李 軍 張藝藂 張彩月 謝慧真 張成業(yè) 杜夢(mèng)豪 王雅穎

(1.中國(guó)礦業(yè)大學(xué)(北京)地球科學(xué)與測(cè)繪工程學(xué)院,北京 100083;2.煤炭資源與安全開(kāi)采國(guó)家重點(diǎn)實(shí)驗(yàn)室,北京 100083)

煤炭基地長(zhǎng)時(shí)間的采礦活動(dòng)對(duì)土地造成的挖損、壓占、用地類(lèi)型轉(zhuǎn)變等,給生態(tài)環(huán)境帶來(lái)了不容忽視的負(fù)面影響[1-3],其中最直接的影響之一就是對(duì)地表原有植被造成損毀。遙感具有大面積快速觀測(cè)的優(yōu)勢(shì),利用長(zhǎng)時(shí)序遙感技術(shù)準(zhǔn)確識(shí)別煤炭基地植被損毀區(qū)域和損毀時(shí)間,對(duì)當(dāng)?shù)厣鷳B(tài)環(huán)境質(zhì)量監(jiān)管具有重要的現(xiàn)實(shí)意義[4-5]。

為實(shí)現(xiàn)植被損毀遙感識(shí)別,國(guó)內(nèi)外學(xué)者提出了多種算法。主要包括Sen+Mann-Kendall算法、趨勢(shì)分析法、LandTrendr (LT)算法、Continuous Change Detection and Classification (CCDC)算法等。鐘琪等[6]、王科雯等[7]分別利用Sen +Mann-Kendall算法擬合了大寧礦區(qū)和神東礦區(qū)植被的損毀趨勢(shì),并對(duì)變化速率進(jìn)行了分級(jí)。徐佳等[8]、劉英等[9]利用趨勢(shì)分析法,通過(guò)最小二乘原理進(jìn)行逐像元的一元線性擬合,計(jì)算像元回歸直線的斜率,實(shí)現(xiàn)了對(duì)神東礦區(qū)植被損毀的趨勢(shì)識(shí)別,并分別預(yù)測(cè)了礦區(qū)植被未來(lái)變化趨勢(shì),分析了影響植被的驅(qū)動(dòng)因子。但Sen+Mann-Kendall算法和趨勢(shì)分析法只體現(xiàn)了長(zhǎng)時(shí)序植被損毀的變化趨勢(shì),無(wú)法準(zhǔn)確判別植被損毀的位置與時(shí)間。與之相比,LT算法和CCDC算法能夠獲取像元尺度的植被變化軌跡,進(jìn)而確定植被損毀發(fā)生的位置、時(shí)間等信息,因此被廣泛應(yīng)用于植被損毀識(shí)別中。在大尺度森林背景下,殷崎棟等[10]、劉珊珊等[11]利用LT算法分別實(shí)現(xiàn)了陜西省和浙江省森林區(qū)域的植被損毀識(shí)別。肖真等[12]、李賀等[13]利用CCDC算法,分別實(shí)現(xiàn)了江西省森林區(qū)域和緬甸南部橡膠林區(qū)域的植被損毀識(shí)別。在小尺度礦區(qū)背景下,YANG等[14]、楊張瑜等[15]利用LT算法分別對(duì)澳大利亞的庫(kù)拉格煤礦以及中國(guó)的紫金山金銅礦進(jìn)行了植被損毀的動(dòng)態(tài)識(shí)別;ZHANG等[16]利用CCDC算法實(shí)現(xiàn)了對(duì)江西德興銅礦的植被損毀動(dòng)態(tài)識(shí)別。但需要注意的是,即使在同一區(qū)域,不同算法進(jìn)行植被損毀識(shí)別的效果不盡相同[17-18]。因此,需要對(duì)LT算法和CCDC算法在同一區(qū)域的植被損毀識(shí)別結(jié)果進(jìn)行進(jìn)一步的定量分析與對(duì)比,確定其適用性。

