CN112365158A - 一种基于遥感数据的矿山复绿监测与评价方法 - Google Patents
一种基于遥感数据的矿山复绿监测与评价方法 Download PDFInfo
- Publication number
- CN112365158A CN112365158A CN202011252345.8A CN202011252345A CN112365158A CN 112365158 A CN112365158 A CN 112365158A CN 202011252345 A CN202011252345 A CN 202011252345A CN 112365158 A CN112365158 A CN 112365158A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- growth
- annual
- grndvi
- restoration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000012010 growth Effects 0.000 claims abstract description 114
- 230000000694 effects Effects 0.000 claims abstract description 57
- 230000008859 change Effects 0.000 claims abstract description 45
- 238000005065 mining Methods 0.000 claims abstract description 24
- 238000011160 research Methods 0.000 claims abstract description 24
- 230000008439 repair process Effects 0.000 claims abstract description 21
- 238000011084 recovery Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 5
- 230000000052 comparative effect Effects 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001308 synthesis method Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000012937 correction Methods 0.000 description 6
- 230000005855 radiation Effects 0.000 description 4
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101100400452 Caenorhabditis elegans map-2 gene Proteins 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Multimedia (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于遥感数据的矿山复绿监测与评价的方法,步骤一、影像获取与预处理;步骤二、总体年际植被长势分级分析;步骤三、总体植被长势变化分析;步骤四、监测地类变化;步骤五、监测正常与修复植被长势趋势异同;步骤六、监测修复植被分级长势变化;步骤七、区域年际修复效果评价;步骤八、年际综合修复效果评价;步骤九、整体修复效果评价。本发明可快速并同时获得研究区域内土地类型和植被生长变化结果,表明矿区扩张和恢复的动态变化;可监测修复植被是否正常生长;分析修复植被各方面变化情况;分析年际修复植被动态变化;定量评价年际修复效果;确定研究区植被综合恢复效果。本发明可有效进行矿山植被恢复各方面监测,为生态保护和矿山开发监督提供数据支持。
Description
技术领域
本发明涉及矿山等脆弱生态环境的植被长势动态监测技术领域,具体的说是一种基于遥感数据的矿山复绿监测与评价的方法。
背景技术
近年来,国家重视开采及已关闭矿山造成的环境污染,采取了一系列环境污染修复措施。矿山具有污染物和污染源较明确、面积较大、地形较复杂等特点,现阶段,较适宜普遍的方式是采用化学和植物修复等措施。其中植被修复的手段使矿山复绿,对矿区生态系统的恢复和循环尤为重要。
以往在大面积的植被生长监测方面,重复进行野外调查效率低下,如何在矿区开采复杂的环境下快速准确的获取植被生长状况,是矿山复绿监测与评价中十分重要的一个问题。
