EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 3: 54 - 64

DOI: https://doi.org/10.6046/zrzyyg.2024038

Exploring the ecological effects of land use changes in mining areas under different mining modes based on the Google Earth Engine

  • LIN Xinyuan , 1 ,
  • CHENG Yangjian 1 ,
  • XIE Wei 2 ,
  • LI Chuanqing 3 ,
  • NIE Wen , 2
Expand
  • 1. School of Advanced Manufacturing, Fuzhou University, Jinjiang 362200, China
  • 2. Sinosteel Ma’anshan General Institute of Mining Research Co., Ltd., Ma’anshan 243000, China
  • 3. School of Earth and Environment, Anhui University of Science and Technology, Huainan 232001, China

Received date: 2024-01-20

  Revised date: 2024-10-12

  Online published: 2026-06-03

Fold

Abstract

To investigate the ecological and environment effects of land-use changes under different mining modes, this study utilized the Google Earth Engine (GEE) cloud computing platform to construct a remote sensing ecological index (RSEI) by integrating the greenness, heat, dryness, and wetness indicators. The RSEI was utilized to assess the ecological quality of two mining areas with different mining modes: the Guqiao Coal Mine in Huainan City (underground mining) and the Nanshan Iron Mine in Ma’anshan City (open-pit mining). Through a comparative analysis of relevant data from 2000 to 2020, this study analyzed the dynamic evolutionary patterns between land use changes and ecological quality in the two mining areas. The results indicate that cultivated land occupied the largest proportion in both mining areas. The underground mining area was characterized by a significantly expanded water area, whereas the open-pit mining area featured reduced cultivated and forest lands and increased construction land. Both mining areas exhibited overall good-to-fair ecological quality. Specifically, the RSEI values for the Guqiao Coal Mine were 0.60, 0.82, 0.71, 0.65, and 0.68, while those for the Nanshan Iron Mine were 0.58, 0.59, 0.59, 0.63, and 0.64. Among various land use types, construction land and water bodies displayed relatively poor ecological conditions, whereas forest and cultivated lands exhibited more favorable conditions. The underground mining area showed surface subsidence and the transition of cultivated land to water areas, leading to deteriorating ecological quality. In contrast, the open-pit mining area showed soil stripping, shrinking forest and cultivated lands, and construction land expansion, contributing significantly to the declining ecological quality.

Key words： underground mining; open-pit mining; Google Earth Engine (GEE); land use change; remote sensing ecological index (RSEI)

Cite this article

LIN Xinyuan , CHENG Yangjian , XIE Wei , LI Chuanqing , NIE Wen . Exploring the ecological effects of land use changes in mining areas under different mining modes based on the Google Earth Engine[J]. Remote Sensing for Natural Resources, 2025 , 37(3) : 54 -64 . DOI: 10.6046/zrzyyg.2024038

0 引言

矿产开采带来的大规模高强度的生态扰动行为,使土地利用变化程度加剧。土地功能的变化直接影响矿区生态环境质量,造成地表破坏、粉尘污染、土壤污染、地下水污染和生态系统功能退化等现象[1]。井工煤矿开采、利用的过程中,由于占用、挖损、塌陷等会造成大量土地破坏[2],而露天矿产开采也会导致当地的土地利用和植被状况发生改变,进而加剧矿区生态系统的脆弱性[3]。因此随着矿山环境问题日益加剧,对矿区生态环境监测与评价是矿区管理必不可少的内容[4]。
地面调查是长期以来矿区生态环境监测和评价的重要方式[5]。随着传感器、卫星遥感、地理信息系统等技术的发展[6],遥感技术因其具有快速、实时、监测范围广等特点,在生态环境质量监测与评估方面发挥了重要作用[7]。2013年,徐涵秋[8]提出了遥感生态指数(remote sensing ecological index,RSEI),通过主成分变换来耦合绿度、湿度、热度和干度指标,具有不易受人为主观因素干扰的优势,现已在矿区生态环境的评价中得到成功应用。例如Liu等[9]利用RSEI分析南四湖周边矿区生态环境和时空变化特征,研究由于大规模的地下开采煤矿导致的生态变化情况;Nie等[10]使用经过地形校正后的RSEI,研究地形校正对煤矿区生态环境质量评价的影响; Tang等[11]利用RSEI对矿区生态扰动进行评价,研究土地覆被变化对露天矿区生态环境的影响。尽管RSEI在矿区生态环境监测方面研究较多,部分学者也已经关注到地表土地覆盖对露天矿区的生态环境影响,但少有学者关注井工开采造成土地利用变化带来的生态环境影响,以及不同开采模式下土地利用变化带来的生态环境影响。因此,本研究借助谷歌地球引擎(Google Earth Engine,GEE)平台,使用RSEI模型,通过生态贡献率定量计算土地利用变化的生态响应,为矿区生态环境修复和保护提供借鉴。

