融合遥感技术在四棵树火区煤火识别中的应用

刘小姣,曾 强

(1.新疆大学 生态与环境学院,新疆 乌鲁木齐 830017; 2.新疆大学 干旱生态环境研究所,新疆 乌鲁木齐 830017;3.绿洲生态教育部重点实验室,新疆 乌鲁木齐 830017;

煤火灾害是指在自然环境或人为因素下,煤炭氧化聚热引发燃烧并不断发展形成的大面积煤田火灾[1]。新疆地区煤炭储量丰富,开采规模大,加之该地区气候干燥少雨,煤的自然发火期较短,导致煤自燃问题尤为严重。地下煤炭的大规模燃烧不仅浪费了大量的能源,还破坏生态环境。因此,对煤自燃状况的精准监测,对于煤火治理具有重要意义。

近30年来,国内外学者针对煤火监测、探测的研究取得了丰富的成果。煤火探测主要根据其燃烧所导致的周围环境及其氛围变化(包括电场、热场及磁场等)来进行监测,形成了化探、物探、热探、钻探和遥感探测五大类方法[2-6]。其中:物探、化探、钻探由于技术限制及成本较高,对于大面积火区的监测识别存在一定的弊端;遥感探测手段具有探测范围大,获取周期短和时效性高的特点,成为了煤火探测的有效手段。赵龙辉等[7]对Landsat影像进行处理后获得矿区植被分布变化;邱程锦等[8]对4景Landsat TM数据采用大气校正法进行处理,提取了乌达矿区的温度异常区域,且对比实际火区分布基本一致;李峰等[9]对ASTER热红外波段进行TES算法反演并提取煤火燃烧范围来评估火区治理效果;PANDEY等[10]采用Landsat TM、ETM+和Landsat 8影像TIR波段进行处理,根据热异常的范围区分了地表和地下煤火区域,相对于背景温度,温度变化较小的像素被指定为地下煤火,而温差较大的像素被认为是地表煤火。由于地表沙砾吸热及热岛效应所导致无关高温异常区域的圈定,使其出现煤火区域误判,因此仅通过热效应对煤火进行监测探测存在一定的缺陷。在此基础之上,有学者针对煤火长时间燃烧会造成地表坍塌变形的特点,通过地表形变对其进行监测。唐日斐等[11]使用“二轨法”D-InSAR技术对ALOS PALSAR数据进行处理提取研究区的地表沉降分布数据,对矿区存在的开采沉陷问题进行了分析;王洪明等[12]通过时间序列InSAR技术对内蒙古霍林河露天矿区进行监测分析,证明了时序InSAR方法的实用性;刘晓帅等[13]利用D-InSAR和SBAS-InSAR技术对研究区的28景Sentinel-1A 影像进行处理,得到地面沉降信息,分别从定量和定性2个角度对数据进行对比分析,验证了SBAS-InSAR技术在微小形变监测中精度更高;马顶等[14]基于SBAS-InSAR技术对矿区进行动态监测,结果表明其在一定程度上满足实际的监测和管理需求;SYED T H等[15]采用N-SBAS技术对研究区2017—2020年的地表形变进行了监测,表明该方法可以最大限度地减少大气效应对监测结果的影响,同时阐述了煤矿开采及自然地质灾害也会导致地表产生形变,影响该方法对煤火识别的精准性;杨洁等[16-18]利用遥感数据对水西沟煤火燃烧进行了时空监测,同时利用D-InSAR技术验证了其监测煤火燃烧区域沉降的可行性,并基于地表温度、植被覆盖度与地表沉降,提出了空气渗入通道与烟气逸出通道的确定方法。

综上所述,采用单一方法监测识别煤火时存在缺陷,易受其他因素的影响。因此,融合植被覆盖度、区域热异常结果,以及地表形变等多类特征信息,对新疆准南煤田四棵树火区进行煤火监测识别研究,以克服单一方法存在的不足,提高地下煤火识别的准确性。

