典型礦區植被覆蓋度時空分布特征及影響因素

王國芳,畢如田,張吳平,張 茜,荊耀棟

1 山西農業大學資源環境學院,太谷 030801 2 山西農業大學軟件學院,太谷 030801

煤炭資源粗放式、大規模、高強度的開采,改變了礦區原有的地形地貌,造成了礦區地表下陷、植被土壤退化、水土流失,引發了礦區生態環境進一步惡化的風險,增加了礦區生態環境治理的難度[1- 2]。在礦區生態環境治理中,植被覆蓋度在一定程度上可以量化地表植被狀況反映生態恢復程度,從而為礦區復墾和生態環境重建提供參考依據[3]。

目前,植被覆蓋度的獲取方法有實測法的目估法、采樣法、儀器法和模型法；遙感監測方法的回歸模型法[4- 5]、植被指數法[6- 7]和像元分解模型法[8- 9]。地表實測法精度高、但范圍小且費時費力；遙感監測法精度不及實測法,但監測范圍廣,時間序列長,能夠更好地揭示出植被覆蓋度的時空變化特征。

已有研究表明植被覆蓋度的空間分布和隨時間變化的趨勢受氣候、地理、人為及因素組合效應的影響[10- 12]。氣候因素中的降雨量和溫度是對植被覆蓋度影響最復雜的2個主導因素。如徐占軍等[13]研究發現在采煤區域,氣候變化對礦區植被覆蓋度的影響具有主導作用；穆少杰等[14]研究表明在年際水平上,植被覆蓋度與降雨量的關系比與溫度的關系更為密切；在月際水平上降雨量和溫度對植被覆蓋度的影響作用相當。隨著研究區域和植被類型的改變,植被覆蓋度與降雨量、溫度之間統計關系也在發生變化,比如,出現正向協同變化、無統計關系、存在互作效應、或負向協同變化[15- 17]。植被覆蓋度與降雨量及溫度之間出現復雜的統計變化關系,一方面可能與植被類型沒有分類有關,另一方面與植被所在的高程、坡向和坡度等地形因素的影響有關[18- 19]。如張學玲等[20]研究發現武功山山地草甸植被覆蓋度分布陽坡大于陰坡,隨著坡度的上升先增加后下降,隨高程的增加出現波浪式下降；陳建軍等[21]研究表明疏勒河源區高寒草地坡度、坡向是限制植被分布的主要因子,坡度越小,平均植被覆蓋度越大,隨坡向由無坡向、陰坡、半陰(陽)坡到陽坡平均植被覆蓋度不斷減少；賈鐸等[22]研究表明植被覆蓋度變化與氣候和地形因素具有相關性,長期植被覆蓋度的變化受氣候因素的影響,短期植被覆蓋度的變化主要受人為因素的影響。植被覆蓋度除了受自然氣候和地理因素的影響外,同時還不同程度地受人為因素的影響,如煤炭等資源開采對植被破壞及復墾、土地利用方式的改變等,而且自然因素和人為因素常常交錯在一起共同對植被覆蓋度發揮作用。Laura J. Sonter等[23]對礦區土地利用變化過程進行了研究,揭示采礦活動直接和間接影響著礦區植被變化和生態環境質量；張世文等[24]分析了露天礦區隨著時間變化采礦和生態恢復活動與植被覆蓋度間具有一定的響應關系；黃翌等[25]研究發現大同礦區植被變化的內在因素是煤炭開發的擾動作用。

綜上所述,植被覆蓋度時空變化受諸多因素影響,已有研究得出的結論大多是總的植被覆蓋度的平均效應,具有較大的不確定性,且研究結果各異。如何解釋這些研究結果的多樣性,且進一步認識植被覆蓋度時空變化和不同的植被類型與不同因素及其互作效應的關系是本研究擬解決的主要問題。為此,本研究選取了3個位于山西省不同氣候帶、不同地形地貌下的典型井工煤礦區與露天煤礦區,利用2001—2016年7—9月份的Landsat遙感影像數據獲取研究區地表30 m×30 m網格的植被覆蓋度數據,采用線性回歸斜率法和相關分析方法分析植被覆蓋度的時空變化特征和影響因素,并進一步討論自然因素對礦區不同植被類型的植被覆蓋度變化的綜合效應。