近年來(lái),Google Earth Engine (GEE)憑借其海量的數(shù)據(jù)資源和強(qiáng)大的超算能力成為了快速遙感云計(jì)算的利器[19]。利用GEE云計(jì)算的優(yōu)勢(shì),LT和CCDC算法計(jì)算速度得到了極大的提升,為區(qū)域植被損毀識(shí)別提供了大規(guī)模運(yùn)用的機(jī)會(huì)。但是,以往礦業(yè)領(lǐng)域的研究主要是針對(duì)單個(gè)礦區(qū),缺少對(duì)LT和CCDC算法以煤炭基地尺度為場(chǎng)景進(jìn)行植被損毀的研究與應(yīng)用,未曾定量對(duì)比分析這兩種算法的適用性,導(dǎo)致相關(guān)工作者在選擇煤炭基地尺度的植被損毀識(shí)別方法時(shí)主觀性較強(qiáng),缺少科學(xué)的數(shù)據(jù)支撐。

為了解決上述問(wèn)題,本研究基于GEE云計(jì)算平臺(tái),以Landsat長(zhǎng)時(shí)序衛(wèi)星影像數(shù)據(jù)為基礎(chǔ),分別采用LT和CCDC算法對(duì)神東煤炭基地進(jìn)行植被損毀識(shí)別,獲取了1990—2020年植被損毀識(shí)別結(jié)果,從植被損毀識(shí)別、不同地表區(qū)域適用性、植被損毀時(shí)間3個(gè)角度,對(duì)比分析了兩種算法識(shí)別神東煤炭基地植被損毀的適用性,為兩種算法在煤炭基地尺度的進(jìn)一步應(yīng)用提供了科學(xué)數(shù)據(jù)參考。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

神東煤炭基地位于晉陜蒙三省交界處,地理范圍為東經(jīng)109°41′～111°36′,北緯38°42′～40°06′,如圖1所示。自1985年來(lái),神東煤炭開(kāi)采行業(yè)逐漸發(fā)展,“十二五”期間,隨著國(guó)家的重點(diǎn)建設(shè),形成了千萬(wàn)噸礦井群的生產(chǎn)格局,是目前我國(guó)最大的煤炭生產(chǎn)基地和重要的優(yōu)質(zhì)動(dòng)力煤出口基地,承擔(dān)了國(guó)家能源保供的重大責(zé)任[20]。然而,該地區(qū)位于干旱半干旱地帶,屬于大陸性季風(fēng)氣候,年均降雨量?jī)H有400 mm,水資源稀少[21]。同時(shí),研究區(qū)內(nèi)晉陜蒙各地城鎮(zhèn)建設(shè)發(fā)展迅速,例如研究區(qū)西北部的鄂爾多斯市東勝區(qū),自1990年以來(lái),建成區(qū)面積呈明顯擴(kuò)張趨勢(shì),1990年城市建成區(qū)面積為15.11 km2,2008年達(dá)到57.79 km2,2020年達(dá)到78 km2,其中2000—2008年城市擴(kuò)張速率最高[22]。在自然本底條件和人類(lèi)城鎮(zhèn)建設(shè)、煤炭工業(yè)活動(dòng)的共同作用下,神東煤炭基地生態(tài)環(huán)境復(fù)雜多變、較為脆弱[23],履行國(guó)家能源保供任務(wù)的責(zé)任與脆弱的生態(tài)環(huán)境保護(hù)之間的矛盾突出。

1.2 數(shù)據(jù)源

本研究采用了1990—2020年的Landsat系列衛(wèi)星地表反射率數(shù)據(jù)集 (SurfaceReflectance,SR),分別為L(zhǎng)andsat 5的Thematic Mapper (TM)、Landsat 7的Enhanced Thematic Mapper Plus (ETM+)、Landsat 8的Operational Land Imager (OLI),其中TM影像2 023景、ETM+影像2 047景、OLI影像943景。所有數(shù)據(jù)均經(jīng)過(guò)輻射定標(biāo)、大氣校正、去云、拼接、裁剪等處理。

2 技術(shù)方法

2.1 技術(shù)路線

本研究通過(guò)LT和CCDC算法對(duì)研究區(qū)植被損毀進(jìn)行長(zhǎng)時(shí)間序列的監(jiān)測(cè),提取植被損毀信息。利用Google Earth的高分辨率遙感影像,通過(guò)目視解譯對(duì)神東煤炭基地的植被損毀進(jìn)行精度驗(yàn)證。從植被損毀識(shí)別評(píng)價(jià)、不同地表區(qū)域適用性評(píng)價(jià)、植被損毀時(shí)間提取精度評(píng)價(jià)3個(gè)方面,對(duì)兩種算法在神東煤炭基地進(jìn)行植被損毀識(shí)別的適用性進(jìn)行對(duì)比分析。技術(shù)路線如圖2所示。

