張 耀 ，周 偉

(1.中國地質(zhì)大學(北京) 土地科學技術(shù)學院，北京 100083；2.國土資源部 土地整治重點實驗室，北京 100035)

安太堡露天礦區(qū)復墾地植被覆蓋度反演估算研究

張 耀1，2，周 偉1，2

(1.中國地質(zhì)大學(北京) 土地科學技術(shù)學院，北京 100083；2.國土資源部 土地整治重點實驗室，北京 100035)

長期露天開采造成了植被大面積破壞、土地壓占損毀等環(huán)境問題。利用遙感技術(shù)準確、快速監(jiān)測礦區(qū)植被覆蓋度，對植被恢復和土地復墾監(jiān)管具有重要意義。以山西平朔安太堡露天煤礦為研究對象，利用多時相TM數(shù)據(jù)結(jié)合實地調(diào)查數(shù)據(jù)，采用主成分分析法，從19個植被指數(shù)因子中提取主成分，建立植被覆蓋度反演模型。結(jié)果表明：（1）前兩個主成分PC1和PC2的累積貢獻率為91.508%，建立復墾植被覆蓋度反演模型，經(jīng)檢驗R2=0.742，達到顯著相關(guān)水平。（2）1990～2010年，南、西排土場植被覆蓋度分別增加了20.88%和12.89%，西擴排土場和內(nèi)排土場植被覆蓋度分別降低了18.23%和7.59%，南、西排土場植被覆蓋度和植被覆蓋增加量都大于西擴排土場和內(nèi)排土場的。（3）南、西排土場植被復墾時間都超過了10年，而西擴排土場和內(nèi)排土場的復墾時間少于10年，說明復墾周期長有利于植被恢復，進行復墾工程對礦區(qū)生態(tài)環(huán)境的修復具有直接作用和重要意義。

植被覆蓋度；植被指數(shù)；復墾植被；TM數(shù)據(jù)；露天礦

露天礦開采損毀原始地貌的植被覆蓋、降低土壤養(yǎng)分，嚴重損壞礦區(qū)及周邊的生態(tài)系統(tǒng)[1]。礦區(qū)土地復墾是將采礦對環(huán)境損毀降至最小、恢復當?shù)厣鷳B(tài)平衡的重要手段，是礦山生產(chǎn)建設中的重要環(huán)節(jié)[2]。復墾植被作為復墾最重要步驟之一，其覆蓋度的動態(tài)變化是復墾植被健康狀況的直接表現(xiàn)，是評價復墾效果比較直觀和有效的指標[3]。植被復墾是一個長期的工程，隨著復墾時間的推移，會出現(xiàn)植被物種的更替。因此，根據(jù)植被在生態(tài)環(huán)境中的演化特征，要求復墾植被的監(jiān)測具有動態(tài)性和長期性。持續(xù)的、長期的監(jiān)測復墾植被恢復信息成為土地復墾工程的關(guān)鍵[4]。

傳統(tǒng)樣地采樣方式受時空尺度的限制，參考樣地的選擇有限，且地面監(jiān)測復墾植被的樣方難以根據(jù)復墾植被年限的增長而變化，很難完成長周期多尺度監(jiān)測的目標[5]。而遙感技術(shù)具有覆蓋廣、采樣周期短、可動態(tài)地掌握信息等特點，已成為動態(tài)監(jiān)測區(qū)域植被覆蓋度的重要手段[6]。其中，植被指數(shù)法是從遙感圖像上快速、動態(tài)獲取大范圍植被信息常用的經(jīng)濟有效的方法，通過獲取植被生長狀態(tài)、植被參數(shù)反演、植被時序變化監(jiān)測等信息，來監(jiān)測植被生長狀態(tài)、綠色植被活力等信息，是定量研究植被覆蓋特征的好方法[7]。植被覆蓋度與植被指數(shù)耦合關(guān)系研究有：Purevdorj等通過研究蒙古和日本草原，對NDVI、土壤調(diào)節(jié)植被指數(shù)SAVI等5個植被指數(shù)和植被覆蓋度的相關(guān)性和多項式回歸分析，得到NDVI、SAVI與植被覆蓋度相關(guān)性較高的結(jié)論[8]。黎良財?shù)扔嬎鉔DVI、差值植被指數(shù)DVI、SR等5種植被指數(shù)結(jié)合相機拍攝樣方提取的植被覆蓋度進行分析，建立回歸模型[9]。

