金属矿山

作者：李军,张艺藂,张彩月,谢慧真,张成业,杜梦豪,王雅颖

单位：1. 中国矿业大学(北京)地球科学与测绘工程学院,北京 100083;2. 煤炭资源与安全开采国家重点实验室,北京 100083

关键词：植被损毁识别 LT CCDC GEE 长时间序列 Landsat,

基金：“十四五”国家重点研发计划项目(编号:2022YFF1303301);国家自然科学基金项目(编号:42271480,41901291);中央高校基本科研业务费项目(编号:2022JCCXDC04,2022YQDC08)

煤炭基地是我国煤炭资源的集中产业地,面临着植被损毁区域大、损毁原因复杂多变的问题。 定量分析长时序植被损毁识别方法在煤炭基地的适用性,对当地生态环境质量监管具有十分重要的意义。 基于 Google EarthEngine 云计算平台的 Landsat 影像数据,从植被损毁识别、不同地表区域适用性、植被损毁时间 3 个方面,定量对比分析了 LandTrendr (LT)和 Continuous Change Detection and Classification (CCDC)算法在神东煤炭基地进行长时序(1990-2020 年)植被损毁识别中的适用性。 研究表明:① 在植被损毁识别上,LT 和 CCDC 算法总体精度分别为 73. 6%和84. 4%,识别效果较好。 ② LT 和 CCDC 算法都能较好地避免林地区域的错分误差。 但 LT 算法仅能识别露天采场区域部分植被损毁,遗漏误差较大,且基本无法识别到城市扩张所造成的植被损毁,而 CCDC 算法对这两类区域的识别效果较好。 在水体区域,LT 算法显著优于 CCDC 算法。 ③ LT 和 CCDC 算法识别损毁时间的误差在 1 a 内的结果分别占 95. 7%和 90%,损毁时间识别效果很好。 总体而言,相较于 LT 算法,CCDC 算法更适用于城市扩张明显、水体面积很少的神东煤炭基地植被损毁识别。 上述分析为神东煤炭基地生态环境质量监管提供了数据参考,更为两种算法在其他煤炭基地尺度的进一步应用提供了方法优选借鉴,但是两种算法均存在难以避免的局限性,未来需要研究一种能够准确自适应识别煤炭基地内大范围露天矿群植被损毁事件的新方法。

来源：2023年第01期

《金属矿山》期刊编辑部

查看金属矿山杂志2023年第01期