1 研究区概况及数据源

1.1 研究区概况

准南煤田四棵树火区位于新疆天山北麓低中山区,地势西南高、东北低,海拔1 050～1 600 m,地形切割剧烈,沟谷纵横,平均年降雨量245.6 mm,平均年蒸发量1 857.7 mm。区内出露地层有石炭系、三叠系、侏罗系和第四系,其中侏罗系为该区唯一含煤地层。燃烧火区位于硫磺沟西侧,呈东西条带状展布于煤层露头区,位于山的南半坡,地面有明火,地表有结晶硫磺、芒硝,火区的发展趋势由东向西,沟东部煤层露头已燃烧殆尽,温度正常,沟底与沟西煤层露头高差最大达120 m。明火区着火煤层为A5号煤,煤层厚度为7 m,顶板为砾岩,底板为含砾粗砂岩。古火区燃烧煤层有A3、A4、A5号煤,煤层总厚7 m,倾角60°,燃烧深度为80 m。火区每年燃烧损失的煤炭资源量为7.63万t。研究区地理位置如图1所示。

图1 研究区地理位置图

1.2 数据来源

研究区影像数据选取Landsat系列卫星在2006—2020年内(无2012年数据)14景遥感数据,用于植被覆盖度及地表温度反演。为减少太阳辐射对地表温度反演结果的影响,选取过境时间均处于凌晨的影像数据。由于数据获取的局限性,2006—2011年选取Landsat 5卫星数据,2013—2020年选取Landsat 8卫星数据,云覆盖量为0～5%,轨道号为145/29。2012年间Landsat 7影像存在条带问题,且其他系列不含该时期影像,故不对该年度数据进行研究。

地表形变监测数据采用Sentinel-1A中工作模式为IW、极化方式为VV的单视复数图像(Single Look Complex,SLC)数据。对2014—2019年共29景雷达影像进行时序差分处理,数据处理中所使用DEM数据为ASTER GDEM 30M 分辨率数字高程数据。雷达数据成像日期见表1。

表1 SAR数据成像时间

2 研究方法

2.1 植被反演

植被反演是以植被在不同波段具有不同的吸收和反射光谱特征为基础,采用相关算法演算得到植被覆盖度。通过像元二分模型计算研究区的植被覆盖度,反映该地区的植被覆盖情况。

归一化植被指数通过遥感数据波动中的近红外波段与红外波段进行计算,其计算公式如下:

(1)

式中:INDV为归一化植被指数;RNI为近红外波段光谱值;R为可见光红光波段光谱值。

基于归一化植被指数,使用像元二分模型对植被覆盖度进行计算:

(2)

式中:Pv为植被覆盖度;INDV,min为纯土壤植被指数;INDV,max为纯植被指数;INDV,min、INDV,max分别选取置信区间内5%和95%处的数值。

获取Pv值后,结合该地区实地植被覆盖度的情况,使用ArcGIS软件对各时期植被覆盖度进行栅格重分类,统计各个区间内像元个数及面积。

2.2 温度反演

针对Landsat 5与Landsat 8传感器吸收波段调整所带来的差异性,为提高反演结果的准确性,选择不同算法对二者地表温度进行反演。采用经典单窗算法[19]对Landsat 5影像进行处理。对于Landsat 8数据,研究表明在山区且地势起伏较大的地区,劈窗算法可以较好地减弱或消除大气含水量对温度反演的影响[20],其原理为利用传感器内2个相邻的热红外通道(11 μm附近和12 μm附近)对大气吸收作用的不同,结合二者观测值的各种组合,剔除大气对温度反演结果的影响。基于辐射方程的劈窗算法公式如下:

Ts=A0+A1T10-A2T11

(3)

式中:Ts为地表反演温度,K;T10、T11为Landsat 8传感器中第10和11波段的亮度温度,K;A0、A1、A2分别为系数。

2.3 地表沉降

短基线集时序分析技术是以多主影像的干涉对为基础,基于高相干点恢复研究区域的时间序列形变信息。基本原理为假设雷达卫星在不同时刻获取某一地区的N+1幅SAR影像,在给定的时间和空间阈值内,生成M幅差分干涉图,影像获取时间为(t0,t1,…,tN),选取其中时间为ta、tb(ta>tb)时刻获取的影像生成去除地形相位的第K幅干涉图。在此将全部获取的差分干涉图的线性方程表示为M个含有N个未知数的方程,其矩阵表现形式如下:

Aφ=δφ

(4)