國內(nèi)外學者以長時間序列Landsat影像為數(shù)據(jù)源，利用植被指數(shù)、主成分分析等方法分別對不同時空尺度的礦區(qū)植被覆蓋變化進行了研究[10-12]。研究發(fā)現(xiàn)：Erener等用Landsat數(shù)據(jù)NDVI、SR研究土耳其Seyit?mer煤礦，分析表明復墾地植被覆蓋總體呈上升趨勢[13]。Halounova用歸一化植被指數(shù)NDVI、簡單比值指數(shù)SR等8個植被指數(shù)對捷克波西米亞北露天礦的100個復墾森林類型進行對比研究，評價10年間復墾植被恢復情況[14]。Susmita等用NDVI和纓帽變換研究美國阿巴拉契亞南部高植被覆蓋的露天煤礦區(qū)，分析得到森林經(jīng)過擾動與恢復轉(zhuǎn)變的閾值[15]。黎良財?shù)扔肗DVI像元二分模型對鉛鋅礦區(qū)植被覆蓋度進行了時空變化分析[16]。

針對生態(tài)極其脆弱的黃土高原露天礦區(qū)，人工擾動大，破碎化程度高，篩選適宜的植被指數(shù)來反演植被覆蓋度，是定量植被遙感的關(guān)鍵技術(shù)。然而，研究露天礦復墾區(qū)域植被覆蓋的研究不多，尤其是用遙感技術(shù)做長期定量監(jiān)測的研究較少。所以結(jié)合植被地面調(diào)查，包括復墾植被覆蓋度、物種以及群落結(jié)構(gòu)，通過對比復墾植被和原地貌自然植被的這些指標，來評價復墾植被是否達到標準。因此，本文以平朔生態(tài)脆弱區(qū)為研究對象，利用1990～2010年多時相TM影像，通過反演礦區(qū)植被覆蓋度，對復墾植被和當?shù)刂脖坏纳L狀況進行長期、動態(tài)監(jiān)測，分析其時空變化情況，為礦區(qū)土地復墾監(jiān)管的信息化提供支持，為礦區(qū)環(huán)境治理提供決策支持。

1 研究區(qū)概況

平朔礦區(qū)地處黃土高原東部，與晉陜蒙“黑三角”接壤，位于山西省朔州市平魯區(qū)，112.29o～112.46oE，39.40o～ 39.54oN（圖 1）。

圖1 山西平朔位置與礦區(qū)示意Fig.1 Location of Pingshuo mine in Shanxi province

本區(qū)地貌景觀以黃土低山丘陵臺地為主，海拔1 200～1 600 m，地勢東北高，西南低，地表水系屬于海河流域的永定河水系，地表水資源貧乏。本區(qū)屬于半干旱大陸性溫帶季風氣候區(qū)，年平均氣溫6.0℃，年降水量450.0 mm，年蒸發(fā)量2 160.0 mm。本區(qū)屬于中國植被區(qū)劃中的VI溫帶草原區(qū)域VIA東部草原亞區(qū)域VIAii溫帶北部草原地帶VIAiia溫帶南部森林（草甸）草原亞地帶VIAiia-4晉北山地森林草原區(qū)。植被以旱生和旱中生草原植物區(qū)系成分為主，植被覆蓋率低，主要植被群落類型有長芒草、扁穗冰草、克氏針茅等耐旱植物。礦區(qū)農(nóng)田栽培作物屬一年一熟制，主要農(nóng)作物有玉米、谷子、莜麥等。本區(qū)主要地帶性土壤為栗鈣土、栗褐土、黃綿土。平朔礦區(qū)屬寧武煤田北部區(qū)域，煤炭儲量127.5億t，開采時間1986～2095年，持續(xù)時間約為 110 年。平朔煤礦有三個露天礦：安太堡露天礦，安家?guī)X露天礦，東露天礦。本文主要研究區(qū)域為安太堡露天礦，其開采與復墾基本情況見表1。

