CN117315505B - 一种量化干旱及半干旱区采矿活动对植被影响的方法 - Google Patents
一种量化干旱及半干旱区采矿活动对植被影响的方法 Download PDFInfo
- Publication number
- CN117315505B CN117315505B CN202311597003.3A CN202311597003A CN117315505B CN 117315505 B CN117315505 B CN 117315505B CN 202311597003 A CN202311597003 A CN 202311597003A CN 117315505 B CN117315505 B CN 117315505B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- savi
- arid
- semiarid
- sequence
- 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.)
- Active
Links
- 230000000694 effects Effects 0.000 title claims abstract description 59
- 238000005065 mining Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000008859 change Effects 0.000 claims abstract description 16
- 230000035772 mutation Effects 0.000 claims abstract description 13
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims description 56
- 239000002689 soil Substances 0.000 claims description 27
- 230000012010 growth Effects 0.000 claims description 12
- 230000003750 conditioning effect Effects 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 230000002093 peripheral effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 230000007774 longterm Effects 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
- 238000012876 topography Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 239000003102 growth factor Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Remote Sensing (AREA)
- Agronomy & Crop Science (AREA)
- Astronomy & Astrophysics (AREA)
- Animal Husbandry (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种量化干旱及半干旱区采矿活动对植被影响的方法，属于环境监测技术领域，基于物候差异的方差变化状态识别干旱及半干旱区采矿活动在不同方向上对植被物候特征变化的突变位置，尽可能的消除了气候和其他人类活动对植被的影响，可快速准确的得到矿业活动对周边植被的影响距离和影响程度，为矿山管理人员和矿山生态环境修复和规划等工作提供了技术支撑，并且本发明对所需数据类型单一且没有明显要求，具有广泛的实用性和适应性。
Description
技术领域
本发明属于环境监测技术领域，具体涉及一种量化干旱及半干旱区采矿活动对植被影响的方法的设计。
背景技术
采矿业是国家经济最重要和最基本的基础之一，每个国家的采矿业对该国的社会福利都有重大影响。然而，采矿业作为一种破坏性的人类活动，对矿区周边的生态环境造成多种长期的负面影响。密集的采矿活动往往会导致土地退化、森林砍伐、地形和水文变化、水土流失以及环境污染，这些干扰对包括人类在内的无数生物的健康和福祉造成了严重损害。在很大程度上，矿业活动对环境的损害是不可逆转的。研究矿业活动对周边环境的影响是矿山生态环境修复、规划和格局优化的必要条件。如果矿业活动对环境的影响得不到足够的重视，那么在矿区生态环境修复方面的投入可能会翻倍，而矿业活动很难在时间和空间上准确判断其对生态环境造成的影响程度。
随着星地观测技术的进步，遥感（RS）和地理信息系统（GIS）技术为处理大而复杂的空间数据提供了系统、快速和优良的配置。因此，许多研究者在采矿业对生态环境的影响研究中展示了使用RS和GIS技术的创新。虽然这些研究已经通过RS和GIS技术探究了采矿活动对环境的影响，但采矿活动对生态环境影响的空间维度尚不清楚。