1 研究區概況

山西省位于華北平原西部的黃土高原,海拔多在1000 m以上,山地和丘陵面積占總面積的80%以上。山西屬溫帶大陸性季風氣候,年平均氣溫介于4—14 ℃之間,年降水量在400—600 mm之間,大部分地區為半干旱地區,東南部的部分地區為半濕潤地區。

綜合考慮山西省的氣候、地形地貌、土壤類型、植被類型、礦區開采模式等因素,選取了3個位于不同氣候帶、不同地形地貌、不同采礦方式的典型煤礦區(圖1)。其中,長河礦區位于山西省南部澤州縣內,屬暖溫帶半濕潤大陸性季風氣候,為丘陵地貌,嚴重缺水,土壤以褐土為主,煤礦分布集中,采煤量大。離柳礦區位于山西省中西部柳林縣內,暖溫帶半干旱大陸性季風氣候區,西北黃土丘陵溝壑地貌,大部面積為貧水區和極貧水區,土壤以褐土為主,煤炭儲量多,分布廣。平朔礦區位于山西省西北部朔州市內,屬溫帶半干旱大陸性季風氣候區,為黃土丘陵地貌,地表水系比較豐富,以栗鈣土為主,植被主要呈農業耕作景觀,煤炭儲量多。

圖1 研究區位置Fig.1 Location of study area

2 研究方法

2.1 數據源與預處理

研究中涉及到Landsat影像數據和DEM數據,均來源于中國科學院遙感與數字地球研究所及地理空間數據云數據共享平臺(http://www.gscloud.cn)。本研究3個礦區涉及到的遙感數據如表1所示。每期遙感影像的研究區范圍內云覆蓋率均為0,空間分辨率均為30 m,空間參考坐標為WGS 1984 UTM Zone 49N。影像質量較好,且時相選擇都處于植被生長期的7月、8月、9月。對獲取的數據分別進行了去條帶處理、輻射定標得到表觀反射率、按照研究區域進行裁剪處理。

DEM數據的空間參考為西安80坐標系,轉換為WGS84,對轉換后的DEM數據基于影像數據進行幾何糾正,并保證糾正誤差在0.5像元之內。通過ArcGIS 10.0基于DEM數據求得坡度、坡向數據。2001—2016年的溫度、降雨量數據通過國家氣象科學數據共享服務平臺(http://data.cma.cn/)下載獲得；植被類型數據來自項目組前期的研究成果；煤礦開采生產信息來自山西省國土資源廳發表的山西省煤炭資源相關數據。

表1 Landsat遙感數據情況

2.2 研究方法

2.2.1地形調節植被指數

本研究采用江洪等人[26]提出的植被指數計算方法,用紅光波段數據構建陰影植被指數(SAV)與優選比值植被指數(RVI)形成線性組合,構建基于波段比模型的地形調節植被指數TAVI,見公式(1),以此來消除地形對植被指數計算的影響。

(1)

式中,Bnir表示遙感影像近紅外波段數據；Br表示遙感影像紅光波段數據。f(Δ)為地形條件因子,f(Δ)的確定采用“極值優化”算法[27],通過程序實現。首先選取具有強烈地形影響的樣區,通過監督分類分為陰坡和陽坡2類,然后設計循環程序,令f(Δ)從0開始,以0. 000 1為間隔,依次遞增,同時考察陰坡部分TAVI 的最大值與陽坡部分TAVI 的最大值,當兩者相差小于0.01時,退出循環,得到f(Δ)優化結果。

對TAVI數據進行極差標準化處理

(2)

式中,TAVI′是標準化后的植被指數值,取值 0—1；TAVI是標準化前植被指數值；TAVImax是標準化前植被指數最大值；TAVImin是標準化前植被指數最小值。