2 數(shù)據(jù)獲取與研究方法

2.1 復墾植被覆蓋度的野外調(diào)查

復墾區(qū)域的植被覆蓋度獲取對于模型建立和反演非常重要。選擇安太堡南排土場的四塊樣地（SⅠ、SⅢ、SⅣ、SⅤ）為樹木植被覆蓋度調(diào)查樣地，樣地被國土資源部列為復墾示范基地，樣地基本情況見表2。野外調(diào)查時間為2010年8月，以10m×10m樣方為樹種編號單元，調(diào)查內(nèi)容包括樹木的樹種名稱、高度、冠幅、胸徑、物候期和地理位置等信息，并建立數(shù)據(jù)庫。由于需要跟TM影像匹配分析，需要對樣方進行重采樣，生成30m×30 m網(wǎng)格，每個網(wǎng)格在TM影像上為1個像元大小，每個網(wǎng)格內(nèi)有9個原樣方（3×3），重采樣后樣方數(shù)量為32個。野外調(diào)查樹木植被覆蓋度是樹木冠層垂直投影面積占樣地面積的百分比，其取值范圍為0～100%[17]。

表1 安太堡排土場的開采與復墾基本情況Table 1 Dumps area and the time of mining and reclamation

表2 野外調(diào)查樣地信息概況?Table 2 Description of the sample plots

2.2 遙感數(shù)據(jù)源

采用安太堡礦區(qū)處于植被生長季節(jié)的Landsat TM數(shù)據(jù)（美國地質(zhì)調(diào)查局提供）作為數(shù)據(jù)源，數(shù)據(jù)獲取日期為1990-08-22、2000-08-10、2000-09-11、2000-09-18、2010-07-05、2010-07-12、2010-09-14。遙感影像研究區(qū)域無云覆蓋，已經(jīng)過輻射定標、大氣校正和幾何校正，數(shù)據(jù)質(zhì)量較好。為了減少物候變化對植被生長狀況的影響，取數(shù)據(jù)每年植被生長季的不同月份的均值為該年數(shù)值。利用外業(yè)調(diào)查范圍作為邊界，裁剪出研究區(qū)域TM影像。

2.3 植被指數(shù)的計算

植被指數(shù)是一種無量綱指數(shù)，是多個波段光譜反射率的線性或非線性組合，從而將多光譜中的重要光譜信息壓縮到一個植被指數(shù)通道，實現(xiàn)多光譜數(shù)據(jù)的降維。遙感圖像上的植被信息，是通過植物葉子和植被冠層的光譜特征反映的?？梢姽饩G光波段（520～590 nm）對區(qū)分植物類別敏感，紅光波段（630～690 nm）對植被覆蓋度、植被生長狀況敏感。可見光譜段（380～760 nm）受葉子葉綠素含量控制，近紅外譜段（760～1 100 nm）受葉內(nèi)細胞結(jié)構(gòu)控制，短波紅外譜段（1 300～2 500 nm）受葉細胞內(nèi)水分含量控制[17]。

目前，已研究發(fā)展了40多種不同的植被指數(shù)，每一種植被指數(shù)創(chuàng)立都有明確的理論依據(jù)和應用目的。最常用的歸一化植被指數(shù)NDVI能定量表達植被覆蓋信息，適用于植被發(fā)育中期或中等覆蓋度的植被監(jiān)測。結(jié)合植被在短波紅外波段反射率受到水分強吸收的特點，歸一化水分指數(shù)NDWI來更有效的反演植被冠層水分含量[18]。由于受到土壤背景和大氣噪聲的影響，對不同覆蓋區(qū)的出現(xiàn)敏感度不同的情況，需要加入不同參數(shù)來消除其影響的植被指數(shù)。在降低土壤背景的影響方面，SAVI引入土壤調(diào)節(jié)參數(shù)L能夠隨植被密度變化自動調(diào)節(jié)來減小土壤的影響[19]；增強型植被指數(shù)EVI通過加入藍波段增強植被信號，校正土壤背景和氣溶膠散射的影響，更為適用于植被茂密地區(qū)[20]。在減少大氣散射的影響方面，大氣阻抗植被指數(shù)ARVI通過歸一化藍、紅和近紅外波段的輻射來減少大氣效應的敏感程度[21]。本文選用礦區(qū)常用的植被指數(shù)見表3。

表3 植被指數(shù)計算公式Table 3 Equation of vegetation indices for Landsat image

2.4 纓帽變換

纓帽變換也成Kauth-Thomas變換（KT），該變換是一種特殊的主成分分析，是基于多波段圖像的線型變換，是一種全球性的植被指數(shù)。KT變換可從TM圖像中分解出每個像元的土壤亮度指數(shù)（KTB，反映土壤信息）、綠度指數(shù)（KTG，反映生物量特征，與圖像上植被數(shù)量相關(guān)）和濕度指數(shù)（KTW，與冠層和土壤濕度相關(guān)）[22]。計算公式：

