基于Sentinel-2的荒漠化矿区生态环境监测

吴群英，苗彦平，陈秋计，侯恩科，李继业

1.陕西陕煤陕北矿业有限公司，陕西 榆林 719000；2.陕煤神木红柳林矿业有限公司，陕西 神木 719316；3.西安科技大学 测绘科学与技术学院，陕西 西安 710054；4.西安科技大学 地质与环境学院，陕西 西安 710054)

随着我国能源战略西移，西部荒漠化地区正成为重要的煤炭生产基地。矿产资源开采不可避免地对生态环境造成影响，制约了区域生态文明的建设。如何快速准确地获取生态环境信息，为绿色矿山建设提供数据支撑，成为当前迫切需要解决的关键问题之一。近年来，遥感技术的发展为矿区生态环境监测提供了便捷有效的工具。马雄德[1]等采用1989，2002，2011年3期TM遥感数据，分析了榆神府矿区土地荒漠化现状及动态变化，探讨了人类活动和气候因素对矿区土地荒漠化发展变化的影响；LIU Shiliang[2]等基于Sen + Mann–Kendall方法，提取了矿区2006—2015年的NDVI指数，研究了荒漠化地区采矿活动对植被的影响；LEI Shaogang[3]等基于MODIS和TM影像数据，分析了矿区1978—2005年的NDVI变化情况；刘雪冉[4]等基于2000，2005和2010年的3期Landsat 4/5 TM遥感影像，分析了荒漠化地区土地覆盖空间分布格局及时空变化趋势；伍超 群[5]等以Landsat影像为数据源，基于像元二分模型估算木里矿区1990—2016年植被覆盖度，监测其动态变化及时空发展规律；徐轩[6]等采用Landsat数据分析新疆五彩湾矿区及周边荒漠植被的时空变化特征，并定量分析矿区植被长势对气候变化、矿区扩张的响应；KAMGA M A[7]等利用1987—2017年的Landsat影像分析矿区开采对土地利用/覆盖的影响。

已有研究成果多基于Landsat及MODIS等遥感数据，受制于卫星影像的时空分辨率，监测应用受到一定的影响。欧洲航空局2015和2017年发射的Sentinel-2A和Sentinel-2B多光谱遥感卫星具有空间分辨率为10 m的3个可见光波段以及1个近红外波段，以及60和20 m的近红外和短波红外波段等共计13个波段，双轨卫星同时运行，时间分辨率缩短至5 d[8-11]；Sentinel-2较高的空间分辨率、光谱分辨率及时间分辨率为遥感卫星数据在荒漠化矿区遥感监测中的应用提供了更多的可能性。

本文以榆神矿区内某大型煤矿为研究区域，以2016和2019年的Sentinel-2数据为基础，通过缨帽变换，构建基于多光谱遥感影像的生态环境指标体系和评价模型，对矿区生态环境质量进行监测和评价，为绿色矿山建设及区域生态文明提升，提供了指导。

1 研究区概况及数据预处理

1.1 研究区概况

研究区位于陕西省神木市西南部，毛乌素沙漠东南缘，干旱少雨，年蒸发量较大。地表大部分地域被第四系风积半固定沙丘和固定沙丘所覆盖，以风蚀风积沙漠丘陵地貌为主。矿区水系不发育，无地表河流，仅有一些海子，蓄水量随着季节的变化而变化。主要植被群落类型为沙柳、油蒿所构成的灌丛和灌草丛，属典型的沙生植被。同时在一些流动沙丘上分布有以一、二年生沙地先锋植物构成的植物群聚。在村落和农田附近，零星或成行栽培的旱柳、小叶杨等作为人工固沙或防风之用。井田内延安组赋存有可采煤层7层，共划分为2个煤组。上煤组含3层煤，含煤地层平均厚度101.11 m；下煤组含4层煤，含煤地层平均厚度82.73 m，煤组之间平均距离63.52 m。矿井采用缓坡斜井开拓，初期设计生产能力为15 Mt/a，服务年限为72.5 a，采用大采高综采一次采全高开采工艺。研究区2016年6月8日和2019年6月8日Sentinel-2影像如图1所示。

