本文内容来源于《测绘通报》2023年第1期，审图号：GS京（2023）0038号
陈逸雨1,2, 曹春香1, 徐敏1, 谢波1,2, 张九堂3
1. 中国科学院空天信息创新研究院遥感科学国家重点实验室, 北京 100101;
2. 中国科学院大学, 北京 100094;
3. 山西灵石华苑煤业有限公司, 山西 晋中 031300
基金项目：国家重点研发计划(2021YFB3901104);国家自然科学基金(41971394);国家林业和草原局林草科技创新发展与研究项目(2020132108)
关键词：典型煤炭矿区, 生态, 指数, 知识粒度熵, 遥感诊断
引文格式：陈逸雨, 曹春香, 徐敏, 等. 典型煤炭矿区生态健康遥感诊断[J]. 测绘通报, 2023(1): 71-76,94. DOI: 10.13474/j.cnki.11-2246.2023.0012.摘要 ：煤炭资源是我国重要的一次性能源,科学监测与评估矿区生态健康,对于维持经济发展与生态健康的平衡至关重要。本文选取位于山西省的3处典型煤炭矿区,基于2001—2021年的Landsat遥感数据,利用目视解译方法对露天矿区进行了多年用地类型演变格局分析;并分别对3处典型矿区的绿度、湿度、干度、热度进行了估算,应用知识粒度熵的权重计算方法,综合构建了矿区遥感生态指数(RSEI),完成了矿区生态健康多年遥感诊断。结果表明,两处露天矿区呈现边开采边复垦的生产模式,各有半数的研究年份RESI区域均值达到0.5以上;地下矿区的开采工作基本不造成地上扰动,其2001年以来的生态健康状况较为稳定,RSEI均值在0.7上下浮动;3处矿区2021年的RSEI均值分别为0.53、0.48、0.70。本文改进了传统的遥感生态指数构建方法,为煤炭矿区的长时序生态监测与遥感诊断提供了科学支撑。
煤炭资源是我国重要的一次性能源，广泛分布于新疆、内蒙古、山西、贵州等地，整体呈现西多东少、北多南少的空间分布格局[1]。然而，我国煤炭矿区生态环境本底大多较脆弱，大量的矿区开采活动对土壤、水热、植被、大气等生态要素造成立体性影响[2]。当前，随着国家生态文明建设的不断推进，亟须科学监测与评估煤炭矿区生态健康现状，促进矿区开采的可持续发展，达到经济发展与绿色生态的平衡。随着卫星遥感与地理信息技术的快速发展，遥感监测技术相较于地面调查具有时效性高、监测面积广、可进行多层次立体观测的优势，广泛应用于矿区生态环境的监测与评价[3]。近年来，研究人员基于遥感手段，分别从植被退化[4]、水文变化[5]、土地沉陷[6]、景观格局[7]、生态风险评价[8]等方面对矿区生态环境展开了系列监测，建立了遥感生态指数(remote sensing ecological index，RSEI)[9-10]、矿区生态健康指标体系[11]等系列评价方式与指标，并获得了系列研究成果[12]。然而，现有研究大多聚焦于单个煤炭矿区，缺少不同矿区之间的长时序对比分析；此外，较常用的指数建立方法多分为两类，即基于主观赋权方法的层次分析法，或完全依赖数据本身的客观赋权的主成分分析法[13]。环境健康遥感诊断是基于遥感数据建立评价体系，阈值化评估生态健康状况的科学手段，已形成较为成熟的关键技术与成果体系[14]。基于此，本文基于主客观结合的知识粒度熵赋权方法集成改进的矿区健康RSEI，选取山西省3处典型煤炭矿区，利用2001年来的Landsat多光谱影像数据，对露天矿区的多年用地类型进行目视解译，并在此基础上对3处典型煤炭矿区进行多年环境健康遥感诊断。山西省地处黄土高原东翼，属于温带大陆性季风气候，矿产资源丰富。如图 1(a)所示，浅绿色区域为山西省的煤炭重点开采区，煤类包括焦煤、瘦煤、贫瘦煤、贫煤、无烟煤等。图 1(b)—(d)为山西省的3处典型煤炭矿区所在地，分别为平朔市的两处露天矿区(A矿区、B矿区)和临汾市的一处地下矿区(C矿区)。3处矿区占地面积分别为74.6、14.6、9.2 km2。研究区的选取综合考虑了地上与地下不同的煤炭开采方式、资料的易获取度及实地探查的便捷性等。本文使用的光谱数据为2001—2010年的Landsat
TM数据，以及2013—2021年的Landsat OLI与TIRS数据，空间分辨率统一为30
m。选取植被生长较为旺盛的7—9月，筛选该时间段内含云量小于5%的影像。根据各矿区不同的使用年限，每2~3年选取一景遥感影像进行分析。数据预处理过程包括辐射定标、大气校正、几何校正、裁剪等。通过波段组合与目视解译，综合对比临近年份遥感影像，并参考Google Earth高分辨率数据与实地调研数据等，对露天开采的A、B矿区进行用地类型划分，露天矿区分类体系见表 1[15]。2.3 遥感生态指数分量计算
集成RSEI的分量包括绿度、湿度、干度、热度，本文均使用Landsat数据反演计算得到。绿度表征的是植被覆盖情况。首先计算植被指数NDVI，然后计算植被覆盖率FV(代表绿度分量指标)。公式分别为式中，BR和BNIR表示红波段和近红外波段的反射率；NDVIm、NDVI0分别表示NDVI的最大、最小值[16]。湿度指标Wet的反演通过对光谱数据进行缨帽变化得到，已有研究形成针对Landsat 5[17]和Landsat 8[18]数据的经验公式，分别为式中，B1~B7分别代表对应蓝、绿、红、近红、中红外1、中红外2波段的反射率。干度指标NDBSI由建筑指数IBI[19]和土壤指数SI[20]合成，反映了地表的干化情况。IBI、SI、NDBSI的计算公式分别为热度分量可直接使用Landsat C2L2系列产品中的30 m地表温度数据。该数据的生产过程融入了ASTER GED产品，并使用单通道算法反演而成[21]，可直接通过EarthData官网下载。传统的RSEI构建方法是通过主成分分析法，将多个分量的信息集中到1~2个主变量上，从而达到压缩冗余信息的目的[9]。该方法的实施完全依赖数据本身的信息质量，且仅在第一主成分PC1的结果满足绿度与湿度均是正向贡献时具有实际意义[22]。考虑特征向量方向的不唯一性，应用到不同的研究区，很难保证各分量权重的正负方向性。此外，在数据降至1~2个维度前，原始数据也仅为4个维度，该构建方法不能对原始数据进行有效降维，无法发挥主成分分析方法的优势。因此，本文采用基于知识粒度熵方法的RSEI构建方法，即依据各影像的知识粒度熵，分别计算4个分量(绿度、湿度、干度、热度)对RSEI的贡献权重，分量指标分别与各自权重相乘并加和，最终得到改进后的矿区RSEI值[13]。为消除不同量纲的影响，计算权重前分别检查各景分量指标的数据质量，清洗滤除0.01%~0.03%的异常像素值，并将各参数归一化到0~1之间。由于RSEI为正向指示性指标，因此对绿度和湿度进行正向归一化，对干度和热度进行反向归一化，公式为式中，X′ 0表示归一化后的像素值；Xmax和Xmin分别为该指标的最大与最小值。将归一化后的4个分量指标值域平均划分为10个区间，统计各分量指标的总像元数|U|和各区间的像元数|Xi|，并计算各年度各分量指标的知识粒度熵Er，以及各指标各年份对应的RSEI权重值W，公式分别为式中，k=1/log2 |U|；n表示各分量指标值划分的区间个数，即n=10；|U|表示参与计算的总像素数；|Xi|表示第i个区间像素数。得到各分量权重值后，4个分量逐年加权相加后便可得到最终改进后的矿区RSEI，即式中，m表示分量指标的个数，即为4。需要注意的是，由于X′ 0为归一化后的指标分量，因此可保证RSEI的值域在0~1之间，也便于后续对不同研究区的RSEI计算结果进行统一比较。图 2和图 3分别为两处露天矿区的多年用地类型划分结果，不同颜色代表不同用地类型。如图 2所示，自2001年以来，A矿区的露天矿开采面积不断增大，东侧的剥离区和未扰动区逐渐被开采区域替代，同时，西侧的废弃矿区同步进行复垦工作。在空间分布上，A矿区整体呈现较为明显的东移趋势，并伴随较好的复垦工作。如图 3所示，B矿区自2011年出现剥离区与工业用地后，煤炭的露天开采情况整体呈现自东向西转移的趋势，同步伴随西部复垦工作的实施。图 4为多年来各地类不同用地面积占该矿区总面积之比的统计结果。黑色柱块代表的露天矿区域与绿色柱块代表的已复垦区域均呈现不同程度的增长趋势。结合图 2、图 3两处露天矿区的土地利用空间分布格局，表明两矿区能够意识到资源开采与生态建设的平衡问题，具有较好的示范作用。
图 5—图 7分别为3处典型煤炭矿区的多年RSEI计算结果，色带由红至绿表示RSEI的值域范围为0.3~0.8，值越大，表明该地生态环境越好。如图 5所示，A矿区的RSEI值在2001—2021年逐渐由大面积的红色区域变为绿色区域，绿色区域自西向东扩张，符合图 2所示露天矿区的复垦趋势。植被的大面积增加必将改善整体的生态环境质量。图 6为B矿区的RSEI时空格局变化。自2011—2021年，RSEI较高值区域大多与图 3中未扰动及已复垦区域吻合，受矿区开采而造成扰动的区域则显示出较明显的低值。图 7为C矿区的RSEI结果，该矿区的试验年份与A矿区一致，结果差别不大，因此仅展示了4幅图像示意图。C矿区作为地下开采矿区，地上扰动少，植被覆盖广，因此多年生态健康状况较为稳定，整体变化不大，呈现略微波动上升趋势。表 2为各矿区的RSEI区域均值，3处矿区RSEI均值大于0.5的年份分别达到50%、50%、100%，且自起始年份至2021年，各矿区均值均呈现略微上涨的趋势。结合3矿区的不同开采方式与用地类型变化，综合分析上述生态健康诊断结果，本文认为，3矿区的生态健康状况整体较好。露天开采矿区(A、B矿区)能保持较好的开采与复垦节奏，地下开采矿区(C矿区)保持多年清洁生产，地上生态较为稳定。对比前人对于A矿区的历史研究结果，自1976年来A矿区始终保持着边开采边复垦的生产节奏，符合本文的遥感诊断结果[23]。B、C矿区作为小区域矿区，鲜有学者关注并进行单独分析。本文将3处开采方式不同的矿区进行综合对比分析，既是对基于知识粒度熵的矿区RSEI构建方法的科学应用，也是环境健康遥感诊断在典型矿区的探索实践[14]。本文聚焦于山西省3处典型煤炭矿区的生态健康状况，基于2001—2021年的Landsat光谱影像进行了长时序的生态健康遥感诊断。结果显示，位于山西平朔的两处露天煤炭矿区(A、B矿区)保持着较好的复垦节奏，位于临汾的地下开采矿区(C矿区)近20年生态健康状况始终较为稳定；2021年，3矿区的RSEI均值分别为0.53、0.48、0.70，表明3矿区在发展过程中较好地平衡了资源发展与生态文明建设的关系。对比相关研究，本文基于遥感诊断技术所使用的知识粒度熵权重法能有效构建矿区生态健康诊断指标，避免了主成分分析法的不确定性，可有效应用于较小区域的矿区生态健康评估。未来进一步的矿区遥感诊断分析可从分量指标的多元性、指标权重确定时知识粒度的划分细度、更多矿区的生态健康监测应用推广等方面展开深入研究。
作者简介：陈逸雨(1997-),女,硕士生,研究方向为环境健康遥感诊断。E-mail:chenyiyu19@mails.ucas.ac.cn通信作者：曹春香。E-mail:caocx@radi.ac.cn