1 研究区概况及数据源

1.1 研究区概况

本文选择2种典型开采模式的矿区(图1)。顾桥煤矿(32°53'~32°43'N,116°38'~116°32'E)位于安徽省中北部的淮南市,是中国典型的井工开采煤矿,研究区总面积为147.60 km2,属于亚热带季风气候,年平均气温在14.3 ~ 16.1 ℃,雨季集中在6—7月份。南山铁矿(31°43'~31°33'N,118°39'~118°30'E)位于安徽省马鞍山市东南部,是中国典型的露天开采铁矿,研究区总面积198.78 km2,属于亚热带湿润性季风气候,年平均温度在15.7~17.9 ℃,7月降雨集中。
图1 研究区地理位置

Fig.1 Location of the study area

1.2 数据源及其预处理

本文采用的数据来自GEE平台的Landsat5 TM和Landsat8 OLI 2个数据集,空间分辨率为30 m,已经过辐射定标和大气校正处理。分别筛选2000年、2005年、2010年、2015年和2020年4—9月影像,经过去云处理后,合成为目标年份影像。调用GEE平台上SRTM数字高程模型(digital elevation model,DEM)数据,通过ee.Algorithms.Terrain()函数提取海拔和坡度因子,构建地形特征数据集。

2 研究方法

基于GEE平台收集Landsat5 TM和Landsat8 OLI影像并预处理,利用波段特征、地形特征和光谱指数构建分类特征集,调用随机森林算法进行土地利用分类。使用RSEI模型分析生态环境质量,计算RSEI变化趋势,最后根据生态贡献率量化土地利用变化与生态环境变化之间的关系。技术路线如图2所示。
图2 研究方法流程图

Fig.2 Research method flow chart

2.1 土地利用分类模型构建

基于GEE平台选取波段特征、地形特征和光谱特征构建多维特征数据集(表1)。运用Breiman[12]提出的随机森林方法进行土地利用分类,该方法是一种基于决策树的组合分类算法,通过将大量不同的训练样本进行有放回抽样,生成众多决策树并进行投票,得到最终土地类型分类结果。按照《土地利用现状分类》(GB/T 21010—2017)标准[13],将顾桥煤矿划分为耕地、水域、建设用地3类,南山铁矿划分为耕地、林地、水域、建设用地4类。在GEE平台上对遥感影像目视解译得到样本点,选取70%样本点作为训练样本,30%样本点作为验证样本,设置100个决策树,构建随机森林模型分类器。
表1 多维分类特征集

Tab.1 Multidimensinal classification feature data set

分类特征 特征信息 波段信息
光谱特征 Landsat5 TM Bblue,Bgreen,Bred,BNIR,BSWIR1,BSWIR2
Landsat8 OLI/TIRS Bblue,Bgreen,Bred,BNIR,BSWIR1,BSWIR2
光谱指数 NDVI[8],NDBI[14],MNDWI[14]
地形特征 SRTM DEM 高度、坡度

2.2 RSEI模型构建

由遥感影像提取归一化植被指数(normalized difference vegetation index, NDVI)、缨帽变换的湿度分量(wetness component of the tasseled cap transformation, WET)、归一化建筑和裸土指数(normalized difference built-up and soil index, NDBSI)、地表温度(land surface temperature, LST)[15]耦合构建RSEI,计算公式为:
R S E I = f ( N D V I , W E T , N D B S I , L S T )。
上述遥感指标的计算公式见表2。
表2 遥感指数计算公式

