。

2）其他数据：河北省高分应用中心提供的2018年空间分辨率为8 m的GF-1卫星遥感影像；来源于谷歌地图的全国高程DEM数据；迁安市国土资源局提供的2016年迁安市1:50 000土地利用现状图；研究区矢量数据来源于中国县级行政矢量图。

3）实地调查数据：为定量验证NDVI-DFI像元三分模型反演植被覆盖度的精度，选取研究区内的一处典型矿区，采用实地测量法验证植被覆盖度反演精度。于2018年9月9日派出具有一定地理学理论基础，并具有野外实地工作经验的实测人员5人，在该矿区内实地选取10个30 m×30 m的网格，分别记录下10个网格单元中心点的经纬度坐标。网格中心点周围的植被覆盖度均存在一定差异，尽量包含0～100%的植被覆盖范围。每个网格由5位观测员分别轮流站在网格单元的中心点进行目视观测，并分别将观测结果记录下来，观测结束后对每个网格的植被覆盖度观测结果求取均值。

1.3 基于NDVI-DFI像元三分模型反演VFC

NDVI-DFI像元三分模型假定混合像元由NPV、PV和BS这3个组分构成，传感器所接收到的像元信息是由以上3种组分信息以其所占像元面积比例为权重系数的线性组合。理想情况下NDVI-DFI特征空间表现为三角形，BS端NDVI值、DFI值均很低，位于三角形左下角；NPV端NDVI值低、DFI值高，位于三角形左上角；PV端NDVI值高、DFI值低，位于三角形右侧中部[23]。

PV信息以较为成熟的归一化植被指数（NDVI）表达。NPV信息选取与Landsat多光谱遥感影像波段较为吻合的干枯燃料指数DFI进行提取。

NDVI和DFI计算公式为

NDVI=(nir−red)/(nir+red)（1）

DFI=100×(1−swir2/swir1)×red/nir（2）

式中swir1、swir2、red和nir分别为短波红外1波段、短波红外2波段、红波段和近红外波段的光谱反射率。

像元三分模型是以相对纯净地物的光谱值作为端元特征值，代入模型求解每种端元类型所占面积比例的[23]。因此NDVI-DFI像元三分模型分解成功的关键是如何确定PV、NPV和BS的端元特征值。本文选取纯净像元指数法（PPI）结合二维散点图来确定端元特征值。根据公式（1）和（2），计算5期影像的NDVI和DFI指数，并绘制NDVI-DFI二维空间散点图。具体实现过程：依托ENVI5.3软件平台，采用最小噪声分离变换（minimum noise fraction rotation，MNF Rotation）工具对5期影像数据进行降维，选择每期影像的前6个波段，设定迭代次数为2 000，阈值系数为3；利用MNF Rotation计算结果产生纯净像元指数PPI；最后将PPI＞5并且靠近特征空间散点图各顶点的像元作为纯净端元，取各顶点纯净端元的平均指数值作为相应端元的特征值。

1.4 基于辐射传输方程法反演LST

基于辐射传输方程法（radiative transfer equation，RTE），又称大气校正法反演LST，其基本原理为借助大气辐射传输方程，在将大气影响去除的前提下，将卫星所观测到地表热辐射强度转化为相应的地表温度[43]。卫星传感器接收到的热红外辐射亮度值的辐射传输方程

L=[()+(1−)L]+L（3）

式中L为热红外波段辐射定标后所得的辐射亮度值，W/(m2·m·sr)；为地表比辐射率；()为黑体热辐射亮度，W/(m2·m·sr)；L和L分别为大气上行和下行辐射亮度，W/(m2·m·sr)[44]；为大气在热红外波段的透过率。在NASA提供的网站（http://atmcorr.gsfc.nasa.gov/）中输入影像中心经纬度、成像时间和其他参数信息可以得到大气剖面参数、L和L。

地表比辐射率计算公式为

=0.004P+0.986（4）

试中P为各像元的植被覆盖度，这里采用像元三分模型反演P，将结果代入公式（4）得出。假设大气、地表对热辐射具有朗伯体性质，则温度为的黑体在热红外波段的辐射亮度()为

()=[L−L−(1−)L]/（5）

根据普朗克公式，反演地面真实温度为

2/ln(1/()+1)（6）

对于Landsat5 TM影像第6波段，1= 607.76 W/(m2·m·sr)，2=1 260.56 K；对于Landsat8 TIRS影像第10波段，1=774.89 W/(m2·m·sr)，2= 1 321.08K[45]。