植被是生态环境变化的敏感因子，被认为是监测生态环境变化的综合指示器。矿业活动造成的许多干扰源（例如地质灾害、地下水下降、环境污染）往往会破坏植被的根部并掩埋整个植物群落，从而导致植物群落的退化和生态演替。因此，通过确定采矿活动对植被的影响来量化采矿活动对生态环境影响的空间维度是一项具有挑战性的任务。长时间序列的物候观测是将自然与人类活动引起的植被变化区分开来的有效方法之一，该方法可以揭示由于外力作用可能导致的植被变化趋势。近年来，大多数的植被物候研究都使用了来自粗略空间分辨率仪器（如MODIS、AVHRR和SPOT/VEGETATION）的数据，这种粗略空间分辨率的数据通常更容易获取和处理，这使得物候算法、产品和应用已经迅速成熟。然而，对于许多应用研究（例如小气候效应、城市热岛效应和土地利用），需要更精细的空间分辨率的信息。最近发射的Sentinel-2多光谱传感器提供了五天的重访周期，这有助于提高对矿区周边植被进行物候观测和评估的能力。
发明内容
本发明的目的是为了量化干旱及半干旱区采矿活动对周围环境影响的空间维度，提出了一种量化干旱及半干旱区采矿活动对植被影响的方法。
本发明的技术方案为：一种量化干旱及半干旱区采矿活动对植被影响的方法，包括以下步骤：
S1、采集干旱及半干旱区的长时序遥感影像数据。
S2、对长时序遥感影像数据进行预处理，得到土壤调节植被指数SAVI。
S3、根据土壤调节植被指数SAVI生成平滑的SAVI 时间序列。
S4、根据平滑的SAVI 时间序列提取物候指标。
S5、根据物候指标计算干旱及半干旱区的物候差异。
S6、根据物候差异量化干旱及半干旱区采矿活动对植被的影响。
进一步地，步骤S1中的长时序遥感影像数据为Sentinel-2数据，Sentinel-2数据每景影像数据的云雾量低于35%。
进一步地，步骤S2中对长时序遥感影像数据进行预处理包括大气校正、筛选云和阴影像素以及计算土壤调节植被指数SAVI。
进一步地，土壤调节植被指数SAVI的计算公式为：
其中表示Sentinel-2数据的红波段图像，/>表示Sentinel-2数据的近红外波段图像，/>表示土壤调节参数。
进一步地，步骤S3包括以下分步骤：
S31、根据土壤调节植被指数SAVI生成初始SAVI 时间序列。
S32、分别采用样条平滑法、Savitzky-Golay滤波、非对称高斯函数、双重逻辑函数滤波和Whittaker滤波对初始SAVI 时间序列进行重构，并统计初始SAVI 时间序列与每种重构后的SAVI 时间序列的标准差、残差平方和、均方根误差和皮尔森系数，定量评价每种重构方法的SAVI时间序列重构效果，以选取最优重构方法。
S33、通过最优重构方法生成平滑的SAVI 时间序列。
进一步地，步骤S4中提取的物候指标包括生长季节开始SOS、生长季节结束EOS以及生长季节长度LOS；生长季节开始SOS为从平滑的SAVI 时间序列拟合曲线左侧最低水平测量的季节性幅度的20%；生长季节结束EOS为从平滑的SAVI 时间序列拟合曲线右侧最低水平测量的季节性幅度的20%；生长季节长度LOS为生长季节开始SOS和生长季节结束EOS之间的积日长度。
进一步地，步骤S5中物候差异的计算公式为：
其中表示干旱及半干旱区的物候差异，/>表示干旱及半干旱区内物候指标的平均值，/>表示参考区物候。
进一步地，步骤S6包括以下分步骤：
S61、以干旱及半干旱区内矿业活动区为中心，向周围以1°的弧度生成360条线，与物候差异进行叠加分析，得到360个方向上物候差异的变化情况。
S62、将每个方向上物候差异的变化情况按与中心的距离排序，并以个变化值为滑动窗口计算/>个变化值的方差。
S63、选取预设方向上连续的方差值作为基本单元序列，计算该基本单元序列对应距离的方差状态：
其中表示第/>个方向上第/>个序列方差值，/>表示第/>个方向上第/>个序列对应距离的方差状态。
S64、将每个方向上的最大值和最小值作为该方向上的突变位置。
S65、结合各方向上突变位置和中心的距离，参考遥感影像，消除异常的突变位置。
S66、按角度顺序分别连接突变位置点，并进行平滑处理，得到采矿活动对植被的影响范围。
本发明的有益效果是：本发明基于物候差异的方差变化状态识别干旱及半干旱区采矿活动在不同方向上对植被物候特征变化的突变位置，尽可能的消除了气候和其他人类活动对植被的影响，可快速准确的得到矿业活动对周边植被的影响距离和影响程度，为矿山管理人员和矿山生态环境修复和规划等工作提供了技术支撑，并且本发明对所需数据类型单一且没有明显要求，具有广泛的实用性和适应性。
附图说明
图1所示为本发明实施例提供的一种量化干旱及半干旱区采矿活动对植被影响的方法流程图。
图2所示为本发明实施例提供的采用五种模型对初始SAVI 时间序列的重构效果示意图。
图3所示为本发明实施例提供的提取物候指标示意图。
图4所示为本发明实施例提供的预设方向上的方差值突变位置识别示意图。
图5所示为本发明实施例提供的采矿活动对周边植被影响范围识别示意图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。
本发明实施例提供了一种量化干旱及半干旱区采矿活动对植被影响的方法，如图1所示，包括以下步骤S1~S6：
S1、采集干旱及半干旱区的长时序遥感影像数据。
本发明实施例中，长时序遥感影像数据采用Sentinel-2数据，且Sentinel-2数据每景影像数据的云雾量低于35%。
S2、对长时序遥感影像数据进行预处理，得到土壤调节植被指数SAVI。
本发明实施例中，以Sentinel-2数据为例，预处理包括大气校正、筛选云和阴影像素以及计算土壤调节植被指数SAVI。