式中，Rblue、Rgreen、Rred、Rnir分別為藍、綠、紅和近紅外波段的反射率，R1.6um為1.6 um的短波紅外反射率，R2.2um為2.2 um的短波紅外反射率。

3 結(jié)果與分析

3.1 復墾排土場植被覆蓋度估測模型構(gòu)建

用SPSS軟件對樣地的19個植被指數(shù)因子進行相關(guān)性分析（表4），大多數(shù)植被指數(shù)與植被覆蓋度顯著相關(guān)（|Pearson| ＞0.7，P＜0.05），BGI與植被覆蓋度不相關(guān)（P＞0.05），結(jié)果說明因子間可能存在多重相關(guān)性。在復墾區(qū)域植被覆蓋度的定量評價中，需要采用多元線性回歸或逐步回歸方法建立植被覆蓋度與植被指數(shù)回歸模型。這種方法簡便易行，但回歸模型中的相關(guān)變量會影響模型精度，甚至出現(xiàn)病態(tài)模型，因此采用主成分分析法，篩選植被指數(shù)因子，生成主成分分量。由于主成分分量間具有相互正交的特性，多個主成分分量之間相互獨立，這樣既可保留不同植被指數(shù)信息的主要特征，又可避免變量之間多重相關(guān)。因此，本文采用主成分分析篩選植被指數(shù)的主成分，再建立主成分與植被蓋度的回歸模型，用于估測復墾地植被覆蓋度。

對樣地的19個植被指數(shù)因子進行主成分分析（表4，圖2），由表4看出，前2個主成分的樣本方差已達到91.508%，反映了樣本的主要信息，之后的主成分分量反映的信息量較少。信息量主要由PC1和PC2集中反映，變量由多個因子降為2個綜合變量，通過主成分變換起到了保留樣本主要信息和降維作用。因子載荷分析表明，第一主成分PC1反映大部分信息，貢獻率為84.656%，與PC1顯著相關(guān)的因子有：AFRI、ARVI、DVI、EVI、KTG、KTW、NDBI、NDVI、NDWI、PVI、RDVI、RGI、SR、TVI、VARI；第二主成分PC2反映部分信息，貢獻率為6.852%，與PC2相關(guān)的因子有：與土壤相關(guān)因子SAVI和KTB，與大氣相關(guān)因子VARI。

表4 相關(guān)性系數(shù)、公因子方差提取和主成分因子載荷、特征值及貢獻率Table 4 Coefficient, common factor variance extraction,factors loading value, eigenvalue and contributiveness

圖2 旋轉(zhuǎn)空間的成分圖Fig 2 Composition diagram of rotation space

以主成分為自變量，將野外調(diào)查得到的32個樣方的植被覆蓋度為因變量，進行多元線性回歸分析，建立植被覆蓋度估測模型。計算公式為：

式中：Y為復墾地植被覆蓋度（%）。模型方差分析及線型回歸關(guān)系顯著性檢驗結(jié)果見圖3、表5?；谶b感植被指數(shù)的主成分和礦區(qū)復墾排土場植被覆蓋度具有顯著相關(guān)關(guān)系，相關(guān)系數(shù)R2=0.742，說明反演的效果較好。但低植被覆蓋度區(qū)域反演蓋度比實測覆蓋度高，這可能與兩者的尺度差異和實際測定的方法有關(guān)。高植被覆蓋區(qū)域點的離散度較高，說明高植被覆蓋條件下反演結(jié)果可能受到植被密度、植被光學厚度等參數(shù)的影響較大。

圖3 反演植被覆蓋度與實測植被覆蓋度的關(guān)系Fig. 3 Relationship between fi eld measured vegetation fraction and modeled vegetation fraction

表5 方差分析Table 5 Variance analysis

3.2 植被覆蓋度反演結(jié)果分析

2010年，基于主成分分析植被覆蓋度反演結(jié)果，見表6、圖4。2010年，南排土場反演植被覆蓋度為98.85%，這與礦區(qū)實地調(diào)查的大于90%結(jié)果一致；西排土場估測植被覆蓋度為99.81%，這與礦區(qū)實地調(diào)查該區(qū)域植被覆蓋度大于95%結(jié)果一致。這說明，基于主成分分析植被覆蓋度反演模型取得良好結(jié)果，可用于分析研究區(qū)植被覆蓋狀況。

