摘要：关键词：荒漠化, 大同煤田, NDVI-Albedo特征空间, 时空动态监测
本文内容来源于《测绘通报》2024年第10期，审图号：GS京（2024）1967号
基于NDVI-Albedo特征空间的大同煤田荒漠化遥感监测
1, 张宇飞2,3,4, 杨文府2,3,4,51. 中国矿业大学, 江苏 徐州 221116;
2. 自然资源部矿业城市自然资源调查监测与保护重点实验室, 山西 晋中 030600;
3. 山西省煤炭地质物探测绘院有限公司, 山西 晋中 030600;
4. 地质灾害监测预警与 防治山西省重点实验室, 山西 晋中 030600;
5. 山西省煤炭地质勘查研究院有限公司, 山西 太原 030032
基金项目：国家自然科学基金(U22A20620);山西省基础研究计划青年科学研究项目(202203021212513)
关键词：荒漠化, 大同煤田, NDVI-Albedo特征空间, 时空动态监测
引文格式：肖育雷, 张宇飞, 杨文府. 基于NDVI-Albedo特征空间的大同煤田荒漠化遥感监测. 测绘通报，2024(10)：52-57. DOI: 10.13474/j.cnki.11-2246.2024.1009.
摘要
摘要：荒漠化是威胁区域发展和人类生存的重要生态环境问题之一,因此开展荒漠化监测是荒漠化防治中的一项重要基础工作。本文以山西大同煤田为例,利用NDVI-Albedo特征空间构建2000—2021年荒漠化差值指数(DDI),监测其荒漠化时空变化,并利用地理探测器分析荒漠化的影响因素。结果显示,2000—2021年,大同煤田荒漠化由严重向轻度转换,重度和极重度荒漠化面积显著减少,而轻度荒漠化面积显著增加。整体而言,有57.75%的区域荒漠化呈显著改善趋势,但同时有0.03%的区域荒漠化呈加剧趋势。地理探测结果表明,植被是影响荒漠化的主要因子;植被与降水、高程等自然因素交互后的影响显著增大,与土地利用、人口密度等人类活动因素交互后的影响同样不可忽视。
正文
荒漠化是干旱半干旱区域严重的生态问题，通常由气候变化、脆弱生态和人类活动相互作用导致，易造成土地产力下降、植被退化等[1-2]。我国的荒漠化现象较为严重，20世纪80年代我国实施退耕还林还草、防护林建设等多项治理工程并取得显著成效[3]。山西省作为“三北”防护林体系的关键部分，晋北风沙区是荒漠化治理监测的重要区域。大同煤田位于晋西北高原，是沙尘主要源地，且煤炭开采加剧了荒漠化风险。因此，对大同煤田荒漠化进行动态监测对评估和防治荒漠化至关重要。荒漠化具有动态复杂性，且大同煤田地广人稀，传统监测难以系统掌握其动态特征；遥感技术具有覆盖面广、时效性强的特点，可实现对荒漠化的动态监测[4]。很多学者采用单一的光谱指标或遥感分类，监测荒漠化的特征并分析其变化趋势，但相关研究发现单一指标难以全面反映荒漠化信息[5-7]。文献[8]结合NDVI和地表反照率(Albedo)构建NDVI-Albedo特征空间，可有效反映荒漠化的时空动态分布。目前NDVI-Albedo特征空间在荒漠化动态监测中被广泛应用且效果良好[9]。文献[10—13]采用NDVI-Albedo特征空间监测不同区域的荒漠化情况，分析荒漠化变化趋势和影响因素。在生态环境脆弱且煤炭资源大量开采的矿区，NDVI-Albedo特征空间的应用还较少。大同煤田地处晋西北高原的生态脆弱区，煤炭资源的大量开采加剧了土地荒漠化的风险。本文基于2000、2005、2010、2015和2021年Landsat遥感影像，构建NDVI-Albedo特征空间监测大同煤田荒漠化演变特征，并分析其影响因素，以期为荒漠化防治和生态保护提供决策依据和支撑。
1 研究区与数据来源
1.1 研究区概况
大同煤田位于山西省西北部，西南高东北低，海拔为1026~1978 m，属温带大陆性季风气候，是干旱半干旱的脆弱地带。大同煤田是山西省6大煤田之一，地跨云冈、怀仁、左云、右玉等7个区县，也是中国华北聚煤区北部的多纪煤田，煤炭资源丰富，开采历史悠久，且煤中有害微量元素较低，焦油产率高、发热量高，是优质动力煤的重要生产基地[14]。但在过去几十年的大规模煤炭开采中，区域内的土地退化、水土流失等生态问题愈发突出。1.2 数据源
选取大同煤田的Landsat 5 TM(2000、2005和2010年)和Landsat 8 OLI(2015和2021年)植被生长季(5—10月)的影像。基于GEE平台对影像数据作去云处理，采用均值合成并裁剪，用于计算荒漠化监测。
采用中科院资源环境科学数据中心的土地利用数据(空间分辨率为30 m)、地理空间数据云的ASTER GDEM数据(空间分辨率为30 m)、世界人口数据集的人口密度数据(空间分辨率为100 m)、国家气象数据共享服务平台的中国地面气候资料月值数据集(空间分辨率为1 km)，以及计算的植被归一化指数，用于荒漠化的影响因素分析。
本文统一数据坐标为WGS-84/UTM49N，并在影响因素分析时设置分辨率为500 m，以消除坐标系和分辨率差异带来的误差。
2 研究方法
2.1 荒漠化差值指数
基于NDVI-Albedo特征空间构建荒漠化插值指数(desertification difference index，DDI)，对大同煤田的荒漠化特征进行研究，具体计算方法如下。
(1) NDVI提取。采用影像中的红光波段和近红外波段计算，公式为
式中，Brednir为红光波段和近红外波段的反射率值。(2) Albedo提取。采用文献[15]建立的遥感模型进行地面反射率计算，精度较高，公式为
式中，Bblue为蓝波段；Bred为红波段；Bnir为近红外波段；Bswir1为短波红外波段；Bswir2为远红外波段。(3) 归一化处理。由于NDVI和Albedo存在量纲不一致的现象，为了构建两者的特征空间，需对其进行归一化，公式为
(3)
式中，NDVI和Albedoscale为归一化处理后的NDVI和Albedo；NDVImax和NDVImin为NDVI的最大和最小值；Albedomax和Albedomin为Albedo的最大和最小值。(4) 计算荒漠化差值指数DDI。NDVI和Albedo之间存在明显的负相关关系[11]，为计算NDVI-Albedo的定量关系，提取归一化处理后的NDVI值和Albedo值，以NDVI为自变量、Albedo为因变量，构建两者的线性回归方程，公式为(5)
构建NDVI和Albedo的回归方程后，对荒漠化差值指数进行计算，公式为
(6)
式中，k=-1/a，即回归方程中斜率的负倒数。通过式(6)的计算即可得到荒漠化差值指数。
2.2 趋势分析
采用一元线性回归分析法逐像元计算荒漠化多年来的变化趋势，公式为
对变化趋势进行显著性检验，采用F检验验证荒漠化变化趋势的显著性，公式为
(8)
式中，n为监测年份；Q为残差平方和；U为回归平方和。
2.3 地理探测器
地理探测器是探测地理事物之间空间分异性并揭示背后驱动因子的统计学方法[16]。本文采用地理探测中的因子探测和因子交互作用探测，分析大同煤田荒漠化的影响因素。因子探测的结果用q值表示，公式为式中，q∈[0, 1]，值越大表示对DDI的影响越大；L为变量的类别个数；h=1，2，…，L，为变量的分区；N和Nh分别为全区和类别h的单元数；σ和σ分别为全区和类别h的方差。交互作用探测是根据因子探测的结果，对因子X1212)进行比较，以判断两因子交互后的作用情况[17]。在大同煤田区域内生成随机点，提取各年份对应点的NDVI值和Albedo值，建立NDVI-Albedo特征方程，如图 1所示。各特征方程的R2最小为0.82，表明NDVI-Albedo特征方程具有较好的拟合性。进一步完成DDI的计算，以自然间断点分级法将DDI指数划分为极重度[0, 026]、重度(0.26，0.35]、中度(0.35，0.51]、轻度(0.51，0.64]和非荒漠化(0.64，1]5个等级。图 1 NDVI-Albedo特征方程
在18个随机站点实测地表 10 cm的土壤湿度，与对应像元提取的DDI进行相关性分析，回归方程为Albedo=0.351 7×NDVI+0.351 5，其中R2为0.61，表明采用DDI对荒漠化情况进行监测可行。3.2 荒漠化时空特征
图 2为大同煤田2000—2021年的荒漠化空间分布。可以看出，2000年，极重度、重度荒漠化主要分布于高海拔山区及云冈区部分区域，轻度和非荒漠化则零散分布于边缘地带；2005年，重度和极重度荒漠化显著减少，而中度荒漠化增加从中部的山区并向四周延伸；2010年，荒漠化进一步好转，重度和极重度荒漠化仅占1.52%，主要位于云冈区，轻度和非荒漠化显著增加；2015年，荒漠化继续好转，中度荒漠化减少，轻度和非荒漠化连片扩散；2021年，荒漠化情况有所加剧，重度和极重度荒漠化零散出现，轻度和非荒漠化在中部和北部减少。总体而言，2000—2021年大同煤田荒漠化明显改善，由重度和极重度向轻度和非荒漠化转变。
图 2 2000—2021年荒漠化程度时空分布示意
表 1为2000—2021年荒漠化面积统计情况，可以看出，不同时期的荒漠化面积占比存在明显差异。总体而言，21年间大同煤田荒漠化状况明显好转，重度和极重度荒漠化面积明显减少，分别减少了487.22、938.04 km2，轻度荒漠化面积增加最为明显，增加了841.30 km222。这表明，大同煤田的荒漠化正在从重度向轻度转变，荒漠化面积总体减少，非荒漠化面积增加。表 1 2000—2021年荒漠化面积统计
3.3 荒漠化变化趋势
结合一元线性回归和显著性检验结果，将DDI变化趋势划分为图 3所示的5种类型。分析发现，大同煤田荒漠化年际变化率以正值为主，81.81%的区域在0.04~0.08之间，显示2000—2021年整体荒漠化情况改善明显。结合显著性检验分析，荒漠化呈改善趋势的面积占比为57.74%，而加剧面积仅占0.03%，其中荒漠化显著改善的区域面积最大，为954.04 km2，占比为49.07%，主要分布在东北部和西南部；极显著改善面积为168.58 km2，占比为8.67%，主要分布在北部区域；显著加剧和极显著加剧区域面积较小，零散分布于西北部。21年间，大同煤田荒漠化整体上得到明显改善，其中北部区域改善得更为显著，中部和周边地区存在改善不显著的情况，这部分区域是未来荒漠化防治的重点区域。图 3 2000—2021年荒漠化变化情况
3.4 影响因素分析
为保证地理探测器数据的一致性，除6类土地利用数据外，其余因子按自然间断点法分为9类，将数据重采样为1 km×1 km的格网(1947个像元)，输入探测器进行分析，获得因子及交互作用探测结果。
各年份不同因子解释力分布如图 4所示，因子解释力的q值表示因子对荒漠化的解释程度。植被和土地利用是各年份荒漠化空间分布的主要影响因素，其中植被的解释力最强，其次为土地利用，其他因素(如高程、人口密度、降水和气温)的解释力较低，均未超过0.1。平均解释力由大到小排序为：植被(0.166)、土地利用(0.107)、高程(0.053)、气温(0.038)、降水(0.022)、人口密度(0.020)，进一步表明植被和土地利用是影响荒漠化变化的关键因素。
图 4 各年份不同因子解释力分布
各年份主导交互因子情况见表 2。分析显示，荒漠化变化受多因子协同作用影响，其中任意两个因子的交互作用效果大于单一因子。2000—2015年，植被与气温的交互作用对荒漠化影响最大，解释力最高，而2021年植被与高程的交互作用最为显著。此外，随着时间的推移，植被与土地利用或人口密度的交互作用也成为重要的影响因素，如2010年植被与人口密度的交互作用解释力达0.227，2015年植被与土地利用的交互作用解释力为0.186。这表明，除了自然因素如植被、气温和地形外，人类活动如土地利用也对荒漠化变化有显著影响。
表 2 各年份主导交互因子情况
4 结论与讨论
本文采用2000—2021年大同煤田的Landsat数据，基于NDVI-Albedo特征空间计算荒漠化差值指数DDI，对荒漠化的时空演变特征及其影响因素进行分析，结论如下。
(1) 构建的荒漠化差值指数DDI有效反映了大同煤田土地荒漠化程度，中部地区荒漠化程度较低，东北和西南两侧较高。21年间，重度和极重度荒漠化面积显著减少，而轻度荒漠化面积显著增加。
(2) 近21年间大同煤田荒漠化显著改善，呈改善趋势的面积占比为57.75%，而呈加剧趋势的面积占比仅为0.03%，荒漠化改善在北部区域分布更为明显，而中部区域变化不显著。
(3) 植被是影响荒漠化变化的主要因素，其次为土地利用；各影响因素对荒漠化的影响存在交互作用，双因子的影响大于单因子，植被与气温、高程、土地利用和人口密度交互后的作用最强。
基于NDVI-Albedo特征空间构建荒漠化差值指数可实现对荒漠化的高效动态监测，但本文在对NDVI-Albedo模型的精度验证过程中，野外实地调查的样本点数量较少，今后应加大实地调查力度。此外，对于大同煤田荒漠化的研究，未来应结合荒漠化演变规律及采矿活动的影响，除了分析常见的因子外，应积极探究其他因子对该区域荒漠化的影响。
作者简介：肖育雷(1982—),男,博士生,主要从事土地管理研究。E-mail:2508103772@qq.com
资讯
来源：测绘学报
