基于多源遙感數據的贛南稀土礦植被覆蓋動態監測

李媛

（東華理工大學 地球科學學院，江西南昌， 330013）

稀土是世界上的稀缺資源，在航天、軍工等高科技領域有著重要的作用[1]。贛州市擁有豐富的離子型稀土礦，具有寶貴的開采價值，帶動當地經濟快速發展，但也嚴重的破壞了生態環境[2]。植被恢復是礦山生態修復的關鍵階段，植被覆蓋度是植被長勢和質量的綜合體現，是評價礦區復墾效果的重要指標[3]。

傳統的植被覆蓋變化調查大多依靠野外實地調查，監測范圍小且成本高。而遙感技術可快速動態的獲取地面信息且監測范圍廣，已成為植被覆蓋變化動態監測的重要手段[4]。在多云多雨、地形復雜的中國南方地區，僅依賴Landsat TM/ETM+、MODIS等中等空間分辨率遙感數據的光譜特征難以保證分類精度[5]，通過結合雷達和光學數據可有效提高地物類型的識別精度。Wang等[6]融合合成孔徑雷達數據和Sentinel-2數據來監測美國俄克拉荷馬州本地牧場的生產力，與中等空間分辨率的數據源相比，本研究使用的數據具有更高的分辨率，提高了估算的精度。Scarpa等[7]首先通過數據融合和深度學習來估計在多云條件下缺失的光學特征，再用卷積神經網絡估算布基納法索農業地區SAR雷達數據和光學數據融合后的NDVI值，和單一數據源相比，光學和雷達時間序列數據的聯合處理提高了結果的精度。在監測和評估礦山恢復治理效果時，早期有研究人員利用遙感影像開發對地形、土壤、氣候和水敏感的多種植被指數，作為調查植被覆蓋度的重要手段[8]。植被覆蓋度（FVC）可評估區域的植被狀況和土地退化情況，是一個非常重要的地表植被參數[9]。近年來，機器學習算法廣泛應用于許多領域，如土地利用分類和植被生物量計算等[10]，其中隨機森林算法運算速度快、分類精度高，顯示出巨大的應用潛力[11]。Schultz等[12]基于Landsat時間序列數據，使用Breaks for Additive Season and Trend（BFAST）監測器和隨機森林算法來識別卡萬戈-贊比西跨邊界保護區從封閉樹冠森林到開放草原的6個土地覆蓋類別的退化情況,及時準確地獲取稀土礦區復墾后的植被覆蓋情況，對于實現稀土礦區綠色可持續發展十分重要。

上述研究表明，使用雷達、光譜和紋理特征的融合影像可提高稀土礦區植被信息的提取精度[13]。因此，本研究以贛州市南部6個縣市為例，結合sentinel-1和sentinel-2遙感影像，基于像元二分模型和隨機森林算法，構建適合于南方丘陵地區稀土礦植被信息的提取模型，并且監測2016—2020年贛州市稀土礦區的植被變化情況，該研究可以為監測稀土礦區治理效果和政府進行生態環境管理決策提供科學依據。

1 材料與方法

1.1 研究區概況

稀土礦廣泛分布在贛州市的安遠縣、全南縣、尋烏縣、定南縣、信豐縣和贛縣。因此，本文以這6個縣作為研究區域。研究區域屬于亞熱帶季風氣候，光照充足，雨水充沛，無霜期長，年平均降水量1 318 mm，年均氣溫為19.8℃，地理位置如圖1。地形復雜，主要以山地和丘陵為主。研究區擁有豐富的離子型稀土礦，被譽為“稀土王國”，從上世紀八十年代開始進行稀土開采，經歷了池浸、堆浸和原地浸出等開采方式，造成了植被破壞、土壤污染和水土流失，加劇了地下水的污染和滑坡的風險。近年來，很多稀土礦陸續開展了治理工作，并取得了一定的成效，地表植被逐漸增多，生態功能逐漸恢復。

圖1 研究區概況

1.2 遙感數據來源及預處理

本研究采用2016—2020年共5年的基于Sentinel-1干涉寬幅模式（IW）的地距（Ground Range Detected,GRD）極化雷達影像數據，因贛州市常年多雨，影像采集時間集中在10—12月，該數據擁有VH、VV 2種極化方式，數據質量較高。利用官方預處理軟件SNAP對選用的Sentinel-1影像數據進行預處理，并裁剪出研究區[14]。

Sentinel-2包括Sentinel-2A/2B兩顆衛星，攜帶一致的MSI傳感器，收集13個波段的數據，其中4個是紅邊波段，2個是短波紅外波段，廣泛應用于陸地植被、土壤、水體等的監測[15]。本研究采用與Sentinel-1同一時間段匹配的Sentinel-2數據，對其進行大氣校正、輻射定標和重采樣，裁剪出研究區[16]。

