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(tài)環(huán)境也造成了嚴重破壞[1]。煤礦開采后產(chǎn)生的廢棄煤礦帶來諸多生態(tài)環(huán)境問題，主要表現(xiàn)為地表植被剝離、地表沉陷、礦區(qū)土壤污染、礦區(qū)地表水體和地下水污染等[2]。消除礦業(yè)生產(chǎn)造成的環(huán)境污染和破壞、修復當?shù)氐纳鷳B(tài)環(huán)境、廢棄煤礦資源再利用與生態(tài)修復已迫在眉睫，也是生態(tài)文明建設(shè)的必然要求。植被恢復是改善礦區(qū)生態(tài)環(huán)境最常用也是最有效的方法之一[3]，通過植被恢復，建立穩(wěn)定、高效的礦區(qū)廢棄地人工植被生態(tài)系統(tǒng)，為動植物的生存提供良好的生態(tài)環(huán)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(tǒng)的功能改善廢棄礦區(qū)生態(tài)環(huán)境，促進生物物種的多樣性，而且對林地本身及其周圍環(huán)境的生態(tài)效應(yīng)造成一定影響，進而對區(qū)域和全球的生態(tài)平衡產(chǎn)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(gòu)建技術(shù)、固廢覆綠景觀再造技術(shù)、生物墊護坡加固技術(shù)、植被組合搭配技術(shù)和高污染滲瀝液生態(tài)降解等技術(shù)對大通廢棄煤礦礦區(qū)進行生態(tài)修復[6]。目前原國內(nèi)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(tài)、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(yīng)。由于森林生態(tài)系統(tǒng)是一個龐大而復雜的動態(tài)變化系統(tǒng)，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(shù)可以獲取礦產(chǎn)資源開發(fā)及礦山環(huán)境動態(tài)宏觀觀測數(shù)據(jù)，并且遙感獲取的數(shù)據(jù)量大、更新快，能夠有效地對所需的礦山環(huán)境相關(guān)數(shù)據(jù)進行更新和提取，以便進行實時監(jiān)測。生態(tài)恢復與重建評估多屬于定性評估[12-14]，隨著遙感技術(shù)的發(fā)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(shù)學模型進行定量分析。

本文利用WorldView-3衛(wèi)星影像為數(shù)據(jù)源，并結(jié)合GPS定位數(shù)據(jù)及實測數(shù)據(jù)，提取大通濕地內(nèi)受災生態(tài)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(tài)恢復與重建生態(tài)效益評價提供數(shù)據(jù)支持。研究成果可為廢棄煤礦生態(tài)環(huán)境監(jiān)測及生態(tài)恢復效果評估工作提供參考。

1 研究區(qū)域概況

大通廢棄礦位于安徽省淮南市東部的大通區(qū)(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(cè)為舜耕山，北側(cè)為平原。礦區(qū)內(nèi)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(qū)土壤有效含水量在6%～9%，且四季溫差小，利于植物生長發(fā)育[15]。自采空后礦區(qū)內(nèi)塌陷呈凹槽形狀，地下水位不斷升高，開采沉陷區(qū)出現(xiàn)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(chǔ)上進行生態(tài)恢復后建設(shè)大通濕地生態(tài)區(qū)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(nèi)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(nèi)主植被可明顯分為沉降坑植物、煤矸石環(huán)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(shù)據(jù)源與方法

2.1 WorldView-3數(shù)據(jù)

WorldView-3是美國DigitalGlobe公司于2014年8月發(fā)射的第4代高解析度光學衛(wèi)星，是目前世界上分辨率最高的光學衛(wèi)星。WorldView-3衛(wèi)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(shù)據(jù)[17]。本文研究使用的WorldView-3數(shù)據(jù)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(tǒng)為WGS-84，覆蓋研究區(qū)全境。

圖1 大通濕地地理位置

圖2 大通濕地生態(tài)修復林淹水脅迫

2.2 實測數(shù)據(jù)