遥感具有处理大规模问题、重复周期短、信息量大等特点,十分适合调查土地利用和监测植被长势变化。中等空间分辨率的Landsat卫星数据具有显著表达地表覆盖特征的能力,在土地植被利用分类与检测等领域发挥着重要作用。基于长时间序列的卫星遥感数据,可以快速得到时间格局上的矿区修复植被的长势变化,通过结合空间格局上的植被生长分析,可以客观地监测与评价矿山植被修复的效果。
发明内容
本发明的目的在于提供一种基于遥感数据的矿山复绿监测与评价的方法,以解决目前大面积的植被生长监测方面,重复进行野外调查效率低下的问题。
为了实现上述功能,本发明一种基于遥感数据的矿山复绿监测与评价的方法,将采用以下技术方案:
步骤一、影像获取与预处理
根据研究区情况,范围上选取研究区所在Landsat影像,时间范围上选取的是植被生长季节4-10月份,然后下载数据,本发明研究时间为2011年到2018年。首先基于原始下载数据的辐射校正系数,对数据进行辐射校正,然后对数据进行大气校正,得到研究区地表反射率影像,为了去除云的干扰,还需进行云掩膜,然后根据研究区域对图像进行裁剪;
步骤二、总体年际植被长势分级分析
NDVI作为最常用的植被指数已广泛用于植被生长监测研究,但该指标受大气条件,土壤背景和高植被覆盖率的影响。简单比率指数(SR)也是一种众所周知的植被指数,具有改善的土壤背景和饱和度,但是当叶面积指数值高且植被茂密时,其敏感性会降低。生长根归一化差分植被指数GRNDVI(the growth root normalized differential vegetationindex)结合了SR和NDVI的优势,对包括林地,草原和其他植被类型的区域的植被长势诠释更好,计算GRNDVI用于植被长势分析。所述的生长根归一化差分植被指数计算公式如下:
GRNDVI指数由红光波段(ρRED)和近红外波段(ρNIR)反射率计算生成,值始终为正值,值越大,代表植被长势状况越好,反之植被长势状况越差。
根据研究内容,利用已提出的最大值合成法MVC(the maximum value compositemethod)对每月植被指数GRNDVI取最大值,以消除云的干扰,然后每年生长季的遥感图像的MVC结果取均值,并据当地情况分为5级,得到每年植被长势分级图(具体分级见下面具体实施方式步骤二);
步骤三、总体植被长势变化分析
植被长势的动态变化监测十分重要。同期对比法,即使用相同生长季节但不同年份的植被来评估植被生长的时间和空间分布,从而反映了植物生长的长期变化,反映植被长势在时间和空间上的变化。选择已发表的同期对比法中的距平法,本发明构建GRNDVI距平法公式,可以突出采矿区植被生长的变化,植被长势年际变化较明显。植被生长趋势表达式如下:
式中,RGRNDVI为植被生长趋势情况,GRNDVIm为监测年份植被指数值,GRNDVIn为比较年份植被指数值;
步骤四、监测地类变化
通过矿区裸地和植被的面积及植被长势,能够监测矿区植被的恢复状况。结合步骤二得到的各年的GRNDVI分级之前的值和步骤三的GRNDVI距平法值,本发明创建新公式并计算地类变化因子LTC(the land type changes),研究得到每年矿区扩张面积、植被的修复面积和植被长势动态变化(具体说明见下面具体实施方式步骤四),分析矿区的扩张和植被恢复状况。其公式为:
L TC=GRNDVIm×GRNDVIn×RGRNDVI (3)
式中,GRNDVIm和GRNDVIn分别为监测年份和比较年份的GRNDVI值,RGRNDVI为监测年份和比较年份的GRNDVI距平法结果;
步骤五、监测正常与修复植被长势趋势异同
根据研究区域具体情况,确定修复的时间。基于步骤四中获得的地类变化结果(具体结果见下面具体实施方式步骤四),从修复年份开始到研究的终止年份,把矿区周围始终是植被的部分即正常植被,和每年修复的植被进行年际平均长势变化对比分析,查看修复植被与正常植被长势的异同,以监测恢复植被的变化是否与正常植被生长一致;
步骤六、监测修复植被分级长势变化
植被的整体生长趋势不能代表恢复植被的生长,恢复植被的生长变化情况需单独分析,可以有效反映矿山生态修复的情况。基于步骤四中获得的地类变化因子中的植被恢复结果(具体结果见下面具体实施方式步骤四)和步骤二中的每年植被长势分级图,分析研究区域年际恢复植被的生长趋势,观察修复区域是否在之后年份再次变为裸土,以及修复植被长势的级别变化情况,分析长势是否成正增长趋势;
步骤七、区域年际修复效果评价
恢复植被的生长时间每年都不同,要获得不同年份修复植被效果之间的对比情况,需要对年际修复植被长势空间上做一个总体效果的评价,以获得年际恢复植被的修复效果。如要排除生长时间对监测的影响,根据步骤四中获得的地类变化因子中的植被恢复结果(具体结果见下面具体实施方式步骤四)和步骤二中的每年植被长势分级图,利用公式(4)对每年的修复植被区域的各年植被指数分级结果取均值,并分为5级(具体分级方式见下面具体实施方式步骤七),按公式(4)可得到年际恢复植被的修复效果分级空间分布图,计算面积,可得到分级面积统计信息。年际恢复植被的修复效果公式如下所示:
公式(4)中,k代表各年修复植被的生长年份,m为修复植被在研究时间内所生长的总年份(如2013年修复植被,到研究终止年份2018年,共生长6年,k从1到6,m值为6),GRNDVIk代表在第k年植被指数分级后值;
步骤八、年际综合修复效果评价
对每年修复效果做一个定量评价,鉴于修复植被的面积在不同年份有所不同,排除面积的因素,基于步骤七获得的效果分级面积统计数据,本发明创建并计算单位面积植被恢复效果EAA(effect of area-average),分析每年总体恢复效果。其公式如下所示:
式中EAA为各年单位面积植被修复的总效果,Gri为植被修复等级(修复效果共分5级,i从1到5),Si为修复等级所占面积,0.0009为像元面积大小(本发明所用为30m分辨率数据),S为各年修复总面积;
步骤九、整体修复效果评价
对于每个矿区来说,还需要调查矿区多年来的总体修复水平,以查看矿区的综合修复效果。基于步骤七获得的效果分级面积统计数据,使用现有技术中已提出的加权平均法综合考虑各种水平因子,对恢复植被的长势进行了定量评估。其公式如下:
WX为综合修复效果,Wi为各等级所占权重,SS为所有年份(矿区修复时间,研究区正式修复从2013年到研究终止年份2018年,共6年)植被修复总面积。
本发明一种基于遥感数据的矿山复绿监测与评价的方法,其优点在于:遥感具有处理大规模问题、重复周期短、信息量大等特点,十分适合调查当地环境、监测矿产资源和土地利用等方面,中等空间分辨率的Landsat卫星数据具有显著表达地表覆盖特征的能力,在土地植被利用分类与检测等领域发挥着重要作用。本发明选择合适的植被指数GRNDVI(生长根归一化差分植被指数),并创建地类变化因子LTC以进行恢复植被监测,该因子可以快速并同时获得研究区域内土地类型和植被生长的变化结果,表明矿区扩张和恢复的动态变化。此外,与以往不同,本发明还比较了正常生长的植被和恢复植被的生长,以监测修复植被是否正常生长。此外,本发明单独分析了修复植被的各方面变化情况。基于LTC结果,确定修复区域,分析了年际修复植被的动态变化,可查看修复区域在之后年份的变化情况。本发明使用修复效果面积统计数据构建了单位面积效果EAA因子,以定量评价年际修复效果。最后,采用加权评估方法,确定了研究区植被的综合恢复效果。本发明可有效进行矿山植被恢复各方面的监测,为生态保护和矿山开发监督提供数据支持。
附图说明
图1为本发明实施流程图。
图2a-h为总体年际(2011年—2018年)植被长势分级图。
图3a-g为间隔一年(2011年—2012年、2012年—2013年…2017年—2018年)的地类变化图。
图4为研究区正常与修复植被长势趋势对比图。
图5为年际修复植被分级长势变化图。
图6为年际修复效果分级图。
具体实施方式
下面将结合附图对本发明作进一步的说明,如图1所示,本发明方法步骤如下:
步骤一、影像获取与预处理
根据研究区情况,在USGS(美国地质调查局United States Geological Survey)网站,范围上选取研究区所在Landsat原始影像,时间范围上选取的是植被生长季节4-10月份,然后下载数据。基于Windows10环境(环境不做硬性要求),本发明利用ENVI(本发明所用为5.3版)软件,首先基于原始下载数据的辐射校正系数,对数据进行辐射校正,然后对数据进行大气校正,得到研究区地表反射率影像。利用ArcGIS(本发明所用为10.2版)软件,进行云掩膜,然后根据研究区域对图像进行裁剪;
步骤二、总体年际植被长势分级分析
利用ENVI软件,根据公式(1)计算得到GRNDVI值。之后利用ArcGIS软件,使用最大值合成法MVC对每月植被指数GRNDVI取最大值,每年生长季的遥感图像的MVC结果取均值。据研究区情况,结果分为5级:0-1.24设为裸地(2011年植被长势较差,此等级单设为0-1.22),1.24-1.5设为植被长势较差(2011年植被长势较差,此等级单设为1.22-1.5),1.5-1.75设为植被长势中等,1.75-2设为植被长势较好,大于2的设为植被长势好。其中裸地区域包括露天采场、工业广场、排土场和道路等,得到每年植被长势分级图,见图2;
步骤三、总体植被长势变化分析
选择GRNDVI距平法,突出采矿区植被生长趋势的变化。基于公式(2),利用ENVI计算得到每隔一年的GRNDVI距平法的结果。利用ArcGIS软件,以0为阈值把GRNDVI距平法结果分为两类,RGRNDVI值为正,说明监测年份的植被长势优于比较年份的;RGRNDVI值为负,说明监测年份的植被长势差于比较年份的;
步骤四、监测地类变化