2 结果与讨论

2.1 2000－2018年研究区VFC反演结果

2.1.1 研究区NDVI-DFI特征空间散点图分析

2000－2018年研究区5期影像NDVI-DFI特征空间散点图趋势基本一致。以2018年为例，研究区NDVI-DFI特征空间表现为三角形，BS端NDVI值、DFI值均很低，位于三角形左下角；NPV端NDVI值低、DFI值高，位于三角形左上角；PV 端NDVI值高、DFI值低，位于三角形右侧中部，与理论上的概念模型基本一致，符合像元三分模型的基本假设，适合利用该模型反演研究区的植被覆盖度（图2）。

注：PV、NPV和BS分别为光合植被、非光合植被和裸土。

2.1.2 基于NDVI-DFI像元三分模型反演VFC

利用ENVI5.3软件的像元三分模型扩展工具对5期影像的纯净像元端元特征值进行光谱的混合像元分解，绘制PV、NPV和裸土覆盖度（fractional cover of BS，BS）的RGB空间分布图。

5期影像VFC反演结果的RGB空间分布规律类似，以2018年为例，结果如图3所示。

注：fPV、fNPV和fBS为光合植被、非光合植被和裸土的覆盖度，下同。

对照研究区土地利用图（图1）可知，东北部和西南部山区的林地以及东部区域农作物正在生长期的水浇耕地（蓝色区域）内的PV居多；分布在山区周围的草地、中东部区域已经收割过的遗留有大量作物茬和枯枝败叶的干旱耕地，以及整个研究区境内分散的居民地和工矿用地周边（绿色区域）的NPV居多；矿区采场和城镇工业场地（红色区域）内的BS居多。

2.1.3 精度验证

按照经纬度一致原则，提取实地采样点相应位置像元PV、NPV和BS的均值，对实测值和反演值进行线性拟合（图4）。

图4 fPV、fNPV和fBS的反演值和实测值

拟合结果表明，PV、NPV和BS的反演值和实测值的决定系数2分别为0.78、0.70和0.76，在<0.01水平上显著相关，拟合度较好，反演精度较高。

2.2 地表热环境分异效应分析

2.2.1 VFC与LST空间分布特征分析

利用ENVI5.3软件的波段运算（Band Math）工具计算得到2000—2018年19 a间VFC和LST的均值空间分布图（图5a、5b）。

对照研究区土地利用图（图1），研究区2000—2018年间VFC均值空间分布规律就整体来看（图5a），东北部和西南部山区的林地以及东部农作物正在生长期的水浇耕地（深蓝色区域）内的PV居多，研究区19 a间PV均值为0.56；分布在山区林地周围的草地、中东部区域已经收割过作物的遗留有大量作物茬和枯枝败叶的干旱耕地，以及整个研究区境内分散的居民地和矿区采场周边（绿色区域）的NPV居多，19 a间NPV均值为0.38，次于PV；工矿用地（红色区域）内的BS居多，19 a间BS均值为0.05。三者占地面积从高到低排序为PV>NPV>BS。

为分析研究区VFC均值空间分布规律与研究区热环境分异特征之间的关系，选取合适的分级方法对2000—2018年LST均值（图5b）进行等级划分。热场变异指数常用于城市热岛分析，取得了较好效果。因此本研究利用热场变异指数表征研究区热环境等级分异特征[46-47]。利用公式（7）对研究区2000—2018年间LST均值进行热场变异指数计算：

HI=(−mean)/mean（7）

式中HI为热场变异指数；为地表温度，℃；mean为地表温度均值，℃。

为了与VFC均值空间分布特征做对比分析，将2000－2018年间LST均值的热场变异指数计算结果分为5个等级（图5c），与2000—2018年间VFC均值空间分布图对比分析发现（图5a），研究区内19 a间PV覆盖较高的区域、PV与NPV组分伴生区域、NPV分布较高的区域、NPV与BS组分伴生区域以及BS分布较高的区域，分别与LST均值热场变异指数等级分布图中的低温区、次低温区、中温区、次高温区以及高温区，具有大面积重叠现象，说明VFC的空间分布一定程度上影响着LST的空间分布。PV覆盖区域地表温度最低，PV与NPV组分伴生区域地表温度次低，NPV覆盖区地表温度居中，NPV与BS组分伴生区域地表温度次高，BS覆盖区域地表温度最高。经统计得出研究区内低温和次低温区占比较大，高温和次高温区占比较小，占比最小的高温区内的BS面积数值最高，高温聚集效应非常明显，19 a间LST均值最高达到36.68°C（图5b）。

