矿区生态环境定量遥感监测评价技术框架与应用

李军彭苏萍张成业杨飞桑潇

1. 煤炭资源与安全开采国家重点实验室,北京 100083；2. 中国矿业大学(北京) 地球科学与测绘工程学院,北京 100083

在我国能源消费结构中,化石能源占比长期超过80% ,处于绝对主体地位,其开发和利用是推动国家社会经济高速发展的重要组成部分[1]。为了践行“绿水青山就是金山银山”的发展理念,平衡矿产开发与生态环境保护,进一步实现能源的低碳、清洁、高效利用,开展矿区生态文明建设尤为重要[2]。矿区生态环境动态监测与科学评价不仅能提高人们对矿区生态环境变化的认识,还能指导与优化矿区生产和修复活动,进而协调煤炭生产与环境保护共同发展,促进矿区生态文明建设[3-5]。

地面调查是长期以来矿区生态环境监测和评价的重要方式。国内外学者在这一方面做了大量的研究,主要包括对植被[6-8]、水体[9]、土壤[10]等生态环境要素的分析和评价。例如,收集位于沉陷裂缝不同距离处的土壤样本,对土壤中含水量[11]、酶活性[6]、重金属含量[12]等进行测定、分析和评价。然而,地面调查手段无法获取矿区生态环境要素的历史状态,且费时、费力、成本高,无法定期进行大面积同步观测。

随着传感网、卫星遥感、地理信息系统等技术的发展,多技术融合监测已成为矿区生态环境监测的趋势[13-17]。Suh 等[18]回顾了地理信息系统在矿区土壤、水和森林监测中的应用。韩福顺[19]介绍了温湿度、位移和形状传感器等地面传感器在矿区的应用方式。遥感技术以其大面积快速监测的优势,为矿区生态环境监测提供了重要手段,当前已得到一定程度的应用[20-23]。在此基础上,矿区生态环境评价的研究也得到进一步发展。一些学者根据《HJ 192—2015 生态环境状况评价技术规范》[24]与矿区生态环境的特点,选取多方面评价因子[25-29],从地质[26]、资源承载力[19]、景观生态健康[29]等角度对矿区生态环境进行分析评价。

尽管遥感技术在矿区生态环境监测与评价方面取得了一些应用成果,但仍然存在如下挑战:

(1) 矿区典型要素遥感解译的自动化、智能化不够。当前针对矿区的典型地物和用地类型识别多停留在目视解译和常规的计算机解译算法阶段,深度学习、大数据等新兴技术尚未完全展开应用。现有的机器学习样本都是针对常规场景下的地物,针对矿区场景下典型地物的大规模样本库亟待建立。

(2) 定量遥感在矿区生态环境监测与评价中的应用广度有待提升。当前定量遥感技术多用于矿区植被覆盖变化监测,对于植被的更多理化参数及土壤、水体、大气等其他生态要素涉及较少。同时,现有的遥感定量产品数据集分辨率较低,难以满足中小尺度的矿区生态环境定量评价的需求。高分辨率的矿区生态环境要素参数定量反演与遥感产品生产,仍是亟待解决的问题。

(3) 在矿区生态环境综合评价方面,尚未形成学界普遍认可的矿区生态环境综合评价模型与系统的指标体系。现有的研究主要从某一个或者几个生态要素(植被、土壤、水、大气等)中选取一部分指标对矿区生态环境进行评价。以矿区生态环境多种要素为基础建立矿区生态环境综合评价模型,并评估要素协同所形成的生态功能,进而对矿区生态环境状态进行全面的科学评价,尚未很好地解决。

为了更好地实现矿区生态环境遥感动态监测与科学评价,本文通过梳理矿区生态环境演变的特点,在分析现阶段对矿区生态环境监测与评价要求基础上,构建了矿区生态环境遥感智能监测与评价的技术框架。