基于公式(3),结合矿区周围基本情况,对于每年的GRNDVI值,本发明设定1.24为阈值,小于1.24的为裸地,大于1.24的为植被,分为两类(2011年植被长势较差,阈值单设为1.22)。利用ArcGIS软件,和GRNDVI距平法分类结果(RGRNDVI)相乘,得到地类变化LTC。其中L代表裸地,V代表植被,B代表长势变好,W代表长势变差,结果为六类:L-L-W、V-L-W、V-V-W、L-L-B、L-V-B和V-V-B。如L-V-B代表地类从裸地变为植被,长势变好,为植被修复区域;V-L-W代表从植被变为裸地,长势变差,为矿区扩张区域;V-V-B/W为植被长势变好/变差区域。本发明地类变化空间分布结果见图3,可对结果进行面积统计分析;
步骤五、监测正常与修复植被长势趋势异同
根据研究区域具体情况,确定修复的时间。本发明中从2013年开始正式修复,基于步骤四中获得的各种地类(L-L-W、V-L-W、V-V-W、L-L-B、L-V-B和V-V-B),从2013年开始,到研究终止时间2018年,利用ArcGIS软件,把矿区周围始终是植被的部分,即正常植被,即步骤四中V-V-B/W结果,和每年修复的植被,即步骤四中L-V-B结果,进行年际平均长势趋势变化对比分析,结果如图4所示;
步骤六、监测修复植被分级长势变化
利用ArcGIS软件,单独分析修复植被长势变化情况。基于步骤四图3中获得的植被恢复区域(L-V-B)和步骤二中的每年植被长势分级图2,找出每年修复区域,然后得到每年修复区域的长势分级动态变化,结果见图5。观察修复区域长势的级别变化情况,分析长势是否成正增长趋势;
步骤七、区域年际修复效果评价
利用ArcGIS软件,根据步骤四图3中获得的植被恢复区域和步骤二中的每年植被长势分级图2,利用公式(4)对每年的修复植被区域的GRNDVI分级值(步骤二分级结果)取均值,用GRNDVI分级值,其结果考虑了不同年份区域为裸土或植被,即在类型方面不同的因素。基于公式(4)算出结果,表示各年修复植被效果,把X的结果同上述步骤二GRNDVI重分类的值进行比较,按步骤二的GRNDVI的相同分级划分也分为5级,分别设为0,1,2,3,4的值,分别代表修复效果差、修复效果较差、修复效果一般、修复效果较好和修复效果好,得到年际修复效果分级空间分布图,见图6,对面积进行统计,可得到效果分级面积统计信息;
步骤八、年际综合修复效果评价
利用ArcGIS软件,排除面积的因素,基于步骤七获得的效果分级面积统计数据,利用公式(5)计算EAA因子,得到每年总体恢复效果,可对不同修复年份效果做一个对比分析。结果差异应与修复的植被种类、种植密度和周围环境等因素有关;
步骤九、整体修复效果评价
利用ArcGIS软件,基于步骤七获得的效果分级面积统计数据,使用加权平均法综合考虑各种水平因子,各个级别层次的权重分别设为0、1、2、3和4,利用公式(6)对矿区整体植被恢复情况做评估。
本发明的目的在于利用卫星遥感大面积、重复观测的优势,获取Landsat矿山开采前、开采中、恢复治理过程中的多源卫星影像数据,依据研究区具体情况,利用长时间序列遥感数据的GRNDVI值,研究矿山总体植被长势及矿区面积动态变化。根据植被指数GRNDVI和GRNDVI距平法的结果构建了地类变化因子LTC,分析年际矿山扩张面积、年际植被修复面积和年际植被修复的长势等。别于其它研究,尤其是基于LTC结果,本发明单独分析修复植被的长势,比较每年的修复植被长势变化,并监测其是否与正常植被长势趋势一致。排除不同修复植被存在不同的生长时间因素,分析了年际修复植被的平均修复效果,在空间格局上有效查看植被修复成果。排除不同修复面积的因素,基于构建的EAA因子,对不同年份的修复效果做一个定量分析,可对比不同年份的综合修复效果。同时,利用加权平均法,对整体矿区的修复状况做一个最后综合评价。本发明初步开展了矿山恢复治理评价,为矿山恢复治理监测与评价提供方法参考。
应当指出,对于相关技术领域的从业人员来说,在不脱离本发明技术框架的前提下,可进行一定的改进或润饰,这些改进或润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (2)
1.一种基于遥感数据的矿山复绿监测与评价的方法,其特征在于:该方法包括:
步骤一、影像获取与预处理
步骤二、总体年际植被长势分级分析
计算生长根归一化差分植被指数GRNDVI用于植被长势分析;所述的生长根归一化差分植被指数计算公式如下:
GRNDVI指数由红光波段ρRED和近红外波段ρNIR反射率计算生成,值始终为正值,值越大,代表植被长势状况越好,反之植被长势状况越差。利用最大值合成法MVC对每月植被指数GRNDVI取最大值,以消除云的干扰,然后每年生长季的遥感图像的MVC结果取均值,并据当地情况分级,得到每年植被长势分级图;
步骤三、总体植被长势变化分析
选择同期对比法中的距平法,本发明构建GRNDVI距平法公式;植被生长趋势表达式如下:
式中,RGRNDVI为植被生长趋势情况,GRNDVIm为监测年份植被指数值,GRNDVIn为比较年份植被指数值;
步骤四、监测地类变化
结合步骤二得到的各年的GRNDVI分级之前的值和步骤三的GRNDVI距平法值,本发明创建新公式并计算地类变化因子LTC,研究得到每年矿区扩张面积、植被的修复面积和植被长势动态变化,分析矿区的扩张和植被恢复状况;其公式为:
LTC=GRNDVIm×GRNDVIn×RGRNDVI (3)
式中,GRNDVIm和GRNDVIn分别为监测年份和比较年份的GRNDVI值,RGRNDVI为监测年份和比较年份的GRNDVI距平法结果;
步骤五、监测正常与修复植被长势趋势异同
根据研究区域具体情况,确定修复的时间;基于步骤四中获得的地类变化结果,从修复年份开始到研究的终止年份,把矿区周围始终是植被的部分即正常植被,和每年修复的植被进行年际平均长势变化对比分析,查看修复植被与正常植被长势的异同,以监测恢复植被的变化是否与正常植被生长一致;
步骤六、监测修复植被分级长势变化
基于步骤四中获得的地类变化因子中的植被恢复结果和步骤二中的每年植被长势分级图,分析研究区域年际恢复植被的生长趋势,观察修复区域是否在之后年份再次变为裸土,以及修复植被长势的级别变化情况,分析长势是否成正增长趋势;
步骤七、区域年际修复效果评价
排除生长时间对监测的影响,根据步骤四中获得的地类变化因子中的植被恢复结果和步骤二中的每年植被长势分级图,利用公式(4)对每年的修复植被区域的各年植被指数分级结果取均值,并分级,按公式(4)可得到年际恢复植被的修复效果分级空间分布图,计算面积,可得到分级面积统计信息每年植被长势分级图;年际恢复植被的修复效果公式如下所示:
公式(4)中,k代表各年修复植被的生长年份,m为修复植被在研究时间内所生长的总年份,GRNDVIk代表在第k年植被指数分级后值;
步骤八、年际综合修复效果评价
排除面积的因素,基于步骤七获得的效果分级面积统计数据,并计算本发明构建的单位面积植被恢复效果EAA,分析每年总体恢复效果;其公式如下所示:
式中EAA为各年单位面积植被修复的总效果,Gri为植被修复等级,Si为修复等级所占面积,0.0009为像元面积大小,S为各年修复总面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011252345.8A CN112365158B (zh) | 2020-11-11 | 2020-11-11 | 一种基于遥感数据的矿山复绿监测与评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011252345.8A CN112365158B (zh) | 2020-11-11 | 2020-11-11 | 一种基于遥感数据的矿山复绿监测与评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112365158A true CN112365158A (zh) | 2021-02-12 |
CN112365158B CN112365158B (zh) | 2023-11-17 |
Family
ID=74515860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011252345.8A Active CN112365158B (zh) | 2020-11-11 | 2020-11-11 | 一种基于遥感数据的矿山复绿监测与评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365158B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807208A (zh) * | 2021-08-30 | 2021-12-17 | 中科海慧(天津)科技有限公司 | 浒苔监测方法、装置、电子设备及存储介质 |
CN116050654A (zh) * | 2023-02-24 | 2023-05-02 | 生态环境部卫星环境应用中心 | 耦合植被结构与质量的生态工程区植被生长成效评估方法 |
CN117057484A (zh) * | 2023-10-11 | 2023-11-14 | 北京建工环境修复股份有限公司 | 一种矿山生态修复区域的碳排放量预测方法及系统 |
CN117110545A (zh) * | 2023-08-25 | 2023-11-24 | 云南大学 | 一种野外评估金属矿区废弃地本土植物修复能力的方法及应用 |
CN113807208B (zh) * | 2021-08-30 | 2024-05-31 | 中科海慧(天津)科技有限公司 | 浒苔监测方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184162A (zh) * | 2011-02-01 | 2011-09-14 | 环境保护部卫星环境应用中心 | 草原植被覆盖时空动态变化的遥感定量监测方法 |
CN109636171A (zh) * | 2018-12-06 | 2019-04-16 | 西安理工大学 | 一种区域植被恢复的综合诊断与风险评价方法 |
-