2.2.2 VFC时间演变特征分析

统计研究区19 a间植被生长季VFC年际变化特征（图6）。

图6 2000—2018年VFC年际变化

PV在2000年为19 a间最高值，达到0.65；2000－2008年期间呈急剧下降趋势，至2008年降至最低值0.50，下降了24.18%。这是由于此段时间矿业大规模开采，大量剥离地表表土，植被和农田遭到破坏，导致PV大规模锐减。2008—2018年呈现缓慢上升趋势；由2008年的0.50上升到了2018年的0.53，上升了6.62%。这是由于政府和当地管理部门开始重视矿区生态恢复问题，对于尾矿库和排土场等区域开始进行大量的生态复垦工作，所以2008—2018年PV开始提高，但是2008—2018年PV上升速度明显慢于2000—2008年的下降速度，这是因为植被的生长有一个过程，PV的提高过程比较缓慢。因此，19 a间总体变化呈现下降态势，2018年较2000年下降了19.12%。

与PV相反，研究区NPV在2000年为19 a间最低值，为0.32；2000－2008年呈急剧上升趋势，至2008年均值最高为0.43，上升了31.62%。2008－2018年呈现先缓慢下降再缓慢上升的变化趋势，但这几年NPV总体呈现缓慢下降态势，由2008年的0.43下降到2018年的0.40，下降了6.14%。2008—2018年的下降速度慢于2000—2008年的上升速度。因此，19 a间NPV总体变化呈现上升态势，2018年较2000年上升了23.55%。

与NPV相似，研究区BS在2000年为19 a间最低值0.02；2000－2008年呈分阶段小幅度上升趋势，至2008年均值最高为0.07，上升了251.43%。这是由于这几年矿业大规模开采，地表表土大量剥离导致裸地面积逐渐上升。以2008年为拐点，2008－2018年BS为缓慢下降趋势，由2008年的0.07下降到2018年的0.05，下降了29.95%。这是由于这几年开始重视生态复垦工作，大量植被和作物覆于裸土之上使得BS逐渐下降，但是生态复垦工作效果显现是一个缓慢过程，所以BS在2008—2018年的下降速度远远慢于2000—2008年的上升速度。因此，19 a间BS总体变化呈上升趋势，2018年较2000年上升了146.19%。

2.2.3 地表热环境分异时空演变分析

为分析研究区地表热环境随VFC变化的时空分异效应，利用红蓝—差值影像法（遥感变化检测技术）[48]获得研究区3个时段（2000－2008年、2008－2018年、2000－2018年）VFC和LST变化影像图（图7）。

图7 2000－2018年植被覆盖度和地表温度变化检测影像

红色区域代表LST或VFC升高区域，蓝色区域代表LST或VFC下降区域，白色区域代表不变区域。2000—2008年，由于矿业用地和城镇工业场地的增加，导致大量绿地被占用，BS和NPV面积逐渐增加导致研究区LST的值在这几年逐渐升高，2000—2008年LST的差值影像图99%的面积都为红色。2008—2018年，生态环境质量在深度治理中明显改善，使得PV在这几年逐步增加，NPV和BS逐步减少导致LST的值相应降低，2008—2018年LST的差值影像图中有27%的面积显示为蓝色。由于2000—2008年地表植被破坏较严重，2008—2018年虽然开始重视生态恢复工作，但效果显现较缓慢，因而2018年的LST仍高于2000年，2000—2018年LST差值影像图中99%的面积仍为红色。

由差值图可知，LST受VFC的影响较大。在VFC的3个时段的差值图中，PV面积减少的区域和NPV以及BS面积增加的区域，与LST的3个时段差值图中温度增高的区域是相对应的；PV面积增加和NPV以及BS面积减少的区域，与LST的3个时段的差值图中温度降低的面积是相对应的。由此可见，PV与LST是负相关的，NPV和BS与LST是正相关的，即PV的增加会使LST降低，而NPV和BS的增加会导致LST随之升高。

2.2.4 LST与VFC相关分析

对2000－2018年LST差值结果和VFC差值结果进行相关性分析。相关矩阵表明，2000—2018年LST变化与VFC（PV、NPV、BS）的变化之间有较强的相关性。其中PV、NPV、BS与LST变化的相关度分别是－0.81、0.72和0.90，说明VFC的变化对于LST的变化是有显著影响的。19 a间PV、NPV、BS变化程度对LST的影响程度从大到小排序为BS>PV>NPV。矿业开发导致大面积裸露地表的出现，是19 a间研究区地表热环境出现高温聚集效应的主要影响因素。