1 矿区生态环境概述

矿区是伴随资源开采活动而衍生出的特殊地域场所,其生态系统是人类活动与自然资源环境相互影响的有机整体[29]。矿产资源的一系列开采活动会直接作用于地层构造、地表景观、地表(地下)水、土壤、植被、大气等生态要素,改变生态的相关结构特征(图1)。若对矿区生态环境长期放任不管,则会产生自然景观破坏、土地挖损、土地压占、土地沉陷、矿震、地裂、坍塌、滑坡、泥石流、地下(地表)水水位下降、水质污染、土壤污染(退化)、大气污染、植被退化、生态系统服务功能下降等生态环境风险,最终限制矿区的可持续发展。因此,矿区生态环境的监测与评价显得尤为重要。

图1 矿区开采活动下的生态环境风险Fig.1 Ecological environment risks under mining activities

1.1 矿区生态环境的特点

矿区场景下的生态环境是受矿产开采活动深度影响的一种特殊生态环境,与森林、草地、农田等生态系统相比,具有如下特点:

(1) 我国主要矿产开采西移趋势明显,大部分矿区生态环境本底较为脆弱。

以我国储量丰富的煤矿资源为例,其分布在地域上呈现西多东少、北多南少的格局。特别是近20年来,全国的煤炭资源开发重心逐渐向黄河流域中上游转移,现阶段主要矿区分布在华北、西北的黄河中上游流域[30]。根据《中国能源统计年鉴2018年》,在2014—2017年间,我国西部晋陕蒙宁甘新地区原煤产量分别占全国原煤总产量的70.27% 、71.48% 、72.29% 、74.9% ,并呈继续增加趋势。这些区域大多属于干旱半干旱区域,水资源短缺,生态系统涵养水源、水土保持的功能较低,本身就存在干旱缺水、水土流失、土地沙漠化等生态环境风险。其他资源如油气、铁矿、铜矿、铝矿等矿区,也有相当比例位于生态敏感脆弱区[31-34]。

(2) 密集的矿产资源开采活动使生态环境变化明显且持续时间长。

以煤炭矿区为例,大型矿区的煤炭年产量超过10 Mt,中型矿区的年产量也超过3 Mt[35]。多数矿区开采持续时间长,且一直伴随着煤炭的密集开采。例如,我国神东矿区自1985年开发建设以来,至今仍是我国重要的煤炭资源生产基地,持续拥有十余个生产矿井。矿区长期密集的资源开采,引发明显的生态环境变化。

(3) 矿区开采活动对生态环境的影响具有立体性特点。

矿区生态环境是以人类矿产资源开采加工活动为中心的自然环境。此场景下,人类开采活动对生态环境的影响具有立体性特点,即对地下-地表-大气形成的矿区立体生态环境系统的不同部分产生不同程度的影响,这明显区别于城市、农田、森林等其他类型。

矿区开采活动对生态环境的立体性影响主要表现在3 个方面:①矿产开采影响地下环境。矿产开采的实质是岩石开挖与矿产搬运。煤层、石油等均埋藏在较深的地下,埋深1 km 以上的预测煤炭资源量约占全国预测总量的40.5% ,这一范围也是我国煤炭开采的主要范围[36]。地下开采会造成地下岩层结构改变、地下水水位下降等地下环境变化。②矿产开采影响地表环境。矿产资源的开采加工活动经常带来地表的土地利用和覆盖变化。例如,耕地、植被变为工矿用地,形成了工矿建筑、道路、覆煤区、煤矸石堆、露天采场等；开采沉陷、地表裂缝、土壤含水量降低等会造成生态环境影响。③矿产开采影响地上大气环境。煤炭开采过程不仅会产生粉尘颗粒等物理现象,不同气体还可能发生化学反应,改变矿区大气环境。

(4) 矿区开采修复活动对生态环境的影响具有明显的阶段性特征。

矿区开采前,其生态环境主要受气温、降水等自然地理和气候因素的影响。在矿区开采起步阶段,开采规模小、配套设施建设不完备,矿区建筑、建设废弃物等土地占用对生态环境的影响程度较小；在矿区开采迅速发展阶段,开采加工产业链形成,开采量迅速加大,对生态环境的影响主要表现为地层构造改变、地表塌陷、土地压占、土壤质量下降、植被生长受限、大气质量下降等；在矿区开采后期及闭矿阶段,由于生态累积效应的滞后性等特点,生态环境的变化会持续一段时间,但是如果伴随着边采边复或采后再复的生态修复活动,生态环境变化可能向好恢复。

