耦合多因子的地表生态状况指数在干旱半干旱区露天矿的应用效果评价

包妮沙 李秋玥 杨天鸿 刘善军 齐 迹

(1.东北大学资源与土木工程学院,辽宁 沈阳 110819;2.辽宁工程技术大学测绘与地理科学学院,辽宁 阜新 123000)

新疆地区矿产资源丰富,有色金属矿和煤炭资源储量均位于我国前列。人类经济活动与资源环境保护矛盾已成为制约干旱半干旱区域可持续发展的关键问题[1],新疆作为典型的干旱半干旱地区生态环境脆弱,矿产资源开发对区域生态环境有很大冲击,露天开采尤为严重。据2020年新疆地质环境监测院调查统计:新疆地区因采矿破坏土地面积达9.07×104km2;水土流失面积达103×104km2,占全国28.1%;近2/3的土地遭受荒漠化危害。露天开采全生命周期下生态环境的动态监测是指导绿色矿山建设和生态恢复的重要基础。

传统的矿区生态环境调查多以地面调查、采样、化学测试方法获取生态指标,实现矿区生态环境监测,难以满足多尺度、快速动态监测需求。遥感技术凭借周期短、实时性、动态性和信息丰富等特点,通过地面目标反射、辐射特性表征地表生态环境,不仅能全面真实地记录地表覆盖信息,揭示矿区边开采、边复垦过程中生态环境的陆面演变规律,而且对露天开采过程中引起的突发环境问题能够快速响应和及时预警,以揭示受采矿等人类活动影响的生态环境变化。多波段遥感数据衍生的地表生态状况指数,如地表温度(LST)、归一化植被指数(NDVI)等已被广泛应用于矿区生态环境监测中[2-4],反映露天开采引起的地表温度、植被覆盖的变化,为分析矿区地表生态扰动提供了更多可用信息。

单一生态因子遥感反演指标只能表征生态系统一个方面的变化,难以应用于复杂的生态系统和揭示矿山环境的改变[5]。因此,可以识别更多特征的多生态因子耦合得到的遥感模型或指数成为研究的热点[6-7]。徐涵秋[8]于2013年提出了遥感生态指数(RSEI),通过主成分分析(PCA)耦合了绿度、湿度、干度和热度4个生态因子,是近年来应用最广泛的遥感模型之一,能够应用于矿区的生态累积效应和生态环境质量监测。随着应用场景和目的不同,许多学者尝试对其方法进行了改进,刘英等[9]认为RSEI中PCA耦合方式忽略4个生态因子间的弱线性或非线性的影响,因此采用非线性的核主成分分析(KPCA)进行改进,构建了非线性的遥感生态指数(NRSEI)。宋美杰等[10]认为RSEI中仅用到PCA第一主成分,存在信息利用不充分的问题,因此采用前3个主成分分量来集成MRSEI。李晶等[11]认为RSEI对黄河流域水土侵蚀易发区的适用性尚不明确,除了以上4个生态因子外,加入土壤侵蚀度因子,耦合5个生态因子对山西省矿区进行了生态环境监测。ZHENG等[12]认为RSEI在监测长时序生态环境质量变化方面不稳定,因此在PCA之前,采用标准化处理方法代替归一化将4个生态因子的值转换至一个公共域,构建了标准化遥感生态指数(RSEIs)。以上改进均是对4个生态因子去量纲或者耦合方式进行调整,但是2022年RSEI指数的提出者徐涵秋教授在《武汉大学学报》《遥感技术与应用》等刊物上撰文[13-14]针对以上改进提出了质疑,指出这些改进指数普遍存在算法论证不充分、精度验证不合理等不足,如MRSEI指数仅增加信息量而忽略了PCA各分量的生态意义,会造成结果失真;RSEIs指数中标准化方法难以避免异常值的影响。

