基于無人機影像的采煤沉陷區玉米生物量反演與分析

肖 武 陳佳樂 笪宏志 任 河 張建勇 張 雷

(1.中國礦業大學(北京)土地復墾與生態重建研究所， 北京 100083； 2.浙江大學公共管理學院， 杭州 310058)

0 引言

煤炭資源的開發利用為現代化建設做出了巨大貢獻，但長時間、大規模、高強度的開采不可避免地破壞原生的礦床地質條件和占用、破壞大量的土地[1]，造成原有生態系統的嚴重破壞，引發植被退化、水土流失、物種減少等一系列生態效應[2]。如何對受損土地進行快速監測、確定受損范圍與程度一直以來都是研究的重點。

國內外對采礦區的生態損毀監測已有不少研究，但傳統方法大多集中于利用衛星遙感技術對礦區土地利用類型或積水面積變化進行監測，如VENKATARAMAN等利用衛星遙感技術對礦區進行了監測，結果表明采礦活動的增加與研究區植被和土地退化程度有關；CHRISTAIN等為了估算動態系統“沉降-地下水-植被”的變化，進行了大面積的時序性衛星觀測，得到土地利用和土地覆蓋的光譜特征可能與水文狀況變化引起的特定植被現象有關的結論；吳雪茜等應用開采沉陷預測技術、地理信息及衛星遙感技術，對淮南礦區土地、水域演變趨勢進行研究并提出治理對策；肖武等利用遙感影像解譯了淮南張集礦區15年內積水面積變化，結合高潛水位礦區的特點，論證了采煤沉陷地構建平原水庫的可行性。在監測礦區生態擾動影響中，遙感衛星尺度大、分辨率低、時間周期長且遙感指標宏觀化、單一化，無法對處于開采過程中的礦區進行實時、動態、有效的監測。近年來，隨著無人機遙感技術的不斷成熟，加之無人機響應快、周期短、精度高、易操作、成本低的特點，無人機遙感技術在作物生態參數反演估算、農田生態環境信息監測等方面得到廣泛應用[7-9]，但在礦區的應用尚處于起步階段，大多數研究都集中于對礦區各類采礦設施與土地利用情況分類與監測、礦區地熱資源分布調查、非法與越界開采識別、露天礦工程量(采剝量、堆放量等)計算等幾個方面，而對于礦區生態環境擾動識別、植被長勢監測的應用還有待于進一步挖掘。

采煤擾動對礦區生態的影響很大程度上表征在作物生化參數的改變上，其中，作物生物量指單位面積內作物累積有機物質的總量，其與長勢和單產密切相關，是農業監測中應用最為廣泛的指標之一。玉米生物量直接影響玉米整體的長勢，進而決定玉米的產量，而在高潛水位采煤沉陷影響下，區內地形受到沉陷的影響導致潛水位相對升高，產生漬害進而影響農作物的正常生長，其直觀反映為農作物生物量降低，作物枯死和減產、絕產。因此實時、有效地對采煤沉陷區作物的長勢監測是礦區土地復墾、生態修復的前提。同時作物生化參數與植被指數之間也存在著明顯的相關性，利用植被指數等遙感參量反演作物生物量是監測作物長勢的重要方法[11-12]，以往的研究大多用于精準農業相關研究，裴浩杰等基于多種生化參數指標與光譜指數結合偏最小二乘回歸構建模型判斷出研究區小麥整體的長勢差異；楊粉團等針對玉米粘蟲災情構建了基于重歸一化植被指數多時相的葉片生物量定量模型，實現了對玉米粘蟲災情程度的有效監測。需要指出的是，現階段研究主要針對正常農田或受某單一脅迫影響植被的生化參數反演而展開的，并且所用傳感器多為普通數碼相機或近紅外多光譜相機。KROSS等利用Rapid Eye數據分析了NDVI、 red-edge NDVI (NDVIre)和Modified Triangular Vegetation Index 2(MTVI2)等7種寬波段指數與大豆和玉米生物量的相關性，得出NDVIre與生物量的相關性最高(R2=0.78)。JIN等則通過分析發現，MTVI2相較NDVI和EVI等與生物量的相關性更強，決定性系數分別為0.72和0.7，均方根誤差為198.65、227.41 g/m2，可以證明紅邊波段對作物生長參數的響應更為顯著。因此，本文嘗試利用無人機搭載含有紅邊波段的多光譜相機，結合地面實測樣本數據，研究以植被指數反演作物生物量表征耕地損毀程度的可行性。根據已有研究，篩選相關性較好的植被指數并借助紅邊波段對作物長勢響應敏感的優勢加以擴展，構建適用于高潛水位采煤沉陷地的玉米生物量遙感監測模型，以期為礦區土地損毀監測與評價、土地復墾與生態修復等提供基礎數據與理論支撐。

