江西省矿产资源开发强度评价与分析

2021-12-15田淑芳

中国矿业 2021年12期

周毅，田淑芳，董航

(1.中国地质大学(北京)地球科学与资源学院，北京 100083；2.中国地质调查局昆明自然资源综合调查中心，云南昆明 650100)

资源开发强度是衡量人类进行资源开发活动的频度、速率、规模大小、资源变化程度以及资源反馈效应状况的尺度[1]。开发强度是反映地区发展和资源开发可持续性的重要指标，可以综合体现资源开发过程中资源量的变化、消耗程度以及反馈效应等信息，被广泛运用于评估城市发展、土地开发利用及其他资源开发[2-3]。矿产资源开发活动是指人类通过劳动从矿山中将矿石矿物开采并加工的一系列过程，其本质与内涵和其他资源开发活动并无区别。长期以来，矿产资源开发活动的状态与程度主要通过开采面积、产量等单一指标来反映[4]，而矿产资源开发活动是一个复杂的过程，包含矿种、开采方式、规模、环境影响及经济效益等内容，依靠单一指标来反映矿产开发活动的状态与程度并不准确。

因此，本文将开发强度的概念引入评估矿产资源开发活动中，根据开发强度的定义结合矿产资源开发活动主要特征，建立起矿产资源开发强度，即可以全面客观地表现矿产资源开发活动过程中资源量变化、消耗状态和环境反馈效应等的指标。该指标不仅可以综合反映区域内矿产资源开发活动的状态，也可将其作为区域矿产活动趋势分析、可持续发展规划、生态环境保护治理以及矿政管理的重要参考依据。

本文以江西省为研究区，基于遥感及调查数据提取2015年、2017年、2019年矿产资源开发信息，通过PSR模型选择矿产资源开发强度评价指标，运用模糊神经网络方法开展研究区矿产资源开发强度评价及分析。

1 研究区概况及数据处理

1.1 研究区概况

江西省位于中国东南部长江中下游南岸，国土总面积约166 900 km2(图1)。研究区地处武夷南岭成矿带中北部，区内成矿地质条件优越，矿产资源丰富，其中，有色金属、贵金属和稀有金属矿产在全国占有重要地位。

1.2 数据来源

本文参考《矿山地质环境调查评价规范》《矿产资源开发遥感监测技术规范》等规范，收集相关遥感数据(表1)及调查数据。遥感数据成像时间均处于当年的9—11月，以保证信息时效一致；调查数据包括区域地质、矿产相关图件及统计资料，来源于相关矿政及地质调查部门。

2 矿产资源开发强度评价

2.1 矿产资源开发强度评价指标

矿产资源开发过程较为复杂，选择合理开发强度评价指标是开展矿产资源开发强度评价的前提。因此，在选取评价指标时，应根据评价目标的特点，遵循全面性、科学性、区域性、可操作性的原则[5]，能恰当反映研究区域的矿产资源开发强度[6]。

2.1.1 基于PSR模型的评价指标选择

矿产资源开发活动作为人类活动与生态系统相互作用的典型产物，要对其强度做出准确评价，不仅要考虑环境因素，也要重视人类活动的影响。PSR(压力-状态-响应)模型是为全面、准确反映人类活动与环境变化之间的相互关系而构建的。该框架中，P(开发压力)反映人类活动对环境造成的负荷；S(环境状态)指环境系统当前的物理状态；R(开发响应)所体现的是人类为阻止、补偿以及适应环境状况的变化所采取的应对措施[7-9]。因此，以PSR模型为理论基础选择矿产资源开发强度评价指标，可以相对科学、系统、完整地反映其状况。

表1 遥感数据表Table 1 Remote sensing data

图2 矿产资源开发强度评价指标体系Fig.2 Evaluation index system of mineral resources exploitative intensity