2.2.5 乡镇行政单元尺度LST与VFC回归分析

为定量分析乡镇行政单元尺度上地表热环境分异效应，以乡镇行政单元为单位，利用乡镇矢量边界数据在Arcgis10.2软件中，将研究区2000－2018年LST均值热场变异指数统计图裁剪为19个乡镇。计算2000－2018年间LST均值统计特征，并按最高温度从高到低排序。排名前6位的乡镇均为矿业开发密集乡镇，迁安市80%的矿区都集中于此，最高温度均超过34.5℃。矿业开发导致地表下垫面的改变，在地表能量平衡中，是造成区域地表热环境聚集的主要原因。以矿业开发最为集中的2号和3号乡镇为例，LST的标准差数值分别高达1.95和2.00（表1），说明这2个乡镇内部由于存在大量矿区采场，呈现出明显的高温区聚集分布特征，乡镇内部地表热环境空间异质性较大。

结合以上统计结果，以标准差数值最大的典型乡镇为代表，利用Arcgis10.2软件的创建随机点功能分别对PV、NPV和BS反演结果影像随机提取500个样本点。利用SPSS22.0软件的数据相关性分析工具，将2000—2018年LST均值作为因变量，PV、NPV和BS均值分别作为自变量进行回归分析。结果表明，PV、NPV和BS与地表热环境分异效应关系密切，回归方程分别为：

LST=−5.16×PV+29.79（8）

LST=6.05×NPV+24.64（9）

LST=9.79×BS+26.45（10）

相关系数分别为−0.60、0.47和0.65。从所获得的回归方程来看，PV、NPV和BS与LST分别呈极显著负相关（<0.01）、不显著正相关和极显著正相关（<0.01）关系；研究区PV每提升10%，会使LST相应降低0.52 ℃左右，NPV每提升10%，会使LST相应升高0.61 ℃左右，BS每提升10%，会使LST相应升高0.98 ℃左右。

表1 2000—2018年各乡镇LST温度状况（前6名）

定量分析结果表明，PV对LST具有降温作用，NPV和BS对LST具有升温作用。PV对LST的降温作用小于NPV和BS对LST的升温作用。NPV对LST的升温作用小于BS。因此，要想改善研究区地表热环境高温聚集效应，提高矿业开发密集区整体生态环境质量，对于工矿用地应采取边开采边复垦的土地整治措施，在闭矿区和尾矿库等大面积裸露地表内大量种植耐旱耐高温的绿色植被或经济作物，及时清理干枯植被、凋落物和作物茬等非光合植被，尽量降低非光合植被伴生于光合植被组分中的比例，提高光合植被降低地表热环境高温聚集效应的效果。同时，对于复垦区内的小面积裸露地表，及时补种绿色植被，以达到最大限度减少裸土面积，避免高温热效应聚集现象出现的目的。

3 结 论

基于NDVI-DFI像元三分模型反演植被覆盖度，针对矿业开发密集区地物特点验证了其应用的适用性与精确性，并以5期Landsat遥感影像为数据源，分析光合/非光合植被和裸土与矿业开发密集区地表热环境分异效应之间的关系。得到以下结论：

1）研究区NDVI-DFI特征空间表现为三角形，与理论上的概念模型基本一致，符合像元三分模型的基本假设。定量验证结果表明实地测量值与反演结果拟合效果较好，反演精度较高。

2）研究区19 a间光合/非光合植被和裸土覆盖度的时空分布一定程度上影响着地表热环境的时空分异特征。相关分析法表明，2000－2018年研究区LST变化与VFC（PV、NPV、BS）变化之间呈显著相关关系，相关系数分别为−0.81、0.72和0.90。PV、NPV、BS对LST的影响程度从大到小排序为BS >PV >NPV。

3）19 a间矿业开发密集乡镇的VFC均值和LST均值的定量关系表明，PV与LST在0.01水平（双侧）上呈极显著负相关关系（<0.01），PV每增加10%会使LST相应降低0.52 ℃左右；BS与LST在0.01水平（双侧）上呈极显著正相关关系（<0.01），BS每增加10%会使LST上升0.98 ℃左右；NPV与LST在0.01水平（双侧）上呈不显著正相关关系，NPV每增加10%会使地表温度相应上升0.61 ℃左右。

[1]Panah S K, Mogaddam M K, Firozjaei M K. Monitoring spatiotemporal changes of heat island in babol city due to land use changes[J]. International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences, 2017, 42: 17－22.

[2]Liu Kai, Su Hongbo, Li Xueke. Comparative assessment of two vegetation fractional cover estimating methods and their impacts on modeling urban latent heat flux using landsat imagery[J/OL]. Remote Sensing, 2017, 9(5): 455.