1 材料與方法

1.1 研究區概況

東灘煤礦位于山東省濟寧市境內，跨兗州、鄒城、曲阜三市(縣)，地理位置116°50′49″～116°56′56″E，35°24′11″～35°31′25″N。地處魯中低山丘陵到平原洼地的過渡地帶，整體地勢由東北向西南逐漸降低，潛水埋深為2 m左右，屬于高潛水位礦區。礦區內土壤類型多為褐土，土質較好，土壤肥沃，耕性良好，主要實行冬小麥與夏玉米的輪作模式，其中，夏玉米一般在當年6月種植，10月收獲，是重要的糧食產區。礦區內主要河流有白馬河與泥河，向南流入南陽湖，均為季節性河流。研究區為東灘煤礦A1工作面開采影響的范圍(圖1)。其中A1大采高綜放工作面位于三采區南部3號煤層，地面平均標高+50.72 m，開采平均標高-497.8 m。所采煤層煤厚平均8.30 m，煤層傾角平均為4°，自2014年8月開采結束至實驗日期2017年8月，研究區已基本達到穩沉狀態，地表形成了大面積的沉陷區，加之潛水位較高，地面沉陷深度最深已達5 m，大量的優質耕地沉入水中，形成典型的礦區積水盆地。研究區內沉陷程度自積水中心向四周逐漸減輕，參考地表實測數據沉降范圍基本分布在0.15～5.25 m。地表主要地物分布類型由內及外依次為蘆葦、沼澤、灘涂、水淹的農作物。結合該工作面的開采特征，依據采煤沉陷預計軟件獲得沉陷區的下沉等值線，按照傳統定義設置下沉10 mm等值線為影響邊界。采用走向、傾向、角平分線方向布設3條實地采樣線實地采樣線L1、L2、L3，長度分別為550、540、620 m，其中近水區域植被長勢受采煤擾動影響明顯，為了采集更細致的樣本信息來表征植被的生長變化趨勢，3條樣線上樣點布設間距均隨下沉值的減小而增大，依次為5、10、20、30、60 m，記錄所有樣點的空間位置和相應環境信息，共計54個采樣點，3條樣線L1、L2、L3最遠端點布設在擾動邊界之外作為參照點(圖1)。本次無人機觀測試驗的時間為2017年8月15日(夏玉米灌漿期)，灌漿期是玉米關鍵生育期中生物量應達到最大和最適宜的時期，與后期產量有著顯著相關性，是利用生物量監測玉米長勢的最佳時期。