（1）大气校正：USGS Earth Explorer 提供的Sentinel-2 L1C图像是经过了几何精校正的正射影像，但没有进行辐射定标和大气校正。因此，本发明实施例中使用EuropeanSpace Agency提供的 Sen2Cor（Version 2.5.5）软件将Sentinel-2 L1C级数据转换为L2A级数据，这是一种经过辐射定标和大气校正的大气底层反射率数据。
（2）筛选云和阴影像素：由于筛选云和阴影像素的准确性对于最大限度地减少卫星时间序列数据处理中的错误至关重要。因此在这项工作中，本发明实施例将最新发布的Fmask 4.0应用到Sentinel-2影像的云和阴影像素检测。尽管Sen2Cor软件也能检测云、阴影的覆盖，但容易将城市区域和明亮像素误分类为云，这限制了其场景分类层的准确性。
（3）计算土壤调节植被指数SAVI：干旱区的植被稀疏、破碎化程度高，选择适宜的植被指数是植被状态遥感度量的关键。在选择合适的植被指数时需要考虑两方面：否能降低土壤背景光谱影响；是否对低覆盖植被具有较强的敏感性。
本发明实施例中，选择土壤调节植被指数（Soil-adjusted vegetation inde，SAVI）作为植被指数，其计算公式为：
其中表示土壤调节植被指数，/>表示Sentinel-2数据的红波段图像（中心波长：665 nm），/>表示Sentinel-2数据的近红外波段图像（中心波长：842 nm），/>表示土壤调节参数。土壤调节参数/>与植被浓度有关，消除了土壤背景的影响，特别适用于植被稀疏和裸露土壤表面的干旱地区的植被监测。目前大多数的研究是将L设置为0.5以适应大多数植被覆盖，但在旱区该值（L=0.5）的效果并不理想。研究发现在内蒙古自治区负的土壤调节因子可以有效降低土壤背景噪声，当L=-0.2时，其效果明显优于干旱区的现有植被指数。
S3、根据土壤调节植被指数SAVI生成平滑的SAVI 时间序列。
步骤S3包括以下分步骤S31~S33：
S31、根据土壤调节植被指数SAVI生成初始SAVI 时间序列。
初始SAVI 时间序列包含各种噪声，因此在识别植被物候指标之前需将嘈杂的SAVI时间序列转换为平滑的时间序列，以最小化残余噪声。目前已有许多模型用于平滑来自不同卫星传感器的时间序列植被指数数据，以估计植被物候参数。然而，模型之间的差异和模型参数的微调会影响从平滑时间序列中提取植被物候的性能。很难确定适用于平滑时间序列的最佳模型，选择最合适的模型应考虑研究对象的物候指标、生物物理特征、SAVI数据中的潜在噪声源和时间序列SAVI曲线的一般形状。
S32、如图2所示，分别采用样条平滑法（Spline Smoothing，SP）、Savitzky-Golay（S-G）滤波、非对称高斯函数（Asymmetric Gaussian，AG）、双重逻辑函数滤波（DoubleLogistic，DL）和Whittaker（WT）滤波对初始SAVI 时间序列进行重构，并统计初始SAVI 时间序列与每种重构后的SAVI 时间序列的标准差、残差平方和、均方根误差和皮尔森系数，定量评价每种重构方法的SAVI时间序列重构效果，以选取最优重构方法。
本发明实施例中，由于时间序列中的噪声和数据缺口会对平滑后SAVI的真实性产生负面影响，因此采用多年联合分析的方法构建研究区完整的植被生长轨迹，以减少这两种不确定性来源的影响。
S33、通过最优重构方法生成平滑的SAVI 时间序列。
S4、根据平滑的SAVI 时间序列提取物候指标。
本发明实施例中，物候指标包括生长季节开始（Start of the growing season，SOS）、生长季节结束（End of the growing season，EOS）以及生长季节长度LOS（Length ofthe growing season，LOS）。
现有技术中提出了各种方法来提取物候指标，例如阈值法、移动平均法以及最大导数。这些方法中阈值法是提取物候指标最简单方法，也是最常用的方法。阈值法通常有两种类型：一种是固定阈值法，它任意选取一个单一的、固定的指标值作为SOS或EOS，另一种是动态阈值法，它通常是基于从 SAVI 时间序列数据计算的度量，例如时间序列数据记录的SAVI 比率、长期均值或SAVI中值。由于矿业活动区的SAVI值远低于周边地区，这使得很难找到一个特定的阈值来确定SOS和EOS。
因此，本发明实施例中定义生长季节开始SOS为从平滑的SAVI 时间序列拟合曲线左侧最低水平测量的季节性幅度的20%，生长季节结束EOS为从平滑的SAVI 时间序列拟合曲线右侧最低水平测量的季节性幅度的20%，生长季节长度LOS为生长季节开始SOS和生长季节结束EOS之间的积日（Day of Year，DOY）长度，如图3所示。
S5、根据物候指标计算干旱及半干旱区的物候差异。
矿山对环境的影响程度随着距离的增加而减少，为了量化矿山对植被物候的影响程度且尽可能消除气候的影响，参考地形和风向两个因素选取一个未受矿山影响的区域并将该区域的平均物候定义为参考物候。在此基础上，物候差异的计算公式为：
其中表示干旱及半干旱区的物候差异，/>表示干旱及半干旱区内物候指标的平均值，/>表示参考区（干旱及半干旱区内未受人类活动影响的区域）物候。
S6、根据物候差异量化干旱及半干旱区采矿活动对植被的影响。
受矿业活动影响的区域位于矿业活动周边是矿山和非影响区域之间的过渡地域，尽管在空间上受矿业活动影响区和非影响区之间没有固定或明显的分界线，但理论上这两个区域之间在空间上存在突变特征。因此，通过植被物候差异在空间上的分布特征，寻找植被物候在空间上的突变位置可作为划分影响区和非影响区域的标志。
步骤S6包括以下分步骤S61~S66：
S61、以干旱及半干旱区内矿业活动区为中心，向周围以1°的弧度生成360条线，与物候差异进行叠加分析，得到360个方向上物候差异的变化情况。
S62、将每个方向上物候差异的变化情况按与中心的距离排序，并以个变化值为滑动窗口计算/>个变化值的方差。
S63、选取预设方向上连续的方差值作为基本单元序列，计算该基本单元序列对应距离的方差状态：
其中表示第/>个方向上第/>个序列方差值，/>表示第/>个方向上第/>个序列对应距离的方差状态。
S64、将每个方向上的最大值和最小值作为该方向上的突变位置。
如图4所示，若在处满足/>，则在该方向上/>处为一个方差状态到另一个方差状态的突变位置。
S65、结合各方向上突变位置和中心的距离，参考遥感影像，消除异常的突变位置。
S66、按角度顺序分别连接突变位置点，并进行平滑处理，得到采矿活动对植被的影响范围，如图5所示。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.一种量化干旱及半干旱区采矿活动对植被影响的方法，其特征在于，包括以下步骤：
S1、采集干旱及半干旱区的长时序遥感影像数据；
S2、对长时序遥感影像数据进行预处理，得到土壤调节植被指数SAVI；
S3、根据土壤调节植被指数SAVI生成平滑的SAVI 时间序列；
S4、根据平滑的SAVI 时间序列提取物候指标；
S5、根据物候指标计算干旱及半干旱区的物候差异；
S6、根据物候差异量化干旱及半干旱区采矿活动对植被的影响；
所述步骤S6包括以下分步骤：
S61、以干旱及半干旱区内矿业活动区为中心，向周围以1°的弧度生成360条线，与物候差异进行叠加分析，得到360个方向上物候差异的变化情况；
S62、将每个方向上物候差异的变化情况按与中心的距离排序，并以个变化值为滑动窗口计算/>个变化值的方差；
S63、选取某一方向上连续的方差值作为基本单元序列，计算该基本单元序列对应距离的方差状态：
其中表示第/>个方向上第/>个序列方差值，/>表示第/>个方向上第/>个序列对应距离的方差状态；
S64、将每个方向上的最大值和最小值作为该方向上的突变位置；
S65、结合各方向上突变位置和中心的距离，参考遥感影像，消除异常的突变位置；
S66、按角度顺序分别连接突变位置点，并进行平滑处理，得到采矿活动对植被的影响范围。
2.根据权利要求1所述的量化干旱及半干旱区采矿活动对植被影响的方法，其特征在于，所述步骤S1中的长时序遥感影像数据为Sentinel-2数据，所述Sentinel-2数据每景影像数据的云雾量低于35%。
3.根据权利要求2所述的量化干旱及半干旱区采矿活动对植被影响的方法，其特征在于，所述步骤S2中对长时序遥感影像数据进行预处理包括大气校正、筛选云和阴影像素以及计算土壤调节植被指数SAVI。
4.根据权利要求2所述的量化干旱及半干旱区采矿活动对植被影响的方法，其特征在于，所述土壤调节植被指数SAVI的计算公式为：
其中表示Sentinel-2数据的红波段图像，/>表示Sentinel-2数据的近红外波段图像，/>表示土壤调节参数。
5.根据权利要求1所述的量化干旱及半干旱区采矿活动对植被影响的方法，其特征在于，所述步骤S3包括以下分步骤：
S31、根据土壤调节植被指数SAVI生成初始SAVI 时间序列；
S32、分别采用样条平滑法、Savitzky-Golay滤波、非对称高斯函数、双重逻辑函数滤波和Whittaker滤波对初始SAVI 时间序列进行重构，并统计初始SAVI 时间序列与每种重构后的SAVI 时间序列的标准差、残差平方和、均方根误差和皮尔森系数，定量评价每种重构方法的SAVI时间序列重构效果，以选取最优重构方法；
S33、通过最优重构方法生成平滑的SAVI 时间序列。
6.根据权利要求1所述的量化干旱及半干旱区采矿活动对植被影响的方法，其特征在于，所述步骤S4中提取的物候指标包括生长季节开始SOS、生长季节结束EOS以及生长季节长度LOS；
所述生长季节开始SOS为从平滑的SAVI 时间序列拟合曲线左侧最低水平测量的季节性幅度的20%；
所述生长季节结束EOS为从平滑的SAVI 时间序列拟合曲线右侧最低水平测量的季节性幅度的20%；
所述生长季节长度LOS为生长季节开始SOS和生长季节结束EOS之间的积日长度。
7.根据权利要求1所述的量化干旱及半干旱区采矿活动对植被影响的方法，其特征在于，所述步骤S5中物候差异的计算公式为：
其中表示干旱及半干旱区的物候差异，/>表示干旱及半干旱区内物候指标的平均值，/>表示参考区物候。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311597003.3A CN117315505B (zh) | 2023-11-28 | 2023-11-28 | 一种量化干旱及半干旱区采矿活动对植被影响的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311597003.3A CN117315505B (zh) | 2023-11-28 | 2023-11-28 | 一种量化干旱及半干旱区采矿活动对植被影响的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117315505A CN117315505A (zh) | 2023-12-29 |