[3]Estoque R C, Murayama Y, Myint S W. Effects of landscape composition and pattern on land surface temperature: An urban heat island study in the megacities of Southeast Asia[J]. Science of the Total Environment, 2017, 577: 349－359.

[4]Deng Yuanhong, Wang Shijie, Bai Xiaoyong, et al. Relationship among land surface temperature and LUCC, NDVI in typical karst area[J]. Scientific Reports, 2018, 8(1): 1－12.

[5]Duncan J M A, Boruff B, Saunders A, et al. Turning down the heat: An enhanced understanding of the relationship between urban vegetation and surface temperature at the city scale[J]. Science of the Total Environment, 2019, 656: 118－128.

[6]Kumar D, Shekhar S. Statistical analysis of land surface temperature–vegetation indexes relationship through thermal remote sensing[J]. Ecotoxicology and Environmental Safety, 2015, 121: 39－44.

[7]Firozjaei M K, Kiavarz M, Alavipanah S K, et al. Monitoring and forecasting heat island intensity through multi-temporal image analysis and cellular automata-Markov chain modelling: A case of Babol City, Iran[J]. Ecological Indicators, 2018, 91: 155－170.

[8]Cao Qian, Wu Jianguo, Yu Deyong, et al. The biophysical effects of the vegetation restoration program on regional climate metrics in the Loess Plateau, China[J]. Agricultural and Forest Meteorology, 2019, 268: 169－180.

[9]Grigoraș G, Urițescu B. Land use/land cover changes dynamics and their effects on surface urban heat Island in Bucharest, Romania[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 80: 115－126.

[10]彭征，廖和平，郭月婷，等. 山地城市土地覆盖变化对地表温度的影响[J]. 地理研究，2009，28(3)：673－684.

Peng Zheng, Liao Heping, Guo Yueting, et al. Influence of land cover change on land surface temperature in the mountainous city[J]. Geographical Research, 2009, 28(3): 673－684. (in Chinese with English abstract)

[11]张春玲，余华，宫鹏，等. 武汉市地表亮温与植被覆盖关系定量分析[J]. 地理科学，2009，29(5)：740－744.

Zhang Chunling, Yu Hua, Gong Peng, et al. Relationship between land brightness temperature and vegetation abundance in Wuhan City [J]. Scientia Geographica Sinica, 2009, 29(5): 740－744. (in Chinese with English abstract)

[12]Tayyebi A, Jenerette G D. Increases in the climate change adaption effectiveness and availability of vegetation across a coastal to desert climate gradient in metropolitan Los Angeles, CA, USA[J]. Science of the Total Environment, 2016, 548: 60－71.

[13]彭璐，李小梅，傅佳丽，等. 福建省平潭岛植被覆盖变化及其对地表温度影响的定量研究[J].福建师范大学学报：自然科学版，2016，32(1)：78－85.

Peng Lu, Li Xiaomei, Fu Jiali, et al. A quantitative research of vegetation cover change and its effect on the land surface temperature in Pingtan Island of Fujian Province [J]. Journal of Fujian Normal University: Natural Science Edition, 2016, 32(1): 78－85. (in Chinese with English abstract)

[14]徐涵秋，何慧，黄绍霖. 福建省长汀县河田水土流失区植被覆盖度变化及其热环境效应[J]. 生态学报，2013，33(10)：2954－2963.

Xu Hanqiu, He Hui, Huang Shaolin. Analysis of fractional vegetation cover change and its impact on thermal environment in the Hetian basinal area of County Changting, Fujian Province, China[J]. Acta Ecologica Sinica, 2013, 33(10): 2954－2963. (in Chinese with English abstract)

[15]杨强，王婷婷，陈昊，等. 基于MODIS EVI数据的锡林郭勒盟植被覆盖度变化特征[J]. 农业工程学报，2015，31(22)：191－198.

Yang Qiang, Wang Tingting, Chen Hao, et al. Characteristics of vegetation cover change in Xilin Gol League based on MODIS EVI data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(22): 191－198. (in Chinese with English abstract)

[16]李恒凯，雷军，杨柳. 基于Landsat影像的离子稀土矿区植被覆盖度提取及景观格局分析[J]. 农业工程学报，2016，32(10)：267－276.

Li Hengkai, Lei Jun, Yang Liu. Extraction of vegetation coverage and analysis of landscape pattern in rare earth mining area based on Landsat image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(10): 267－276. (in Chinese with English abstract)

[17]Kuang Wenhui, Dou Yinyin, Zhang Chi, et al. Quantifying the heat flux regulation of metropolitan land use/land cover components by coupling remote sensing modeling with in situ measurement[J]. Journal of Geophysical Research: Atmospheres, 2015, 120(1): 113－130.