1.2 數據獲取與處理方法

1.2.1多光譜影像數據獲取

使用的遙感傳感器為瑞士parrotsequoia無人機多光譜相機(下文簡稱sequoia)，是專為無人機在農業科研、調查而研發的，能適用多種飛行器。它不僅可以獲取1 600萬像素RGB三原色照片，還能獲取120萬像素的綠光(波長550 nm、帶寬40 nm)、紅光(波長660 nm、帶寬40 nm)、紅邊(波長735 nm、帶寬10 nm)、近紅外(波長790 nm、帶寬40 nm)等波段影像(圖2)。依靠自帶的光照傳感器可記錄光照條件并自動校準4個多光譜傳感器的獨立亮度，同時內置GPS和IMU。搭載sequoia的遙感平臺為四旋翼無人機大疆M100。試驗現場如圖3所示，此時天氣晴朗無風，視野良好。無人機飛行高度110 m，設定航速9 m/s。傳感器鏡頭視場角15°，鏡頭垂直向下，地面分辨率13 cm，航拍面積1.1 km2，共獲取4 980幅影像，覆蓋整個研究區。

圖1 研究區概況和采樣點布設 Fig.1 Map of study area and layout of sampling points

在地面鋪設好傳感器自帶的光譜反射率校正板，每個架次起飛前先手持飛機在校正板正上方1.5 m處拍照，獲得當時條件下的標準反射率，選用軟件pix4dmapper對影像進行處理，在處理過程中利用標準反射率校準所有的航拍影像以得到理想的處理成果，并使用ENVI5.1軟件，以研究區數碼正射影像為參考影像在圖像不同位置均勻選取30個參考點對多光譜影像進行幾何精校正，經檢驗圖像幾何糾正誤差小于0.5個像元，根據生物量地面測量對應的樣點位置構建感興趣區域(Region of interest，ROI)，以ROI范圍內地物的平均反射率光譜值作為該樣點玉米葉片反射率光譜，得到各樣點的反射率光譜數據。

圖2 多光譜相機 Fig.2 Multispectral camera

圖3 航測現場 Fig.3 Scene of aerial survey site

1.2.2樣點地表高程獲取

為了獲取沉陷區下沉情況，在樣點信息采集過程中，同時采用經礦區已知點校正過的南方銀河一號RTK沿3條樣線L1、L2、L3測得樣點地表高程。

1.2.3生物量采集

在進行航測的同時，在地面樣線上同步取樣。如圖1所示分別沿走向、傾向、角平分線方向樣線由內及外進行采樣。因地面沉陷，部分樣點處于常年積水區域和濕地中，植被樣本多為蘆葦、雜草。本文研究對象為耕地，故最后數據采集為耕地上39個玉米樣方的地上干生物量(Above ground biomass, AGB)。為不影響品種正常選育，選取1 m×1 m樣方范圍內邊緣行取2株長勢均勻的玉米作為試驗樣本，并測量樣方內的總株數、行間距、株高、基徑參考信息。用實驗室高精度天平測量樣本玉米鮮生物量，平均后得到樣方內玉米鮮生物量，在實驗室內將其先在105℃高溫條件下殺青1 h，接著在80℃恒溫條件下干燥24 h至恒質量，稱其質量，并根據實測總株數計算出樣方內的總干生物量，結合樣方的總面積，計算出每平方米的地上干生物量(g/m2)[18]。

1.3 植被指數選取

圖4 健康與受脅迫植被光譜反射曲線 Fig.4 Spectral reflectance curves of healthy and stressed vegetations

基于植被光合色素與光譜反射率特征波段具有很強的相關性，特征波段的選取是需要參考色素的光譜特征信息[19]。如圖4所示,在可見光范圍內，葉綠素出現2個強烈的吸收峰、分別為以450 nm和640～680 nm為中心的藍波段和紅波段，吸收的峰值出現在670 nm；一個強烈的反射峰出現在550 nm左右的綠光波段，此時葉綠素吸收系數最小。在700 nm附近，也為對應的葉綠素吸收谷值波段，因此550 nm與700 nm附近常常被選作抗干擾的特征波段，用來削弱非光合作用物質引起的光合有效輻射；紅邊區間700～780 nm是葉綠素在紅邊波段的強吸收到近紅波段多次散射形成的高反射平臺的爬升嵴，這個區間能非常敏感地響應植被營養、長勢、水分。