| CN117315505B true CN117315505B (zh) | 2024-03-15 |
Family
ID=89288717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311597003.3A Active CN117315505B (zh) | 2023-11-28 | 2023-11-28 | 一种量化干旱及半干旱区采矿活动对植被影响的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117315505B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2013101105A4 (en) * | 2013-08-20 | 2013-11-07 | Beijing Normal University | Method for detecting phenological change from time series of vegetation index |
| CN112215135A (zh) * | 2020-10-10 | 2021-01-12 | 东华理工大学 | 矿区开采与治理成效监测方法及装置 |
| CN113469145A (zh) * | 2021-09-01 | 2021-10-01 | 中国测绘科学研究院 | 一种基于高时空分辨率遥感数据的植被物候提取方法 |
| CN114266972A (zh) * | 2021-12-22 | 2022-04-01 | 中国地质大学（武汉） | 基于遥感植被指数提取植被物候指标的方法及装置 |
| CN116245400A (zh) * | 2022-12-30 | 2023-06-09 | 浙江大学德清先进技术与产业研究院 | 一种基于高分遥感的矿区景观格局演变分析方法 |
-
2023
- 2023-11-28 CN CN202311597003.3A patent/CN117315505B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2013101105A4 (en) * | 2013-08-20 | 2013-11-07 | Beijing Normal University | Method for detecting phenological change from time series of vegetation index |
| CN112215135A (zh) * | 2020-10-10 | 2021-01-12 | 东华理工大学 | 矿区开采与治理成效监测方法及装置 |
| CN113469145A (zh) * | 2021-09-01 | 2021-10-01 | 中国测绘科学研究院 | 一种基于高时空分辨率遥感数据的植被物候提取方法 |
| CN114266972A (zh) * | 2021-12-22 | 2022-04-01 | 中国地质大学（武汉） | 基于遥感植被指数提取植被物候指标的方法及装置 |
| CN116245400A (zh) * | 2022-12-30 | 2023-06-09 | 浙江大学德清先进技术与产业研究院 | 一种基于高分遥感的矿区景观格局演变分析方法 |
Non-Patent Citations (4)
| Title |
|---|
| Changes detected in the extent of surface mining and reclamation using multitemporal landsat imagery: a case study of Jiu valley, Romania;Iosif Vorovencii;《Environmental monitoring and assessment》;20210105;1-24 * |
| 内蒙古东部干旱半干旱草原矿区生态累积效应研究;房阿曼;《中国博士论文全文数据库》;20210315;B021-2 * |
| 基于Sentinel-2遥感时间序列植被物候特征的盐城滨海湿地植被分类;刘瑞清;《地理学报》;20210725;1680-1692 * |
| 攀西矿集区生态地质环境安全评估预警;孙小飞;《中国优秀硕士学位论文全文数据库》;20180215;B027-1601 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117315505A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ghazaryan et al. | A rule-based approach for crop identification using multi-temporal and multi-sensor phenological metrics | |
| Na et al. | Improved land cover mapping using random forests combined with landsat thematic mapper imagery and ancillary geographic data | |
