耦合多因子的地表生態狀況指數在干旱半干旱區露天礦的應用效果評價

包妮沙 李秋玥 楊天鴻 劉善軍 齊 跡

(1.東北大學資源與土木工程學院,遼寧 沈陽 110819;2.遼寧工程技術大學測繪與地理科學學院,遼寧 阜新 123000)

新疆地區礦產資源豐富,有色金屬礦和煤炭資源儲量均位于我國前列。人類經濟活動與資源環境保護矛盾已成為制約干旱半干旱區域可持續發展的關鍵問題[1],新疆作為典型的干旱半干旱地區生態環境脆弱,礦產資源開發對區域生態環境有很大沖擊,露天開采尤為嚴重。據2020年新疆地質環境監測院調查統計:新疆地區因采礦破壞土地面積達9.07×104km2;水土流失面積達103×104km2,占全國28.1%;近2/3的土地遭受荒漠化危害。露天開采全生命周期下生態環境的動態監測是指導綠色礦山建設和生態恢復的重要基礎。

傳統的礦區生態環境調查多以地面調查、采樣、化學測試方法獲取生態指標,實現礦區生態環境監測,難以滿足多尺度、快速動態監測需求。遙感技術憑借周期短、實時性、動態性和信息豐富等特點,通過地面目標反射、輻射特性表征地表生態環境,不僅能全面真實地記錄地表覆蓋信息,揭示礦區邊開采、邊復墾過程中生態環境的陸面演變規律,而且對露天開采過程中引起的突發環境問題能夠快速響應和及時預警,以揭示受采礦等人類活動影響的生態環境變化。多波段遙感數據衍生的地表生態狀況指數,如地表溫度(LST)、歸一化植被指數(NDVI)等已被廣泛應用于礦區生態環境監測中[2-4],反映露天開采引起的地表溫度、植被覆蓋的變化,為分析礦區地表生態擾動提供了更多可用信息。

單一生態因子遙感反演指標只能表征生態系統一個方面的變化,難以應用于復雜的生態系統和揭示礦山環境的改變[5]。因此,可以識別更多特征的多生態因子耦合得到的遙感模型或指數成為研究的熱點[6-7]。徐涵秋[8]于2013年提出了遙感生態指數(RSEI),通過主成分分析(PCA)耦合了綠度、濕度、干度和熱度4個生態因子,是近年來應用最廣泛的遙感模型之一,能夠應用于礦區的生態累積效應和生態環境質量監測。隨著應用場景和目的不同,許多學者嘗試對其方法進行了改進,劉英等[9]認為RSEI中PCA耦合方式忽略4個生態因子間的弱線性或非線性的影響,因此采用非線性的核主成分分析(KPCA)進行改進,構建了非線性的遙感生態指數(NRSEI)。宋美杰等[10]認為RSEI中僅用到PCA第一主成分,存在信息利用不充分的問題,因此采用前3個主成分分量來集成MRSEI。李晶等[11]認為RSEI對黃河流域水土侵蝕易發區的適用性尚不明確,除了以上4個生態因子外,加入土壤侵蝕度因子,耦合5個生態因子對山西省礦區進行了生態環境監測。ZHENG等[12]認為RSEI在監測長時序生態環境質量變化方面不穩定,因此在PCA之前,采用標準化處理方法代替歸一化將4個生態因子的值轉換至一個公共域,構建了標準化遙感生態指數(RSEIs)。以上改進均是對4個生態因子去量綱或者耦合方式進行調整,但是2022年RSEI指數的提出者徐涵秋教授在《武漢大學學報》《遙感技術與應用》等刊物上撰文[13-14]針對以上改進提出了質疑,指出這些改進指數普遍存在算法論證不充分、精度驗證不合理等不足,如MRSEI指數僅增加信息量而忽略了PCA各分量的生態意義,會造成結果失真;RSEIs指數中標準化方法難以避免異常值的影響。