2.2.2植被覆蓋度計算

在地形調節植被指數的基礎上,采用像元二分模型獲得研究區植被覆蓋度。

(3)

式中,FVC表示植被覆蓋度；TAVIsoil為裸土或無植被覆蓋區的TAVI值；TAVIveg表示純植被像元的TAVI值。根據經驗,TAVIsoil與 TAVIveg分別取累積頻率5%和95%處的值。

2.2.3植被覆蓋度的時空變化特征

采用線性回歸斜率法[28],研究像元尺度下植被覆蓋度隨時間的變化趨勢。對每個像元,在選定的n個年份下分別計算其植被覆蓋度,計算植被覆蓋度對年份的回歸系數(公式4)。如果回歸系數大于一定的臨界值,表明該像元對應的實際礦區位置上植被覆蓋度逐年增加；介于一定的范圍內,表明植被覆蓋度變化不明顯；小于一定的臨界值,表明植被覆蓋度減少[29]。

(4)

2.2.4植被覆蓋度穩定性特征

變異系數(coefficient of variation)可以量化一組數據的離散程度[30],并且可以消除測量尺度和量綱的影響。本研究采用變異系數對研究區植被覆蓋度的穩定性進行研究。

(5)

2.2.5相關性分析

相關分析可以研究現象之間是否存在某種依存關系,并對具有依存關系的現象探討其相關方向以及相關程度。本論文采用Pearson相關系數(公式6)計算植被覆蓋度變化與各因素的依存關系。

(6)

3 結果與分析

3.1 植被覆蓋度空間分布

采用基于地形調節植被指數的像元二分模型分別計算了3個礦區2001—2016年各像元植被覆蓋度的平均值,為了反映出不同研究區16 a間各像元植被覆蓋度之間存在的差異,依據李恒凱等[31]對植被覆蓋度的分級標準,將研究區植被覆蓋度分為5個等級(圖2)。

長河礦區16 a間植被覆蓋度總體呈現中間低,東西兩側高的格局,多年均值分布由低到高分別占整個研究區面積比例的21.05%、21.97%、22.45%、17.72%,16.81%,中等以下等級占到65.47%。其中,低植被覆蓋度區域主要分布在長河及其兩岸高程比較小的區域。離柳礦區16 a間植被覆蓋度總體呈現北部低,南部高的格局,多年均值分布由低到高分別占整個研究區面積比例的13.01%、24.00%、31.13%、20.08%、11.78%,中等以下等級占到68.14%。平朔露天煤礦區16 a間的植被覆蓋度總體呈現中西部低,北部和東南部高的格局(圖2),多年均值分布由低到高分別占整個研究區面積比例的16.77%、18.69%、28.00%、22.49%、14.05%,中等以下等級占到63.46%。3個礦區的植被覆蓋度總體上偏低,植被覆蓋度大于0.6的面積比例僅占到35%左右。

圖2 2001—2016年典型礦區植被覆蓋度空間分布圖Fig.2 Spatial distribution map of vegetation coverage in typical mining areas from 2001 to 2016

圖3 2001—2016年典型礦區植被覆蓋度與高程趨勢分析 Fig.3 Trend analysis of vegetation coverage and elevation of typical mining areas from 2001 to 2016

提取每個研究區各像元的高程值和16 a的植被覆蓋度均值,通過對各研究區高程數據建立頻次分布表進行分組,求出每組內像元的植被覆蓋度均值和對應的高程均值,并建立二者的關系(圖3),可以看出：長河礦區植被覆蓋度隨著高程的增加呈顯著增加趨勢(R2=0.78,P<0.01),離柳礦區植被覆蓋度隨著高程的增加也呈顯著增加趨勢(R2=0.89,P<0.01),平朔礦區植被覆蓋度隨著高程的增加趨勢不顯著(P>0.05)。

植被覆蓋度的時間變化特征通過各像元16 a間對應年份的植被覆蓋度與年份進行回歸斜率分析,得到不同像元上植被覆蓋度16 a間植被覆蓋度增減的空間趨勢變化特征,并按各像元回歸得到的斜率值,將植被覆蓋度變化趨勢分為嚴重退化、輕微退化、變化不明顯、輕微改善及明顯改善5類(圖4、表2)。