| Jaafar et al. | Crop yield prediction from remotely sensed vegetation indices and primary productivity in arid and semi-arid lands | |
| Scudiero et al. | Remote sensing is a viable tool for mapping soil salinity in agricultural lands | |
| CN110288647B (zh) | 一种基于高分辨率卫星数据监测灌区灌溉面积方法 | |
| Tao et al. | Mapping winter wheat using phenological feature of peak before winter on the North China Plain based on time-series MODIS data | |
| CN110427857A (zh) | 一种基于遥感数据融合的输电线路地质灾害分析方法 | |
| CN112395914A (zh) | 一种融合遥感影像时序与纹理特征的地块作物识别方法 | |
| Chen et al. | Automatic mapping of planting year for tree crops with Landsat satellite time series stacks | |
| Muthumanickam et al. | Drought assessment and monitoring through remote sensing and GIS in western tracts of Tamil Nadu, India | |
| Lin et al. | Monitoring of winter wheat distribution and phenological phases based on MODIS time-series: A case study in the Yellow River Delta, China | |
| CN114387516B (zh) | 一种针对复杂地形环境下中小田块的单季稻sar识别方法 | |
| Sonmez et al. | Measuring intensity of tillage and plant residue cover using remote sensing | |
| Setiawan et al. | Characterizing temporal vegetation dynamics of land use in regional scale of Java Island, Indonesia | |
| CN112861435B (zh) | 一种红树林质量遥感反演方法及智能终端 | |
| Zhang et al. | Global vegetation phenology from AVHRR and MODIS data | |
| Sharma et al. | Quantification and mapping of surface residue cover for maize and soybean fields in south central Nebraska | |
| Ramadanningrum et al. | Image-based tea yield estimation using Landsat-8 OLI and Sentinel-2B images | |
| CN117315505B (zh) | 一种量化干旱及半干旱区采矿活动对植被影响的方法 | |
| Zhou et al. | Comparison modeling for alpine vegetation distribution in an arid area | |
| Lemma et al. | Forest cover change detection in relation to climate variability and LULC changes using GIS and RS techniques. A case of the Kafa zone, southwest Ethiopia | |
| Hailegiorgis | Remote Sensing analysis of summer time Evapotranspiration using SEBS algorithm | |
| Habibie et al. | Drought Estimation from Vegetation Phenology Analysis of Maize in Indonesia Using Deep Learning Algorithm | |
| Yin et al. | Mangrove tree height growth monitoring from multi-temporal UAV-LiDAR | |
| Choudhury et al. | Potential role of landsat satellite data for the evaluation of land surface temperature and assessment of urban environment |
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 |