表6 1990～2010年各排土場植被覆蓋度估測值Table 6 Vegetation fraction of dumps from 1990 to 2010

圖4 1990～2010年各排土場植被覆蓋度估測趨勢Fig.4 Vegetation fraction of dumps from 1990 to 2010

由表6、圖4可知，2010年礦區(qū)西擴排土場、內(nèi)排土場反演植被覆蓋度分別為81.77%、79.87%，南排土場和西排土場植被覆蓋優(yōu)于西擴排土場和內(nèi)排土場，說明西擴、內(nèi)排土場植被復墾情況弱于南、西排土場復墾情況。這是由于南排土場從1992-1997年開始復墾，西排土場從1994～1997年開始復墾，截止2010年兩個排土場的復墾時間都超過了10年。南排土場植被覆蓋度從1990年的77.97%升至2010年的98.85%，20年增加了20.88%。西排土場植被覆蓋度從1990年的86.92%增至2010年的99.81%，20年增加了12.89%，說明兩地植被恢復情況較好，復墾工程基本完成。西擴排土場1993年開始開采，1990年植被覆蓋度與原地貌林地覆蓋度一致，為100%；2000年降至84.53%，到了2010年降至81.77%，20年植被覆蓋度降低了18.23%，西擴排土場2001～2008年開始復墾，由于復墾時間較短，植被覆蓋度的變化不顯著，需要繼續(xù)進行植被的恢復工程。內(nèi)排土場1997年開始開采，1990年植被覆蓋度為87.46%，低于原地貌林地覆蓋度，這是由于內(nèi)排土場于1987年安太堡煤礦開采之初就作為生產(chǎn)區(qū)域，以礦山建筑和運煤通道為主，植被覆蓋已遭到破壞；2000年降至76.20%，2010年增至79.87%，這說明復墾植被已使區(qū)域內(nèi)植被覆蓋增加，但由于復墾時間較短和開采還在進行的情況，該區(qū)域植被覆蓋度較低，需要持續(xù)復墾。

4 結(jié)論與討論

（1）以安太堡露天礦為研究對象，采用主成分分析法，篩選提取了19個植被指數(shù)因子的主成分，利用得到的主成分建立了礦區(qū)復墾植被覆蓋度反演模型，經(jīng)過方差分析及相關(guān)性檢驗，達到顯著相關(guān)水平，取得了良好精度。在與植被覆蓋度相關(guān)的多個植被指數(shù)因子中，利用主成分分析方法，篩選主成分，再利用主成分值與復墾林地植被覆蓋度建立估測模型，既可以保留多個植被指數(shù)的主要信息，又可以避免因子間共線性的問題，起到降維、簡化模型的作用，是提取與復墾地植被覆蓋度相關(guān)的植被指數(shù)因子、估測復墾地植被覆蓋度的一種有效方法。

這種方法可操作性強、技術(shù)路線簡單，也可適用于不同分辨率的數(shù)據(jù)，對黃土高原煤礦區(qū)植被的生長信息有良好的監(jiān)測能力，可用于實時、動態(tài)對礦區(qū)復墾進展做長期的監(jiān)測和評價，能滿足礦區(qū)植被覆蓋定量化的研究要求，可以為建立土地復墾監(jiān)管指標體系做基礎數(shù)據(jù)。

然而，由于實測數(shù)據(jù)是在覆蓋度較高的南排土場，反演結(jié)果在低植被覆蓋區(qū)域精度較低，所以今后的研究中需要加入更多不同覆蓋度的實地驗證數(shù)據(jù)來提高模型精度。

（2）截止2010年，南排土場從1992～1997年開始復墾，西排土場從1994～1997年開始復墾，兩個排土場的復墾時間都超過10年，1990～2010年南排土場、西排土場的植被覆蓋度分別增加了20.88%和12.89%；西擴排土場1993年開始開采，2001～2008年開始復墾，內(nèi)排土場1997至今進行復墾，兩個排土場的復墾時間較短，1990～2010年西擴排土場、內(nèi)排土場的植被覆蓋度分別降低了18.23%和7.59%，南排土場和西排土場植被覆蓋度和增加量都優(yōu)于西擴排土場和內(nèi)排土場，這說明復墾周期長有利于植被恢復，復墾工程的進行對礦區(qū)生態(tài)環(huán)境的修復具有直接作用和重要意義。對比原地貌植被，經(jīng)過人工復墾的植被長勢持續(xù)良好，整體優(yōu)于未擾動區(qū)的植被。