依照PSR模型框架与指标构建原则，结合研究实际，建立矿产资源开发强度评价体系(图2)。该体系基于开发压力、环境状态、开发响应3个要素，选取了12项评价指标。

2.1.2 指标信息提取与分级

指标信息提取工作包括利用高分辨率遥感影像通过人机交互式解译方法提取矿山开发系列信息(类型、面积、恢复治理、地质环境问题、交通条件等)，对Landsat-8影像应用像元二分法提取植被覆盖度，对Sentinel-1影像对处理后得到地形坡度。调查数据主要进行矢量化与属性赋值。其中，矿山年产值比为矿山年开采规模与其储量之比，县涉矿产业指标值为综合各县涉矿企业数量及规模计算得到。

为减少其他开发活动影响研究结果，本文利用多期次Sentinel-2数据进行监督分类及专家判读提取研究区其他开发活动用地(城市、工厂等)(图3)进行掩膜。最终提取信息结果如图4所示(以2015年度为例)。结合开发强度相关定义及各评价指标对应程度，对各指标等级划分见表2。

图3 其他开发活动用地提取结果Fig.3 Extracting results of other exploitativeactivities lands

2.2 评价方法

对环境或开发强度的评价中，比较常见的有层次分析、综合指数评估、变异系数法、主成分分析、集合对分析等[10-14]。随着人工智能发展，许多学者将模糊理论和神经网络技术相结合应用于生态环境评估中并取得了良好效果[15]。矿产资源开发强度评价包含多种评价因子，各因子之间关系复杂，部分指标具有一定模糊性，将具有模式识别功能的神经网络和具有处理模糊信息的模糊系统结合并用于矿产资源开发强度评价可规避由于人为主观因素对评价结果造成的干扰，具有潜在应用价值[16]。

图4 2015年度矿产资源开发强度指标信息提取结果Fig.4 Mineral resource exploitative intensity index information extraction results in 2015

表2 评价指标分级表Table 2 Evaluation index classification

2.2.1 网络结构

模糊神经网络由五部分组成(图5)。样本在输入层做模糊化处理转化为模糊向量，神经网络对模糊向量实现模糊非线性映射功能，结果层做反模糊化处理将结果模糊向量转化为系统的评价结果输出。

图5 模糊神经网络结构图Fig.5 Fuzzy neural network structure

2.2.2 模糊隶属度函数

模糊隶属度函数用于模糊化输入数据，目的是将无法用明确隶属关系表达的量化值在一定的模糊规则下，在数据空间中重新进行划分，以得到更加贴近实际的数据表达形式。输入参数分为数值变量描述的定量数据和语言变量描述的定性数据。根据确定隶属度函数基本原则，本文采用岭形分布函数对输入的定量数据进行模糊化，见式(1)～式(3)，其中，式(1)为降岭型分布，式(2)为升岭形分布，式(3)为岭型分布。

r(x)=

(1)

r(x)=

(2)

r(x)=

(3)

对于输入的定量数据xi，经隶属函数模糊化后可写成矢量形式，即(rⅠ(xi)，rⅡ(xi)，rⅢ(xi)，rⅣ(xi)，rⅤ(xi))，它们分别对应定量数据的各模糊子集的隶属度。通过模糊分级法做量化处理得到模糊矩阵。将因素分成5个等级(表3)。

表3 开发强度赋值表Table 3 Assignment of exploitative intensity

按赋值标准给出评定值。用梯形隶属度函数对输入的定性数据进行模糊化，见式(4)～式(6)，其中，式(4)为降半梯形分布，式(5)为梯形分布，式(6)为升半梯形分布。

(4)

(5)

(6)

2.2.3 反模糊化

采用单点模糊集法和最大隶属度原则进行反模糊化分析，将矿产资源开发强度等级划分为一个5维向量。

2.3 实现过程

本文建立2 km×2 km网格作为评价单元[17]。通过Matlab软件构建FNN2型模糊神经网络，运用经验函数，设置网络结构为12-5-1[18]，把12种评价指标作为输入层；把矿产资源开发强度等级(Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ)作为模型的输出层。从2015年、2017年和2019年数据中平均抽样选取了共计300个样本进行训练，将训练好的网络模型对50个测试样本集进行评价，其均方根误差为0.07，说明模型总体拟合性相当良好。最后应用该模型计算得到研究区矿产资源开发强度结果。