Tab.2 Calculation formula of remote sensing index

指数 计算公式 解释
NDVI ( B N I R - B r e d ) / ( B N I R + B r e d ) 式中:BNIR,Bred,Bblue,Bgreen,BSWIR1,BSWIR2 分别为近红外、红光、蓝光、绿光、短波红外1和2波段的反射率[16-17];SI[18]和IBI[19]分别为裸土指数和建筑指数;λ为TIR波段的中心波长;T为传感器探测到的亮温温度; ε为地表比辐射率;ρ = 1.438 × 10-2 m·K。
WET W E T T M = 0.0315 B b l u e + 0.2021 B g r e e n + 0.3102 B r e d + 0.1594 B N I R - 0.6806 B S W I R 1 - 0.6109 B S W I R 2 W E T O L I = 0.1511 B b l u e + 0.1973 B g r e e n + 0.3283 B r e d + 0.3407 B N I R - 0.7117 B S W I R 1 - 0.4559 B S W I R 2
NDBSI ( S I + I B I ) / 2
LST T / [ 1 + ( λ T / ρ ) l n ε ] - 273.15
反演后得到的各分量指标量纲不统一,为了避免权重失衡导致的错误,在进行主成分分析之前进行归一化处理,使各指标取值区间为[0,1]。归一化后在GEE平台利用Eigen Analysis进行主成分分析,基于第一主成分PC1计算RSEI,具体公式为:
R S E I 0 = 1 - P C 1
R S E I = ( R S E I 0 - R S E I 0 _ m i n ) / ( R S E I 0 _ m a x - R S E I 0 _ m i n )
式中:RSEI为最终的遥感生态指数,值为[0,1],值越高,生态质量越好;RSEI0为原始遥感生态指数;RSE I 0 _ m a x,RSE I 0 _ m i n分别为RSEI0最大值和最小值。

2.3 趋势分析

Theil-Sen Median方法[20]又称为Sen斜率估计,该方法可以减少数据异常值的影响,且计算效率高,适用于长时间序列数据的趋势分析。公式为:
β = M e d i a n x j - x i j - i , ∀ j > i
式中:xj和xi分别为时间序列数据;β为序列的趋势度,β>0为增长趋势,β=0为趋势无变化,β< 0为下降趋势。
趋势分析的显著性通过Mann-Kendall检验[21]的Z值来定义,计算公式为:
Z = S / V a r ( S ) , S > 0 0 , S = 0 ( S + 1 ) / V a r ( S ) , S < 0
S = ∑ i = 1 n - 1 ∑ j = i + 1 n s g n ( R S E I j - R S E I i )
s g n ( R S E I j - R S E I i ) = + 1 , R S E I j > R S E I i 0 , R S E I j = R S E I i - 1 , R S E I j < R S E I i
V a r ( S ) = n ( n - 1 ) ( 2 n + 5 ) 18
式中:RSEIi和RSEIj分别为第i年和j年的RSEI值;n为年数。在置信度水平α= 0.05下,当| Z |>1.96 时,变化显著,当| Z |<1.96 时,变化不显著。

2.4 生态贡献率

为研究土地利用转型对生态环境效应的影响程度,使用生态贡献率度量区域各土地利用类型变化对生态环境质量的影响[22],数学表达式为:
L E I = ( L E k 1 - L E k 0 ) Δ A k / A
式中:LEI为土地利用功能演变的生态贡献率;L E k 0和L E k 1分别为第k种土地利用类型变化初期和末期的RSEI;ΔAk为该类土地利用变化的面积;A为研究区面积。

3 结果与分析

3.1 土地利用分类结果

3.1.1 土地利用分类特征重要性及精度

随机森林算法中的特征重要性评估能够衡量每个特征变量对分类准确性的贡献度[12]。在GEE上根据平均降低准确度方法分析特征重要性。结果如表3所示,2000—2010年,顾桥煤矿BSWIR2对土地利用分类的重要性最高,该波段对地表湿度较为敏感,由于顾桥煤矿存在水域,因此该波段贡献最大。2000—2010年,南山铁矿不同特征变量贡献度年际间存在差异,但归一化建筑指数(normalized diffe-rence built-up index,NDBI)的贡献值皆处于较高地位。2015—2020年,顾桥煤矿BNIR贡献度最高,该波段对植被反射率较高,说明此区域植被状态良好。而在2015—2020年间,NDBI在南山铁矿中具有相对更高的分类重要性,可见南山铁矿区矿产开发和城市扩张较为剧烈。在土地利用分类结果精度验证中,使用总体精度(overall accuracy,OA)和Kappa系数进行验证,精度结果如图3所示,显示精度均高于80%,满足研究要求。
表3 顾桥煤矿和南山铁矿特征变量重要性