（3）平朔煤礦從1990～2010年期間的20年，在不同時期做了大量的生態(tài)補償措施，在一定程度上減輕周邊環(huán)境的影響。平朔礦區(qū)在生態(tài)修復方面成效顯著，有很多成功經(jīng)驗值得其他礦區(qū)借鑒：礦區(qū)采用邊開采邊復墾的技術(shù)，土地利用類型呈“原地貌-剝離區(qū)-采場-排土場-復墾區(qū)”周期性轉(zhuǎn)換模式，礦區(qū)持續(xù)穩(wěn)定的環(huán)境保護投入與卓有成效的土地復墾工作，保障了礦區(qū)的生態(tài)環(huán)境修復的持續(xù)與強化。復墾區(qū)人工植被面積增大，隨著時間推移形成了較穩(wěn)定的植被群落，對新增排土場需及時進行植被修復，優(yōu)化植物物種，有助于人工植被向自然植被的演替，有利于黃土高原生態(tài)環(huán)境修復。

致謝：本文特別感謝印第安納州立大學的謝燕華博士的悉心指導與幫助。

[1] 胡振琪,龍精華,王新靜.論煤礦區(qū)生態(tài)環(huán)境的自修復、自然修復和人工修復[J].煤炭學報,2014(8): 1751-1757.

[2] Prakash A, Gupta R P. Land-use mapping and change detection in a coal mining area - a case study in the Jharia coal fi eld, India[J].International Journal of Remote Sensing, 1998,19(3): 391-410.

[3] Zhang Yan, Yang Jianying, Wu Hai-long, et al. Dynamic changes in soil and vegetation during varying ecological-recovery conditions of abandoned mines in Beijing[J]. Ecological Engineering,2014,73: 676-683.

[4] Alday Josu G., Santana Víctor M., Marrs Rob H., et al. Shrubinduced understory vegetation changes in reclaimed mine sites[J]. Ecological Engineering, 2014,73: 691-698.

[5] 宋祥蘭,王蘭英,鄺先松,等.贛南廢棄稀土礦區(qū)植被恢復模式試驗[J].中南林業(yè)科技大學學報, 2015,35(6): 58-62.

[6] 嚴恩萍,林 輝,黨永峰,等.2000-2012年京津風沙源治理區(qū)植被覆蓋時空演變特征[J].生態(tài)學報, 2014,34(17):5007-5020.

[7] Ramoelo Abel, Dzikiti Sebinasi, van Deventer Heidi, et al.Potential to monitor plant stress using remote sensing tools[J].Journal of Arid Environments, 2015,113: 134-144.

[8] Purevdorj T, Tateishi R, Ishiyama T, et al. Relationships between percent vegetation cover and vegetation indices[J]. International Journal Remote Sensing, 1998,19(18): 3519-3535.

[9] 黎良財,張曉麗,鄧 利,等.廣西巖溶地區(qū)植被覆蓋度與植被指數(shù)耦合模型研究[J].中南林業(yè)科技大學學報, 2015,35(5): 28-34.

[10] Bakr N, Weindorf D C, Bahnassy M H, et al. Monitoring land cover changes in a newly reclaimed area of Egypt using multi-temporal Landsat data[J]. Applied Geography, 2010,30(4):592-605.

[11] Larsson H. Linear regression s for canopy cover estimation in Acacia woodlands using Landsat-TM, -MSS and SPOT HRV XS data[J] .International Journal Remote Sensing, 1993, 14(11):2129-2136.

[12] Prakash A, Gupta R P. Land-use mapping and change detection in a coal mining area-a case study in the Jharia coal fi eld, India[J].International Journal of Remote Sensing, 1998,19(3): 391-410.

[13] Erener Arzu. Remote sensing of vegetation health for reclaimed areas of Seyit?mer open cast coal mine[J]. International Journal of Coal Geology, 2011,86(1): 20-26.

[14] Halounová L. Reclamation areas and their development studied by vegetation indices[J]. International Journal of Digital Earth,2008,1(1): 155-164.

[15] Sen Susmita, Zipper Carl E, Wynne Randolph H, et al.Identifying revegetated mines as disturbance/ recovery trajectories using an interannual Landsat chronosequence[J].Photogrammetric Engineering & Remote Sensing, 2012,78(3):223-235.