1.3 稀土礦區影像特征

研究區域目前主要用堆浸法和原地浸礦法進行稀土開采，這會形成不規則的裸露開采區，其在Google高分影像中呈土黃色，可能會伴有藍色的沉淀池和長方形建筑物。本研究根據野外的調研結果，以及在Google Earth目視解釋的稀土礦區分布范圍，勾繪稀土礦區邊界。

1.4 像元二分模型

NDVI（Normalized Difference Vegetation Index）是定量評價植被覆蓋度最常用的指標之一，可用來監測植被生長狀態。用像元二分模型將像元信息分為裸土或純植被，計算植被覆蓋度[17]。其公式為：

式中，NDVIsoil為完全裸土或無植被覆蓋區域的NDVI值；NDVIveg則代表完全被植被所覆蓋的像元NDVI值，即純植被像元的NDVI值[18]。針對贛南稀土礦區植被恢復現狀和植被覆蓋度的特征，結合野外考察和建立的植被覆蓋度等級（表1），本研究將FVC共劃分4級：裸地（0≤FVC＜0.25）、低植被覆蓋（0.25≤FVC＜0.5）、中等植被覆蓋（0.5≤FVC＜0.75）和高植被覆蓋（0.75≤FVC＜1）。

表1 贛南稀土礦區不同植被恢復程度的土地類型劃分

1.5 隨機森林分類模型

1.5.1 隨機森林算法 機器學習分類法指通過計算機從大量的數據中學習其內在的規律性信息，獲得經驗知識，在復雜的數據中分離出圖像的主要特征，機器學習分類法適用于多種傳感器獲取的圖像，并且具有較高的精度[19]。隨機森林是一個監督分類器，使用一組分類和回歸樹，利用隨機選擇的訓練樣本和變量的子集進行預測，隨機森林分類器使用隨機選擇的特征來生長一棵樹，通過從森林中所有的樹狀預測器中選取最受歡迎的投票類別來對像素進行分類[20]。與其他機器學習方法（如人工神經網絡等）相比，運行隨機森林需要指定的參數較少，同時，隨機森林已被越來越多的用于遙感領域的圖像分類，且具有較高的效率和準確率[21]。

1.5.2 特征變量提取 為了提高分類的精度，提取雷達影像中的極化特征，以及光學影像中的光譜特征和紋理特征，進行波段融合[22]。為充分利用Sentinel-2特有的紅邊波段，通過Band maths波段計算獲取Sentinel-2的紅邊指數和植被指數[23]（表2）。

表2 特征變量說明

1.5.3 建立植被覆蓋度分類的解譯標志 贛州市屬于南方紅壤丘陵區，根據《南方紅壤丘陵山區水土流失綜合治理技術標準》（SL757—2014）[24]、實地調研情況和Google Earth高分影像，通過歷史影像對比和直觀解讀來確立不同植被覆蓋度的解譯標志，并以此作為稀土礦植被覆蓋度分類的標準。

1.5.4 精度評價指標 研究利用融合后的影像，采用像元二分模型和隨機森林算法，提取稀土礦植被覆蓋的分類結果，并對結果做聚類處理去除零碎斑塊，使用混淆矩陣計算總體精度和Kappa系數對分類結果進行精度評價[25]。總體精度公式如下：