2020
- 2020-11-11 CN CN202011252345.8A patent/CN112365158B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184162A (zh) * | 2011-02-01 | 2011-09-14 | 环境保护部卫星环境应用中心 | 草原植被覆盖时空动态变化的遥感定量监测方法 |
CN109636171A (zh) * | 2018-12-06 | 2019-04-16 | 西安理工大学 | 一种区域植被恢复的综合诊断与风险评价方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807208A (zh) * | 2021-08-30 | 2021-12-17 | 中科海慧(天津)科技有限公司 | 浒苔监测方法、装置、电子设备及存储介质 |
CN113807208B (zh) * | 2021-08-30 | 2024-05-31 | 中科海慧(天津)科技有限公司 | 浒苔监测方法、装置、电子设备及存储介质 |
CN116050654A (zh) * | 2023-02-24 | 2023-05-02 | 生态环境部卫星环境应用中心 | 耦合植被结构与质量的生态工程区植被生长成效评估方法 |
CN117110545A (zh) * | 2023-08-25 | 2023-11-24 | 云南大学 | 一种野外评估金属矿区废弃地本土植物修复能力的方法及应用 |
CN117110545B (zh) * | 2023-08-25 | 2024-04-30 | 云南大学 | 一种野外评估金属矿区废弃地本土植物修复能力的方法及应用 |
CN117057484A (zh) * | 2023-10-11 | 2023-11-14 | 北京建工环境修复股份有限公司 | 一种矿山生态修复区域的碳排放量预测方法及系统 |
CN117057484B (zh) * | 2023-10-11 | 2024-01-02 | 北京建工环境修复股份有限公司 | 一种矿山生态修复区域的碳排放量预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112365158B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Avitabile et al. | Capabilities and limitations of Landsat and land cover data for aboveground woody biomass estimation of Uganda | |
Potapov et al. | Combining MODIS and Landsat imagery to estimate and map boreal forest cover loss | |
Reiche et al. | Feature level fusion of multi-temporal ALOS PALSAR and Landsat data for mapping and monitoring of tropical deforestation and forest degradation | |
CN112365158B (zh) | 一种基于遥感数据的矿山复绿监测与评价方法 | |
Meusburger et al. | Estimating vegetation parameter for soil erosion assessment in an alpine catchment by means of QuickBird imagery | |
Marcelino et al. | Landslide inventory using image fusion techniques in Brazil | |
Peterson et al. | Oil detection in the coastal marshes of Louisiana using MESMA applied to band subsets of AVIRIS data | |
Hede et al. | A new vegetation index for detecting vegetation anomalies due to mineral deposits with application to a tropical forest area | |
Al-Saady et al. | Land use and land cover (LULC) mapping and change detection in the Little Zab River Basin (LZRB), Kurdistan Region, NE Iraq and NW Iran. | |