[16] 黎良財,鄧 利,曹 穎,等.基于NDVI像元二分模型的礦區(qū)植被覆蓋動態(tài)監(jiān)測[J].中南林業(yè)科技大學學報,2012,32(6): 18-23.

[17] Gitelson A, Kaufman YJ, Stark R, et al. Novel algorithms for remote estimation of vegetation fraction[J].Remote Sensing of environment, 2002,80(01): 76-87.

[18] Gu Yingxin, Hunt Eric, Wardlow Brian, et al. Evaluation of MODIS NDVI and NDWI for vegetation drought monitoring using Oklahoma Mesonet soil moisture data[J]. Geophysical Research Letters, 2008,35(22).

[19] Huete Alfredo R. A soil-adjusted vegetation index (SAVI)[J].Remote sensing of environment, 1988,25(3): 295-309.

[20] Li Zhongfei, Li Xiaobing, Wei Dandan, et al. An assessment of correlation on MODIS-NDVI and EVI with natural vegetation coverage in Northern Hebei Province, China[J]. Procedia Environmental Sciences, 2010,2: 964-969.

[21] Kaufman J, Tanre D. Atmospherically resistant vegetation index(ARVI) for EOS-MODIS[J]. IEEE Transactions on Geoscience and Remote sensing, 1992,30(2): 261-270.

[22] Crist E P, Kauth R J. The Tasseled Cap De-Mystified[J].Photogrammetric Engineering and Remote Sensing, 1986,52(1):81-86.

Remote estimation of vegetation fraction for reclaimed areas of Antaibao opencast mine

ZHANG Yao1,2, ZHOU Wei1,2
(1. School of Land Science and Technology, China University of Geosciences(Beijing), Beijing 100083, China;2. Key Laboratory of Land Consolidation and Rehabilitation, Ministry of Land Resources, Beijing 100035, China)

In an area like the Antaibao coal mine, where extensive and rapid opencast mining is going on continuously, long-term reclamation monitoring is important. Accurate information of vegetation fraction is important for assessing how mining activities affect the ecosystem in mining areas. The principal components (PCs) for vegetation indices (VIs) are obtained by principal components analysis (PCA). A remote sensing method based on vegetation cover monitoring and assessment by using Landsat data sets with the temporal coverage from 1990 to 2010 was presented and applied to the Antaibao opencast mine, Shanxi Province, China. To reduce the impact of phenology on remote sensing based vegetation monitoring, 7 Landsat data were selected during vegetation growing season(June～October). A total of 33 pixels were selected as the survey fi elds during vegetation growth season in August 2010. VF of arbores canopy in the selected plots was computed. We monitored reclaimed vegetation variation through analyzing time series data of 19 vegetation indices, which were usually applied to mine area monitoring, such as NDVI, EVI. PCA for the VIs, the accumulative ratio of contribution of the fi rst two PCs is 91.508%，the variance contribution rate of PC1 is 84.656%, and the variance contribution rate of PC2 is 6.852%.The VF model was set up by regression analysis of SPSS based on the PC1 and PC2. T test examination showed that the fi eld VF was correlated signi fi cantly to PC1 and PC2, the correlation coef fi cient R2 of the model was 0.742. The result con fi rmed that the PCA in the inversion of vegetation fraction worked effectively, which could be widely used. In addition, we concluded that the vegetation system of South Dump, West Dump and West Enlarged Dump had gradually transformed to the natural ecosystem from 1990～2015.The vegetation in Inner Dump and Inner Enlarged Dump should be well restored. Reclamation was a long-time and dynamic project,whose effect is hard to determine in short term, while remote sensing technology is an effective way to monitor the inter-annual variation of vegetation recovery.

Vegetation fraction; Vegetation indices; Revegetation; TM data; Opencast mine

S771.8

A

1673-923X(2016)11-0113-07

10.14067/j.cnki.1673-923x.2016.11.020

2016-04-14

國家自然科學基金資助項目(41571508)

張 耀，碩士研究生 通訊作者：周 偉，教授；E-mail：zhouw@cugb.edu.cn

張 耀，周 偉.安太堡露天礦區(qū)復墾地植被覆蓋度反演估算研究[J].中南林業(yè)科技大學學報，2016, 36(11): 113-119.

[本文編校：吳 毅]