1.2 矿区生态环境演变的科学问题

矿区生态环境的上述特点决定了矿区生态环境演变的研究需要重点关注以下问题[4,30,37]。

(1) 矿区生态环境各要素的时空变化特征及其差异性。

在矿区开采活动影响下,地下/地表水、土壤、植被、大气等矿区主要的生态环境要素,在时间与空间维度上的变化具有各自的规律性。以煤炭井工开采塌陷区植被为例,在时间维度上,随着开采活动的进行,地表塌陷逐渐显现,地表裂缝引发植物根系的损坏以及土壤水肥的流失[38],易造成植被退化,但随着塌陷区的逐渐稳定,周边的有机质等营养物质随降雨汇聚至此,植被有可能会恢复生长；在空间维度上,随着距开采中心距离的不同,植被也表现出相应的变化特征。地下/地表水、土壤、大气等矿区其他生态要素的时空变化特征与植被要素又有所不同,各具独特规律。对矿区生态环境不同要素的理化参数进行长时间序列的研究,厘清不同要素时空变化特征的差异性,有助于进一步理解矿区开采背景下生态环境的演变过程。

(2) 矿区开采修复活动对生态环境要素影响机制及各要素协同演变规律。

矿区开采修复活动与生态环境要素之间以及不同生态环境要素之间相互作用、协同演变的耦合关系,是矿区生态环境演变科学研究的重要问题。例如,地下煤炭开采改变地下含水层,导致地下水位下降；地表沉陷造成土壤裂缝[39],导致土壤水分蒸发增加、土壤含水量下降；地下水位和地表土壤含水量的降低会进一步影响地表植被生长,造成植被退化；而植被退化会进一步减弱生态系统水源涵养、水土保持的功能,形成恶性循环。同样,生态要素变化会反作用于矿区后续的开采和修复活动措施,从而形成了开采—地下/地表水—土壤—植被—修复等耦合关系和协同演变。

结合矿区开采修复活动的不同阶段,系统全面地研究各阶段中采矿、生态修复活动与生态环境要素的耦合关系及其协同演变规律,进而厘清矿区开采修复活动对生态环境各要素及其形成的整体生态系统功能的影响机制,可以科学指导矿产开采与生态修复规划,实现开采与生态环境保护的协调发展。

1.3 矿区生态环境监测与评价的要求

矿区生态环境的特点及其演变决定了对矿区生态环境的监测与评价有其特殊要求。

(1) 生态要素状态监测的定量化。在矿区生态环境研究中,定性遥感主要用于获取矿区的土地覆盖信息,从而监测各类生态要素面积的时空变化[40-41]。就植被而言,定性遥感只能发现地物是否为植被,而无法进一步探测植被的理化参数状态及其变化。然而,要解决矿区生态环境的演变规律与机制问题,仅靠监测面积变化是远远不够的,需要对生态要素状态进行定量化监测,即定量反演植被、土壤、水体、大气等关键要素的理化参数(植被叶绿素含量、水分含量,土壤水分含量、有机质含量,水体叶绿素浓度、悬浮物质浓度,大气气溶胶光学厚度、颗粒物浓度等)及其形成的生态系统整体的功能参数(生态系统涵养水源量、水土保持量、净初级生产力等)。

(2) 生态环境观测的高频次、大面积。通常情况下,矿区存在持续密集的矿产资源开采活动,能够引发生态环境的持续明显变化。为了准确捕捉并监测矿区生态环境的这种变化过程,高频次大面积同步观测是必须的要求,而传统的人工实地调查工作复杂、耗时长,不能满足这一需求。同时,地面站点与观测网只能获取点状分布的观测数据,数据量少且无法很好地反映生态环境要素状态的空间分布差异性。将高频次遥感观测数据和地面数据相结合,获取矿区生态环境要素状态的面状分布,是满足矿区生态环境高频次大面积观测要求的重要手段。