[18]Peng Wenfu, Zhou Jieming, Wen Lujun, et al. Land surface temperature and its impact factors in Western Sichuan Plateau, China[J]. Geocarto International, 2017, 32(8): 919－934.

[19]李娅丽，汪小钦，陈芸芝，等. 福建省地表温度与植被覆盖度的相关性分析[J]. 地球信息科学学报，2019，21(3)：445－454.

Li Yali, Wang Xiaoqin, Chen Yunzhi, et al. The correlation analysis of land surface temperature and fractional vegetation coverage in Fujian Province[J]. Journal of Geo-information Science, 2019, 21(3): 445－454. (in Chinese with English abstract)

[20]王恺宁，王修信. 喀斯特城市桂林地表温度时空变化及地物覆盖影响分析[J]. 重庆师范大学学报：自然科学版，2018，35(4)：117－124.

Wang Kaining, Wang Xiuxin. Temporal and spatial change analysis of land surface temperature and land cover influence in a Karst City, Guilin[J]. Journal of Chongqing Normal University: Natural Science Edition, 2018, 35(4): 117－124. (in Chinese with English abstract)

[21]Chai Guoqi, Wang Jingpu, Wang Guangzhen, et al. Estimating fractional cover of non-photosynthetic vegetation in a typical grassland area of northern China based on moderate resolution imaging spectroradiometer (MODIS) image data[J]. International Journal of Remote Sensing, 2019, 40(23): 8793－8810.

[22]Zheng Guoxiong, Bao Anming, Li Xiaosong, et al. The potential of multispectral vegetation indices feature space for quantitatively estimating the photosynthetic, non-photosynthetic vegetation and bare soil fractions in northern China[J]. Photogrammetric Engineering & Remote Sensing, 2019, 85(1): 65－76.

[23]Guerschman J P, Hill M J, Renzullo L J, et al. Estimating fractional cover of photosynthetic vegetation, non-photosynthetic vegetation and bare soil in the Australian tropical savanna region upscaling the EO-1 Hyperion and MODIS sensors[J]. Remote Sensing of Environment, 2009, 113(5): 928－945.

[24]Li Zhaoqin, Guo Xulin. Remote sensing of terrestrial non-photosynthetic vegetation using hyperspectral, multispectral, SAR, and LiDAR data[J]. Progress in Physical Geography, 2016, 40(2): 276－304.

[25]Lu Dengsheng, Weng Qihao. Spectral mixture analysis of ASTER images for examining the relationship between urban thermal features and biophysical descriptors in Indianapolis, Indiana, USA[J]. Remote Sensing of Environment, 2006, 104(2): 157－167.

[26]Daughtry C S, Serbin G, Reeves J, et al. Spectral reflectance of wheat residue during decomposition and remotely sensed estimates of residue cover[J]. Remote Sensing, 2010, 2(2): 416－431.

[27] Mishra N B, Crews K A. Estimating fractional land cover in semi-arid central Kalahari: the impact of mapping method (spectral unmixing vs. object-based image analysis) and vegetation morphology[J]. Geocarto International, 2014, 29(8): 860－877.

[28]Guerschman J P, Scarth P F, McVicar T R, et al. Assessing the effects of site heterogeneity and soil properties when unmixing photosynthetic vegetation, non-photosynthetic vegetation and bare soil fractions from Landsat and MODIS data[J]. Remote Sensing of Environment, 2015, 161: 12－26.

[29]Meyer T, Okin G S. Evaluation of spectral unmixing techniques using MODIS in a structurally complex savanna environment for retrieval of green vegetation, nonphotosynthetic vegetation, and soil fractional cover[J]. Remote Sensing of Environment, 2015, 161: 122－130.

[30]郑国雄，李晓松，张凯选，等. 浑善达克沙地光合/非光合植被及裸土光谱混合机理分析[J]. 光谱学与光谱分析，2016，36(4)：1063－1068.

Zheng Guoxiong, Li Xiaosong, Zhang Kaixuan, et al. Spectral mixing mechanism analysis of photosynthetic/ non-photosynthetic vegetation and bared soil mixture in the Hunshandake (Otindag) sandy land[J]. Spectroscopy and Spectral Analysis, 2016, 36(4): 1063－1068. (in Chinese with English abstract)

[31]Melville B, Fisher A, Lucieer A. Ultra-high spatial resolution fractional vegetation cover from unmanned aerial multispectral imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 78: 14－24.

[32]Daughtry C S T, Hunt E R, Doraiswamy P C, et al. Remote sensing the spatial distribution of crop residues[J]. Agronomy Journal, 2005, 97(3): 864－871.