由于RSEI是基于绿度、湿度、干度和热度4个生态因子耦合的模型,KARIMI等[15]指出干度指标的计算是通过裸土指数和建筑指数实现,采矿活动的增加会改变自然表面反射率、电导率、土壤pH值等土壤物理化学特性,导致自然表面向不透水面转化,因此裸土和受采矿活动影响土地最重要的区别是表面不透水率百分比,干度指标难以有效区分采矿活动引起的地表变化。对此,KARIM等[15]选择了亮度指标代替干度指标,通过代数运算方式耦合4个生态因子,提出了一种新的指数,即LSESCI,并选择了14个不同类型的研究区,对比LSESCI与RSEI指数的应用效果,发现相对于RSEI指数,LSESCI指数在矿区生态环境质量监测方面的性能较优。

由于生态环境背景及矿种类型存在差异,导致采矿活动诱发的生态环境问题具有明显的区域异质性。基于以上生态因子构建的指数模型均在单一矿区进行对比,在不同景观条件和露天开采模式下表征矿区生态环境的差异性及稳定性尚不明确。遥感模型的稳定性与普适性,是利用多源遥感数据实现矿区多要素参数同步反演与构建监测技术体系的基础,同时也是科学认识和评价矿区生态环境状况的关键[16]。新疆全区面积166 万km2[17],涉及数十个生态功能区。针对矿区所在区域的生态环境特点,综合考虑背景环境中土壤、植被以及岩矿类型,选择区域尺度科学、有效、合理的地表生态状况指数,揭示露天开采过程中对区域生态环境的扰动性,使其评价结果具有稳定性和可比性,是新疆地区绿色矿山建设及评价的关键基础。本研究选择了位于高寒高海拔山前冲洪积扇区的金宝铁矿区、荒漠戈壁区的黑山煤矿区以及荒漠绿洲区的乌拉根锌矿区,利用2005—2020年长时序Landsat卫星影像为数据源,提取湿度、热度、干度、绿度、亮度5个生态因子,构建LSESCI、RSEI、MRSEI及RSEIs 4个指数模型,从指数模型与各生态因子相关性、土地利用及地形因素影响3个方面,阐明各指数在表征干旱半干旱区露天矿地表生态状况性能差异性和稳定性,评价其在不同矿区的应用效果和适用性,并选择适宜的指数揭示露天开采过程中地表生态环境质量的时空变化特征。

1 研究区与数据

1.1 研究区概况

本研究选择了新疆位于山前冲洪积扇区、荒漠戈壁区、荒漠绿洲区的3座典型露天矿进行分析(图1)。

图1 研究区分布示意Fig.1 Distribution of the study area

金宝铁矿区矿山产能约400 万t/a,属于大型露天金属矿山。矿区位于阿勒泰低中山区山坡地貌,以山地为主且其中镶嵌着山间盆地、谷地,地势复杂,属于寒旱牧区。年平均气温1.9 ℃,年平均降水量271.31 mm,年平均蒸发量1 477.2 mm,海拔946～1 570 m,属大陆性中温带干旱气候。

黑山煤矿区属于准东煤田,探明储量469 亿t,设计生产能力为1 000 万t/a,属特大型露天煤矿。矿区位于冲积戈壁平原荒漠地带,以戈壁为主,兼有沙地、裸岩石质地等荒漠用地类型,也有少量荒漠草地、灌丛等荒漠植被,地形整体平坦开阔。区内年平均气温为1.2～2.3 ℃,年均降水量约215.3 mm,年均蒸发量1 099.2 mm,海拔2 322～2 845 m,属于典型的荒漠矿区。

目前,乌拉根锌矿区已探明铅锌金属储量超过500 万t,预测的铅锌金属资源量在1 000万t以上,开采方式为露天—地下联合开采。矿区位于荒漠绿洲区,土壤类型为棕漠土,盐渍化敏感,植被以天然牧草地为主。研究区平均气温7.4 ℃,年平均降水量181.6 mm,年平均蒸发量为2 600.5 mm,为降水量的14.3倍,海拔1 932～2 493 m。