(3) 生态要素观测的长时间和连续性。矿区资源开采、修复活动具有阶段性特征。开采活动可分为开采初期、开采加剧期、开采稳定期、开采下降与闭矿期；生态修复活动可分为修复前、修复中、修复后,且开采与生态修复活动可能出现阶段重叠,即边采边复。不同阶段的人类活动对生态环境造成的影响具有不同的特点。为了分析矿区生态环境各要素的时空变化特征,揭示各阶段中矿区人类活动与生态环境要素的耦合关系及其协同演变规律,需要对矿区开采修复活动进行长时间连续观测。遥感技术能够发挥历史存档影像数据的优势,可为回溯矿区开采修复活动与生态环境长时间连续演变的历史提供重要的数据源[42-44]。

(4) 生态多要素的协同观测。人类开采修复活动与各个生态环境要素之间、不同生态环境要素之间存在协同演变的耦合关系。为了研究揭示人类开采修复活动与各个生态环境要素的协同演变过程,需要对矿区各类生态环境要素进行大范围的同步观测,进而利用定量遥感等技术手段反演得到生态环境的多要素参数信息,满足多要素协同观测的要求。利用遥感技术实现多要素协同观测,能够有效地获取同一时间的矿区多种生态要素状态空间分布,为分析人类活动与生态环境要素的耦合关系及其协同演变规律提供数据支撑。

(5) 生态环境监测内容契合自然地理特征。我国幅员辽阔,不同矿区的地形地貌、气象水文、植被覆盖等自然地理特征存在较大差异[45],矿区生态环境监测内容和方法等需契合自然地理特征。例如,内蒙古东部草原矿区(呼伦贝尔、锡林郭勒),植被覆盖主要为草地,降水量少,定量遥感监测以草原为主,应面向矿区草地场景开展辐射传输建模；黄土高原、鄂尔多斯高原矿区,地形复杂,地貌主要为沟、壑、梁、峁、塬等,植被以低矮草灌为主且类型十分复杂,要着重地形因素,以建立面向低矮草灌植被的复杂辐射传输模型；新疆准格尔盆地的矿区,地貌以戈壁荒漠为主,降水极少,应以裸土相关参数为主,面向戈壁荒漠地表开展辐射传输建模；华东中低山丘陵区的矿区,降水量相对较大,植被生长旺盛,应以乔木林地及高植被覆盖下的土壤参数为主,开展复杂的辐射传输建模；其他区域(云贵地区)矿区,也需要根据其地形地貌、气象水文、植被覆盖等自然地理特征,有侧重地开展定量遥感建模与参数反演研究。

(6) 生态环境质量评价应考虑矿区场景特点。矿区场景具有不同于城市、农田、森林等场景,有密集开采活动、阶段性、立体性等特点,因此矿区生态环境质量评价需考虑评价要素、影响类型、空间范围、评价标准等多个维度的差异。例如,在煤矿矿区存在煤、煤矸石等特色地物,而且在开采过程中会产生煤粉尘等颗粒物,因此在构建评价指标体系时要将这些特殊要素纳入,以评估其对矿区生态环境质量的影响。此外,矿山开采活动会破坏地下岩层结构,进而破坏地下水的平衡,造成地下水污染,评价矿区的水质量必须同步考虑地上和地下水。

2 矿区生态环境定量遥感监测评价的技术框架

围绕矿区生态环境研究的主要科学问题,基于矿区场景的定量化、高频次、长时间、多要素协同的监测与评价要求,本文提出了矿区生态环境定量遥感监测评价的技术框架。该技术框架立足于矿区生态环境各要素的时空变化特征及其差异性、矿区开采修复活动对生态环境要素影响机制及各要素协同演变规律等内容构建,从矿区生态环境的“数据-监测-评价-应用”逐层递进角度设计技术流程,主要包含矿区多源大数据、矿区生态要素定量遥感监测、矿区生态环境质量评价、矿区生态环境业务化应用四个模块,如图2 所示。

图2 矿区生态环境定量遥感监测与评价技术框架Fig.2 Technology framework for quantitative remote sensing-based monitoring and evaluation of ecological environment in mining areas

2.1 矿区多源大数据

矿区多源大数据是矿区生态环境研究的数据支撑,是进行生态环境要素监测、质量评价及应用的前提。矿区多源大数据,主要包括光学高分、光学多光谱/高光谱、热红外、微波(雷达)、重力卫星等遥感数据,以及地面观测站点/传感网监测数据、人工调查采样数据、地球物理勘探数据、钻探钻孔数据、矿区基础地理信息数据、地表参数产品数据、气象气候数据、矿区生产统计数据等其他数据。