式中:A为M×N的系数矩阵;φ为各点未知形变相位构成的参数矩阵;δ为M个相对具体的相位值构成的矩阵。

将式(4)改写即可获取形变速率值:

Bv=δφ

(5)

(6)

式中:B为M×N的系数矩阵;v为平均速率矩阵,mm/a;vn为第n个干涉图对应的形变速率;tn为第n个干涉图获取所对应的时间。

在此基础之上,利用最小二乘法及奇异值分解法计算得到地表平均形变速率的相位值,与时间间隔相乘后累加计算即可得到地表累计线性形变量。

3 火区数据处理结果分析

3.1 植被覆盖度分析

在四棵树火区实地考察后,结合该区域的植被生长情况,将反演所得的植被覆盖度进行登记划分,其中:Pv值在[0,0.3]内为低植被覆盖度区域;Pv值在(0.3,0.5]内为较低植被覆盖度区域;Pv值在(0.5,0.7]内为较高植被覆盖度区域;Pv值在(0.7,1]内为高植被覆盖度区域。经过ArcGIS处理后,植被的反演结果如图2所示。

图2 植被反演结果示意图

由图2分析可知,低植被覆盖度区域主要分布于研究区的西北及正北方向,高植被覆盖度区域分布于西部的山坳及其两侧。在时间区间内较高及高植被覆盖度区域面积明显增加。对各个植被等级像元个数统计可知:2006—2020年,低植被覆盖度区域占比由38.6%降低至13.9%,面积减少了1.246 0 km2;较低植被覆盖度区域占比由29.2%降低至22.9%,面积减少了0.318 0 km2;较高植被覆盖度区域由16.6%增长至34.2%,面积增加0.887 0 km2;高植被覆盖度区域占比由15.6%增长至29.0%,面积增加了0.676 0 km2。

3.2 温度异常分析

地下煤火燃烧出现高温,产生的热量以热辐射的形式传导至地表,使存在煤火燃烧的区域地表温度高于周围环境的温度。对研究区2006—2020年内的遥感影像进行地表温度反演,结果如图3所示。

图3 温度反演结果示意图

由图3可见,研究区中高温区域呈东北—西南直线分布,低温区主要出现在西面山坳及山坳西侧。时间区间内反演温度最高为51.85 ℃,最低为-0.23 ℃。

结合区域降雨量对反演结果进行准确性分析。通过网格地理坐标选取研究区某点,由于研究区范围较小,其某点处月降雨量可以代表研究区内月降雨量。2006—2019年9月份降雨量(2020年未找到该数据)分别为7.81、3.84、25.94、15.61、11.34、10.37、13.55、10.51、12.67、14.06、0、8.80、4.24 mm。2008年降雨量最多为25.94 mm,2017年降雨量最少为0。2008年出现反演最高温度为25.40 ℃,2017年出现反演最高温度为51.85 ℃。本次研究影像获取时间内降雨量总体波动程度较小,反演温度数据较为准确。

高温异常值是在反演温度数据基础上得到的。采用人工阈值法作为提取高温阈值的方法[21],即采取地表温度平均值与2倍标准偏差之和作为煤火区与背景区的最佳阈值分割点。计算得到的2006—2011、2013—2020年温度阈值分别为28.15、25.24、18.23、21.74、33.53、33.61、38.06、44.40、34.17、32.31、47.74、43.90、34.71、29.79 ℃。

根据异常高温阈值计算结果,在ArcGIS中,对各时相反演温度进行重分类处理,提取高于温度阈值区域,并结合低植被覆盖度区域变化进行分析。高温异常区提取结果如图4所示,低植被覆盖度区域面积及高温异常区面积变化曲线如图5所示。

图4 高温异常区提取结果示意图

图5 低植被覆盖度区面积与高温异常区面积关系图

由图4可见,高温异常区域呈现不规则分布,东部的温度异常区数量较多。由图5分析可得,2006—2020年,低植被覆盖度区面积由1.947 0 km2减少至0.701 0 km2,高温异常区面积由0.061 2 km2减少至0.001 8 km2,二者总体的变化趋势趋于一致,均呈现波动减小的趋势。