图1 研究区影像Fig.1 Image of study area

1.2 数据源及其预处理

Sentinel-2遥感影像来源于欧洲航空局的数据共享网站(https：//scihub.copernicus.eu)和中国的地理空间数据云网站(http：//www.gscloud.cn/)。遥感数据为已经过辐射校正和几何校正处理的Level-1C产品。本研究采用SNAP-Sen2Cor软件对影像数据进行大气校正，获得地物真实反射率。利用ENVI5.5进行波段重组，将20 m空间分辨率的短波红外数据通过3次卷积法内插法重采样至10 m分辨率。根据矿区范围的包络矩形对影像进行裁剪。其他数据主要包括搜集的矿区地形地质图、DEM数据和土地利用现状图。为了验证Sentinel-2的缨帽变换结果，将其与同期的Landsat-8的缨帽变换结果进行对比分析，为后期多源数据联合监测提供了参考。Landsat-8的成像时间为2019年6月10日，数据来源于对地观测数据共享计划(http：//ids.ceode.ac.cn)。数据处理流程如图2所示。

图2 研究技术流程Fig.2 Technique workflow

2 研究方法

2.1 缨帽变换

缨帽变换(Tasselled Cap transformation)是根据多光谱遥感中土壤、植被等信息在多维光谱空间中的信息分布结构，对图像进行正交变换。变换后的主要分量为“土壤亮度(SBI)”、“植被绿度(GVI)”和“湿度(WET)”，分别反映了土壤岩石、植被及土壤和植被中的水分信息，可应用于生态环境监 测[12-18]。缨帽变换依赖于传感器本身的波段设置和特性，不同传感器的变换系数并不能通用[15]，ENVI5.5版本提供了Landsat系列卫星的缨帽变换工具，暂无Sentinel-2的处理工具。本研究采用Index DataBase网站(https：//www.indexdatabase.de)公布的Tasselled Cap公式[19-22]，计算Sentinel-2数据的SBI、GVI、WET等分量，其转换矩阵公式为

式中，B2，B3，B4，B8，B11，B12为Sentinel-2对应的波段值。

然后，将计算结果与同期Landsat-8的缨帽变换结果进行对比分析，研究结果的一致性。

2.2 综合评价方法

遥感生态指数RSEI(Remote Sensing Based Ecological Index)是基于遥感信息，集成反映生态环境最为直观的多重指标，用于对区域生态环境进行快速监测与评价[16-18]。本研究基于缨帽变换的结果，选择综合指数法构建RSEI，然后利用自然断点法，将矿区生态环境质量划分为1～5个级别， 分别为差、较差、中等、良和优，描述生态环境质量空间分布状况。具体过程如下：

(1) 指标归一化处理

根据各指标值与生态环境的相关性，对其初始的计算结果，采用相应方法进行归一化处理。

对于正相关指标，归一化处理公式为

对于负相关指标，归一化处理公式为

式中，yi为归一化后的指标分值；xi，xmin，xmax分别为指标的初始值、最小值和最大值。

(2) RSEI计算

利用式(4)的加权法计算RSEI，即

式中，wi为各评价指标权重。

(3) 权重的确定

利用特尔斐法确定各指标的权重，结果见表1。

表1 评价指标权重Table 1 Weight of evaluation factors

3 结果分析

3.1 不同影像的缨帽变换结果对比分析

缨帽变换已在Landsat影像中得到成功应用，结果具有较高的可信度，可用于考察Sentinel-2影像缨帽变换的结果。通过对研究区两类影像的计算结果进行对比分析(表2)，结果表明各指标的均值和标准差较为接近，相关性较高，说明Sentinel-2影像缨帽变换的结果具有一定的可靠性。

表2 不同影像的缨帽变换结果对比分析Table 2 Comparative analysis of the results of different images after Tasselled Cap

3.2 指标变化分析

(1) GVI：根据缨帽变换结果(表3)，研究区2016年的GVI均值为0.3516，标准差0.1886；2019年的GVI均值为0.3725，标准差0.1894。相比2016年，2019年的GVI均值提高了0.0209，标准差变化不大，说明2019年植被长势较2016年有所提高，但平均植被绿度依然偏低。从分布频率上来看，低分值比例明显减少。

表3 2016及2019年评价指标对比分析Table 3 Comparative analysis of evaluation indicators in 2016 and 2019

(2) WET：根据缨帽变换结果(表3)，研究区2016年的WET均值为0.4160，标准差0.1928；2019年的WET均值为0.3681，标准差0.2056。相比2016年，2019年的WET均值减少了0.0479，标准差增加0.0128，说明研究区2019年同期土壤及植被的水分减少较多。从频率分布来看，中等分值的比例有所减少，而低值区和高值区比例有所提高。通过调查气象历史数据，发现2016年6月3日至6月5日，当地有小雨，因此，土壤湿度较大。2019年6月仅5 d有小雨，都在6月8日以后，导致研究区土壤含水量较低。