由于RSEI是基于綠度、濕度、干度和熱度4個生態因子耦合的模型,KARIMI等[15]指出干度指標的計算是通過裸土指數和建筑指數實現,采礦活動的增加會改變自然表面反射率、電導率、土壤pH值等土壤物理化學特性,導致自然表面向不透水面轉化,因此裸土和受采礦活動影響土地最重要的區別是表面不透水率百分比,干度指標難以有效區分采礦活動引起的地表變化。對此,KARIM等[15]選擇了亮度指標代替干度指標,通過代數運算方式耦合4個生態因子,提出了一種新的指數,即LSESCI,并選擇了14個不同類型的研究區,對比LSESCI與RSEI指數的應用效果,發現相對于RSEI指數,LSESCI指數在礦區生態環境質量監測方面的性能較優。

由于生態環境背景及礦種類型存在差異,導致采礦活動誘發的生態環境問題具有明顯的區域異質性?；谝陨仙鷳B因子構建的指數模型均在單一礦區進行對比,在不同景觀條件和露天開采模式下表征礦區生態環境的差異性及穩定性尚不明確。遙感模型的穩定性與普適性,是利用多源遙感數據實現礦區多要素參數同步反演與構建監測技術體系的基礎,同時也是科學認識和評價礦區生態環境狀況的關鍵[16]。新疆全區面積166 萬km2[17],涉及數十個生態功能區。針對礦區所在區域的生態環境特點,綜合考慮背景環境中土壤、植被以及巖礦類型,選擇區域尺度科學、有效、合理的地表生態狀況指數,揭示露天開采過程中對區域生態環境的擾動性,使其評價結果具有穩定性和可比性,是新疆地區綠色礦山建設及評價的關鍵基礎。本研究選擇了位于高寒高海拔山前沖洪積扇區的金寶鐵礦區、荒漠戈壁區的黑山煤礦區以及荒漠綠洲區的烏拉根鋅礦區,利用2005—2020年長時序Landsat衛星影像為數據源,提取濕度、熱度、干度、綠度、亮度5個生態因子,構建LSESCI、RSEI、MRSEI及RSEIs 4個指數模型,從指數模型與各生態因子相關性、土地利用及地形因素影響3個方面,闡明各指數在表征干旱半干旱區露天礦地表生態狀況性能差異性和穩定性,評價其在不同礦區的應用效果和適用性,并選擇適宜的指數揭示露天開采過程中地表生態環境質量的時空變化特征。

1 研究區與數據

1.1 研究區概況

本研究選擇了新疆位于山前沖洪積扇區、荒漠戈壁區、荒漠綠洲區的3座典型露天礦進行分析(圖1)。

圖1 研究區分布示意Fig.1 Distribution of the study area

金寶鐵礦區礦山產能約400 萬t/a,屬于大型露天金屬礦山。礦區位于阿勒泰低中山區山坡地貌,以山地為主且其中鑲嵌著山間盆地、谷地,地勢復雜,屬于寒旱牧區。年平均氣溫1.9 ℃,年平均降水量271.31 mm,年平均蒸發量1 477.2 mm,海拔946～1 570 m,屬大陸性中溫帶干旱氣候。

黑山煤礦區屬于準東煤田,探明儲量469 億t,設計生產能力為1 000 萬t/a,屬特大型露天煤礦。礦區位于沖積戈壁平原荒漠地帶,以戈壁為主,兼有沙地、裸巖石質地等荒漠用地類型,也有少量荒漠草地、灌叢等荒漠植被,地形整體平坦開闊。區內年平均氣溫為1.2～2.3 ℃,年均降水量約215.3 mm,年均蒸發量1 099.2 mm,海拔2 322～2 845 m,屬于典型的荒漠礦區。

目前,烏拉根鋅礦區已探明鉛鋅金屬儲量超過500 萬t,預測的鉛鋅金屬資源量在1 000萬t以上,開采方式為露天—地下聯合開采。礦區位于荒漠綠洲區,土壤類型為棕漠土,鹽漬化敏感,植被以天然牧草地為主。研究區平均氣溫7.4 ℃,年平均降水量181.6 mm,年平均蒸發量為2 600.5 mm,為降水量的14.3倍,海拔1 932～2 493 m。