生化參數等指標的變化已被國內外的大量研究結果證實。其中，當植被長勢良好時，紅邊會向長波方向移動(紅移)，當植被遭受蟲害、污染、水分等因素脅迫時，紅邊則會向短波方向移動(藍移)[20]；在780 nm以后，近紅外波段葉綠素對電磁波的吸收特征微弱，也常常將780～800 nm附近波段選作特征波段。

結合以上對光譜曲線的特征波段的分析與本次實驗多光譜傳感器的多通道優勢，初步選取了現有研究中常見的且符合本次實驗特征波段組合的植被指數，并在此基礎上，利用紅邊波段對植物葉綠素響應敏感的優勢[21]，用紅邊波段替換紅或綠波段來擴展現有植被指數，共選取植被指數22個。表1列出了部分指數的計算公式及出處。

表1 部分選用的反演玉米生物量的植被指數公式 Tab.1 Vegetation index formula inverted from biomass

注：ρNIR、ρR、ρG、ρRed-edge分別表示近紅外、紅光、綠光、紅邊波段的反射率。

與現有研究中針對某單一地類或受某單一脅迫影響的植被生物量反演不同的是，該研究區為礦區采煤沉陷耕地，地下采煤擾動大，作物生長情況受脅迫因子較復雜，選用的22種植被指數與玉米生物量的相關性表現可能與前人研究結果不一致。因此為保證獲得最優的反演精度，提前計算22種植被指數與實測生物量的相關性并根據其高低進行篩選，選取其中相關性較好的部分植被指數作為參照。在多種新的植被指數都與生物量的相關性良好時，若忽視植被指數間的近似線性關系則可能會使得回歸方程不穩定，有些植被指數對生物量影響的顯著性被隱蔽起來，某些回歸系數的符號與實際意義不相符合等[22]。改進前后植被指數兩兩之間的方差膨脹因子(Variance inflation factor，VIF)，以分析和控制變量間的多重共線性；再按照相關性高且顯著的原則，并設定變量最大VIF小于10，確定最優植被指數及其組合；最后分別將最優植被指數及其組合作為入選變量輸入多元逐步回歸模型、BP神經網絡模型進行擬合。

VIF=1/(1-R2)

(1)

式中VIF——植被指數間的方差膨脹因子

R——植被指數間的相關系數

1.4 數據分析方法

在野外實驗中，由于實驗環境和儀器本身等客觀因素或偶然因素的影響，可能會導致獲取的數據中存在異常數據。為了剔除可能存在的異常數據，提高數據的可靠性及分析結果的精度，在建立回歸方程前，對樣本數據進行回歸分析與殘差分析[23]。根據求出的殘差和標準殘差值選擇樣本，最終選取了殘差最小的36個樣本。表2為剔除粗差后的實測樣本的統計特征。

表2 優化后玉米地上干生物量統計特征 Tab.2 Statistical characteristics of AGB in optimized maize g/m2

在確定好樣本集后，以預處理后的無人機多光譜圖像為數據源，基于0.05 m空間分辨率數碼正射影像精確劃分的36個實地樣方范圍，提取各個樣方的植被指數，在建立經驗模型之前，先分別討論初步選取的植被指數與玉米生物量的相關性，根據結果進行初步排序，篩選出相關性較好的植被指數并加以改進。利用SPSS 22.0軟件對灌漿期的36個玉米生物量實測值進行隨機抽樣，選出26個作為建模樣本,10個作為檢驗樣本。針對改進前后的植被指數利用一元回歸、基于最小二乘法的多元逐步線性回歸、BP神經網絡法進行擬合。從中篩選出與玉米生物量相關性最好的模型。

1.5 模型評價方法

選取上述構建的各種模型決定系數、均方根誤差和估測精度進行模型分析檢驗,其計算公式為

(2)

(3)

(4)

圖5 采樣線上玉米生物量與地表高程隨距離變化趨勢 Fig.5 Changing trends of maize biomass and land surface elevation with distance in each sampling line of corn