3 结果与分析

3.1 矿产资源开发强度结果

根据计算后的强度数据，得到矿产资源开发强度分布图(图6)。通过统计得到江西省2015年、2017年和2019年开发强度等级占比情况(表4)。

结合表(2)对等级赋值，运用式(7)和式(8)对各市、各矿种类型矿产资源开发强度值进行计算。结果见表5和表6。

(7)

(8)

表4 2015—2019年度江西省矿产资源开发强度占比Table 4 Proportion of mineral resources exploitativeintensity from 2015 to 2019 in Jiangxi province 单位：%

表5 2015—2019年江西省各市矿产资源开发强度值表Table 5 Mineral resources exploitative intensity valueof each city from 2015 to 2019

表6 2015—2019年江西省各矿种类型开发强度值表Table 6 Mineral resources exploitative intensity valueof each mineral from 2015 to 2019

图6 江西省矿产资源开发强度分布图Fig.6 Distribution of mineral resources exploitative intensity in Jiangxi province

3.2 综合分析

根据计算结果可知，2015—2019年间，江西省无强度区域面积变化较小，主要原因为近年全省矿山开发活动大幅减少，且废弃矿山恢复治理力度加大，部分废弃矿山用地转为其他用地。其次，低强度地区面积增长了5.96%，主要为高中开发强度矿山开发强度减小或停产未治理而造成，涉及地区为赣州市全南县、上饶市中部及宜春市南部，矿种类型为稀有稀土矿及铜、铅等有色金属矿，大量违法及小型矿山被关停及治理；一般及中开发强度矿山面积均减少了1%左右，多为停止开发或进行恢复治理。高开发强度区域面积减少了2.12%，由江西省分散状态逐步转换为有序集中分布，这与近年来江西省矿产资源开发整体规划布局及管理相关。

4 结论与建议

4.1 结论

1) 2015—2019年期间，江西省矿产资源开发强度整体下降了0.028 7；其中，九江市、吉安市开发强度值下降明显，分别下降了0.046 6、0.040 8；矿种类型上，化工原料矿、稀有稀土矿开发强度值5年间分别下降了0.362 9、0.235 9。江西省内高强度区域由分散状态逐步转换为有序集中分布，面积减少2.12%；一般及中开发强度矿山面积均减少1%左右；低强度地区面积增长5.96%；无强度区域面积无明显变化。

2) 2019年，江西省内赣州市、上饶市开发强度值最高，分别为0.098 1、0.092 1；吉安市、南昌市最低，为0.066 6、0.059 8。有色金属矿、能源矿开发强度值最高，分别为0.732 3、0.674 4，特种非金属与其他矿种最低，分别为0.221 0、0.217 0。高强度地区主要有：北部上饶市德兴市、铅山县、上饶县一带，涉及主要矿种为铜矿，该区域内铜矿开发强度值为0.752 4；中部新余市、萍乡市一带，主要矿种为煤矿与铁矿，区域内两者开发强度值为0.724 7、0.707 1；南部赣州市崇余犹地区及寻乌县、龙南县一带，主要矿种为稀土矿、钨矿，区域内开发强度值依次为0.722 4、0.695 6。

3) 通过上述指标、方法进行矿产资源开发强度评价，较为有效地解决了评价过程中部分指标难以定量化、可定量化的混合问题，也避免了传统评价方法中人为主观因素的干扰。评价结果与江西省近5年矿产资源开发规划实际状况以及矿山环境监测调查相关成果具有较好的一致性，说明该方法得到的开发强度指标可以较为客观准确地反映研究区矿产资源开发状况。