1.2 数据源

本研究遥感数据源为GEE平台2005年至2020年6—10月Landsat TM和OLI地表反射率数据集,共计145景影像,其中金宝铁矿区55景,黑山煤矿区55景,乌拉根锌矿区35景(图2)。基于GEE平台,利用CFMask算法对影像进行去云处理。对同一年中涉及的所有月份数据提取生态因子,最终通过取均值的方式,表征这一年的生态环境质量状况,从而减少因为季节性差异而降低生态环境质量时空变化特征监测的准确性。

图2 研究区影像数量统计Fig.2 Statistics of the number of images in the study area

土地利用数据参考2020年ESRI全球10 m分辨率的土地覆盖数据,由ArcGIS Living Atlas 中的Web服务访问下载,总体分类精度可达85%。按照该数据的分类体系和定义,研究区涉及的土地利用类型有建筑、裸地、牧场及林地。裸地指矿场、沙漠和沙丘等,牧场指低植被覆盖度、可暴露出土壤和岩石的开阔区域,林地指较高大的植被,建筑指人造建筑物[18]。结合矿区典型地物和土地利用特点[16],将裸地重新划分为开采区,牧场划分为裸土,林地划分为植被。数字高程数据来源于地理空间数据云 (http:∥www.gscloud.cn/) ASTER DEM数据,空间分辨率为30 m。

2 研究方法

本研究首先提取湿度、热度、干度、绿度、亮度生态因子,进而耦合构建LSESCI、RSEI、MRSEI以及RSEIs指数;其次结合土地利用数据、DEM数据,针对矿区所在区域生态环境特点,通过相关性、缓冲区及滑动滤波等综合分析指数间的性能差异;最后选择最优指数利用Sen+Mann-Kendall时间序列分析法揭示露天矿生态环境变化趋势和演变规律,如图3所示。

图3 研究流程Fig.3 Study process

2.1 地表生态状况指数构建方法

2.1.1 生态因子提取

2.1.1.1 湿 度

缨帽变换[19]是KAUTH与THOMAS于1976年根据多光谱遥感中植物、水体等地物的分布特点提出的一种经验线性变换。卫星遥感影像经过缨帽变换之后生成的前3个分量与地面景物密切相关,第1分量为反映地物总体反射率强弱的亮度指数;第2分量为反映地表植被覆盖率等信息的绿度指数;第3分量为反映土壤等水分状态的湿度指数。本研究中湿度采用缨帽变换中的湿度分量来代表,其表达式为[20-21]

式中,Blue、Green、Red、NIR、SWIR1、SWIR2为蓝、绿、红、近红外、短波红外1和短波红外2波段,分别对应TM影像中的第1、2、3、4、5、7波段和OLI影像中的第2、3、4、5、6、7波 段。对 于TM影 像[22],系 数ωi(i=1,2,…,6)取值分别为0.031 5、0.202 1、0.310 2、0.159 4、-0.680 6、-0.610 9;对 于OLI影 像[23],ωi(i=1,2,…,6)取值分别为0.151 1、0.197 3、0.328 3、0.340 7、-0.711 7、-0.455 9。

2.1.1.2 绿 度

以应用最广泛的归一化植被指数NDVI表征RSEI中的绿度指标,公式为

式中,Red、NIR为红和近红外波段,分别对应TM影像中的第3、4波段和OLI影像中的第4、5波段。

采用缨帽变换中的绿度分量来表征LSESCI中的绿度指标,公式为

式中,Blue、Green、Red、NIR、SWIR1、SWIR2为蓝、绿、红、近红外、短波红外1和短波红外2波段,分别对应TM影像中的第1、2、3、4、5、7波段和OLI影像中的第2、3、4、5、6、7波段。对于TM影像,系数ωi(i=1,2,…,6)取值分别为-0.160 3、-0.281 9、-0.493 4、0.794 0、0.000 2、-0.144 6;对于OLI影像,系数ωi(i=1,2,…,6)取值分别为-0.294 1、-0.243 0、-0.542 4、0.727 6、0.071 3、-0.160 8。