Tab.3 The importance of characteristic variables in Guqiao Coal Mine and Nanshan Iron Mine

特征变量 顾桥煤矿 南山铁矿
2000年 2005年 2010年 2015年 2020年 2000年 2005年 2010年 2015年 2020年
Bblue 4.62 4.81 6.73 5.93 5.82 6.22 6.20 2.64 5.47 4.67
Bgreen 7.44 7.21 4.74 5.21 5.12 6.40 6.72 5.32 6.43 4.12
Bred 5.47 6.65 3.82 5.49 9.88 6.00 6.36 2.49 4.14 4.48
BNIR 4.80 9.20 8.55 14.68 14.25 2.65 2.36 5.33 3.52 3.88
BSWIR1 3.12 4.09 7.05 5.40 10.18 3.54 1.79 2.37 2.78 5.43
BSWIR2 8.46 10.61 8.70 7.49 11.46 8.05 1.46 5.14 5.39 5.32
NDVI 3.68 6.35 6.73 1.70 6.11 3.28 1.58 5.29 1.08 3.39
NDBI 6.01 6.46 8.21 5.37 8.69 5.58 5.46 5.34 6.44 4.86
MNDWI 6.32 3.62 8.20 6.56 7.67 2.88 6.99 2.46 2.32 5.19
Slope 1.45 5.09 1.69 0.52 4.80 2.01 1.97 3.23 6.33 3.03
Elevation 4.22 4.49 4.22 2.92 1.51 3.38 3.16 5.38 4.05 3.08
图3 顾桥煤矿和南山铁矿土地利用分类精度

Fig.3 Accuracy of land use classification for Guqiao Coal Mine and Nanshan Iron Mine

3.1.2 土地利用变化特征

2个矿区土地利用类型面积与分布分别见表4—5和图4—5。由图表可知,在2000—2020年期间,顾桥煤矿和南山铁矿耕地面积占比最大,水域面积占比最小。各年份土地利用面积随采矿和建设活动发生变化。其中,顾桥煤矿为满足矿产运行需要占用耕地,导致耕地面积减少25.39 km2,建设用地面积增加11.51 km2;其次,由于煤矿井工开采引起地表沉陷,水域面积扩大13.88 km2,范围沿采矿区向四周扩散。南山铁矿采用露天开采模式,对地表景观破坏较大,耕地和林地面积分别从100.98 km2和66.59 km2下降至78.32 km2和62.02 km2,建设用地增加27.63 km2,水域面积变化不明显。总体上看,在研究期内,各地物类型面积呈现不同程度波动,顾桥煤矿水域面积扩张剧烈,南山铁矿的耕地减少和建设用地增加最为明显。
表4 顾桥煤矿各土地利用类型面积

Tab.4 Area of each land use type in Guqiao Coal Mine(km2)

年份 耕地 水域 建设用地
2000年 114.54 7.82 25.24
2005年 100.22 11.22 36.16
2010年 95.50 15.65 36.46
2015年 83.69 18.89 45.02
2020年 89.15 21.70 36.75
表5 南山铁矿各土地利用类型面积

Tab.5 Area of each land use type in Nanshan Iron Mine(km2)

年份 耕地 林地 水域 建设用地
2000年 100.98 66.59 6.36 24.85
2005年 98.40 74.14 3.38 22.86
2010年 104.56 40.75 8.95 44.53
2015年 80.90 48.30 2.78 66.79
2020年 78.32 62.02 5.96 52.48
图4 顾桥煤矿土地利用分类结果

Fig.4 Land use classification results for Guqiao Coal Mine

图5 南山铁矿土地利用分类结果

Fig.5 Land use classification results for Nanshan Iron Mine

3.2 RSEI结果

3.2.1 RSEI指标主成分分析

在GEE平台上对耦合后的4 个指标进行主成分分析,结果如表6所示,2个矿区PC1在研究年间的贡献率分别超过了70%和75%,说明PC1集中了大部分的指标特征信息。从各指标载荷情况来看,绿度指标(NDVI)和湿度指标(WET)为正值,干度指标(NDBSI)和热度指标(LST)为负值,说明RSEI能够反映出该区域地表的生态状况。
表6 顾桥煤矿和南山铁矿4个指标PC1载荷