光学高分遥感数据具有空间分辨率高的显著优势,主要用于矿区土地覆盖与生态要素的识别与空间分布变化的监测[46]。

光学多光谱/高光谱遥感数据、热红外遥感数据、微波(雷达)遥感数据,主要用于植被、土壤、水体、大气等生态要素的理化参数以及生态系统功能量参数的定量反演。根据光学多光谱/高光谱、热红外、微波等不同遥感成像波段和成像方式的特点,不同数据可反演的参数有所不同。例如,光学多光谱/高光谱遥感数据[47]可用于反演植被的叶绿素含量、水分含量、氮素含量、叶面积指数,土壤的含水量、有机质、矿物质含量,水体的叶绿素a 浓度、悬浮物质浓度、总磷,大气的气溶胶光学厚度、颗粒物浓度,以及生态系统的涵养水源量、水土保持量、固碳释氧量等；高光谱数据还能反演植被类型的多样性；热红外遥感数据主要用于反演地表各类生态要素的比辐射率、表面温度等参数[48]；微波遥感数据主要用于土壤介电常数、土壤含水量、土壤粗糙度等参数[49]。此外,多源数据协同也可实现更高精度或更高分辨率的参数反演,如光学多光谱数据与热红外数据协同反演土壤含水量,以及提高土壤含水量微波遥感产品的空间分辨率。

重力卫星数据、地球物理勘探数据,可用于大区域、局部尺度的地下水资源反演。

地面观测站点/传感器网络数据、人工调查采样数据、地表参数产品数据,主要用于参数遥感反演模型构建与结果验证。

气候气象数据、矿区生产统计数据、矿区基础地理信息等,主要用于矿区开采活动与生态环境要素协同演变分析。

不同类型的数据源,按照其数据的功能特点进行数据组织与映射、加工与清洗、聚合与管理,共同服务于矿区生态环境监测与评价,是矿区生态环境科学研究的重要基础。

2.2 矿区生态要素定量遥感监测

矿区生态要素定量遥感监测是在原始数据的基础上进一步通过建模、反演得到生态环境各要素的状态及变化信息,是矿区生态环境质量评价的基础。它主要包括矿区土地利用/覆盖分类、矿区典型地物识别、矿区地形监测、生态要素的理化参数定量反演4 部分内容。

矿区土地利用/覆盖分类是依据各类型用地(耕地、水域、建设用地、道路等)在遥感影像上呈现的不同色调、形状、纹理等特征,对矿区内地表景观进行类别划分,其结果直接反映了开采修复活动与自然地貌综合作用后的土地利用/覆盖的空间格局。

矿区典型地物识别是指通过遥感观测数据对矿区所特有的地物类型进行解译,如露天矿坑、排土场、煤堆、废石堆等。

矿区地形监测是指利用InSAR、LiDAR、摄影测量等技术,对不同开采时期的矿区地表变化进行观测。

生态要素的理化参数定量反演是指利用经验或物理模型原理,从遥感观测数据中反演生态环境要素的详细理化属性,如土壤的含水量、粗糙度。

矿区生态环境要素定量遥感监测涉及的主要理论方法包括:

(1) 矿区典型地物样本库构建。矿区场景的遥感地物识别关键是能有效识别矿区特色地物[50-52],为此需要建立大规模的矿区典型地物样本库。样本库要充分涵盖各类矿物类型、开矿规模、开采方式、地域、地貌类型等所对应的典型地物特征差异,以便训练更具有普适性、更精准的识别模型。

(2) 遥感地物识别人工智能算法。人工智能算法以深度学习算法为主,如FCN、U - Net、PSPNet、DeepLab V3+等,通过对大量样本的学习构建深层次神经网络:一是用于遥感影像地物识别[53-54],特别是针对矿区典型地物需采用合适的神经网络模型；二是用于生态要素理化参数定量反演的解算,如气溶胶光学厚度反演[55]、叶绿素反演[56-57]等。