1.2 數據源

本研究遙感數據源為GEE平臺2005年至2020年6—10月Landsat TM和OLI地表反射率數據集,共計145景影像,其中金寶鐵礦區55景,黑山煤礦區55景,烏拉根鋅礦區35景(圖2)?；贕EE平臺,利用CFMask算法對影像進行去云處理。對同一年中涉及的所有月份數據提取生態因子,最終通過取均值的方式,表征這一年的生態環境質量狀況,從而減少因為季節性差異而降低生態環境質量時空變化特征監測的準確性。

圖2 研究區影像數量統計Fig.2 Statistics of the number of images in the study area

土地利用數據參考2020年ESRI全球10 m分辨率的土地覆蓋數據,由ArcGIS Living Atlas 中的Web服務訪問下載,總體分類精度可達85%。按照該數據的分類體系和定義,研究區涉及的土地利用類型有建筑、裸地、牧場及林地。裸地指礦場、沙漠和沙丘等,牧場指低植被覆蓋度、可暴露出土壤和巖石的開闊區域,林地指較高大的植被,建筑指人造建筑物[18]。結合礦區典型地物和土地利用特點[16],將裸地重新劃分為開采區,牧場劃分為裸土,林地劃分為植被。數字高程數據來源于地理空間數據云 (http:∥www.gscloud.cn/) ASTER DEM數據,空間分辨率為30 m。

2 研究方法

本研究首先提取濕度、熱度、干度、綠度、亮度生態因子,進而耦合構建LSESCI、RSEI、MRSEI以及RSEIs指數;其次結合土地利用數據、DEM數據,針對礦區所在區域生態環境特點,通過相關性、緩沖區及滑動濾波等綜合分析指數間的性能差異;最后選擇最優指數利用Sen+Mann-Kendall時間序列分析法揭示露天礦生態環境變化趨勢和演變規律,如圖3所示。

圖3 研究流程Fig.3 Study process

2.1 地表生態狀況指數構建方法

2.1.1 生態因子提取

2.1.1.1 濕 度

纓帽變換[19]是KAUTH與THOMAS于1976年根據多光譜遙感中植物、水體等地物的分布特點提出的一種經驗線性變換。衛星遙感影像經過纓帽變換之后生成的前3個分量與地面景物密切相關,第1分量為反映地物總體反射率強弱的亮度指數;第2分量為反映地表植被覆蓋率等信息的綠度指數;第3分量為反映土壤等水分狀態的濕度指數。本研究中濕度采用纓帽變換中的濕度分量來代表,其表達式為[20-21]

式中,Blue、Green、Red、NIR、SWIR1、SWIR2為藍、綠、紅、近紅外、短波紅外1和短波紅外2波段,分別對應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。對 于TM影 像[22],系 數ωi(i=1,2,…,6)取值分別為0.031 5、0.202 1、0.310 2、0.159 4、-0.680 6、-0.610 9;對 于OLI影 像[23],ωi(i=1,2,…,6)取值分別為0.151 1、0.197 3、0.328 3、0.340 7、-0.711 7、-0.455 9。

2.1.1.2 綠 度

以應用最廣泛的歸一化植被指數NDVI表征RSEI中的綠度指標,公式為

式中,Red、NIR為紅和近紅外波段,分別對應TM影像中的第3、4波段和OLI影像中的第4、5波段。

采用纓帽變換中的綠度分量來表征LSESCI中的綠度指標,公式為

式中,Blue、Green、Red、NIR、SWIR1、SWIR2為藍、綠、紅、近紅外、短波紅外1和短波紅外2波段,分別對應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。對于TM影像,系數ωi(i=1,2,…,6)取值分別為-0.160 3、-0.281 9、-0.493 4、0.794 0、0.000 2、-0.144 6;對于OLI影像,系數ωi(i=1,2,…,6)取值分別為-0.294 1、-0.243 0、-0.542 4、0.727 6、0.071 3、-0.160 8。

2.1.1.3 熱 度

熱度指標由經比輻射率校正的地表溫度來代表,將遙感影像熱紅外波段反演為亮溫再對其進行比輻射率校正,獲得地表溫度LST[24-25]:

式中,L為TM/TIRS熱紅外波段的輻射值;DN為灰度值;gain和bias為波段的增益與偏置值,可從影像的頭文件中獲得;T為傳感器處溫度值;K1和K2為定標參數,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為TM6波段中心波長(11.5μm)和TIRS10波段的中心波長(10.9 μm);ρ=1.438×10-2mK;ε為地表比輻射率,由NDVI閾值法估算[26]。

2.1.1.4 干 度

干度指標NDSI通過裸土指數SI和建筑指數IBI合成得到[27-28],公式為

式中,Blue、Green、Red、NIR、SWIR1為藍、綠、紅、近紅外和短波紅外1波段,分別對應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

采用纓帽變換中的亮度分量來表征LSESCI中的亮度指標,公式為

式中,Blue、Green、Red、NIR、SWIR1、SWIR2為藍、綠、紅、近紅外、短波紅外1和短波紅外2波段,分別對應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。對于TM影像,系數ωi(i=1,2,…,6)取 值 分 別 為 0.204 3、0.415 8、0.552 4、0.574 1、0.312 4、0.230 3;對于OLI影像,系數ωi(i=1,2,…,6)取值分別為0.302 9、0.278 6、0.473 3、0.559 9、0.508 0、0.187 2。

2.1.2 地表生態狀況指數構建

如表1所示,RSEI指數涉及綠度、濕度、熱度和干度4個生態因子,采用歸一化方式對4個因子去量綱,再利用PCA第1主成分耦合;MRSEI在RSEI基礎上對耦合方式進行了改進,利用PCA前3個主成分進行生態因子耦合;RSEIs的改進方式主要表現為用標準化處理方式代替歸一化方式對各生態因子去量綱;LSESCI指數采用亮度指標代替RSEI指數中干度指標,并且耦合方式與前3個指數不同,通過代數運算來進行生態因子耦合。

表1 不同地表生態狀況指數構建Table 1 Construction of different land surface ecological status indices

2.2 地表生態狀況指數性能評估方法

皮爾森相關系數是計算變量之間線性相關程度的統計量,也是研究多個生態時間序列之間關系的主要方法之一,并且被廣泛應用于生態指數評價[8,15,29]。本研究選用皮爾森相關系數計算不同指數模型與各生態因子之間的相關系數,以表征其綜合代表程度和各生態因子的相關性,公式為

式中,Xi和Yi分別表示地表生態狀況指數及生態因子各像素值;和分別表示地表生態狀況指數及生態因子各像素值均值。

在各指數與地形相關性分析中,以開采區域為中心,創建50、100、150 m緩沖區,分析隨著緩沖區范圍的變化,其地形和各地表生態狀況指數的變化規律;進一步沿開采方向繪制剖面線,分析高程和地表生態狀況指數在開采方向上變化規律。為了更好地反映剖面線上的主要變化趨勢,對根據像素值生成的曲線進行滑動濾波處理,即在可變窗口下對所選取的數據求其平均值;再利用求得的平均值作為窗口中心,按照點距向前移動,重復對數組中的數據求其平均值。濾波器窗口寬度為50,公式為

式中,xi為第i個像素值;yn為由N個像素值得到的第n個像素值;N為滑動濾波器窗口寬度。

以金寶鐵礦區LSESCI指數為例,滑動濾波前后對比如圖4所示。

圖4 金寶鐵礦區LSESCI指數滑動濾波前后對比Fig.4 Comparison of LSESCI index before and after sliding filtering in Jinbao Iron Mining area

2.3 時空變化特征分析

本研究選擇Sen+Mann-Kendall方法對反演得到的生態環境時間序列的變化規律進行分析。Sen[30]趨勢度是一種穩健的非參數計算變化率方法,通過計算時間序列的中值,能夠有效降低噪聲的干擾,但是不能判斷序列趨勢的顯著性。因此需引入Mann-Kendall[31-32]方法來實現對長時間序列變化趨勢的顯著性檢驗。Sen+Mann-Kendall法可以很好地減少噪聲的干擾,對數據分布無要求且對異常值不敏感,是時空分析中變化趨勢判斷的重要方法。Sen趨勢度計算公式為

式中,QLSES為時間序列數據趨勢的變化量;mean·()為取中值函數;n為研究時間節點總個數,1＜i＜j＜n;LSESi、LSESj分別為時間序列的地表生態狀況指數值。根據研究區分布特征,通常當QLSES＞0.000 5時地表生態狀況指數值呈上升趨勢;當≤0.000 5時趨勢穩定不變;當QLSES＜-0.000 5時地表生態狀況指數值呈下降趨勢。

Mann-Kendall趨勢檢驗統計量S的計算公式為

當n≥10時,S近似服從標準正態分布,使用檢驗統計量Z進行趨勢檢驗:

式中,VAR·()表示方差運算。采用顯著性水平α=0.05進行顯著性檢驗,即時,礦區生態環境質量呈顯著變化趨勢;時,礦區生態環境質量發生不顯著變化[33]。

3 結果與討論

3.1 地表生態狀況指數適用性分析

3.1.1 地表生態狀況指數與各生態因子之間的相關性分析

研究區內,各地表生態狀況指數與生態因子之間的相關性分析結果(表2)均通過顯著性檢驗(p＜0.05),平均相關系數均達到0.6以上,能綜合代表各生態因子信息。其中,綠度和濕度與RSEI、RSEIs、MRSEI呈正相關關系,與LSESCI指數呈負相關;溫度、亮度及干度與各地表生態狀況指數的相關性關系則相反。LSESCI指數與綠度平均相關性最高,最大負相關值為0.87,高于其他指數。RSEI及MRSEI指數與溫度平均相關性最高,最大負相關值為0.82,高于LSESCI指數。RSEIs指數與干度平均相關性最高達0.94,高于RSEI與MRSEI指數。

表2 地表生態狀況指數與生態因子相關性分析Table 2 Correlation analysis of land surface ecological status indices and ecological factors

由于LSESCI與RSEI指數對各生態因子的耦合方式不同,兩者與各生態因子相關性數據形態分布差異較大,2020年金寶鐵礦區LSESCI指數與溫度、亮度相關性分布及RSEI指數與溫度、干度相關性分布如圖5所示。由圖5可知:LSESCI指數與溫度和亮度呈正相關且相關性較高,數值集中在0.65～0.90;RSEI指數與溫度、干度呈負相關,數據分布均勻且線性規律明顯,但是相關性數值高的樣本點明顯少于LSESCI生態因子。

圖5 金寶鐵礦區LSESCI、RSEI指數與生態因子相關性Fig.5 Correlation between LSESCI,RSEI indices and ecological factors in Jinbao Iron Mining Area

2020年黑山煤礦區不同地表生態狀況指數與溫度、干度相關性分布如圖6所示。由圖6可知:RSEI和MRSEI指數與各生態因子相關性分布差異較大。RSEI指數與各生態因子的相關性較高且數值主要集中在0.60～0.82,表現在圖中三點分布均勻且密切,但是MRSEI指數與各生態因子相關性之間差異較大,線性規律不明顯,說明對PCA前3個主成分加和的過程降低了與各生態因子之間的相關性。

圖6 黑山煤礦區RSEI、MRSEI指數與生態因子相關性Fig.6 Correlation between RSEI,MRSEI indices and ecological factors in Heishan Coal Mining Area

2020年烏拉根鋅礦區不同地表生態狀況指數與溫度、干度相關性分布如圖7所示。由圖7可知:RSEI和RSEIs指數與各生態因子相關性分布差異較大。RSEI指數與各生態因子的相關性數值主要集中在0.6以上且數據分布密集,但是RSEIs指數與各生態因子相關性較低,數值主要集中在0.5以下,說明對各生態因子采用標準化代替歸一化的方式去量綱,存在降低地表生態狀況指數與各生態因子之間相關性的情況。