[33]Daughtry C S T, Hunt Jr E R, McMurtrey Iii J E. Assessing crop residue cover using shortwave infrared reflectance[J]. Remote Sensing of Environment, 2004, 90(1): 126－134.

[34]Bannari A, Chevrier M, Staenz K, et al. Potential of hyperspectral indices for estimating crop residue cover[J]. Revue Télédétection, 2007, 7(1/2): 3－4.

[35]Ren Hongrui, Zhou Guangsheng. Estimating senesced biomass of desert steppe in Inner Mongolia using field spectrometric data[J]. Agricultural and Forest Meteorology, 2012, 161: 66－71.

[36]Cao Xin, Chen Jin, Matsushita B, et al. Developing a MODIS-based index to discriminate dead fuel from photosynthetic vegetation and soil background in the Asian steppe area[J]. International Journal of Remote Sensing, 2010, 31(6): 1589－1604.

[37]Cao Xin, Cui Xihong, Yue Miao, et al. Evaluation of wildfire propagation susceptibility in grasslands using burned areas and multivariate logistic regression[J]. International Journal of Remote Sensing, 2013, 34(19): 6679－6700.

[38]王光镇，王静璞，邹学勇，等. 基于像元三分模型的锡林郭勒草原光合植被和非光合植被覆盖度估算[J]. 生态学报，2017，37(17)：5722－5731.

Wang Guangzhen, Wang Jingpu, Zou Xueyong, et al. Estimation of fractional cover of photosynthetic and non-photosynthetic vegetation in the Xilingol steppe region using the NDVI-DFI model[J]. Acta Ecologica Sinica, 2017, 37(17): 5722－5731. (in Chinese with English abstract)

[39]Wang Guangzhen, Wang Jingpu, Zou Xueyong, et al. Estimating the fractional cover of photosynthetic vegetation, non-photosynthetic vegetation and bare soil from MODIS data: Assessing the applicability of the NDVI-DFI model in the typical Xilingol grasslands[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 76: 154－166.

[40]李富平，袁怀雨. 矿业开发密集地区景观生态重建潜力评价[J]. 金属矿山，2004(1)：54－57.

Li Fuping, Yuan Huaiyu. Potential assessment of landscape ecological rehabilitation in mining concentrated district[J]. Metal Mine, 2004(1): 54－57. (in Chinese with English abstract)

[41]Liu Wenjuan, Agusdinata D B, Myint S W. Spatiotemporal patterns of lithium mining and environmental degradation in the Atacama Salt Flat, Chile[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 80: 145－156.

[42]Kumar G S, Reddy A N. Application of remote sensing to assess environmental impact of limestone mining in the Ariyalur district of Tamilnadu, India[J]. Journal of Geomatics, 2016, 10(2): 158－163.

[43]Liu Chunguang, Shi Jiancheng, Wang Tianxing, et al. Mathematical assessment of the effects of substituting the band radiative transfer equation (RTE) for the spectral RTE in the applications of earth’s surface temperature retrievals from spaceborne infrared imageries[J/OL]. Remote Sensing, 2019, 11(3): 226.

[44]García-Santos V, Cuxart J, Martínez-Villagrasa D, et al. Comparison of three methods for estimating land surface temperature from landsat 8-tirs sensor data[J/OL]. Remote Sensing, 2018, 10(9): 1450.

[45]Irons J R, Dwyer J L, Barsi J A. The next Landsat satellite: The Landsat data continuity mission[J]. Remote Sensing of Environment, 2012, 122: 11－21.

[46]薛晓娟，孟庆岩，王春梅，等. 北京市热岛效应时空变化的HJ-1B监测分析[J]. 地球信息科学学报，2012，14(4)：474－480.

Xue Xiaojuan, Meng Qingyan, Wang Chunmei, et al. Monitoring spatio-temporal changes of heat island effect in Beijing based on HJ-1B[J]. Journal of Geo-Information Science, 2012, 14(4): 474－480. (in Chinese with English abstract)

[47]阳文锐，李锋，何永. 2003—2011年夏季北京城市热景观变化特征[J]. 生态学报，2014，34(15)：4390－4399.

Yang Wenrui, Li Feng, He Yong. Characteristic change and analysis of urban heat island in Beijing, China, Summer, 2003—2011[J]. Acta Ecologica Sinica, 2014, 34(15): 4390－4399. (in Chinese with English abstract)

[48]Xu Hanqiu. Analysis on urban heat island effect based on the dynamics of urban surface biophysical descriptors[J]. Acta Ecologica Sinica, 2011, 31(14): 3890－3901.