(3) 生态要素理化参数的遥感反演模型。利用遥感影像像元值与生态要素参数值的数学关系对生态要素的理化参数进行反演,主要方法有经验统计模型反演与物理模型反演。

经验统计模型是通过典型样本的卫星遥感与地面同步实测值,建立遥感影像像元值与生态要素参数值的简单数学关系(如回归方程),用于各类参数反演[58-64]。

物理模型则是通过研究电磁波与大气、地物的复杂作用关系,建立遥感影像像元值与生态要素参数之间的方程,此类方法具有明确的物理意义,普适性强。反演植被生态要素参数的定量遥感物理模型有PROSPECT+SAIL、LIBERTY 等,反演土壤参数的模型有Hapke 模型、水云模型等。为使物理模型更适应矿区特色场景、反演结果精度更高、更稳定,一些学者尝试优化和改进反演模型,如赵东发[65]、李军等[66]利用微波数据反演矿区土壤含水量；Zhang 等[67]对植被PROSPECT-5 物理模型进行改进,反演铜胁迫下的叶片特征。

2.3 矿区生态环境质量评价

矿区生态环境质量评价是依据评价指标体系对单个生态要素与生态环境整体进行质量评价,并分析其演变特征、耦合机制和驱动机理,主要包括生态要素质量与生态功能评价、生态要素时空演变特征分析、要素耦合机制与驱动机理分析3 部分内容。生态要素质量与生态功能评价指依据土壤、水体、植被、大气等各个要素的理化参数评价单个要素质量,并评价所形成的生态系统功能[68],如涵养水源量、固碳释氧量、水土保持等。生态要素时空演变特征分析是指探索在不同的开采修复阶段,各生态要素随时间演变的特点、空间分布特征及不同要素间的差异[69-70]。要素耦合机制与驱动机理分析,是揭示生态要素之间、气候气象条件与生态要素之间、开采修复活动与生态要素之间的协同关系,并分析各生态要素的主要驱动因子和作用过程[71-73]。

矿区生态环境质量评价涉及的主要理论方法包括:

(1) 构建矿区生态环境质量评价指标体系的驱动力-压力-状态-影响-响应模型、层次分析法、Delphi 法、熵值法等。生态环境质量评价指标体系的构建,需要针对矿区场景特点,综合考虑生态环境质量的内涵,遵循科学性、客观性、可量化性、可操作性等原则。

(2) 时空分析方法:用于分析生态要素时空演变特征。例如,采用缓冲区分析法判断开采活动对植被要素的影响边界,采用时序分析法揭示土壤水分随矿山开采的演变规律。此外还包括莫兰指数、热点分析等方法。

(3) 关联分析方法:用于揭示要素间的耦合机制。例如,用相关系数判断两两要素间是否存在关联,采用回归分析与地理加权回归法计算各生态要素的主要驱动因子及在不同区域的差异等。

2.4 矿区生态环境业务化应用

矿区生态环境业务化应用则针对政府、企业、社会公众三方在矿产资源开发过程中的具体需求,提供有效的解决方案。在矿区多源大数据的支撑下,通过矿区生态要素定量遥感监测和矿区生态环境质量评价框架,可进行以下几个方面的矿区生态环境监测评价工作。

(1) 非法开采监测与识别。在多源遥感大数据与深度学习算法支持下,通过高频次定期观测,可以有效监测和识别矿区土地利用和覆盖变化,结合矿产资源和开采管理信息,助力政府部门对矿区的非法开采问题进行有效监管。例如,对青海省木里矿区非法开采活动,可利用本文提出的技术框架提前发现、预警、调查取证等。

(2) 矿区生态环境定期体检与问题分析。矿区的开采活动对生态环境影响明显,且具有阶段性特征。通过矿区生态要素定量遥感监测和评价技术框架,可以发挥高频次、长时间持续观测的优势,监测生态环境关键要素及其形成的生态功能的时空变化特征,全面评价生态环境质量,实现矿区生态环境的定期体检与问题分析,为矿区进一步的开采计划与生态保护措施提供科学依据。

(3) 矿区生态环境监测预警。长期的矿产资源开采活动对矿区生态环境的影响具有累积效应。很多生态因子(水资源承载力等)通常具有生态阈值极限的指标,一旦超出其阈值范围,矿区生态环境难以修复。矿区高频次的生态要素定量遥感监测与质量评价,能够及时对矿区生态环境各要素和功能状态进行监测预警,为矿区的生态环境健康保驾护航。