圖7 烏拉根鋅礦區RSEI、RSEIs指數與生態因子相關性Fig.7 Correlation between RSEI,RSEIs and Ecological Factors in Wulagen Zinc Mining Area

3.1.2 不同土地利用類型下地表生態狀況指數分布

土地覆蓋類型的改變是驅動地表生態環境質量變化的重要原因之一[34],研究區土地利用類型中的開采區覆蓋了采坑、剝離區及未復墾排土場,生態環境質量處于“差”及“較差”等級。裸土指研究區周邊原地貌裸露土石、戈壁、荒漠,是干旱半干旱生態系統中的典型生態要素,生態環境質量處于“中等”等級。由于研究區處于生態脆弱區,植被稀少、有裸土、基巖、戈壁等,因此,需探究地表生態狀況指數區分不同露天礦開采區和原地貌戈壁、荒漠的能力,這是客觀評價該區域露天開采區對生態環境影響的基礎。

如圖8所示,金寶鐵礦區原地貌主要的土地覆蓋類型為開采區、裸土、建筑及低覆蓋度植被。該礦區LSESCI指數獲得生態環境質量分布與土地覆蓋類型分布形態最吻合,開采區和裸土的平均LSESCI值之差最大為0.295,其次為MRSEI指數,RSEI和RSEIs得到的開采區和裸土差值小于0.15。因此露天開采周邊低覆蓋植被及裸土等均被劃分為生態環境質量“差”和“較差”等級,面積分別為7.50 km2、7.16 km2,遠大于開采區面積3.97 km2,低估了研究區的生態環境質量。

圖8 2020年金寶鐵礦不同地表生態狀況指數空間分布Fig.8 Spatial distribution of different land surface ecological status indices in Jinbao Iron Mine in 2020

黑山煤礦區原地貌主要為戈壁和沙漠,地形相對平坦,土壤類型為荒漠化鹽堿土壤,粗粒含量高。植被分布稀疏,覆蓋率通常為5%～10%。露天開采對該區域的影響主要為開采區和排土場占地。RSEI和RSEIs得到不同生態環境質量分級的空間分布與土地利用數據基本吻合(圖9)。由圖9可知:RSEI能夠很好地區分原地貌為荒漠化鹽堿土壤、植被覆蓋度低土壤與露天開采區,開采區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,存在將周邊戈壁、荒漠與開采區、排土場一同評估為生態環境質量“差”等級的可能性,無法客觀反映露天開采的影響。RSEI指數不僅獲得的研究區“較差”和“差”等級面積與開采區、排土場和剝離區面積接近,而且能夠反映出排土場區域生態環境質量為“良”等級的土地,即排土場生態恢復及復墾情況。

圖9 2020年黑山煤礦不同地表生態狀況指數空間分布Fig.9 Spatial distribution of different land surface ecological status indices in Heishan Coal Mine in 2020

烏拉根鋅礦位于荒漠綠洲區,礦區生態問題以荒漠化和鹽漬化脅迫為主,土壤為棕漠土,開采對環境的影響除了土地挖損,還包括廢石堆、尾礦,以及土壤鹽漬化,如圖10所示。RSEI指數能夠通過生態環境質量“差”等級反映露天開采對土地的破壞、占用,通過生態環境質量“較差”等級反映開采區土壤鹽漬化問題,LSESCI及RSEIs指數存在低估整體生態環境質量的情況(圖10(d)、圖10(f))。如圖10(c)所示,RSEI指數區分周邊原地貌荒漠化土壤與露天開采區的能力最強,開采區和原地貌土地利用RSEI差值為0.167,遠高于其他指數。

圖10 2020年烏拉根鋅礦不同地表生態狀況指數空間分布Fig.10 Spatial distribution of different land surface ecological status indices in Wulagen Zinc Mine in 2020