Tab.6 PC1 loadings for the four indicators in Guqiao Coal Mine and Nanshan Iron Mine

指标 顾桥煤矿 南山铁矿
2000年 2005年 2010年 2015年 2020年 2000年 2005年 2010年 2015年 2020年
NDVI 0.585 0.654 0.790 0.647 0.672 0.501 0.733 0.783 0.704 0.712
WET 0.310 0.298 0.191 0.252 0.251 0.341 -0.447 0.058 0.148 0.206
LST -0.123 -0.227 0.034 -0.060 -0.203 -0.406 0.058 -0.416 -0.087 -0.252
NDBSI -0.739 -0.657 -0.581 -0.718 -0.667 -0.684 0.508 -0.459 -0.689 -0.622
特征值 0.049 0.037 0.056 0.029 0.031 0.048 0.007 0.042 0.026 0.048
贡献率/% 70.95 77.89 74.18 71.22 76.94 75.98 79.60 82.70 77.81 85.07

3.2.2 RSEI变化分析

由于研究区的水域范围变化较大,若对目标年份水域进行掩模,将导致研究区面积变化。研究表明矿区水域易受采矿活动影响而造成水体污染[23],同时,矿区内水域的生态系统服务功能低于其他土地类型[24],可以认为矿区内水域生态相对较差,与本研究结果相符。为了解区域整体生态质量,对 RSEI变化均值进行统计,如图6所示,2000—2020年顾桥煤矿RSEI均值分别为0.60,0.82,0.71,0.65,0.68,南山铁矿RSEI均值分别为0.58,0.59,0.59,0.63,0.64。20 a间顾桥煤矿RSEI均值上升0.08,南山铁矿上升0.06。2个矿区生态质量总体呈一般及良好态势。
图6 2000—2020年顾桥煤矿和南山铁矿RSEI

Fig.6 RSEI of Guqiao Coal Mine and Nanshan Iron Mine from 2000 to 2020

为了能更直观地分析区域的生态环境质量变化情况,对生态环境质量进行分级处理。分级方法参考《生态环境状况评价技术规范》中基于RSEI的生态环境分级标准[25],将RSEI值划分为差(0,0.2]、较差(0.2,0.4]、一般(0.4,0.6]、良(0.6,0.8]、优(0.8,1]5个等级。从图7和图8的结果可以看出,2000—2020年顾桥煤矿生态环境质量等级为“优”的面积呈现逐年上升趋势,仅在2015年有小幅度下降;生态等级为“一般”和“良”的面积区域占有极大比重,耕地区域生态环境质量总体优良,生态质量总体向好,矿区西北部、中部、西南部水域和建设用地区域生态较差。2000—2020年南山铁矿生态环境质量等级呈现上下浮动不稳定趋势,生态环境质量等级为“一般”和“良”的面积比重较高。采矿及建设活动导致矿区中部及东北部建设用地集中区生态环境较差,且随年际变化呈分散化趋势。
图7-1 顾桥煤矿生态质量分级及面积统计

Fig.7-1 Ecological grading and area chart for Guqiao Coal Mine

图7-2 顾桥煤矿生态质量分级及面积统计

Fig.7-2 Ecological grading and area chart for Guqiao Coal Mine

图8 南山铁矿生态质量分级及面积统计

Fig.8 Ecological grading and area chart for Nanshan Iron Mine

3.3 RSEI趋势分析

根据RSEI趋势分析,将结果分为5个等级[26],显著下降(Z<-1.96),下降(-1.96≤Z<0),无明显变化(Z=0),增加(0<Z≤1.96),显著增加(Z>1.96)。从表7和图9可以看出,2000—2020年2个矿区RSEI值上升趋势显著,分别占比89.6%和48.9%。顾桥煤矿的RSEI显著下降区域集中在西北部水域及零星建设用地,大部分耕地区域RSEI显著上升。南山铁矿RSEI显著下降区域分散,主要集中于建设用地。无明显变化及上升区域占比为70.9%,主要集中于林地、耕地区域。部分建设区域RSEI呈上升趋势,表明矿区生态治理取得成效。
表7 2000—2020年顾桥煤矿和南山铁矿RSEI趋势变化面积占比