2.1.1.3 热 度

热度指标由经比辐射率校正的地表温度来代表,将遥感影像热红外波段反演为亮温再对其进行比辐射率校正,获得地表温度LST[24-25]:

式中,L为TM/TIRS热红外波段的辐射值;DN为灰度值;gain和bias为波段的增益与偏置值,可从影像的头文件中获得;T为传感器处温度值;K1和K2为定标参数,TM6波段K1=607.76 W/(m2·sr·μm),K2= 1 260.56 K, TIRS10波 段K1= 774.89 W/(m2·sr·μm),K2=1 321.08 K;λ为TM6波段中心波长(11.5μm)和TIRS10波段的中心波长(10.9 μm);ρ=1.438×10-2mK;ε为地表比辐射率,由NDVI阈值法估算[26]。

2.1.1.4 干 度

干度指标NDSI通过裸土指数SI和建筑指数IBI合成得到[27-28],公式为

式中,Blue、Green、Red、NIR、SWIR1为蓝、绿、红、近红外和短波红外1波段,分别对应TM影像中的第1、2、3、4、5波段和OLI影像中的第2、3、4、5、6波段。

2.1.1.5 亮 度

采用缨帽变换中的亮度分量来表征LSESCI中的亮度指标,公式为

式中,Blue、Green、Red、NIR、SWIR1、SWIR2为蓝、绿、红、近红外、短波红外1和短波红外2波段,分别对应TM影像中的第1、2、3、4、5、7波段和OLI影像中的第2、3、4、5、6、7波段。对于TM影像,系数ωi(i=1,2,…,6)取 值 分 别 为 0.204 3、0.415 8、0.552 4、0.574 1、0.312 4、0.230 3;对于OLI影像,系数ωi(i=1,2,…,6)取值分别为0.302 9、0.278 6、0.473 3、0.559 9、0.508 0、0.187 2。

2.1.2 地表生态状况指数构建

如表1所示,RSEI指数涉及绿度、湿度、热度和干度4个生态因子,采用归一化方式对4个因子去量纲,再利用PCA第1主成分耦合;MRSEI在RSEI基础上对耦合方式进行了改进,利用PCA前3个主成分进行生态因子耦合;RSEIs的改进方式主要表现为用标准化处理方式代替归一化方式对各生态因子去量纲;LSESCI指数采用亮度指标代替RSEI指数中干度指标,并且耦合方式与前3个指数不同,通过代数运算来进行生态因子耦合。

表1 不同地表生态状况指数构建Table 1 Construction of different land surface ecological status indices

2.2 地表生态状况指数性能评估方法

皮尔森相关系数是计算变量之间线性相关程度的统计量,也是研究多个生态时间序列之间关系的主要方法之一,并且被广泛应用于生态指数评价[8,15,29]。本研究选用皮尔森相关系数计算不同指数模型与各生态因子之间的相关系数,以表征其综合代表程度和各生态因子的相关性,公式为

式中,Xi和Yi分别表示地表生态状况指数及生态因子各像素值;和分别表示地表生态状况指数及生态因子各像素值均值。

在各指数与地形相关性分析中,以开采区域为中心,创建50、100、150 m缓冲区,分析随着缓冲区范围的变化,其地形和各地表生态状况指数的变化规律;进一步沿开采方向绘制剖面线,分析高程和地表生态状况指数在开采方向上变化规律。为了更好地反映剖面线上的主要变化趋势,对根据像素值生成的曲线进行滑动滤波处理,即在可变窗口下对所选取的数据求其平均值;再利用求得的平均值作为窗口中心,按照点距向前移动,重复对数组中的数据求其平均值。滤波器窗口宽度为50,公式为

式中,xi为第i个像素值;yn为由N个像素值得到的第n个像素值;N为滑动滤波器窗口宽度。

以金宝铁矿区LSESCI指数为例,滑动滤波前后对比如图4所示。

图4 金宝铁矿区LSESCI指数滑动滤波前后对比Fig.4 Comparison of LSESCI index before and after sliding filtering in Jinbao Iron Mining area