2 結果與分析

2.1 采煤擾動與遙感參數關系

采煤沉陷造成采空區上覆巖層的拉伸、斷裂與彎曲等移動變形，致使高潛水位的地區地下水位相對上升，沉陷中心區域耕地變為沼澤，玉米在內的農作物無法繼續種植，周邊影響區域地表變形減弱改變了土壤持水能力和通氣狀況，影響有機物和礦物質的分解、淋溶和沉積，以及由此而引起的土壤侵蝕，使土壤保水能力變差，養分流失嚴重，土質惡化，造成耕地上玉米不同程度的減產[25]。本文針對此類現象，選取3條樣線上玉米生物量、地表高程和植被指數值隨樣點距積水中心距離的變化趨勢對比分析，可知受地下采煤擾動的影響，樣點上地表高程不同程度的沉陷，導致沉陷耕地土壤質量不同程度的受損，傳播到地表，玉米生物量呈現隨地表下沉值減少、與積水中心距離增加而增加至最大值后，略微下降后便穩定在某一值的現象(圖5)，表征到樣線上植被指數值上，植被指數變化趨勢與玉米生物量一致，隨地表高程增加而增加至最大值后，略微變化后穩定在某一值(圖6)。這說明在采煤沉陷耕地的復雜背景中，地下的采煤擾動導致地表作物長勢差異進而反映到遙感參數上是一個連續的過程，通過反演作物生物量來監測耕地損毀程度是可行的。

圖6 采樣線上植被指數值與地表高程隨距離變化趨勢 Fig.6 Changing trends of vegetation index and land surface elevation with distance in each sampling line of corn

2.2 優選植被指數

2.2.1不同光譜植被指數對灌漿期玉米地上干物質量的敏感性分析

通過對不同光譜植被指數與玉米地上干物質量 進行相關分析，結果發現22種植被指數與灌漿期玉米生物量均極顯著相關(表3)，但不同的植被指數與地上干物質量之間的相關程度不同，即不同的植被指數對玉米地上干物質量變化表現出不同的敏感性。其中，結合表4中各指數的計算方式，可以得到初步的規律：在現有的指數中近紅波段和紅邊的組合與玉米地上干物質量的相關系數最高，可達到0.9以上，而近紅波段和綠、紅波段組合的指數與玉米地上干物質量的相關性則相對差一些，相關系數在0.6～0.8之間。表明紅邊指數對灌漿期玉米地上干物質量的敏感性較強，能很好地反映玉米AGB的變化情況。

2.2.2最優估算模型變量選擇

表4列出基于22種植被指數與灌漿期玉米AGB擬合的一元回歸模型。從表4可以看出，利用各種植被指數擬合的一元曲線回歸模型(SCRM)均達到較好的擬合效果。在所選植被指數的最優模型中，紅邊植被指數與玉米AGB擬合的指數模型效果較好。其中，在原有植被指數WDRVI、MVI的基礎上改進的紅邊指數WDRVIre、MVIre的擬合效果最優，其決定系數R2達0.80、0.81；紅邊指數CIredge、SRredge、MSRredge次之，R2為0.79，其他指數中擬合效果較好的是NDVI、GNDVI，R2也達0.68。

表3 不同植被指數與灌漿期玉米地上生物量的 相關系數(n=26) Tab.3 Correlation coefficient between different vegetation indices and corn aboveground biomass at filling stage(n=26)

注：** 表示在0.01水平上顯著相關。

綜合以上一元最優模型的分析結果，為進一步提高模型精度，多元回歸模型的入選參量的篩選應在一元最優模型精度較高的指數中進行，故對22種一元模型決定系數在0.65以上的植被指數進行雙變量相關性分析，根據相關系數計算方差膨脹因子，對選取的植被指數的多重共線性分析(表5)，由表分析可知，單變量中改進后的紅邊指數與生物量的相關性最高，但是紅邊波段指數之間都存在著嚴重的共線性分析，因此，多變量構建模型應在除紅邊和近紅波段組合外，考慮加入綠波段、紅波段與近紅波段之間的組合指數以進一步提高模型的精度。