在森林成分混雜的大面積地區(qū)，根據(jù)森林條件、樹種、地形和可測量性，設(shè)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(jiān)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(qū)域。為了檢驗生態(tài)恢復林的樹種分類精度，2016年4月和5月在大通濕地內(nèi)設(shè)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(tài)(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(qū)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(chǔ)，本文設(shè)計了圖4所示的技術(shù)路線。利用WorldView-3數(shù)據(jù)結(jié)合實地測量數(shù)據(jù)，獲取大通濕地內(nèi)植被分布信息；利用GPS數(shù)據(jù)提取地表滲水區(qū)，與遙感影像和實測數(shù)據(jù)結(jié)合，提取大通濕地內(nèi)的生態(tài)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(jié) 果

3.1 面向?qū)ο蟮谋O(jiān)督分類

基于文獻資料并結(jié)合實地測量數(shù)據(jù)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(shù)據(jù)、谷歌地球、現(xiàn)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(jiān)督分類(如圖5所示)。基于樹種的監(jiān)督分類精度的混淆矩陣見表2。

表2 面向?qū)ο笾脖环诸惢煜仃?/p>

圖5 大通濕地植被覆蓋分類

從分類結(jié)果與精度評價的數(shù)據(jù)來看，濕地內(nèi)植被信息提取效果較好，總體分類精度達到88.5%，Kappa系數(shù)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(chǎn)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(gòu)樹被錯分為響葉楊。WorldView-3數(shù)據(jù)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(jù)WorldView-3數(shù)據(jù)提取地表植被信息結(jié)果，濕地內(nèi)植被資源信息見表3。

表3 大通濕地植被資源

根據(jù)上述分類和統(tǒng)計結(jié)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(nèi)價值最高的樹種，同時也是大通濕地生態(tài)修復林的優(yōu)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(nèi)空曠的區(qū)域和生態(tài)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(shù)據(jù)，結(jié)合手持GPS測量的地表滲水區(qū)域邊界數(shù)據(jù)，提取大通濕地內(nèi)地表滲水區(qū)的遙感影像，并對其進行監(jiān)督分類(如圖6所示)。滲水區(qū)內(nèi)基于樹種的監(jiān)督分類精度的混淆矩陣見表4。

圖6 大通濕地滲水區(qū)內(nèi)淹水脅迫植被分類

根據(jù)分類結(jié)果與精度評價的數(shù)據(jù)，地表滲水區(qū)內(nèi)植被信息提取效果較好，總體分類精度達到91.6%，Kappa系數(shù)為0.87。根據(jù)監(jiān)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(chǎn)者精度和用戶精度分別為98.8%和99.7%，較濕地整體分類結(jié)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(qū)內(nèi)分布相對集中，屬于優(yōu)勢樹種，并且與其他樹種有明顯的界線。構(gòu)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(gòu)樹。刺槐和構(gòu)樹是大通濕地內(nèi)闊葉林的主要構(gòu)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(qū)內(nèi)植被分類混淆矩陣

續(xù)表4

災情結(jié)果表明，從2015—2017年地表滲水區(qū)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(gòu)樹、楊柳和草，各植被受災災情信息見表5。

表5 大通濕地內(nèi)植被淹水脅迫災情統(tǒng)計

根據(jù)災情統(tǒng)計，大通濕地內(nèi)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(gòu)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(jié) 論

本文以淮南市大通濕地為例，利用WorldView-3和GPS數(shù)據(jù)，實現(xiàn)了植被淹水脅迫的定位觀測，有效提取了大通濕地內(nèi)淹水脅迫災情。研究結(jié)果表明：①水杉是大通濕地內(nèi)價值最高的樹種，也是大通濕地生態(tài)修復林的優(yōu)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(qū)內(nèi)，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(nèi)草地總面積的61%。隨著煤礦塌陷區(qū)面積的不斷擴大，大通濕地內(nèi)地表滲水區(qū)面積也逐漸擴大，積水逐步綿延到濕地內(nèi)生態(tài)恢復林區(qū)，使大通濕地內(nèi)植物的形態(tài)結(jié)構(gòu)發(fā)生變化，甚至死亡，對濕地內(nèi)的生態(tài)系統(tǒng)及環(huán)境質(zhì)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(jié)合更高分辨率遙感數(shù)據(jù)源，加強對地表光譜信息的探測；對于水域邊界的測量，需結(jié)合更高分辨率的定位儀器。在后續(xù)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(jiān)測能力。