2.3 时空变化特征分析

本研究选择Sen+Mann-Kendall方法对反演得到的生态环境时间序列的变化规律进行分析。Sen[30]趋势度是一种稳健的非参数计算变化率方法,通过计算时间序列的中值,能够有效降低噪声的干扰,但是不能判断序列趋势的显著性。因此需引入Mann-Kendall[31-32]方法来实现对长时间序列变化趋势的显著性检验。Sen+Mann-Kendall法可以很好地减少噪声的干扰,对数据分布无要求且对异常值不敏感,是时空分析中变化趋势判断的重要方法。Sen趋势度计算公式为

式中,QLSES为时间序列数据趋势的变化量;mean·()为取中值函数;n为研究时间节点总个数,1＜i＜j＜n;LSESi、LSESj分别为时间序列的地表生态状况指数值。根据研究区分布特征,通常当QLSES＞0.000 5时地表生态状况指数值呈上升趋势;当≤0.000 5时趋势稳定不变;当QLSES＜-0.000 5时地表生态状况指数值呈下降趋势。

Mann-Kendall趋势检验统计量S的计算公式为

当n≥10时,S近似服从标准正态分布,使用检验统计量Z进行趋势检验:

式中,VAR·()表示方差运算。采用显著性水平α=0.05进行显著性检验,即时,矿区生态环境质量呈显著变化趋势;时,矿区生态环境质量发生不显著变化[33]。

3 结果与讨论

3.1 地表生态状况指数适用性分析

3.1.1 地表生态状况指数与各生态因子之间的相关性分析

研究区内,各地表生态状况指数与生态因子之间的相关性分析结果(表2)均通过显著性检验(p＜0.05),平均相关系数均达到0.6以上,能综合代表各生态因子信息。其中,绿度和湿度与RSEI、RSEIs、MRSEI呈正相关关系,与LSESCI指数呈负相关;温度、亮度及干度与各地表生态状况指数的相关性关系则相反。LSESCI指数与绿度平均相关性最高,最大负相关值为0.87,高于其他指数。RSEI及MRSEI指数与温度平均相关性最高,最大负相关值为0.82,高于LSESCI指数。RSEIs指数与干度平均相关性最高达0.94,高于RSEI与MRSEI指数。

表2 地表生态状况指数与生态因子相关性分析Table 2 Correlation analysis of land surface ecological status indices and ecological factors

由于LSESCI与RSEI指数对各生态因子的耦合方式不同,两者与各生态因子相关性数据形态分布差异较大,2020年金宝铁矿区LSESCI指数与温度、亮度相关性分布及RSEI指数与温度、干度相关性分布如图5所示。由图5可知:LSESCI指数与温度和亮度呈正相关且相关性较高,数值集中在0.65～0.90;RSEI指数与温度、干度呈负相关,数据分布均匀且线性规律明显,但是相关性数值高的样本点明显少于LSESCI生态因子。

图5 金宝铁矿区LSESCI、RSEI指数与生态因子相关性Fig.5 Correlation between LSESCI,RSEI indices and ecological factors in Jinbao Iron Mining Area

2020年黑山煤矿区不同地表生态状况指数与温度、干度相关性分布如图6所示。由图6可知:RSEI和MRSEI指数与各生态因子相关性分布差异较大。RSEI指数与各生态因子的相关性较高且数值主要集中在0.60～0.82,表现在图中三点分布均匀且密切,但是MRSEI指数与各生态因子相关性之间差异较大,线性规律不明显,说明对PCA前3个主成分加和的过程降低了与各生态因子之间的相关性。

图6 黑山煤矿区RSEI、MRSEI指数与生态因子相关性Fig.6 Correlation between RSEI,MRSEI indices and ecological factors in Heishan Coal Mining Area

2020年乌拉根锌矿区不同地表生态状况指数与温度、干度相关性分布如图7所示。由图7可知:RSEI和RSEIs指数与各生态因子相关性分布差异较大。RSEI指数与各生态因子的相关性数值主要集中在0.6以上且数据分布密集,但是RSEIs指数与各生态因子相关性较低,数值主要集中在0.5以下,说明对各生态因子采用标准化代替归一化的方式去量纲,存在降低地表生态状况指数与各生态因子之间相关性的情况。

图7 乌拉根锌矿区RSEI、RSEIs指数与生态因子相关性Fig.7 Correlation between RSEI,RSEIs and Ecological Factors in Wulagen Zinc Mining Area

3.1.2 不同土地利用类型下地表生态状况指数分布

土地覆盖类型的改变是驱动地表生态环境质量变化的重要原因之一[34],研究区土地利用类型中的开采区覆盖了采坑、剥离区及未复垦排土场,生态环境质量处于“差”及“较差”等级。裸土指研究区周边原地貌裸露土石、戈壁、荒漠,是干旱半干旱生态系统中的典型生态要素,生态环境质量处于“中等”等级。由于研究区处于生态脆弱区,植被稀少、有裸土、基岩、戈壁等,因此,需探究地表生态状况指数区分不同露天矿开采区和原地貌戈壁、荒漠的能力,这是客观评价该区域露天开采区对生态环境影响的基础。

如图8所示,金宝铁矿区原地貌主要的土地覆盖类型为开采区、裸土、建筑及低覆盖度植被。该矿区LSESCI指数获得生态环境质量分布与土地覆盖类型分布形态最吻合,开采区和裸土的平均LSESCI值之差最大为0.295,其次为MRSEI指数,RSEI和RSEIs得到的开采区和裸土差值小于0.15。因此露天开采周边低覆盖植被及裸土等均被划分为生态环境质量“差”和“较差”等级,面积分别为7.50 km2、7.16 km2,远大于开采区面积3.97 km2,低估了研究区的生态环境质量。

图8 2020年金宝铁矿不同地表生态状况指数空间分布Fig.8 Spatial distribution of different land surface ecological status indices in Jinbao Iron Mine in 2020

黑山煤矿区原地貌主要为戈壁和沙漠,地形相对平坦,土壤类型为荒漠化盐碱土壤,粗粒含量高。植被分布稀疏,覆盖率通常为5%～10%。露天开采对该区域的影响主要为开采区和排土场占地。RSEI和RSEIs得到不同生态环境质量分级的空间分布与土地利用数据基本吻合(图9)。由图9可知:RSEI能够很好地区分原地貌为荒漠化盐碱土壤、植被覆盖度低土壤与露天开采区,开采区和原地貌土地利用的RSEI值相差接近0.2,而LSESCI相差值不到0.1,存在将周边戈壁、荒漠与开采区、排土场一同评估为生态环境质量“差”等级的可能性,无法客观反映露天开采的影响。RSEI指数不仅获得的研究区“较差”和“差”等级面积与开采区、排土场和剥离区面积接近,而且能够反映出排土场区域生态环境质量为“良”等级的土地,即排土场生态恢复及复垦情况。

图9 2020年黑山煤矿不同地表生态状况指数空间分布Fig.9 Spatial distribution of different land surface ecological status indices in Heishan Coal Mine in 2020

乌拉根锌矿位于荒漠绿洲区,矿区生态问题以荒漠化和盐渍化胁迫为主,土壤为棕漠土,开采对环境的影响除了土地挖损,还包括废石堆、尾矿,以及土壤盐渍化,如图10所示。RSEI指数能够通过生态环境质量“差”等级反映露天开采对土地的破坏、占用,通过生态环境质量“较差”等级反映开采区土壤盐渍化问题,LSESCI及RSEIs指数存在低估整体生态环境质量的情况(图10(d)、图10(f))。如图10(c)所示,RSEI指数区分周边原地貌荒漠化土壤与露天开采区的能力最强,开采区和原地貌土地利用RSEI差值为0.167,远高于其他指数。