綜上,LSESCI指數區分金寶鐵礦開采區和裸土的能力最強,RSEI指數區分黑山煤礦區及烏拉根鋅礦開采區和裸土的能力最強,能夠客觀反映露天開采對區域環境的影響程度。構建LSESCI與RSEI指數的生態因子中最顯著差異是LSESCI中含有基于纓帽變換獲得的亮度、綠度和濕度組合信息,而RSEI中不含有亮度指標。因此,開采區和裸土的反射率差異是造成兩者生態環境質量反演結果不同的重要原因。比較不同露天礦開采區與裸土亮度均值差異大小發現,金寶鐵礦開采區與裸土亮度均值之差為0.174,大于黑山煤礦區和烏拉根鋅礦區(圖11)?？梢?對于開采區和周圍自然地物亮度差異小的礦區,RSEI指數比LSESCI指數能更好地反演露天開采對環境的影響。

3.1.3 不同地形條件下地表生態狀況指數分布時空特征

通過將研究區內不同地表生態狀況指數與高程進行疊加,并以開采區域為中心,創建50、100、150 m緩沖區,分析緩沖區內不同地形條件下地表生態狀況指數分布特點,通過對沿開采方向地表生態狀況指數的變化程度進行滑動濾波,來揭示地表生態狀況指數對露天開采影響程度的表征能力。

金寶鐵礦區隨著緩沖區范圍變大,海拔升高,不同地表生態狀況指數對生態環境質量的反演結果均表現為,距離開采區遠區域的生態環境質量優于距離開采區近區域(圖12)。其中,距離開采區50 m區域LSESCI值為0.549,高于距離開采區150 m區域的LSESCI值(0.506),較其他地表生態狀況指數差異最為明顯。沿礦區開采方向,LSESCI指數像素波動最為劇烈,且與RSEI指數像素波動規律一致。

圖12 金寶鐵礦地表生態狀況指數與地形因子疊加分析Fig.12 Superposition analysis of land surface ecological status indices and topographic factors in Jinbao Iron Mine

黑山煤礦區地形主要呈現西高東低,緩沖區范圍增加,海拔升高。距離開采區50 m區域的RSEI值為0.558,隨著緩沖區范圍增加,距離開采區150 m區域的RSEI值為0.604,可以通過RSEI來明確露天開采的影響范圍。RSEIs和MRSEI指數隨著緩沖區范圍的擴大差異很小,如圖13所示。通過沿礦區開采方向地表生態狀況指數像素值的分析,MRSEI指數明顯低于其他指數,低估了生態環境質量。

圖13 黑山煤礦地表生態狀況指數與地形因子疊加分析Fig.13 Superposition analysis of land surface ecological status indices and topographic factors in Heishan Coal Mine

烏拉根鋅礦區隨著緩沖區范圍增加,海拔降低。距離開采區50 m區域RSEI值為0.608,隨著緩沖區范圍增加,距離開采區150 m區域RSEI值為0.639,較其他地表生態狀況指數差異最明顯(圖14)。RSEIs過低估計烏拉根鋅礦區生態環境質量,RSEI、MRSEI、LSESCI指數對生態環境質量反演結果均表現為,距離開采區遠區域生態環境質量優于距離開采區近區域。其中,RSEI指數沿礦區開采方向地表生態狀況指數像素值波動最劇烈,能更好地監測開采區周圍土地受采礦活動擾動導致的生態環境質量變化。

圖14 烏拉根鋅礦地表生態狀況指數與地形因子疊加分析Fig.14 Superposition analysis of land surface ecological status indices and topographic factors in Wulagen Zinc Mine

3.2 生態環境質量時空變化特征動態監測

根據上述分析,本研究選擇LSESCI指數分析金寶鐵礦區生態環境質量,選擇RSEI指數分析黑山煤礦區及烏拉根鋅礦區生態環境質量,相關結果如圖15所示。

由圖15分析可知:

(1)2005—2020年,金寶鐵礦區生態環境質量處于“差”和“較差”等級面積從2.50 km2增加至5.15 km2,處于“中等”等級面積占比由66.57%降至49.12%,呈明顯下降趨勢。如圖15(b1)所示,大部分區域生態環境質量為穩定不變,生態質量顯著下降區域主要為采坑和排土場,生態環境顯著上升區域包括礦區內部的排土場復墾、原地貌草場休牧以及圍欄,其中2020年該礦通過植被恢復等方式對排土場邊坡治理的面積共計0.25 km2。

圖15 各礦山生態環境質量時空特征動態監測Fig.15 Dynamic monitoring of spatio-temporal characteristics of ecological environment quality in different mines

(2)2005—2020年,黑山煤礦區生態環境質量處于“差”和“較差”等級面積從32.86 km2增加至50.03 km2,主要分布于開采區及排土場,生態環境質量等級處于“良”和“中等”面積變化較小,區內復墾工程以防止水土流失、邊坡穩定為主,無植被恢復工程,外排土場復墾面積約為1.20 km2。

(3)2005—2020年,烏拉根鋅礦區生態環境質量處于“差”和“較差”等級面積變化不大,主要由于開采方式為露天—地下聯合開采,此外有部分廢石場和尾礦庫。如圖15(b3)所示,復墾工程主要集中在內排土場和外排土場,表現為生態環境顯著上升,面積約0.83 km2。

4 結論與討論

本研究基于濕度、熱度、干度、綠度、亮度生態因子耦合構建了LSESCI、RSEI、MRSEI以及RSEIs指數,結合土地利用數據、DEM數據,通過相關性分析、緩沖區分析、滑動濾波等方法分析了指數間性能差異,并利用Sen+Mann-Kendall時間序列分析法揭示了露天礦生態環境變化趨勢。所得結論如下:

(1)各地表生態狀況指數在干旱半干旱區露天礦與各生態因子之間的平均相關系數達0.6以上,RSEI指數對各生態因子擬合程度最好。金寶鐵礦區LSESCI指數與各生態因子相關系數集中在0.65～0.90,但數據分布形態不均勻。黑山煤礦區MRSEI指數與各生態因子之間相關性差異較大,數據分散,線性規律不明顯。烏拉根鋅礦區RSEIs指數與各生態因子相關性較低,數值主要集中在0.5以下。

(2)通過不同指數反演獲得的生態環境質量結果與土地利用數據進行疊加分析發現,金寶鐵礦開采區和裸土的平均LSESCI值之差最大為0.295,LSESCI指數對于亮度均值差異大的土地覆蓋類型的生態環境質量反演結果更準確。與地形數據疊加分析表明,各地表生態狀況指數表征不同露天礦開采影響范圍的能力不同,LSESCI指數在金寶鐵礦區表現最好,RSEI指數在黑山煤礦區和烏拉根鋅礦區表現最好。

(3)2005—2020年,金寶鐵礦區由于露天開采導致的生態環境質量下降區域面積為2.65 km2,通過排土場復墾,生態環境質量上升區域面積達到0.55 km2,占下降面積的20.75%。黑山煤礦區由于露天開采導致的生態環境質量下降區域面積為17.17 km2,主要為開采區和排土場,外排土場復墾面積約為1.20 km2,占下降面積的6.99%。烏拉根鋅礦區生態環境質量下降區域面積為2.40 km2,復墾面積約0.83 km2,復墾區域生態環境質量顯著提高,占下降面積的34.58%。

本研究的主要工作是通過綜合考慮礦區的類型、背景環境、地形地貌等條件,對典型地表生態狀況指數在干旱半干旱露天礦區生態環境監測適用性方面取得了新的認識。但是,定量遙感監測的準確性受到數據分辨率、輻射傳輸過程、模型精度等多個因素的影響,未來還需要開展更多的實地驗證工作,包括光譜測量、地面調查等,使其生態因子更具有代表性,并在耦合方法選擇上充分考慮生態因子的統計學意義及地學意義,提高礦區生態環境反演和監測的精度及準確度。