2. 环境保护部南京环境科学研究所, 江苏 南京 210042;
3. 湖北置帮房地资产评估咨询有限公司, 湖北 武汉 430070
2. Nanjing Institute of Environmental Sciences, Ministry of Environmental Protection, Nanjing 210042, China;
3. Hubei Zhibang Appraisal & Consulting Co. Ltd., Wuhan 430070, China
推进矿山环境治理与生态修复是我国实施山水林田湖草生态保护修复的重要内容, 同时也是实现“绿水青山就是金山银山”发展理念和区域生态资产增值的有效途径[1-2]。植被恢复是矿山生态修复的关键阶段。植被作为反映生态完整性的重要指标[3], 具有水平结构和垂直结构特征, 水平方向的结构参数包括植被覆盖度、冠幅、郁闭度(crown density)、间隙率(gap rate)和植被破坏面积, 垂直方向的结构参数包括树高、胸径、叶面积指数(leaf area index, LAI)等。
激光雷达(light detection and ranging, LiDAR)在垂直空间结构方面的信息提取优势明显, 可以较为全面地与水平空间数据相结合, 实现多角度的矿山生态环境监测, 弥补传统遥感在矿山生态环境监测中的缺陷与不足[4-5]。LiDAR在植被垂直结构参数反演方面具有更多优势[6-7], 具有传统遥感手段所不具备的主动性强、扫描速度快、实时性强、精度高等特点[4]。LiDAR获得的三维点云精度可达mm级[8], 而地基激光雷达(Terrestrial LiDAR, T-LiDAR)可以获取精细的森林垂直结构, 尤其是林冠下层垂直结构[9], 在矿区高精度数字高程模型(DEM)和植被结构参数的提取方面有着独特优势[4]。
为此, 针对矿山生态监测与成效评估的需要, 采用以空间代时间的方式, 选择裸露采矿废弃地、半裸露采矿废弃地和植被覆盖较好的采矿废弃地代表矿山生态修复的3个阶段, 运用T-LiDAR进行前期数据采集, 再配合点云处理分析软件来对各恢复阶段的矿区植被结构参数进行提取, 并对提取时DEM的分辨率、点云分割的像元大小提出要求, 以期为矿山生态修复成效评价提供精准的数据支撑。
1 材料与方法 1.1 研究区概况研究区位于福建省漳州市台商投资区的西山, 以吴宅村和坂美村一线区域为核心, 地理位置介于24°31′15″~24°34′37″ N, 117°47′12″~117°50′23″ E之间, 西山片区采矿废弃地原先开采的矿山主要为建筑用花岗岩, 少量为饰面用花岗岩, 开采方式均为露天开采。该片区主要为露天采场、排土/岩场、工业场地、石料场、取土场、矿区道路等。由于分布较多碎石场, 露天筛分破碎机械产生大量粉尘, 西山片区空气质量状况较差。废弃地内岩石裸露程度高,碎石多,水土流失严重, 自然生态系统基本被摧毁, 局地仅存有少量自然植被与零星人工植被。
该片区共包括18个矿山, 现已全部停采, 该研究选取的3个不同生态修复阶段的采矿废弃地位于铁路西侧亚片区, 其现场情况如图 1。
1号为龙海市畚箕湖建筑用花岗岩矿区, 该废弃地开采高程介于23~105 m, 平均高程约64 m, 开采规模较小, 因停采时间长, 其裸露边坡和工业废弃地均有乔灌木生长, 优势树种为相思树(Acacia confusa)和桉树(Eucalyptus robusta)。
2号为龙海市课堂建筑用花岗岩矿区, 该废弃地开采高程介于24~59 m, 平均高程约41 m, 露天开采, 规模较大。因停采时间较长, 植被恢复良好, 优势树种为相思树和巨尾桉(Eucalyptus grandis)。前2个矿区距离较近, 周边是省级生态公益林,林种为水土保持林, 亟需进行生态恢复。
3号为龙海市角美镇石料场, 该废弃地内有水体, 开采石壁呈半弧状包围水体, 岩质边坡, 边坡垂直开采且覆有碎石, 边坡顶端有些许乔木与草本覆盖, 树种多为巨尾桉与相思树, 该区域前仍有机械设备和石块堆放, 停采时间较短。
1.2 采矿废弃地生态恢复阶段划分植被恢复指植物经过一定历史发展时期, 由一种类型恢复变成另外一种类型的过程[10]。根据植被覆盖度的差异, 以空间代时间的方法, 将西山片区划分为裸露采矿废弃地、半裸露采矿废弃地和植被覆盖较好的采矿废弃地3种生态恢复阶段, 标准如下:裸露采矿废弃地, 植被盖度≤10%;半裸露采矿废弃地, 植被盖度为>10%~ < 40%;植被覆盖较好的采矿废弃地, 植被盖度≥40%。西山片区采矿废弃地基本情况见表 1。
采用地基雷达RIEGL VZ-400i进行上述3个采矿废弃地的样地扫描。该款地基雷达主要特点为120万点·s-1的超高激光发射频率和50万点·s-1的超高数据采集速度, 极大地缩短了野外扫描时间, 测量精度优于5 mm且测距高达800 m。
2017年8月, 在1号矿区共采集9站数据, 扫描面积约为51 198.22 m2; 在2号矿区共采集6站数据, 扫描面积约为35 842.09 m2; 在3号矿区共采集4站数据, 扫描面积约为41 628.45 m2。每站数据采集时间只需75 s, 操作简单便捷。
所测数据经系统自动拼接校准后通过配套软件RiSCAN-PRO导出Las文件, 首先通过中海达研发的点云数据处理软件HD-3LS-SCENE去噪, 需要删去与观测区范围无关和混淆的点,然后进行地面点自动分离。这种方法得到的地面点误差仍然较大, 需要对其进行二次手动分离。分离标准为分离的点云经过栅格运算投影后得到的三维地形图相对平滑。该研究具体通过投影最低值的方式将点云投影到xoy平面, 依次得到1、2、5、8、10、20、30、40和50 cm共9种分辨率的DEM数据。通过将不同分辨率DEM数据加载入LiDAR 360软件中, 同时导入所需要的对应矿区的点云Las数据, 对点云数据到地面的距离进行归一化处理, 用以评判地面点和植被点。接着将归一化后的点云数据按以下2种方法提取叶面积指数、郁闭度和间隙度。2种方法提取的植被参数均为平均值。
方法A:采用9种不同分辨率的DEM, 设置相同的点云分割像元大小〔即运算过程中设定的水平方向栅格参数x(pixel)*y(pixel)〕, 提取叶面积指数、郁闭度和间隙率3种植被参数值, 设置不同的DEM分辨率是为了确定提取植被参数时的最适分辨率。
方法B:将3个矿区的点云数据随机进行50 m×50 m的样地切割。删减掉点云数据量少、点云覆盖度低的样地, 然后各随机选择1块研究样地, 采用方法A中最为合适的DEM分辨率, 并设置不同的点云分割像元大小, 提取叶面积指数、郁闭度和间隙率3种植被参数值, 旨在确定提取植被参数的最优点云分割像元大小, 在后期数据收集时节约运算时间。
1.3.2 植被参数提取选取叶面积指数、间隙率和郁闭度3个植被结构参数, 其中, 反映植被覆盖的间隙率和郁闭度是直观评价矿区植被状况的重要参数, 而叶面积指数是表示植被利用光能状况和冠层结构的综合指标[11], 直接反映植物群体生长状况, 是评判矿区植被恢复情况的重要指标[12]。
叶面积指数(LAI, ILA)指单位地表面积上绿叶表面积总和的一半, 由归一化处理的点云数据中的植被点计算得到。叶面积指数的计算公式[13]为
$ {I_{{\rm{LA}}}} =-1 \times {\rm{cos}}\;a \times {\rm{ln}}\;g/k。$ | (1) |
式(1)中, a为平均扫描角(ang); g为间隙率(GF), 是由高度阈值判定为地面点的点云数n和总点云数N的比值; k为消光系数。
郁闭度是植被冠层的垂直投影占地比例。利用栅格来计算郁闭度, 输出范围为0~1, 取值0表示没有林冠层覆盖或完全裸露分布, 1表示全植被覆盖分布。具体计算过程如下:首先在x和y方向根据一定的距离将点云空间划分为不同网格; 用高度阈值来区分地面点和树木点, 而只有高度大于高度阈值的点才会被判定为树木点, 并参与计算。
2 结果与分析 2.1 DEM分辨率变化对植被结构参数提取的影响不同生态修复阶段采矿废弃地的叶面积指数、间隙率和郁闭度等参数随DEM分辨率的变化特征见图 2。由图 2可见, 在植被覆盖较好的采矿废弃地, 随着DEM分辨率自1增加至50 cm, DEM的精度逐渐降低(分辨率数值越小代表精度越高, 分辨率数值越大代表精度越低), 叶面积指数从3.457逐渐下降至0.342, 间隙率由17.4%增加至67.3%, 郁闭度与间隙率呈负相关, 由82.6%下降至32.7%。3个植被参数均在分辨率10 cm处出现拐点, 分辨率大于10 cm时, 叶面积指数、间隙率和郁闭度基本保持不变, 其值分别为3.457、17.4%和82.6%;分辨率小于10 cm时, 随分辨率增大,叶面积指数和间隙率逐渐减小, 郁闭度逐渐增大。可见提取植被覆盖较好的采矿废弃地植被参数的适宜分辨率为10 cm。
在半裸露采矿废弃地, 随着DEM分辨率自1增加至50 cm, 叶面积指数从3.024逐渐下降至0.445, 间隙率由22.1%增加至80.1%, 郁闭度由77.9%下降至19.9%。3种植被参数均在分辨率20 cm处出现拐点, 分辨率大于20 cm时, 叶面积指数、间隙率和郁闭度基本保持不变, 其值分别为3.024、22.1%和77.9%;分辨率小于20 cm时, 随分辨率增大,叶面积指数和间隙率逐渐减小, 郁闭度逐渐增大。可见提取半裸露采矿废弃地的植被参数的适宜分辨率为20 cm。
裸露采矿废弃地与前2个生态修复阶段不同, 随着DEM分辨率自1增加至50 cm, 叶面积指数、间隙率和郁闭度没有发生变化, 叶面积指数为1.119, 郁闭度为42.9%, 间隙率为57.1%。为了减少数据量、增加运算效率, 提取裸露采矿废弃地的植被参数的适宜分辨率为50 cm。
由此可见, 随着采矿废弃地植被覆盖状况减小、裸露程度增加, 提取植被参数的适宜分辨率也在不断增大, 这表明采矿废弃地植被覆盖度越大, 对DEM分辨率的精度要求越高。
2.2 点云像元大小对植被结构参数提取的影响采矿废弃地的叶面积指数、间隙率和郁闭度在不同生态修复阶段随点云像元大小的变化特征见图 3。由图 3可见, 随着点云像元大小自10 cm增大至2 m, 植被覆盖较好、半裸露、裸露等阶段采矿废弃地的叶面积指数均逐渐增大, 分别为0.816~4.359、1.009~4.464、0.419~1.272。其中, 植被覆盖较好的采矿废弃地和半裸露的采矿废弃地的叶面积指数变化曲线基本一致, 线性变化率分别为0.164和0.158(R2分别为0.969和0.944)。裸露采矿废弃地由于植被覆盖度低, 叶面积指数变化范围及其随点云像元增大的变化率(0.034)均明显低于植被覆盖较好、半裸露的采矿废弃地。
不同生态修复阶段的采矿废弃地的间隙率均随着点云像元增大(10 cm至2 m)而减小, 分别为11.3%~66.5%、10.7%~60.4%、52.9%~81.1%。其中, 植被覆盖较好的采矿废弃地和半裸露的采矿废弃地间隙率变化曲线基本一致, 线性变化率分别为2.12和1.978(R2分别为0.771和0.835)。裸露的采矿废弃地由于裸露程度高, 间隙率明显高于植被覆盖较好和半裸露的采矿废弃地, 同时, 随着点云像元增大的变化率(1.073)也明显较低。
不同生态修复阶段的采矿废弃地的郁闭度均随着点云像元的增大(10 cm至2 m)而增大, 分别为33.5%~88.7%、39.6%~89.3%、18.9%~47.1%。其中, 植被覆盖较好的采矿废弃地和半裸露的采矿废弃地的郁闭度变化曲线基本一致, 线性变化率分别为2.109和1.978(R2分别为0.768和0.835)。裸露的采矿废弃地由于裸露程度高, 郁闭度明显低于植被覆盖较好和半裸露的采矿废弃地, 同时其线性变化率(0.773)也明显较低。
综上分析, 随着采矿废弃地点云像元的增大, 不同生态修复阶段的叶面积指数、郁闭度均呈不断增大趋势, 间隙率则呈不断减小趋势, 总体而言, 植被覆盖较好的采矿废弃地和半裸露的采矿废弃地各植被参数的变化趋势基本一致, 且明显高于裸露的采矿废弃地。
3 结论与讨论利用T-LiDAR对漳州台商投资区不同生态修复阶段的采矿废弃地的植被参数进行了数据实测, 以空间代替时间的方式, 分析了DEM分辨率和点云像元大小对于植被参数提取的影响。结果表明, 采矿废弃地的植被覆盖越大, 对DEM分辨率的精度要求越高。随着采矿废弃地裸露程度增加, 提取植被参数的适宜分辨率也在不断增大, 分别为10、20和50 cm。地基激光雷达点云计算与像元大小密切相关。总体看来, 随着采矿废弃地点云像元的增大, 不同生态修复阶段的叶面积指数、郁闭度均呈不断增大趋势, 间隙率则呈不断减小趋势。但植被覆盖采矿废弃地的叶面积指数、间隙率、郁闭度变化趋势基本一致, 而裸露的采矿废弃地3种植被结构参数的变化率明显低于前2个阶段, 这表明随着点云像元变小, 植被结构参数值越来越接近于真实值。
考虑到采矿废弃地植被恢复成效评估的可操作性, 该研究仅选取垂直方向上的叶面积指数和水平方向上的间隙率、郁闭度, 并基于DEM分辨率和点云像元大小分析了植被结构参数的变化趋势, 最终得到较为适宜的植被参数。然而, 由于矿山植被恢复成效评估的指标很多, 还包括采矿废弃地的地形参数, 特别是复杂地质环境下的高程、坡度和坡向等, 由于地形因子和植被生长状况密切相关, 而笔者所开展的植被参数提取均为平均值提取, 虽然分为裸露、半裸露和植被覆盖较好的采矿废弃地3个生态修复阶段, 但没有结合不同修复阶段的地形因子变化, 没有考虑不同地形下的植被恢复状况, 因此, 之后需要在建立包括地形因子的矿山植被恢复成效评估指标体系的基础上, 充分利用T-LiDAR的数据优势, 深入开展三维点云数据在采矿废弃地的地形与植被参数提取中的应用研究。
致谢:感谢高媛赟、吕国屏和闫瑞强在野外调查与数据获取中提供帮助。[1] |
李海东, 雷伟香, 欧阳琰, 等. 矸石山环境污染治理的对策建议[J]. 环境保护, 2018, 46(11): 62-64. [ LI Hai-dong, LEI Wei-xiang, OUYANG Yan, et al. Countermeasures of Environmental Pollution Control From Coal Gangue Pile[J]. Environmental Protection, 2018, 46(11): 62-64.] (0) |
[2] |
李海东, 沈渭寿, 贾明, 等. 大型露天矿山生态破坏与环境污染损失的评估[J]. 南京林业大学学报(自然科学版), 2015, 39(6): 112-118. [ LI Hai-dong, SHEN Wei-shou, JIA Ming, et al. Economic Losses Assessment for Ecological Destruction and Environmental Pollution in Large-Scale Opencast Mine[J]. Journal of Nanjing Forestry University(Natural Sciences Edition), 2015, 39(6): 112-118.] (0) |
[3] |
吕国屏, 廖承锐, 高媛赟, 等. 激光雷达技术在矿山生态环境监测中的应用[J]. 生态与农村环境学报, 2017, 33(7): 577-585. [ LÜ Guo-ping, LIAO Cheng-rui, GAO Yuan-yun, et al. Application of LiDAR Techniques to Monitoring of Eco-Environment in Mining Areas[J]. Journal of Ecology and Rural Environment, 2017, 33(7): 577-585.] (0) |
[4] |
苏阳, 祁元, 王建华, 等. 基于LiDAR数据的额济纳绿洲胡杨(Populus euphratica)河岸林植被覆盖分类与植被结构参数提取[J]. 中国沙漠, 2017, 37(4): 689-697. [ SU Yang, QI Yuan, WANG Jian-hua, et al. Vegetation Coverage Classification and Vegetation Structure Parameters Extraction of Populus euphratica Forest in Ejina Oasis by LiDAR Data[J]. Journal of Desert Research, 2017, 37(4): 689-697.] (0) |
[5] |
杨敏, 林杰, 顾哲衍, 等. 基于Landsat 8 OLI多光谱影像数据和BP经网路的叶面积指数反演[J]. 中国水土保持科学, 2015, 13(4): 86-93. [ YANG Min, LIN Jie, GU Zhe-yan, et al. Leaf Area index Retrieval Based on Landsat 8 OLI Multi-Spectral Image Data and BP Neural Network[J]. Science of Soil and Water Conservation, 2015, 13(4): 86-93. DOI:10.3969/j.issn.1672-3007.2015.04.013] (0) |
[6] |
WULDER M. Optical Remote-Sensing Techniques for the Assessment of Forest Inventory and Biophysical Parameters[J]. Progress in Physical Geography, 1998, 22(4): 449-476. DOI:10.1177/030913339802200402 (0) |
[7] |
LIM K, TREITZ P, WULDER M, et al. LIDAR Remote Sensing of Forest Structure[J]. Progress in Physical Geography, 2003, 27(1): 88-106. DOI:10.1191/0309133303pp360ra (0) |
[8] |
郭向前, 郝伟涛, 李响. 基于机载LIDAR技术的研究及其展望[J]. 测绘与空间地理信息, 2013, 36(2): 69-72. [ GUO Xiang-qian, HAO Wei-tao, LI Xiang. Based on the Airborne LIDAR Technology Research and Its Prospect[J]. Geomatics & Spatial Information Technology, 2013, 36(2): 69-72. DOI:10.3969/j.issn.1672-5867.2013.02.020] (0) |
[9] |
庞勇, 李增元, 陈尔学, 等. 激光雷达技术及其在林业上的应用[J]. 林业科学, 2005, 41(3): 129-136. [ PANG Yong, LI Zeng-yuan, CHEN Er-xue, et al. Lidar Remote Sensing Technology and Its Application in Forestry[J]. Scientia Silvae Sinicae, 2005, 41(3): 129-136. DOI:10.3321/j.issn:1001-7488.2005.03.022] (0) |
[10] |
李海东, 沈渭寿, 刘波, 等. 西藏高寒河谷沙地不同演替阶段植被的高光谱特征[J]. 生态与农村环境学报, 2014, 30(4): 521-525. [ LI Hai-dong, SHEN Wei-shou, LIU Bo, et al. Hyperspectral Characteristics of Vegetations in Succession on Sandlot in Alpine Valleys of Tibet, China[J]. Journal of Ecology and Rural Environment, 2014, 30(4): 521-525. DOI:10.3969/j.issn.1673-4831.2014.04.019] (0) |
[11] |
BONAN G B. Importance of Leaf Area Index and Forest Type When Estimating Photosynthesis in Boreal Forests[J]. Remote Sensing of Environment, 1993, 43(3): 303-314. DOI:10.1016/0034-4257(93)90072-6 (0) |
[12] |
ANDERSEN J, DYBKJAER G, JENSEN K H, et al. Use of Remotely Sensed Precipitation and Leaf Area Index in a Distributed Hydrological Model[J]. Journal of Hydrology, 2002, 264(1/2/3/4): 34-50. (0) |
[13] |
ALONZO M, BOOKHAGEN B, MCFADDEN J P, et al. Mapping Urban Forest Leaf Area Index With Airborne Lidar Using Penetration Metrics and Allometry[J]. Remote Sensing of Environment, 2015, 162: 141-153. DOI:10.1016/j.rse.2015.02.025 (0) |