图10 2020年乌拉根锌矿不同地表生态状况指数空间分布Fig.10 Spatial distribution of different land surface ecological status indices in Wulagen Zinc Mine in 2020

综上,LSESCI指数区分金宝铁矿开采区和裸土的能力最强,RSEI指数区分黑山煤矿区及乌拉根锌矿开采区和裸土的能力最强,能够客观反映露天开采对区域环境的影响程度。构建LSESCI与RSEI指数的生态因子中最显著差异是LSESCI中含有基于缨帽变换获得的亮度、绿度和湿度组合信息,而RSEI中不含有亮度指标。因此,开采区和裸土的反射率差异是造成两者生态环境质量反演结果不同的重要原因。比较不同露天矿开采区与裸土亮度均值差异大小发现,金宝铁矿开采区与裸土亮度均值之差为0.174,大于黑山煤矿区和乌拉根锌矿区(图11)。可见,对于开采区和周围自然地物亮度差异小的矿区,RSEI指数比LSESCI指数能更好地反演露天开采对环境的影响。

3.1.3 不同地形条件下地表生态状况指数分布时空特征

通过将研究区内不同地表生态状况指数与高程进行叠加,并以开采区域为中心,创建50、100、150 m缓冲区,分析缓冲区内不同地形条件下地表生态状况指数分布特点,通过对沿开采方向地表生态状况指数的变化程度进行滑动滤波,来揭示地表生态状况指数对露天开采影响程度的表征能力。

金宝铁矿区随着缓冲区范围变大,海拔升高,不同地表生态状况指数对生态环境质量的反演结果均表现为,距离开采区远区域的生态环境质量优于距离开采区近区域(图12)。其中,距离开采区50 m区域LSESCI值为0.549,高于距离开采区150 m区域的LSESCI值(0.506),较其他地表生态状况指数差异最为明显。沿矿区开采方向,LSESCI指数像素波动最为剧烈,且与RSEI指数像素波动规律一致。

图12 金宝铁矿地表生态状况指数与地形因子叠加分析Fig.12 Superposition analysis of land surface ecological status indices and topographic factors in Jinbao Iron Mine

黑山煤矿区地形主要呈现西高东低,缓冲区范围增加,海拔升高。距离开采区50 m区域的RSEI值为0.558,随着缓冲区范围增加,距离开采区150 m区域的RSEI值为0.604,可以通过RSEI来明确露天开采的影响范围。RSEIs和MRSEI指数随着缓冲区范围的扩大差异很小,如图13所示。通过沿矿区开采方向地表生态状况指数像素值的分析,MRSEI指数明显低于其他指数,低估了生态环境质量。

图13 黑山煤矿地表生态状况指数与地形因子叠加分析Fig.13 Superposition analysis of land surface ecological status indices and topographic factors in Heishan Coal Mine

乌拉根锌矿区随着缓冲区范围增加,海拔降低。距离开采区50 m区域RSEI值为0.608,随着缓冲区范围增加,距离开采区150 m区域RSEI值为0.639,较其他地表生态状况指数差异最明显(图14)。RSEIs过低估计乌拉根锌矿区生态环境质量,RSEI、MRSEI、LSESCI指数对生态环境质量反演结果均表现为,距离开采区远区域生态环境质量优于距离开采区近区域。其中,RSEI指数沿矿区开采方向地表生态状况指数像素值波动最剧烈,能更好地监测开采区周围土地受采矿活动扰动导致的生态环境质量变化。

图14 乌拉根锌矿地表生态状况指数与地形因子叠加分析Fig.14 Superposition analysis of land surface ecological status indices and topographic factors in Wulagen Zinc Mine

3.2 生态环境质量时空变化特征动态监测

根据上述分析,本研究选择LSESCI指数分析金宝铁矿区生态环境质量,选择RSEI指数分析黑山煤矿区及乌拉根锌矿区生态环境质量,相关结果如图15所示。

由图15分析可知:

(1)2005—2020年,金宝铁矿区生态环境质量处于“差”和“较差”等级面积从2.50 km2增加至5.15 km2,处于“中等”等级面积占比由66.57%降至49.12%,呈明显下降趋势。如图15(b1)所示,大部分区域生态环境质量为稳定不变,生态质量显著下降区域主要为采坑和排土场,生态环境显著上升区域包括矿区内部的排土场复垦、原地貌草场休牧以及围栏,其中2020年该矿通过植被恢复等方式对排土场边坡治理的面积共计0.25 km2。

图15 各矿山生态环境质量时空特征动态监测Fig.15 Dynamic monitoring of spatio-temporal characteristics of ecological environment quality in different mines

(2)2005—2020年,黑山煤矿区生态环境质量处于“差”和“较差”等级面积从32.86 km2增加至50.03 km2,主要分布于开采区及排土场,生态环境质量等级处于“良”和“中等”面积变化较小,区内复垦工程以防止水土流失、边坡稳定为主,无植被恢复工程,外排土场复垦面积约为1.20 km2。

(3)2005—2020年,乌拉根锌矿区生态环境质量处于“差”和“较差”等级面积变化不大,主要由于开采方式为露天—地下联合开采,此外有部分废石场和尾矿库。如图15(b3)所示,复垦工程主要集中在内排土场和外排土场,表现为生态环境显著上升,面积约0.83 km2。

4 结论与讨论

本研究基于湿度、热度、干度、绿度、亮度生态因子耦合构建了LSESCI、RSEI、MRSEI以及RSEIs指数,结合土地利用数据、DEM数据,通过相关性分析、缓冲区分析、滑动滤波等方法分析了指数间性能差异,并利用Sen+Mann-Kendall时间序列分析法揭示了露天矿生态环境变化趋势。所得结论如下:

(1)各地表生态状况指数在干旱半干旱区露天矿与各生态因子之间的平均相关系数达0.6以上,RSEI指数对各生态因子拟合程度最好。金宝铁矿区LSESCI指数与各生态因子相关系数集中在0.65～0.90,但数据分布形态不均匀。黑山煤矿区MRSEI指数与各生态因子之间相关性差异较大,数据分散,线性规律不明显。乌拉根锌矿区RSEIs指数与各生态因子相关性较低,数值主要集中在0.5以下。

(2)通过不同指数反演获得的生态环境质量结果与土地利用数据进行叠加分析发现,金宝铁矿开采区和裸土的平均LSESCI值之差最大为0.295,LSESCI指数对于亮度均值差异大的土地覆盖类型的生态环境质量反演结果更准确。与地形数据叠加分析表明,各地表生态状况指数表征不同露天矿开采影响范围的能力不同,LSESCI指数在金宝铁矿区表现最好,RSEI指数在黑山煤矿区和乌拉根锌矿区表现最好。

(3)2005—2020年,金宝铁矿区由于露天开采导致的生态环境质量下降区域面积为2.65 km2,通过排土场复垦,生态环境质量上升区域面积达到0.55 km2,占下降面积的20.75%。黑山煤矿区由于露天开采导致的生态环境质量下降区域面积为17.17 km2,主要为开采区和排土场,外排土场复垦面积约为1.20 km2,占下降面积的6.99%。乌拉根锌矿区生态环境质量下降区域面积为2.40 km2,复垦面积约0.83 km2,复垦区域生态环境质量显著提高,占下降面积的34.58%。

本研究的主要工作是通过综合考虑矿区的类型、背景环境、地形地貌等条件,对典型地表生态状况指数在干旱半干旱露天矿区生态环境监测适用性方面取得了新的认识。但是,定量遥感监测的准确性受到数据分辨率、辐射传输过程、模型精度等多个因素的影响,未来还需要开展更多的实地验证工作,包括光谱测量、地面调查等,使其生态因子更具有代表性,并在耦合方法选择上充分考虑生态因子的统计学意义及地学意义,提高矿区生态环境反演和监测的精度及准确度。