(3) SBI：根据缨帽变换结果(表3)，研究区2016年的SBI均值为0.5101，标准差0.2427；2019年的SBI均值为0.5551，标准差0.2140。相比2016年，2019年的SBI均值增加了0.0450，标准差减少0.0287。说明2019年同期研究区裸露的地面有所增加。通过调查分析，主要原因是矿区开发建设增加了不透水面积，另外新开发未投入使用的耕地，也增加了土地裸露。从频率分布来看，中等分值的比例有所增加，而低值区和高值区比例有所减少。各指标的详细空间分布如图3所示。

图3 2016及2019年缨帽变换结果分布Fig.3 Spatial distribution of the result of Tasselled Cap in 2016 and 2019

3.3 综合质量变化分析

RSEI值越大表明生态环境质量状况越好，由表4可知，研究区2016年RSEI的平均分值为0.4018，标准差0.1721；2019年RSEI的平均分值为0.3865，标准差0.1734。两期平均值都偏低，等级属于较差级别。2019年的平均值有所下降，区域差异有所增大，主要原因是裸露地面增加，土壤及植被水分减少。从等级分布来看，中等级别的面积减少较多，其他级别面积均出现不同程度的增加，增加较多的是较差级别的类型。从空间分布来看，矿山开发的地面场地、道路以及土地整治活动对区域生态环境影响较为严重。结合区域的植被覆盖来看，研究区东南部属于农业用地区，生态环境质量较好。西北部主要是流动沙丘，植被稀少，土地荒漠化严重，植被覆盖率15%以下，生态环境质量较差。中部主要是固定及半固定沙丘，植被覆盖率35%左右。生态环境质量以中等和较差为主。详细空间分布如图4所示。

图4 遥感生态环境综合指数(RSEI)空间分布Fig.4 Space distribution of RSEI

表4 生态因子及RSEI信息统计Table 4 Statistical information about ecological factors and RSEI

4 采矿活动对生态环境的影响及改善措施

将矿山的生产活动与区域生态环境变化进行叠加(图5)，发现矿山的地面建设活动对生态环境影响较严重。主要体现在：运煤专线及工业场地建设对地表扰动较大，地表覆盖度下降，生态环境质量产生了退化；沉陷区自然地表生态环境质量有所下降，但总体程度有限；采矿造成的村庄拆迁区，地表 扰动严重，生态环境质量下降明显。为此，建议矿山企业采取以下措施，提升矿区生态环境质量。

图5 采矿活动对生态环境的影响Fig.5 Impact of mining activities on the ecological environment

(1) 加强运煤专线两侧的植被恢复

在运煤专线两侧营造乔、灌、草结合的多带式防护林体系，带间育草，林带外缘留一定宽度育草固沙。以当地适生乔木树种为主，适当辅以灌木。灌木应选用耐旱树种。局部风蚀严重的地区，设置置沙障，保障植被恢复效果。

(2) 加强工业场地绿化

以绿色矿山建设为引领，积极进行场地绿化美化。绿化布局要体现绿水青山就是金山银山的理念，选择适合本地生长的植物以及优良树种，利用矿井处理水进行植被管护，实现绿化率达到90%以上。

(3) 拆迁后的村庄及时复垦

拆迁后的村庄地势较平坦，周边与旱地相连，建议结合区域土地利用总体规划，及时复垦为耕地，提高土地利用率。

(4) 提升采煤沉陷区植被覆盖度

遵循自然生态规律，在自修复的基础上，结合人工诱导技术，配合撒播、灌溉、养护等辅助措施，逐步提升植被覆盖度，使沉陷区地表生态系统尽快步入自我维持和有序发展的良性轨道[22]。

(5) 改善开采工艺，减少生态环境影响

积极推广对土地损害较小的充填开采、分层开采等采煤技术，采煤前对工作面详细参数进行科学设计，尽可能保证采区煤层上覆岩层不断裂，减轻采煤对地表土地的损害。采用动态修复技术，实现边开采，边复垦，控制沉陷区生态环境退化。

5 结论

(1) 2016和2019年两期的矿区RSEI值均较低，且2019年略有下降，区域差异有所增大。东南部农业用地区生态环境质量较好。西北部流动沙丘较多，自然生态环境质量差。

(2) 矿山建设与开发导致局部地区生态环境出现退化。主要体现在地表设施建设扰动了原有自然生态条件，植被覆盖度降低；开采沉陷造成部分土地废弃，也导致生态环境质量下降。

(3) 针对发现的问题，建议矿山企业以绿色矿山建设为契机，优化开采工艺，及时开展土地复垦与生态修复，提升矿区植被覆盖度。

由于Sentinel-2历史数据少，近期难以开展长时间跨度的生态环境变化监测。未来随着数据的积累和矿产资源的开发进度，将适时开展长时间序列的生态变化监测及应用研究。