Analysis of differentiation effect of surface thermal environment in intensive mining areas based on NDVI-DFI model

Hou Chunhua1, Li Fuping1,2,3※, Feng Yifan4, Gu Haihong1,2,3, Yuan Xuetao1, Song Wen1,5, Liu Huixin6

(1.,,063210,; 2.,063210,; 3.,063210,; 4.().,.,266109,; 5.,,,100101,; 6.,, 063210,)

Currently, the dimidiate pixel model is used in most studies to discuss vegetation fractional coverage (VFC) and explore its relationship with urban heat islands. Few studies have used the three-component pixel model to invert vegetation fractional coverage (VFC) and discuss the relationship between VFC and the differentiation effect of the surface thermal environment in mining-intensive areas. In this study, VFC was inverted based on the normalized difference vegetation index (NDVI)-dry fuel index (DFI) three-component pixel model using Landsat satellite remote sensing images from 2000 to 2018. Mixed pixels were decomposed into photosynthetic vegetation (PV), non-photosynthetic vegetation (NPV), and bare soil (BS). The radiative transfer equation (RTE) was used to invert the surface temperature. The basic principle of this method is to remove the atmospheric influence and use the atmospheric radiation transfer equation; surface heat radiation intensity observed by the satellite is converted to the corresponding surface temperature. The parameters involved are mainly atmospheric profile parameters and surface specific emissivity. Heat-island index (HI) was used to grade the mean LST of the 2000–2018 study area. The relationship between the spatial-temporal changes in VFC and the differentiation effect of the surface thermal environment in the study area was analyzed using hierarchical statistics, a red-blue difference image method, correlation analysis, and regression analysis. On this basis, the influence mechanism of spatial-temporal variation in the VFC on the differentiation effect of surface thermal environment was studied. The results showed that the NDVI-DFI feature space of the study area conformed to the basic assumption of the three-component pixel model. The correlation matrix showed that there was a strong correlation between the changes in land surface temperature (LST) and VFC (the fractional cover of PV, fractional cover of NPV, and fractional cover of BS) from 2000 to 2018. The study areas of the fractional cover of PV, fractional cover of NPV, and fractional cover of BS have large overlap with the high, medium and low temperature regions in the LST eighteen-year mean distribution map based on the thermal field variation index, which indicates that the spatial distribution of vegetation coverage affects the surface temperature space to some extent. The correlations betweenPV,NPV,BSand LST were −0.81, 0.72, and 0.90 respectively, which indicated that changes in VFC had a significant impact on LST. The degree of influence ofPV,NPV, andBSchanges on LST for the 19 years is ranked asBS>PV>NPV. The regression analysis was between the vegetation fractional coverage and the surface temperature of the township administrative unit scale in the areas with intensive mining development. The results showed thatPV,NPV, andBSwere very significant negative correlation (<0.01), no significant positive correlation (<0.01), and very significant positive correlation (<0.01) with LST, respectively. To be specific, the land surface temperature (LST) decreased 0.52 ℃ with every 10% increase ofPV.It increased 0.61 ℃ and 0.98 ℃ respectively as the 10% increase ofNPVandBS.The results provided a quantitative reference for the improvement of the surface thermal environment in mining-intensive areas.

remote sensing; model; vegetation fractional coverage; land surface temperature; NDVI-DFI model; mining areas

侯春华，李富平，冯一帆，谷海红，袁雪涛，宋 文，刘惠欣. 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.doi：10.11975/j.issn.1002-6819.2020.03.020 http://www.tcsae.org

Hou Chunhua, Li Fuping, Feng Yifan, Gu Haihong, Yuan Xuetao, Song Wen, Liu Huixin. Analysis of differentiation effect of surface thermal environment in intensive mining areas based on NDVI-DFI model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(3): 160－168. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.03.020 http://www.tcsae.org

2019-07-19

2020-01-20

河北省重点研发计划项目（19224204D）；河北省自然科学基金-钢铁联合基金项目（E2015209300）；河北省高等学校青年拔尖人才计划项目（BJ2014029）；河北省引进留学人员资助项目（CL201633）；唐山市科学技术研究与发展计划重点项目（19150247E）；唐山市科技创新团队培养计划项目（19130206C）

侯春华，博士生，研究方向为矿区生态恢复与重建。Email：houchunhua@stu.ncst.edu.cn

李富平，教授，博士生导师，主要从事矿区生态恢复与重建研究。Email：18603158003@163.com

10.11975/j.issn.1002-6819.2020.03.020

X87

A

1002-6819(2020)-03-0160-09