根據表5的結果，為排除后期模型可能出現的過擬合現象且考慮模型計算的簡潔性，選取在單元回歸模型精度最高的紅邊指數MVIre和兩兩之間共線性低的紅、綠波段指數NDVI、GNDVI作為多元變量入選多元回歸和BP神經網絡反演模型。

2.3 生物量反演建模與驗證

基于模型入選變量，分別采用多元回歸、BP神經網絡方法建模并選取其中最佳的反演模型，其中單元最優模型已在上文提及過(表4)；運用SPSS 22.0軟件基于入選變量的所有組合可能進行MLR分析與建模；采用Matlab R2012a軟件編程構建多種輸入特征組合得BPNN模型，分別比較所得到的MLR、BPNN模型的決定系數和誤差，篩選出各自的最優模型組合并基于交叉驗證法[26]進行模型的檢驗和比較(表6)。

表4 各植被指數和玉米生物量的相關系數(n=26) Tab.4 Correlation coefficient between 22 vegetation indices and biomass(n=26)

表5 相關性較好的植被指數間的方差膨脹因子 Tab.5 Variance expansion factor among well-correlated vegetation indices

表6 生物量的估算與驗證 Tab.6 Biomass estimation and verification

表6和圖7顯示了改進后的植被指數及組合在不同回歸模型下對玉米生物量的最佳預測能力。在所有回歸模型中，由改進后的紅邊MVI指數與綠波指數GNDVI構建的BP神經網絡模型建模精度最高，R2=0.83、RMSE為168.09 g/m2。為了驗證模型的精度，利用剩下的樣本個數進行驗證，結果顯示驗證模型R2和RMSE分別為0.64和178.72 g/m2，估測精度EA為79.4%，比其他模型R2增加了0.1～0.17、RMSE減少了29.65～60.23 g/m2、估測精度提高了3.3%～7.1%。其建模精度較為理想，由于上述選擇建模樣本和驗證樣本具有不確定性，所以本文再次用交叉驗證法來進行生物量的估算，結果顯示R2和RMSE分別為0.78和177.23 g/m2，預測值和實測值的散點圖具有較好的一致性，該模型與生物量的相關性達到極顯著水平，表明利用上述模型顯著提高了采煤沉陷耕地玉米地上干生物量的反演精度。

圖7 各模型生物量預測值與實測值之間的關系 Fig.7 Relationship between predicted and measured values of biomass

2.4 反演模型的應用

利用上述模型結合研究區玉米種植范圍，進行采煤沉陷盆地玉米灌漿期地表干生物量實地反演和制圖(圖8)，獲得研究區玉米生物量介于52.25～1 575.72 g/m2，平均值為873.08 g/m2，標準差為294.89 g/m2，與研究樣本的描述性統計結果(表2)較為一致。利用自然間斷分類法基于數據中固有的自然分組，對分類間隔加以識別，在數據值差異相對較大的位置處設置邊界進行分組，將研究區玉米地表干生物量分為5個等級，統計每個等級的像元數量及所占比例，見表7。

圖8 基于BP神經網絡模型采煤沉陷耕地灌漿期 玉米地上生物量反演圖 Fig.8 Inversion map of aboveground biomass of corn at grain filling stage based on BP neural network model in mining subsidence