Tab.7 Area proportion of different RSEI trend in Guqiao Coal Mine and Nanshan Iron Mine from 2000 to 2020

趋势等级 顾桥煤矿 南山铁矿
面积/km2 占比/% 面积/km2 占比/%
显著下降 5.46 3.7 22.67 10.9
下降 6.94 4.7 36.18 18.2
无明显变化 2.95 2.0 43.73 22.0
上升 120.59 81.7 76.33 38.4
显著上升 11.66 7.9 19.87 10.5
图9 2000—2020年顾桥煤矿和南山铁矿RSEI趋势分析

Fig.9 RSEI trend analysis in Guqiao Coal Mine and Nanshan Iron Mine from 2000 to 2020

3.4 土地类型转化生态效应分析

本文将不同土地利用转移类型对生态环境效应的影响程度进行量化,在地区气候、降水等环境因素差异不大的情况下,研究各土地利用类型与区域生态环境的响应机制。图10为2个矿区土地类型转移及生态贡献率。从图10可以看出,2种典型开采模式矿区带来的生态环境效应存在一致性:维持耕地类型对生态改善具有重要贡献,对2类矿区的贡献率分别为6.5×10-2和2.4×10-2,其中保持耕地类型对顾桥煤矿生态改善贡献率最高。采矿及城市扩张造成地表扰动和建设用地增加,因此在顾桥煤矿和南山铁矿区,耕地向建设用地转变是导致2类矿区生态环境恶化的重要因素。
图10 顾桥煤矿和南山铁矿土地利用转移类型生态贡献率

Fig.10 Ecological contribution rates of land use transfer types in Guqiao Coal Mine and Nanshan Iron Mine

矿区开采模式的不同使得生态环境变化存在差异。顾桥煤矿主要采取井工开采模式,井工开采容易破坏地表结构造成地表沉陷[27],导致水域面积大量增加。在耕地向水域转变区域,生态恶化程度最大,贡献率为-8.1×10-2,是井工开采矿区生态环境恶化主要原因。南山矿区露天开采铁矿需要对土体进行剥离,露天矿集中区开采活动占用绿地和土地资源,导致植被破坏,工业场地增加[28]。根据对南山矿区土地转移类型生态贡献率分析,在耕地和林地向建设用地转变区域,生态恶化程度最高,分别为-1.9×10-2和-1.0×10-2,而区域内未形成大面积水域,因此,露天采矿生态环境恶化受建设用地占用影响最大。

4 结论与展望

基于GEE平台进行2000—2020年顾桥煤矿和南山铁矿土地利用分类并计算RSEI,探究其时空变化特征,并分析不同开采模式土地利用变化与RSEI变化的关系。得出以下结论。
1)2000—2020年顾桥煤矿和南山铁矿的土地利用类型面积呈现不同程度的变化。顾桥煤矿耕地面积减少25.39 km2,建设用地增加11.51 km2,水域面积沿采矿区向四周扩散明显。南山铁矿以耕地和林地面积减少、建筑用地面积增加为主,水域变化不显著。
2) 2000—2020年顾桥煤矿和南山铁矿的生态环境质量总体呈一般及良好状态。顾桥煤矿耕地区域生态环境质量持续改善,建设用地及矿坑水域位置生态环境质量相对较差;南山铁矿生态环境质量呈浮动趋势,矿区中部及东北部建设用地集中区生态环境较差。
3)不同开采模式下矿区土地利用变化带来的生态环境影响不同。顾桥煤矿由于井工开采易造成地表沉降,原有耕地转变为水域使得该区域的生态环境质量变差;而南山铁矿由于采用露天开采,对地表破坏较为明显,建设用地占用耕地和林地,是露天矿区生态环境变差的主要因素。
本文探究了不同开采模式下矿区土地利用类型对生态环境影响的异同,为生态环境研究和环境修复工作给出建议,但仍存在可改进的问题:研究不同开采模式矿区下的生态环境差异仅从土地利用变化的角度说明问题,而生态环境影响可能是多种因素共同作用,全面性存在局限,未来可以通过高分辨率的影像提高土地分类精度,选取更多的影响因子来充分讨论不同土地利用变化带来的生态环境效应。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
刘英, 许萍萍, 毕银丽, 等. 新疆戈壁煤矿露天开采对生态环境扰动定量分析[J]. 煤炭学报, 2023, 48(2):959-974.