(4) 矿区生态修复效果评估。矿区生态修复是进行矿区生态环境综合治理、解决矿区生态环境问题的重要途径,而矿山生态修复的效果往往是公众关注的焦点。根据“谁开发、谁保护,谁污染、谁治理”的原则,矿山企业对生态环境负有治理修复的责任,政府管理部分负有监督监管的责任。本文提出的技术框架有望对生态修复的各个阶段(修复前、修复中、修复后)进行对比评价,对生态修复效果进行科学评估,服务于生态修复周期内企业的修复决策、政府的监督监管和公众的关心。

3 应用实例

为了展示本文所提出的技术框架的有效性与应用方式,本节介绍两个方面的应用实例。

3.1 生态环境定量遥感监测与评价系统

依据技术框架的思路,以锡林浩特煤电基地为研究区,从“数据-监测-评价-应用”四个方面实现功能模块,构建了锡林浩特煤电基地生态环境定量遥感监测与评价系统,主界面如图3 所示。

图3 锡林浩特煤电基地生态环境定量遥感监测与评价系统主界面Fig.3 Main interface of quantitative remote sensing monitoring and evaluation system of environment in Xilinhot Coal Power Base

3.1.1 锡林浩特煤电基地多源大数据库

针对锡林浩特煤电基地的生态环境监测需求和自然条件特点,参照2. 1 节的数据体系,通过卫星数据下载、实地测量、数据加工、访谈调研等方式,收集锡林浩特煤电基地1991—2020年30年间各类型数据并构建了多源大数据库。表1 列举了多源大数据库中的主要数据及其用途。

表1 锡林浩特煤电基地多源大数据库Tab.1 Multi-source database for Xilinhot Coal Power Base

3.1.2 长时序高频次生态环境要素监测

利用各类参数反演方法,在长时序卫星遥感数据/产品基础上,对锡林浩特煤电基地的植被、土壤、大气、水体4 大类要素的理化参数进行定量遥感建模与反演,获取30年间各类生态参数(植被覆盖度、植被叶绿素含量、植被水分、土壤含水量、土壤粗糙度、水体悬浮物浓度、大气颗粒物浓度等)的高频次监测信息。典型的生态环境要素监测结果介绍如下。

(1) 土地利用/覆盖分类。以Landsat 系列卫星和GF-1/2/6 卫星遥感影像为数据源,结合国家土地利用分类标准(GB/T 21010—2017),将土地利用/覆盖类型分为水域、耕地、林地、草地、工矿用地、不透水面(不含工矿用地)及裸地7 类,如图4 所示。

图4 锡林浩特煤电基地土地利用/覆盖Fig.4 Land use/cover of Xilinhot Coal Power Base

(2) 典型生态环境参数。以Landsat 系列卫星遥感影像为数据源,利用PROSAIL 模型和光谱响应函数正向模拟得到植被冠层反射率,作为训练数据集,在GEE 平台上通过机器学习方法反演植被叶绿素含量,如图5 所示。

图5 锡林浩特煤电基地叶绿素含量分布Fig.5 LAI of Xilinhot Coal Power Base

以GLDAS、AMSR-E/2 为数据源,结合Landsat卫星遥感影像,通过降尺度的方法得到土壤含水量分布,如图6 所示。

图6 锡林浩特煤电基地土壤含水量分布Fig.6 Soil moisture of Xilinhot Coal Power Base

(3) 典型气候气象要素。利用ECMWF 提供的1991—2020年期间的ERA5-Pressure levels 月平均数据,通过高程转换、高程内插、气象参量转换等步骤,获取气象参数。锡林浩特煤电基地30年间的气温和降雨量分布和变化如图7 和图8所示。

图7 锡林浩特煤电基地气温分布Fig.7 Temperatures of Xilinhot Coal Power Base

图8 锡林浩特煤电基地降雨量分布Fig.8 Precipitation of Xilinhot Coal Power Base

3.1.3 生态环境演变数据立方体

在上述生态环境要素监测基础上,结合气候气象分析数据和各种人类活动量化建模数据,生成了锡林浩特煤电基地生态环境演变数据立方体(图9)。生态环境演变数据立方体能支持对锡林浩特煤电基地指定时间、任意位置、任意属性的状态进行查询,反映了生态环境要素及关联因子在30年间的演变过程。