遙感識別結果表明，研究區內玉米生物量主要集中于592～1 050 g/m2，屬于Ⅲ級(592～860 g/m2)和Ⅳ級(860～1 050 g/m2)的區域占74.4%，地表生物量低于592 g/m2的玉米面積占21.4%，研究區內玉米生物量整體偏低，反映耕地整體受采煤沉陷擾動較嚴重；玉米地表生物量空間分布基本表現為沿3條樣線自擾動邊界向盆地中心逐漸增加，至近水區域達到最低值。其中擾動邊界內L1樣線遠端、L3覆蓋區域玉米地表生物量分布在1 050 g/m2以上，表明此處玉米長勢大多未受影響，中部區域耕地多屬于中度和輕度損毀，反演結果與實地調查樣本基本一致。擾動邊界外部分耕地也呈現輕度擾動的現象，究其原因為研究區內玉米均為農民自然播種，玉米品種、施肥等因素不一致導致了玉米長勢差異。

表7 基于BP模型反演的研究區灌漿期玉米地表干 生物量分等 Tab.7 Statistical analysis of surface dry biomass of maize at grain filling stage based on BP model inversion

3 討論

研究區受采煤擾動地表已基本達到穩沉且受損耕地上的玉米屬于灌漿期，玉米發育成熟，玉米生物量可以很好地反映作物的產量情況，進一步凸現耕地損毀的狀況。應用灌漿期的遙感影像和地面實測數據能對作物最終的整體長勢進行反演。在以后的研究中，應在玉米生長的各個時期同步或準同步進行無人機多光譜影像和地面數據的采集進一步提高災害過程實時監測的準確性和時效性。同時還可以設置地面模擬試驗進行多光譜的采集和分析，加強基于葉片葉面積指數、葉綠素、作物產量模型的反演機理研究和精度提高。但是，通過研究也發現，由于播種條件、地面微地形及田間管理的差異，玉米生物量在未開采損毀區域也呈現一定的波段，如何去確定基于作物生物量的開采沉陷損毀閾值也是下一步研究的關鍵。

在野外實地采集樣本的過程中，發現研究區內植被的分布呈多樣化，由沉陷中心的沉水植物到浮葉植物再到近水岸邊的挺水植物，最后是長勢各異的玉米，此次試驗只研究了現有耕地中各樣觀測線上玉米生物量的變化趨勢，導致可用的樣本較少，限制了反演精度的提高。因此如何將觀測線上所有植被的生長參數如生物量、作物產量等指標標準化、統一化，構建多指標、多植被、時序性的反演模型是下一步研究工作的重點。

4 結論

(1)在礦區采煤沉陷地復雜的生態環境中，紅邊波段能夠在一定程度上提高生物量估算精度。通過對傳統指數計算中引入紅邊波段進行改造，植被指數與玉米生物量的相關系數提高0.06～0.27，篩選得到相關性最優的紅邊指數MVIre，構建的冪指數模型決定系數R2達到0.81，比其他指數提高0.11～0.15，并在此基礎上，排除多重共線性，構建多元線性回歸模型、BP神經網絡模型。其中以指數MVIre、GNDVI為基礎的BP神經網絡模型決定系數R2為0.83、預測均方根誤差為178.72 g/m2、估測精度為79.4%，3個指標均為模型中最優。表明該方法可有效提高玉米生物量遙感反演模型的精度。

(2)基于最佳模型對東灘煤礦A1工作面地表采煤沉陷耕地進行空間識別和分析，結果表明：遙感指標識別獲得的研究區采煤沉陷耕地玉米地表生物量空間分布情況與地面樣點描述性統計結果一致，研究區內生長期74.4%的玉米生物量分布在592～1 050 g/m2之間，21.4%的玉米生物量集中分布在592 g/m2以下，4.2%的玉米生物量分布在1 050 g/m2以上。空間分布上玉米生物量呈現從沉陷盆地內部向邊緣逐漸增加的趨勢，這說明了沉陷深度與玉米生物量的強相關性。由于農民田間管理的不同，導致各測線之間玉米AGB也存在顯著差異，因此無法通過某一確定閾值與區間來劃分損毀程度。該研究可為同類型其他高潛水位礦區土地損毀監測與評價、土地復墾與生態修復等提供基礎數據與理論支撐。