圖4 2001— 2016年典型礦區植被覆蓋度空間變化趨勢Fig.4 Spatial variation trend of vegetation coverage in typical mining areas from 2001 to 2016

3個典型礦區不同像元植被覆蓋度16 a間的趨勢變化特征如圖4所示。3個礦區中植被覆蓋度均呈現出變化不明顯的區域,面積分別占到66.63%、59.90%和62.25%,離柳礦區植被覆蓋度變化不明顯的像元所占比例較小；3個礦區均有植被覆蓋度改善的區域出現,所占比例分別為1.76%、2.00%、1.91%,輕微改善所占比例分別為26.38%、30.55%、25.90%,離柳礦區植被覆蓋度改善的像元所占比重相對較大；同樣3個礦區均有植被覆蓋度退化的區域出現,嚴重退化所占比例分別為0.11%、0.67%、1.54%,輕微退化所占比例分別為5.12%、6.88%、8.40%,其中平朔露天礦區植被覆蓋度退化的像元所占比例最大。

表2 2001—2016年植被覆蓋度變化

圖5 2001—2016年典型礦區植被覆蓋度均值與標準差 Fig.5 Mean and standard deviation of vegetation coverage in typical mining areas from 2001 to 2016

3.2 植被覆蓋度波動性

2001—2016年3個礦區植被覆蓋度總體上均呈增加趨勢(圖5),長河礦區的增長速率為0.09%/10 a(R2=0.139,P=0.22)；離柳礦區的增長速率為0.10%/10 a(R2=0.296,P=0.12)；平朔礦區的增長速率為0.08%/10 a(R2=0.432,P=0.06)；3個礦區均沒有通過0.05置信度的顯著性檢驗。

把各像元計算得到變異系數分為低(CV≤0.3)、較低(0.3

3.3 影響因素分析

隨氣候、地形特征的不同,不同植被的響應會存在較大的差異[32]。為此對3個礦區植被類型進行劃分,長河礦區和離柳礦區的植被類型主要分為草地、灌木林、旱地、疏林地、有林地5類,平朔礦區的植被類型主要分為草地、旱地、灌木林、有林地4類。潛在的影響植被覆蓋度變化的因素主要有降雨量、溫度、高程、坡度、坡向及不同因素的互作效應等,本研究從總的植被和區分不同植被類型兩個角度分別討論植被覆蓋度變化的影響因素。考慮到實際取樣中,降雨量和溫度數據在同一區域差別不大,為此采用“以時間換空間”的方法,得到不同降雨量和溫度組合下的植被覆蓋類別數據,進而得到不同因素組合下的植被覆蓋度數據。

圖6 2001—2016年典型礦區植被覆蓋度變異特征Fig.6 Variation characteristics of vegetation coverage in typical mining areas from 2001 to 2016

本研究的氣溫和降雨量數據是基于影像獲取時間的前3個月的積溫和累積降雨量(圖7),離柳礦區溫度呈顯著下降趨勢(R2=0.53,P<0.1),長河和平朔礦區溫度均呈下降趨勢但不顯著,3個礦區的降雨量均呈不顯著增加趨勢。平朔礦區的積溫較低,長河礦區和離柳礦區的積溫存在差異,但差異不大,但是均高于平朔礦區的積溫；3個礦區累積降雨量有較大差異。采用相關分析分析了積溫、累積降雨量、高程、坡度、坡向以及各因素間的互作效應對3個礦區16 a間植被覆蓋度變化的影響因素(表3)及不同植被覆蓋類型植被覆蓋度變化的影響因素,見表4。

圖7 2001—2016年典型礦區累積溫度和累積降雨量Fig.7 Accumulated temperature and accumulated rainfall of typical mining areas from 2001 to 2016