图9 锡林浩特煤电基地生态环境演变数据立方体Fig.9 Data cubes of environmental evolution for Xilinhot Coal Power Base

3.1.4 矿区生态环境要素时空演变特征分析

在锡林浩特煤电基地30年归一化植被指数(NDVI)的基础上,通过计算RCG 指数[74]揭示植被要素的变化特点。锡林浩特煤电基地内不同区域的植被演变特征分布如图10 所示,演变类型可划分为退化、稳定和恢复3 种。

图10 锡林浩特煤电基地的植被演变特征Fig.10 Evolution feature of vegetation for Xilinhot Coal Power Base

3.1.5 矿区生态要素演变驱动模式分析

矿区生态要素受自然条件、人类活动等多种因子的耦合影响,而且这些因子在不同地理位置、不同时间的影响程度不同,存在空间异质性与时间异质性。在生态环境演变数据立方体基础上,建立地理时空加权回归模型,能够识别出各类自然条件和人类活动因子与生态要素之间的驱动模式。图11展示了各驱动因子对植被覆盖度的影响程度。样点处在不同时间植被覆盖度(FVC)受放牧强度(G)、气温(T)、降雨量(P)的驱动方程见表2。

表2 样点处不同时间植被覆盖度的驱动模式方程Tab.2 The driving model equation of fractional vegetation coverage at different times at sample points

图11 各驱动因子对植被覆盖度的影响程度Fig.11 Impact distribution of different driving factors on fractional vegetation cover

3.2 基于遥感影像深度学习的尾矿库变化监测

基于高分辨率卫星遥感影像构建高质量的尾矿库样本库,将样本库输入到U-Net 深度卷积网络进行训练,得到尾矿库遥感识别模型[75]。图12展示了尾矿库的快速识别结果,图13 详细地展示某个尾矿库随时间的变化过程,图14 为尾矿库变化检测结果。

图12 基于卫星遥感和深度学习算法的尾矿库识别Fig.12 Tailing pond detection based on satellite remote sensing and deep learning algorithms

图13 不同时期的尾矿库范围识别Fig.13 Tailing pond identification at different time periods

图14 尾矿库变化检测Fig.14 Change detection of tailing ponds

4 结 语

在“绿水青山就是金山银山”的生态文明建设理念下,本文立足于矿区生态环境场景的特点,瞄准了矿区生态环境演变的主要科学问题,以新时期矿区生态环境监测与评价的要求为导向,设计并提出了矿区生态环境定量遥感监测与评价技术框架。该框架充分利用以遥感影像数据为主体的矿区多源大数据,发挥人工智能与定量遥感等优势,以高频次、大面积、长时间连续、多要素协同、定量反演的方式对矿区生态环境要素进行量化监测和质量评价,回答解决矿区生态环境要素时空变化差异性、矿区人类开采修复活动与生态环境要素耦合关系等科学问题,实现在矿区非法开采识别与监测、矿区生态环境定期诊断、矿区生态环境监测预警、矿区生态修复效果评估等方面的落地应用。该框架有望服务于我国矿山生态文明建设、协调矿区经济发展与生态环境保护。

尽管定量遥感技术在矿区生态环境监测方面表现出很大的应用潜力,但仍存在一些不足之处,例如:①光学遥感数据的获取易受天气影响,在阴雨天气,光学卫星/无人机遥感获取数据受限,微波遥感虽可穿透云层但存在空间分辨率低的问题；②矿区生态参数的遥感反演精度虽在一定程度上能满足监测与评价需求,但与地面实地采样精度相比仍有一定差距,需继续改进反演算法,以提高精度；③定量遥感建模的物理原理过程复杂,需要融合电磁波理论、地貌学、大气科学、信号处理、工程光学等多学科理论知识,工程应用过程复杂。这些不足有待学者们进一步研究改进,使定量遥感技术在矿区生态环境监测评价中发挥更多的作用。