Liu Y, Xu P P, Bi Y L, et al. Quantitative analysis of coal mining disturbance on environment in Xinjiang Gobi open-pit mining area[J]. Journal of China Coal Society, 2023, 48(2):959-974.

[2]
王晓辉, 耿宜佳. 淮南煤矿区土地利用变化分析[J]. 安徽农业科学, 2015, 43(36):295-298.

Wang X H, Geng Y J. Land use changes in Huainan coal mining area[J]. Journal of Anhui Agricultural Sciences, 2015, 43(36):295-298.

[3]
张敏. 大型露天煤矿区土地利用时空演变特征及生态影响研究[D]. 北京: 中国地质大学(北京), 2021.

Zhang M. Spatio-temporal evolution characteristics of land use change and ecological impact in a large opencast coal mine area[D]. Beijing: China University of Geosciences, 2021.

[4]
朱冬雨, 陈涛, 牛瑞卿, 等. 利用移动窗口遥感生态指数分析矿区生态环境[J]. 武汉大学学报(信息科学版), 2021, 46(3):341-347.

Zhu D Y, Chen T, Niu R Q, et al. Analyzing the ecological environment of mining area by using moving window remote sensing ecological index[J]. Geomatics and Information Science of Wuhan University, 2021, 46(3):341-347.

[5]
王双明, 杜华栋, 王生全. 神木北部采煤塌陷区土壤与植被损害过程及机理分析[J]. 煤炭学报, 2017, 42(1):17-26.

Wang S M, Du H D, Wang S Q. Analysis of damage process and mechanism for plant community and soil properties at northern Shenmu subsidence mining area[J]. Journal of China Coal Society, 2017, 42(1):17-26.

[6]
范立民, 向茂西, 彭捷, 等. 西部生态脆弱矿区地下水对高强度采煤的响应[J]. 煤炭学报, 2016, 41(11):2672-2678.

Fan L M, Xiang M X, Peng J, et al. Groundwater response to intensive mining in ecologically fragile area[J]. Journal of China Coal Society, 2016, 41(11):2672-2678.

[7]
汪云甲. 矿区生态扰动监测研究进展与展望[J]. 测绘学报, 2017, 46(10):1705-1716.

DOI

Wang Y J. Research progress and prospect on ecological distur-bance monitoring in mining area[J]. ActaGeodaetica et Cartographica Sinica, 2017, 46(10):1705-1716.

[8]
徐涵秋. 城市遥感生态指数的创建及其应用[J]. 生态学报, 2013, 33(24):7853-7862.

Xu H Q. A remote sensing urban ecological index and its application[J]. ActaEcologica Sinica, 2013, 33(24):7853-7862.

[9]
Liu H, Jiang Y, Misa R, et al. Ecological environment changes of mining areas around Nansi Lake with remote sensing monitoring[J]. Environmental Science and Pollution Research International, 2021, 28(32):44152-44164.

[10]
Nie X, Hu Z, Zhu Q, et al. Research on temporal and spatial resolution and the driving forces of ecological environment quality in coal mining areas considering topographic correction[J]. Remote Sensing, 2021, 13(14):2815.

[11]
Tang H, Fang J, Xie R, et al. Impact of land cover change on a typical mining region and its ecological environment quality evaluation using remote sensing based ecological index (RSEI)[J]. Sustainability, 2022, 14(19):12694.

[12]
Breiman L. Randomforests[J]. Machine Learning, 2001, 45(1):5-32.

[13]
国家质量监督检验检疫总局, 中国国家标准化管理委员会. GB/T 21010—2017 土地利用现状分类[S]. 北京: 中国标准出版社, 2017.

General Administration of Quality Supervision,Inspection and Quarantine of the People’s Republic of China, Standardization Administration of the People’s Republic of China. GB/T 21010—2017 Current land use classification[S]. Beijing: Standards Press of China, 2017.

[14]
姚金玺, 王浪, 李建忠, 等. 青海诺木洪地区多源遥感及多特征组合地物分类[J]. 农业工程学报, 2022, 38(3):247-256.

Yao J X, Wang L, Li J Z, et al. Multi-source remote sensing and multi-feature combination ground object classification in Nuomuhongareas,Qinghai Province of China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(3):247-256.

[15]
Nichol J. Remote sensing of urban heat islands by day and night[J]. Photogrammetric Engineering & Remote Sensing, 2005, 71(5):613-621.

[16]
Crist E P. A TM Tasseled Cap equivalent transformation for reflectance factor data[J]. Remote Sensing of Environment, 1985, 17(3):301-306.

[17]
Baig M H A, Zhang L, Shuai T, et al. Derivation of a tasselled cap transformation based on Landsat8 at-satellite reflectance[J]. Remote Sensing Letters, 2014, 5(5):423-431.

[18]
Rikimaru A, Roy P S, Miyatake S. Tropical forest cover density mapping[J]. Tropical Ecology, 2002, 43(1):39-47.

[19]
Xu H. A new index for delineating built-up land features in satellite imagery[J]. International Journal of Remote Sensing, 2008, 29(14):4269-4276.

[20]
Sen P K. Estimates of the regression coefficient based on Kendall’s Tau[J]. Journal of the American Statistical Association, 1968, 63(324):1379-1389.

[21]
Kendall M G. Rank correlation methods[J]. The Economic Journal, 1948,59:575-577.

[22]
杨保华, 杨清华, 陈剑虹. 关于《生态环境状况评价技术规范(试行)》中土地退化指数的权重及计算方法的探讨[J]. 生态与农村环境学报, 2011, 27(3):103-107.

Yang B H, Yang Q H, Chen J H. Weight of land(soil) degradation indices and optimization of their calculation in “technical criteria for evaluation of ecological environment(trial)”[J]. Journal of Ecology and Rural Environment, 2011, 27(3):103-107.

[23]
黄望望, 姜春露, 陈星, 等. 淮南新集矿区主要充水含水层水化学特征及成因[J]. 地球与环境, 2020, 48(4):432-442.

Huang W W, Jiang C L, ChenX, et al. Chemical characteristics and genesis of deep groundwater in the Xinji mining area[J]. Earth and Environment, 2020, 48(4):432-442.

[24]
何庆. 露天煤矿复垦区生态系统服务功能评价与权衡研究[D]. 杨凌: 西北农林科技大学, 2023.

He Q. The evaluation of ecosystem service function and its trade-off in reclamation area of opencast coal mine[D]. Yangling: Northwest A & F University, 2023.

[25]
李晓文, 方创琳, 黄金川, 等. 西北干旱区城市土地利用变化及其区域生态环境效应——以甘肃河西地区为例[J]. 第四纪研究, 2003, 23(3):280-290,348-349.

Li X W, Fang C L, Huang J C, et al. The urban land use transformations and associated effects on eco-environment in Northwest China arid region:A case study in HexiRegion,Gansu Province[J]. Quaternary Sciences, 2003, 23(3):280-290,348-349.

[26]
宗慧琳, 张晓伦, 袁希平, 等. 利用GEE进行1990—2022年小江流域生态环境质量时空格局与演变趋势分析[J]. 环境科学, 2024, 45(7):4122-4136.

Zong H L, Zhang X L, Yuan X P, et al. Xiaojiang river basin ecological environmental quality spatiotemporal pattern and evolutionary trend analysis using GEE from 1990 to 2022[J]. Environmental Science, 2024, 45(7):4122-4136.

[27]
雷少刚, 卞正富. 西部干旱区煤炭开采环境影响研究[J]. 生态学报, 2014, 34(11):2837-2843.

Lei S G, Bian Z F. Research progress on the environment impacts from underground coal mining in arid western area of China[J]. ActaEcologica Sinica, 2014, 34(11):2837-2843.

[28]
刘硕, 李小光, 宋建伟, 等. 长山沟露天矿集中区土地利用时空变化的遥感监测与分析[J]. 水土保持通报, 2021, 41(4):121-127,2.

Liu S, Li X G, Song J W, et al. Remote sensing monitoring and analysis of spatiotemporal changes in Changshangou open pit mine concentration area[J]. Bulletin of Soil and Water Conservation, 2021, 41(4):121-127,2.

Options
Outlines

/

〈 〉