從表3可以看出,長河礦區總的植被覆蓋度與高程、坡度的相關系數分別為0.396、0.315(P<0.01),植被覆蓋度與溫度和坡度、高程的交互作用的相關系數分別為0.313、0.356(P<0.01),與降雨量和坡度、高程的交互作用的相關系數分別為0.253、0.098(P<0.01),與單因素的溫度或降雨量沒有表現出顯著的相關性；離柳礦區總的植被覆蓋度與溫度、降雨量、坡度、高程的相關系數分別為-0.074、0.070、-0.190、0.138(P<0.01),與溫度和降雨量的交互作用的相關系數為0.068,植被覆蓋度與溫度和坡度、高程的交互作用的相關系數分別為0.186、0.108(P<0.01),植被覆蓋度與降雨量和坡度、高程的交互作用的相關系數分別為0.160、0.088(P<0.01)；平朔礦區總的植被覆蓋度與高程的相關系數為-0.054、與高程和溫度的互作效應的相關系數為-0.049(P<0.01)。

表3 典型礦區植被覆蓋度變化與影響因素的相關性

對各個礦區的植被區分植被類型后,對其進行影響因素相關性分析,結果表明不同的植被類型對影響因素表現出不同的相關性,具體相關性見表4。對于草地,在3個礦區中都表現出與降雨量、高程、溫度與降雨量的互作效應、高程與溫度的互作效應的相關性(P<0.01),相關性表現為長河礦區>離柳礦區>平朔礦區,在長河和離柳礦區還表現出與坡度、坡度與溫度、坡度與降雨量、高程與降雨量的相關性(P<0.01),相關性表現為長河礦區>離柳礦區,在離柳礦區同時表現為與溫度、坡向與降雨量的互作效應的相關性；對于灌木林,在3個礦區均表現出與坡向、坡向與溫度、坡度與降雨量、高程與降雨量的互作效應的相關性(P<0.05),在長河和平朔礦區表現出了與降雨量、溫度與降雨量的互作效應較好的相關性,在長河和離柳礦區表現出與高程、高程與溫度的互作效應的良好相關性,且長河礦區>離柳礦區,在離柳和平朔礦區表現出與坡度、坡度與溫度的互作效應的相關性；對于旱地,在3個礦區表現出明顯的差異,在長河礦區表現出與高程、高程與溫度的互作效應相關(P<0.05),在平朔礦區表現出與坡向、坡向與溫度、坡向與降雨量互作效應相關。對于疏林地,在長河礦區主要受溫度、降雨量及其互作效應的影響,而離柳礦區主要是受坡度和高程的影響。

4 討論

煤礦開采區生態退化嚴峻,為此從2006年起山西省開始礦區生態修復。本研究中3個礦區在近16 a間植被覆蓋度均呈增加趨勢,主要是由于隨著采礦的發展,人類活動加強,露天采煤區及新的排土場擴大,導致植被覆蓋度顯著下降,與此同時,在生態修復的干預下,植被恢復范圍也逐漸擴大,導致植被覆蓋度明顯改善,表明生態修復初見成效,這與前人的研究結果一致[33-34]。對于植被覆蓋度的影響因素人類活動的貢獻顯而易見,對于自然因素的影響也不容忽視,但多集中于單因子對總植被覆蓋度的影響[35-36],實際是諸因子綜合作用的結果,本研究側重從總的植被覆蓋度角度和區分植被類型角度研究自然因素的影響程度,研究結果表明,對于井工礦區的長河和離柳區域受自然因素影響要多于露天開采的平朔礦區,不區分植被類型時,長河礦區和離柳礦區的植被覆蓋度均與高程、坡度呈顯著的相關性,這與前人的研究結果一致[37],區分植被類型時,不同的植被類型對不同的因子做出不同的響應。

長河礦區高程范圍為710—1075 m,平均為852.17 m,當高程達到990 m以上植被覆蓋度的增加趨勢減小逐漸平穩,離柳礦區的高程范圍為639—1268 m,平均為927.81 m,高程達到1135 m植被覆蓋度達到最大值,大于1135 m植被覆蓋度呈較少趨勢,總體植被覆蓋度隨海拔高度的增加呈先增加后降低的趨勢,這與張詩羽等[18]的研究結果一致,這主要是由于高海拔且坡度較大的區域人煙稀少、交通不便,人類活動少,植被類型相對穩定,植被覆蓋度相對較高的原因；平朔礦區的高程范圍為1106—1564 m,平均高程為1351.31 m,但隨著高程的增加植被覆蓋度變化趨勢不明顯,主要是由于相對于自然因素對植被覆蓋度影響的緩慢過程,受人類活動影響更直接。

表4 典型礦區不同植被類型植被覆蓋度變化與影響因素的相關性

長河礦區和離柳礦區主要是井工開采方式,除了部分區域由于采煤引起地表裂縫與塌陷等嚴重破壞的情況之外,多數耕地仍然可以繼續從事農業生產,整體上這些區域的植被覆蓋度變化不明顯。對于長河礦區,植被覆蓋度呈顯著退化的區域主要位于海拔較高的成莊礦、天安普瑞礦區及周圍的疏林地、部分高覆蓋草地以及位于長河礦區東南部的疏林地,本研究表明長河礦區疏林地與溫度呈正相關性(P<0.01)、與降雨量呈顯著負相關(P<0.05),與高程與降雨量的交互作用呈顯著負相關(P<0.05),長河礦區近16 a的溫度呈下降趨勢,降雨量呈增加趨勢,這與本研究的疏林地影響因素分析結果一致,植被覆蓋度呈顯著增加的區域主要分布于研究區的東北部的耕地,屬于澤州縣大東溝鄉的中東部和下村鎮的南部區域,這與該鄉鎮的發展高效生態農業有密切關系；對于離柳礦區,植被覆蓋度呈顯著退化的區域主要位于平均高程為669 m的低海拔地形上,分析可知低海拔區域主要位于離柳礦區北部的臨縣嘖口鎮與中部的柳林縣穆村鎮周邊及其河谷地帶、城鎮周邊居民地、建設用地,農業用地相對強度要大,受人為干擾是植被覆蓋度顯著降低的直接原因,植被覆蓋度改善區主要位于柳林縣北部的孟門鎮、成家莊鎮和王家溝鄉,這與政府重視生態環境建設密切相關；對于平朔礦區植被覆蓋度顯著退化的區域主要位于安家嶺露天采礦區、森泰煤礦區和東露天采礦區；植被覆蓋度顯著增加的區域主要位于安太堡露天采礦生態恢復區。

研究結果表明,研究植被覆蓋度變化不僅要從總的植被覆蓋度變化角度研究,而且要從不同植被類型的植被覆蓋度變化角度進行研究。同時,不同類型植被的植被覆蓋度變化,如退化、穩定和改善趨勢對自然因素的響應是急需解決的科學問題。另外,本研究只關注了自然因素對植被覆蓋度變化的影響,人為因素作為礦區一個重要的影響因素進行定量化研究值得進一步研究。如何定量區分氣候變化與人類活動對礦區不同植被變化的貢獻率仍將是植被變化對氣候響應研究的重要內容。

5 結論

從時間和空間趨勢分析,16 a間3個礦區的植被覆蓋度總體呈緩慢增加趨勢(P<0.05)；在重視生態環境建設的礦區復墾區域植被覆蓋度得到改善,煤礦開采用地的植被覆蓋度明顯降低,露天開采的平朔礦區植被覆蓋度退化嚴重,井工開采的離柳和長河礦區的植被覆蓋度變化相對平緩。從影響因素分析,不區分植被覆蓋度,長河礦區表現出與坡度、高程、坡度與溫度、高程與溫度互作效應顯著相關性(P<0.01)；離柳礦區主要表現出與溫度、降雨量、坡度、坡向及其他們之間的互作效應的影響(P<0.01)；平朔礦區主要表現出與高程、高程與溫度互作效應的相關性(P<0.01),長河和離柳礦區較平朔礦區受自然因素影響突出；區分植被類型,同一植被類型在不同礦區與影響因素表現出不同的相關性,同一礦區不同的植被類型對影響因素也表現出不同的相關性。