式中，PC為總分類精度；m為分類類別數；N為樣本總數。Pkk為第k類的判對樣本數。

Kappa系數公式如下：

式中，K為Kappa系數；N為總樣本數；Ppi為某一類所在列總數；Pli為某一類所在行總數。

2 結果與分析

2.1 稀土礦區植被覆蓋度提取結果

基于像元二分模型和隨機森林算法得到的植被覆蓋度分類結果如圖2、圖3所示。由此可以看出，分類后稀土礦區裸地類型的空間分布基本一致，整個贛南6縣稀土礦區主要以低植被覆蓋和中等植被覆蓋為主，植被覆蓋程度較低的地區主要集中在尋烏縣和龍南縣。從各個縣的情況來看，贛縣的稀土礦區數量較少，空間分布較為分散，自礦區復墾以來，贛縣稀土礦區的植被逐漸恢復，幾乎所有稀土礦區都已復綠。信豐縣和安遠縣的稀土礦區相對贛縣來說，數量較多，空間分布相對集中，從政府積極推廣礦山治理以來，大部分稀土礦區的植被恢復情況良好，植被覆蓋率增加，但仍有大面積的裸地，容易引起水土流失和山體滑坡等自然災害，需要盡快治理。定南縣和龍南縣稀土礦的數量很多，空間分布集中且開采面積較小，在2002年以后，改進采礦方式，基本采用原地浸礦工藝，這種工藝對地表植被的破壞較小。定南縣自2009年大規模開展稀土礦區綜合治理以來，礦區植被大面積恢復。尋烏縣稀土礦開采面積較大且分布集中，自稀土礦停止開采以來，尋烏縣積極對礦區進行綜合治理與生態修復，取得了顯著的成效，柯樹塘礦、雙茶亭礦以及周圍的礦區基本實現全面復綠，恢復了生態功能。老鴉橋和石角里等稀土礦區沒有采用生態恢復措施，而是將土地平整后建設為工業園區等建設用地。總體來說，礦區復墾和稀土礦開采工藝的改進使礦區的植被恢復效果較好。

2.2 植被覆蓋度分類方法的比較分析

在圖像上隨機選取400個樣點，結合調查數據和Google Earth高分辨率數據，確認樣點的屬性，將其分別與本文提出的像元二分模型和隨機森林算法提取的植被信息相比較，生成2020年稀土礦區植被覆蓋度分類精度評價混淆矩陣，來反映2種模型的優劣。像元二分模型的總體精度為81.37%，Kappa系數為0.78，隨機森林算法的總體精度為89.86%，Kappa系數為0.83，隨機森林算法在稀土礦區植被覆蓋度分類結果的精度明顯優于像元二分模型。2種方法在高植被覆蓋區域的提取效果差異較小，而隨機森林算法在裸地、低植被覆蓋區域和中等植被覆蓋區域上分類精度較高。

對比圖2和圖3筆者發現，與像元二分模型相比，隨機森林算法得到的分類結果能更詳細反映稀土礦區的植被信息，各種地物之間的界限也更加清晰，分類結果更為細致明顯。根據分類結果，結合同時期的Google高分影像對比發現，裸地主要集中在稀土礦點開發區域，呈連片分布，稀土礦開采造成的尾砂分布范圍和水土流失區域在分類結果上得到了很好體現，表明稀土礦開采引起的裸露地表和尾砂區域是礦區植被覆蓋度很低的主要原因。低植被覆蓋區域主要集中在稀土礦區內的耕地及果園，自稀土礦停止開采以來，贛州市政府做了大量的礦山治理工作，在礦區內種植臍橙、百香果、油茶等經濟作物。中等植被覆蓋區域和高植被覆蓋區域，主要由大量林地、灌木組成，這些區域進行礦區復墾工作較早，植被恢復效果很好。

圖2 像元二分模型分類結果圖

圖3 隨機森林算法分類結果圖

2.3 不同提取方法的差異分析

像元二分模型和隨機森林算法在提取稀土礦區植被覆蓋分類的適用性上存在一定的差異。像元二分模型把1個像元只劃分為2種地物，即植被和裸地，通過對端元的光譜測定，計算其豐度。但是，實際情況是1個像元可能包括多種地物，因此該方法不適用于復雜的植被覆蓋度分類，只能滿足簡單的土地覆蓋情況[26]。而基于多種特征的隨機森林算法可以綜合利用影像的光譜、紋理和雷達特征，雷達波段可以穿透冠層獲取植被信息，且對地表的起伏變化很敏感，主要通過微波在植物表面以及內部的反射和散射來獲取植物信息，因此可以很好的識別出植被[27]。而sentinel-2新增的3個紅邊波段能夠較準確地反映出不同植被覆蓋類別的光譜特征差異，紋理特征的加入可以有效地改善分類效果，因此，多源數據融合與隨機森林算法相結合可以提高稀土礦區植被覆蓋度分類的精度。但是，Sentinel高分辨率影像數據仍然存在“混合像元”的問題，在不同地物類型的交界處，混合地物類型劃分不準確。在使用隨機森林算法時，稀土礦區植被覆蓋分類評價體系繁多、指標多樣，具體如何劃分稀土礦區的植被恢復程度還沒有統一的標準。在研究過程中，由于一定的因素限制，沒有更加細致全面考慮影響植被覆蓋度的多種因素，從而導致2種方法下的分類結果存在差異。

2.4 植被覆蓋度時空變化

贛南礦區屬于典型的亞熱帶季風濕潤氣候，植被類型豐富，降水充沛，植物生長周期快。因此，構建中高分辨率的遙感數據時間序列，對于提高監測效率具有重要意義。由于哨兵數據系列在2015年才開始使用，筆者選取了2016—2020年的Sentinel-1和Sentinel-2數據，通過隨機森林算法提取稀土礦區的植被覆蓋信息，在統一的尺度上研究了近5年來稀土礦區植被覆蓋情況的時空演變規律，分析了不同時期的植被覆蓋變化，結果見表3和圖4。