3.3 煤火烟气通道分析

在植被覆盖度与地表温度反演结果的基础上,将低植被覆盖度区域与高温区域叠加区域作为煤火燃烧的烟气逸散通道,将高植被覆盖度区域与低温区域叠加区域作为新鲜空气渗入通道,叠加结果如图6所示。

图6 裂隙叠加结果示意图

由图6可以看出,2014—2019年,低植被覆盖度区域+高温异常区域叠加点,以及高植被覆盖度区域+低温区域叠加所展现出的裂隙点位置随着时间推移均处于波动变化中。高温异常区域+低植被覆盖度区域叠加区域主要分布在研究区中部及东部,叠加点位置数量在2015年最少,仅存在2个点位;2019年其数量最大,存在73个点位。低温区域+高植被覆盖度区域叠加区域主要分布在西部,在北部存在较少点位,其数量在2015年为最小值,存在165个点位,在2019年为270个点位,为其最大值。2014—2019年,低温区域+高植被覆盖度区域叠加区域位置变化较小,说明其空气渗入通道较为稳定;高温异常区域+低植被覆盖度区域叠加区域出现了由点转面的变化现象,说明烟气逸散通道存在扩大的趋势,煤火燃烧情况加剧。

在植被覆盖度与地表温度结合分析的基础之上,将SBAS-InSAR地面沉降监测数据进行融合分析,在可疑裂隙点位上进行沉降信息的提取,进一步提高裂隙确定的准确性。研究区在2014—2019年内的地表平均形变速率如图7所示。

图7 地表平均形变速率图

结合地表平均形变速率沉降信息图,剔除叠加点位中无效点位置,点位数量见表2。在实地考察基础上,选取出2类典型通道区域进行沉降信息处理分析,见图6。

表2 裂隙点数量

由表2可知,高温区域+低植被覆盖度区域叠加区域所得到的裂隙数量在2014—2017年呈现出上升的趋势,在2017—2019年先降低后增高,总体数量增加了8倍左右;低温区域+高植被覆盖度区域叠加区域所得裂隙数量变化趋势与之相似,总体数量表现为增加。在2类典型通道范围内选取有效点位,获取其沉降信息见表3,折线图如图8所示。

表3 典型通道代表点位沉降信息

图8 典型通道代表点位沉降折线图

由表3和图8可知,2类典型通道在时间尺度内其沉降量变化趋势基本趋于一致。2014年12月及2017年7月出现2次较大的突变。2014年前后低植被覆盖度区域面积占比由6.28%上升至12.80%后降低,高植被覆盖度区域面积占比由22.23%降低至18.52%后增高,高温区面积占比由20.47%增加至45.14%,并且2014年地表最高温度达到43.88 ℃,高于2006—2013年的最高温度;在2017年达到最高温度49.59 ℃,低植被覆盖度区域呈现增加的趋势,高温区域表现为先增大再减小的趋势,均与理论较为一致。

结合以上数据分析,研究区内烟气逸散通道及空气渗入通道数量均处于增加的趋势,且随着煤火不断燃烧,裂隙通道下沉量也在逐渐增大,裂隙不断扩大。

4 结论

1)准南煤田四棵树火区在2006—2020年各等级植被覆盖度区域分布位置变化较小。低植被及较低植被覆盖度区域分布位置基本处于西北及北方向,随着时间推移二者面积呈现减小的趋势,低植被覆盖度区域面积占比减少了24.7%,较低植被覆盖度区域面积占比减少了6.3%;高植被覆盖度区域分布于西部的山坳与其两侧,面积占比增加了13.4%。

2)四棵树火区地表高温区域分布位置呈东北—西南直线分布,低温区域主要分布在西向山坳及山坳西侧。研究区温度表现为波动变化,总体呈现先上升后下降的趋势,峰值出现在2017年,温度为49.59 ℃,最小值出现在2007年,为-0.23 ℃。结合低植被覆盖度区域面积与高温异常区面积,二者变化趋势基本趋于一致,总体表现为减小的趋势。

3)通过融合植被覆盖度、地表反演温度,以及SBAS-InSAR技术确定了研究区烟气逸散通道及空气渗入通道位置及数量,分析结果表明该区域裂隙数量呈现出增加的趋势,地下煤火燃烧加剧。