Obeidat et al. | Assessment of land use/land cover change and its environmental impacts using remote sensing and GIS techniques, Yarmouk River Basin, north Jordan | |
CN114581784B (zh) | 一种长时序逐年红树林遥感监测产品的构建方法 | |
Shafi et al. | Leveraging machine learning and remote sensing to monitor long-term spatial-temporal wetland changes: Towards a national RAMSAR inventory in Pakistan | |
CN114062439B (zh) | 一种利用时间序列遥感影像联合估算土壤剖面盐分的方法 | |
Singh et al. | NDVI based assessment of land cover changes using remote sensing and GIS (A case study of Srinagar district, Kashmir) | |
Indrawati et al. | Effect of Urban Expansion intensity on urban ecological status utilizing remote sensing and gis: a study of Semarang-Indonesia | |
Kolli et al. | Assessment of change in the extent of mangrove ecosystems using different spectral indices in Google Earth Engine based on random forest model | |
Cipta et al. | Analysis of mangrove forest change from multi-temporal Landsat imagery using Google Earth Engine application:(case study: Belitung Archipelago 1990-2020) | |
CN115830464A (zh) | 基于多源数据的高原山地农业大棚自动提取方法 | |
Guo et al. | Estimating aboveground biomass using Pléiades satellite image in a karst watershed of Guizhou Province, Southwestern China | |
Nkundabose | Employing remote sensing tools for assessment of land use/land cover (LULC) changes in eastern Province, Rwanda | |
Shvidenko et al. | Use of remote sensing products in a terrestrial ecosystems verified full carbon accounting: Experiences from Russia | |
Siombone et al. | Land Cover, Land Surface Temperature and Geomorphology Structure at Tulehu Geothermal Area, Ambon, Indonesia | |
Basofi et al. | Analysis of land use changed in ponorogo based on landsat 8 imaginary using ndvi classification | |
Kaur et al. | Satellite Image-based Land Use/Land Cover Dynamics and Forest Cover Change Analysis (1996-2016) in Odisha, India | |
Ahmad et al. | Predicting forest cover and density in part of Porhat forest division, Jharkhand, India using geospatial technology and Markov chain |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |