高分遙感影像下的大通廢棄煤礦區生態修復林淹水脅迫災情信息提取

王 楠，汪桂生，張 震

(安徽理工大學測繪學院，安徽 淮南 232001)

煤炭是世界上最重要的資源之一，然而煤礦的開釆和利用為全球社會文明做出巨大貢獻的同時，對土地和生態環境也造成了嚴重破壞[1]。煤礦開采后產生的廢棄煤礦帶來諸多生態環境問題，主要表現為地表植被剝離、地表沉陷、礦區土壤污染、礦區地表水體和地下水污染等[2]。消除礦業生產造成的環境污染和破壞、修復當地的生態環境、廢棄煤礦資源再利用與生態修復已迫在眉睫，也是生態文明建設的必然要求。植被恢復是改善礦區生態環境最常用也是最有效的方法之一[3]，通過植被恢復，建立穩定、高效的礦區廢棄地人工植被生態系統，為動植物的生存提供良好的生態環境條件[4]。植被恢復不僅可以充分利用土壤與植物復合系統的功能改善廢棄礦區生態環境，促進生物物種的多樣性，而且對林地本身及其周圍環境的生態效應造成一定影響，進而對區域和全球的生態平衡產生作用[5]。2004—2010年，國家投入了大量的資源，采用以自然修復為主、人工修復為輔的方法，集成濕地構建技術、固廢覆綠景觀再造技術、生物墊護坡加固技術、植被組合搭配技術和高污染滲瀝液生態降解等技術對大通廢棄煤礦礦區進行生態修復[6]。目前原國內外植物水淹脅迫研究主要集中在造林樹種、草本植物、作物及果樹等方面[7-11]，從植物生理角度分析淹水引起的植物形態、生理和代謝的變化，理解水淹對植物的影響及植物對水淹的響應。由于森林生態系統是一個龐大而復雜的動態變化系統，森林分布的立地條件復雜，野外研究難度大，災情信息獲取困難，森林淹水脅迫災情空間信息獲取的研究還相對較少。

利用遙感技術可以獲取礦產資源開發及礦山環境動態宏觀觀測數據，并且遙感獲取的數據量大、更新快，能夠有效地對所需的礦山環境相關數據進行更新和提取，以便進行實時監測。生態恢復與重建評估多屬于定性評估[12-14]，隨著遙感技術的發展，利用高分辨率遙感影像，可以準確估算森林各種因子(樹高、樹冠、材積和生物量等)，進而建立數學模型進行定量分析。

本文利用WorldView-3衛星影像為數據源，并結合GPS定位數據及實測數據，提取大通濕地內受災生態恢復林的受災面積、受災樹種等森林資源信息，為建立森林生物量反演模型、森林生態恢復與重建生態效益評價提供數據支持。研究成果可為廢棄煤礦生態環境監測及生態恢復效果評估工作提供參考。

1 研究區域概況

大通廢棄礦位于安徽省淮南市東部的大通區(如圖1所示)，面積約為4500×104m2，屬于淮河沖積平原和江淮丘陵交界地帶，局部地形為山前坡地，南側為舜耕山，北側為平原。礦區內地貌類型為丘陵，地形南高北低，相對高差約200 m。氣候類型為暖溫帶半濕潤季風型氣候，年降雨量近年來為950 mm左右；大通廢棄礦區土壤有效含水量在6%～9%，且四季溫差小，利于植物生長發育[15]。自采空后礦區內塌陷呈凹槽形狀，地下水位不斷升高，開采沉陷區出現不同深度的地表水域(如圖2所示)。2010年，在大通廢棄煤礦原址基礎上進行生態恢復后建設大通濕地生態區獲原國土資源部正式批準，成為國家級礦山公園。大通濕地內植被類型簡單，主要以人工林植物和草本植物為主[16]。大通濕地內主植被可明顯分為沉降坑植物、煤矸石環境植物、人工林植物等，主要森林群落有水杉(metasequoia glyptostroboides)林、刺槐(robinia pseudoacacia)林、響葉楊(populus adenopoda)林、麻櫟(quercus acutissima)和枹櫟(quercus aliena)混交林等[16]。

2 數據源與方法

2.1 WorldView-3數據

WorldView-3是美國DigitalGlobe公司于2014年8月發射的第4代高解析度光學衛星，是目前世界上分辨率最高的光學衛星。WorldView-3衛星提供0.3 m全色分辨率、1.24 m多光譜分辨率和3.7 m紅外短波分辨率數據[17]。本文研究使用的WorldView-3數據拍攝于2015年4月1日，光譜波段為紅、藍、綠和近紅外波段，空間分辨率為1.2 m，使用的坐標系統為WGS-84，覆蓋研究區全境。

圖1 大通濕地地理位置

圖2 大通濕地生態修復林淹水脅迫

2.2 實測數據

在森林成分混雜的大面積地區，根據森林條件、樹種、地形和可測量性，設立森林成分均勻、具有代表性的小面積樣地，有助于提高森林資源監測的精度。在本文研究中選擇整個大通濕地，面積約4.5 km2作為研究區域。為了檢驗生態恢復林的樹種分類精度，2016年4月和5月在大通濕地內設立了9個20 m×20 m的樣地，并將樣地劃分為針葉林、闊葉林和混交林3種林分類型。測量了胸徑大于5 cm的樹的樹種，以及平均胸徑和樹高、林木密度，并標注了樹的存活狀態(見表1)。另外，在2017年4月使用手持GPS(Garmin MAP 62cs，精度3 m)測量了樣地的中心點位置和地表滲水區邊界(如圖3所示)。

2.3 研究路線

以遙感圖像處理的基本過程為基礎，本文設計了圖4所示的技術路線。利用WorldView-3數據結合實地測量數據，獲取大通濕地內植被分布信息；利用GPS數據提取地表滲水區，與遙感影像和實測數據結合，提取大通濕地內的生態恢復林的受災面積、受災樹種等森林資源信息，并驗證提取精度，最終獲得淹水脅迫災情信息。

表1 樣地的森林資源概況

圖3 試驗樣地位置及水域邊界

圖4 研究流程

3 結 果

3.1 面向對象的監督分類

基于文獻資料并結合實地測量數據將地物劃分為14個分類類別，每個分類類別選取不小于10個訓練樣本，并以實測數據、谷歌地球、現有的專題地圖和照片等其他信息作為分類參考，使用最大似然法對影像進行監督分類(如圖5所示)。基于樹種的監督分類精度的混淆矩陣見表2。

表2 面向對象植被分類混淆矩陣

圖5 大通濕地植被覆蓋分類

從分類結果與精度評價的數據來看，濕地內植被信息提取效果較好，總體分類精度達到88.5%，Kappa系數為0.866。在提取的植被信息中，水杉的分類效果最好，其用戶精度與生產者精度分別為98.4%和90.8%。但響葉楊的用戶精度較低，僅為50.5%。造成這兩種樹用戶精度較低的主要原因是部分水杉、構樹被錯分為響葉楊。WorldView-3數據雖然具有高空間分辨率的特征，但近紅外波段波長僅為770—1040 nm，不具備闊葉樹分類需要的光譜分辨率[17]。根據WorldView-3數據提取地表植被信息結果，濕地內植被資源信息見表3。

表3 大通濕地植被資源

根據上述分類和統計結果，植被覆蓋面積為13.9×104m2，占濕地總面積的33.8%。水杉是大通濕地內價值最高的樹種，同時也是大通濕地生態修復林的優勢樹種，主要分布在濕地的東南部，其覆蓋面積為24 260 m2。響葉楊覆蓋面積為15 290 m2，主要分布在濕地的北部。草地面積為8520 m2，主要分布在濕地內空曠的區域和生態林的林窗。楊柳為濕生植物，覆蓋面積為5130 m2，其根有強大的護岸能力，被種植在靠近水的岸邊。

3.2 植被淹水脅迫災情

利用WorldView-3數據，結合手持GPS測量的地表滲水區域邊界數據，提取大通濕地內地表滲水區的遙感影像，并對其進行監督分類(如圖6所示)。滲水區內基于樹種的監督分類精度的混淆矩陣見表4。

圖6 大通濕地滲水區內淹水脅迫植被分類

根據分類結果與精度評價的數據，地表滲水區內植被信息提取效果較好，總體分類精度達到91.6%，Kappa系數為0.87。根據監督分類精度的混淆矩陣，響葉楊的提取效果較好，其分類的生產者精度和用戶精度分別為98.8%和99.7%，較濕地整體分類結果有了很大的提升。響葉楊的分類精度大幅提升的主要原因是響葉楊在滲水區內分布相對集中，屬于優勢樹種，并且與其他樹種有明顯的界線。構樹的用戶精度比較差，只有44.4%，主要原因是部分刺槐被錯分為構樹。刺槐和構樹是大通濕地內闊葉林的主要構成樹種，二者邊界不明顯，在光譜信息等特征上比較接近。

表4 滲水區內植被分類混淆矩陣

續表4

災情結果表明，從2015—2017年地表滲水區的面積由3.1×104m2擴大到9.9×104m2，占目前濕地總面積的19.3%。受災植被種類分別是響葉楊、天目玉蘭、刺槐、構樹、楊柳和草，各植被受災災情信息見表5。

表5 大通濕地內植被淹水脅迫災情統計

根據災情統計，大通濕地內受淹水脅迫影響的植被類型為6種，受災總面積為31 570 m2。受淹水脅迫影響最大的樹種是響葉楊，其受災面積為11 930 m2，占受災總面積的37.8%。天目玉蘭受災面積為380 m2，占受災總面積的1.2%；構樹受災面積為4740 m2，占受災總面積的15%；刺槐受災面積為6850 m2，占受災總面積的21.7%；楊柳受災面積為2640 m2，占受災總面積的8.4%；草地受災面積達到5930 m2，占受災總面積的15.9%。

4 結 論

本文以淮南市大通濕地為例，利用WorldView-3和GPS數據，實現了植被淹水脅迫的定位觀測，有效提取了大通濕地內淹水脅迫災情。研究結果表明：①水杉是大通濕地內價值最高的樹種，也是大通濕地生態修復林的優勢樹種，主要分布在濕地的東南部，未受到淹水脅迫的影響；②78%的響葉楊分布在地表滲水區內，是受淹水脅迫影響最大的樹種；③草地受災情況也比較嚴重，面積為5030 m2，占濕地內草地總面積的61%。隨著煤礦塌陷區面積的不斷擴大，大通濕地內地表滲水區面積也逐漸擴大，積水逐步綿延到濕地內生態恢復林區，使大通濕地內植物的形態結構發生變化，甚至死亡，對濕地內的生態系統及環境質量等方面都造成了潛在的威脅。

當然，在對具體精確的植被目標如闊葉林和混交林檢測時，需結合更高分辨率遙感數據源，加強對地表光譜信息的探測；對于水域邊界的測量，需結合更高分辨率的定位儀器。在后續研究中，需從不同尺度上有效評價災害的影響程度及影響范圍，以提高對災情的全面監測能力。