表3和圖4顯示，在2016—2020年期間，裸地面積在不斷的減少，共減少了1 467 hm2，總體比例下降了24.23%。總的來說，植被覆蓋面積是在不斷增加的，在2020年低植被覆蓋區域面積為2 026hm2，在研究區中所占的比例最大，達到33.48%。高植被覆蓋區域先逐漸增加，在2017年面積達到最高，為734 hm2，后有所下降，至2020年，高植被覆蓋區域面積為520 hm2，在稀土礦區中所占的比例為8.60%。在2013年之后，贛州市政府建立了規范有序的稀土資源開采技術和流程，限制了開采范圍和規模，為遏制生態環境的惡化，政府投入大量資本進行礦山土地復墾，并對稀土礦進行針對性的治理，大部分稀土礦的整體恢復情況良好，稀土礦區的裸地面積在明顯減少，植被面積在不斷地增加。由于大多數的稀土礦停止開采，為了解決失業問題，政府大力推廣當地居民在廢棄的稀土礦區種植臍橙、油茶和百香果等經濟作物，緩解當地的經濟壓力。由于礦區生態環境惡劣，治理過程緩慢，需要較長時間才能恢復，尚未恢復到開采前的水平，目前主要以低植被覆蓋為主。

圖4 贛南稀土礦不同時期植被覆蓋面積變化

表3 贛南稀土礦不同時期植被覆蓋面積統計

對不同時期各縣稀土礦區植被覆蓋面積的統計結果表明（圖5），2016—2020年，贛南6縣稀土礦的植被恢復面積呈逐漸增加的態勢，共增加了4 254 hm2。從各個縣情況來看，裸地面積都呈下降趨勢，其中贛縣裸地減少的比例最大，為47.86%；龍南縣裸地減少的比例最小，為8.21%。從植被恢復情況來看，安遠縣、尋烏縣和贛縣的植被增加的比例較多，恢復效果較好。贛縣是贛州市最早開始稀土礦治理工作的縣區，當地政府首先對稀土開采后留下的裸露地表進行土地平整，再種植可富集稀土元素的寬葉雀稗、鐵芒萁等植物進行土壤改良，改善稀土礦區及周邊的生態環境。因此，稀土礦區的植被恢復效果很好。而龍南縣的植被恢復效果較差，原因是龍南縣有許多稀土礦仍在開采，雖然已經采用原地浸礦工藝，對地表植被的破壞較少，但還是會破壞土壤的酸堿平衡，使植被難以恢復，并且人工治理的面積不大，主要靠自然恢復。總體來看，贛南6縣各縣區的植被恢復情況整體效果較好。

3 討論與結論

本研究以贛南6縣的稀土礦區為例，研究稀土礦區植被覆蓋度的提取方法以及監測礦區的植被恢復效果，得到如下結論：

（1）與以往的稀土礦區植被覆蓋信息提取的研究來比，本研究選用的數據源具有更高的分辨率，稀土礦區植被覆蓋度的分類結果顯示，像元二分模型和隨機森林算法提取的植被覆蓋區域在空間分布上大致相同，說明利用像元二分模型對稀土礦區的植被恢復度分類信息提取具有一定的可行性，但是隨機森林算法具有更高的精度，能夠更加細致的反映稀土礦區植被覆蓋的實際情況。

（2）在隨機森林算法中加入雷達特征、光譜特征和紋理特征后可以提高稀土礦區植被覆蓋度分類結果的精度，能夠有效地區分和統計不同植被恢復程度的稀土礦。此外，隨機森林算法可以從圖像中學習其他特征，并評估選定的特征參數在植被覆蓋度分類中的重要性，與像元二分模型相比，隨機森林算法的結果更加準確。整體而言，這一研究結果和方法有利于對離子型稀土礦區植被恢復程度進行定量監測與分析。

（3）贛南6縣的稀土礦開采規模較大，并且多以堆浸法為主要的開采工藝，該工藝對地表植被的破壞很大，在國家管控稀土礦無序開采之后，各個縣區稀土礦的植被恢復效果整體較好，植被覆蓋率較高。并且近年來贛州市政府積極實施綠色生態修復工程，稀土礦區的植被恢復速度大大加快，原先裸露的地表大部分都已經轉化為植被覆蓋區，有的區域甚至恢復到稀土礦未開采前的植被覆蓋狀態。總體來說，贛南6縣的稀土礦區治理效果較好。