2.2 LandTrendr算法

由KENNEDY等[24]提出的LT算法是一種時(shí)間分割算法,該算法通過(guò)對(duì)以年為間隔的時(shí)間序列數(shù)據(jù)進(jìn)行分割、擬合和平滑,生成像元尺度上數(shù)據(jù)隨時(shí)間變化的軌跡,并通過(guò)軌跡獲取植被損毀發(fā)生的時(shí)間以及植被損毀程度等信息[25]。本研究軌跡構(gòu)建步驟為:① 去除云或云陰影所引起的異常頂點(diǎn);② 定義軌跡構(gòu)造的最大段數(shù);③ 通過(guò)去除最小角度的段對(duì)初始的時(shí)序軌跡進(jìn)行簡(jiǎn)化;④ 評(píng)估簡(jiǎn)化的時(shí)序軌跡與原始軌跡之間的差異。因此,LT算法需要進(jìn)行相關(guān)參數(shù)設(shè)置以確保識(shí)別質(zhì)量,本研究LT算法的參數(shù)取值見(jiàn)表1。

表1 LT算法參數(shù)設(shè)置Table 1 Parameters setting of LT algorithm

2.3 CCDC算法

由ZHU等[26]提出的CCDC算法是一種基于Landsat衛(wèi)星觀測(cè)數(shù)據(jù)的像元尺度時(shí)間序列分割算法。有別于其他算法,CCDC算法會(huì)利用時(shí)間序列內(nèi)所有可利用的觀測(cè)數(shù)據(jù),即通過(guò)Fmask算法對(duì)云和云陰影進(jìn)行掩膜處理,當(dāng)獲得新的Landsat衛(wèi)星觀測(cè)數(shù)據(jù)時(shí),CCDC算法通過(guò)結(jié)合每個(gè)像元所有可用的Landsat衛(wèi)星觀測(cè)結(jié)果來(lái)擬合時(shí)間序列模型。如果新的連續(xù)觀測(cè)值超過(guò)預(yù)期范圍(3倍均方根誤差),則進(jìn)行斷點(diǎn)標(biāo)記并估計(jì)新的時(shí)間序列模型,即在斷點(diǎn)前后生成兩個(gè)時(shí)間序列段。CCDC算法可以識(shí)別出規(guī)定時(shí)間序列內(nèi)的所有斷點(diǎn),并獲取植被損毀時(shí)間等信息。本研究CCDC算法參數(shù)設(shè)置見(jiàn)表2。

表2 CCDC算法參數(shù)設(shè)置Table 2 Parameters setting of CCDC algorithm

2.4 基于GEE平臺(tái)的植被損毀識(shí)別

GEE云計(jì)算平臺(tái)集成了海量地理空間數(shù)據(jù),具有強(qiáng)大的分析計(jì)算和空間可視化能力,是目前最先進(jìn)的地理大數(shù)據(jù)分析平臺(tái)之一[27]。在GEE云計(jì)算平臺(tái)中,利用JavaScript編程語(yǔ)言,能夠快速利用LT和CCDC算法實(shí)現(xiàn)區(qū)域植被損毀識(shí)別[28-30]。歸一化差值植被指數(shù)(Normalized Difference Vegetation Index,NDVI)可描述植被的生長(zhǎng)狀態(tài),是評(píng)定區(qū)域植被綜合狀況的常用指標(biāo)之一[31]。因此,本研究以Landsat衛(wèi)星影像為基礎(chǔ),通過(guò)NDVI指數(shù)表征植被生長(zhǎng)狀態(tài),基于GEE云計(jì)算平臺(tái)分別使用LT算法和CCDC算法對(duì)神東煤炭基地植被進(jìn)行損毀識(shí)別。其中NDVI通過(guò)對(duì)衛(wèi)星影像進(jìn)行如下波段運(yùn)算得到:

式中,NIR為近紅外波段地表反射率;R為紅光波段地表反射率。

另外,需要注意的是:① 部分像元不止一次發(fā)生植被損毀事件,為便于后續(xù)統(tǒng)一進(jìn)行分析處理,本研究采用像元第一次發(fā)生植被損毀的時(shí)間;② LT算法會(huì)將研究的起始年份(本研究為1990年)識(shí)別為植被損毀的開(kāi)始點(diǎn),造成錯(cuò)分現(xiàn)象。因此在實(shí)際應(yīng)用中需要將起始年份(1990年)識(shí)別到的植被損毀結(jié)果進(jìn)行剔除。

2.5 適用性分析

本研究從植被損毀識(shí)別精度、不同地表區(qū)域的適用性、植被損毀時(shí)間提取精度3個(gè)方面,以總體精度、生產(chǎn)者精度、用戶(hù)精度、錯(cuò)分誤差、遺漏誤差等作為評(píng)價(jià)指標(biāo),對(duì)比分析了LT和CCDC算法在神東煤炭基地植被損毀識(shí)別中的適用性。其中,總體精度是被正確分類(lèi)的像元總和除以總像元數(shù),即混淆矩陣中對(duì)角線上的各類(lèi)別像元數(shù)總和除以影像總像元數(shù)目。生產(chǎn)者精度是某一類(lèi)別被正確分類(lèi)的像元數(shù)(混淆矩陣對(duì)角線上該類(lèi)別的數(shù)量)除以該類(lèi)別的地面真實(shí)像元總數(shù)。用戶(hù)精度是某一類(lèi)別被正確分類(lèi)的像元數(shù)(混淆矩陣對(duì)角線上該類(lèi)別的數(shù)量)除以被算法識(shí)別為該類(lèi)別的像元總數(shù)。錯(cuò)分誤差是在未發(fā)生植被損毀地區(qū)的樣本區(qū)域中,被錯(cuò)誤識(shí)別為損毀區(qū)域的面積與樣本區(qū)域總面積的比值。遺漏誤差是在發(fā)生植被損毀地區(qū)的樣本區(qū)域中,未被識(shí)別為損毀區(qū)域的面積與樣本區(qū)域總面積的比值。

(1)植被損毀識(shí)別精度評(píng)價(jià)。本研究針對(duì)兩種算法識(shí)別結(jié)果,分別在識(shí)別到植被損毀的區(qū)域和未識(shí)別到植被損毀的區(qū)域隨機(jī)選擇了250個(gè)像元作為樣本。對(duì)于每個(gè)樣本像元,通過(guò)Google Earth提供的歷史高分辨率影像進(jìn)行目視判讀,判斷該像元是否發(fā)生了植被損毀,作為精度評(píng)價(jià)的真值,生成混淆矩陣,計(jì)算總體精度、生產(chǎn)者精度和用戶(hù)精度。

(2)不同地表區(qū)域的適用性評(píng)價(jià)。本研究以Google Earth中神東煤炭基地原始高分辨率影像為基礎(chǔ),通過(guò)目視解譯勾畫(huà)了水體、林地、城市擴(kuò)張用地、露天采場(chǎng)4類(lèi)典型樣本區(qū)域(圖1)。水體和林地樣本區(qū)域未發(fā)生植被損毀事件,在此區(qū)域識(shí)別的植被損毀為算法造成的錯(cuò)分所致。城市和露天采場(chǎng)區(qū)域地表植被完全破壞,在此區(qū)域未識(shí)別到的植被損毀為算法造成的遺漏所致。通過(guò)樣本區(qū)域內(nèi)兩種算法識(shí)別的植被損毀面積來(lái)判斷算法的錯(cuò)分誤差和遺漏誤差。

(3)植被損毀時(shí)間精度評(píng)價(jià)。本研究面向算法識(shí)別出的植被損毀事件,每年隨機(jī)選取50個(gè)樣本點(diǎn)(共1 500個(gè)),通過(guò)Google Earth中的歷史高分辨率影像進(jìn)行目視解譯,確定植被損毀的實(shí)際時(shí)間,作為精度評(píng)價(jià)的真值,生成混淆矩陣,計(jì)算總體精度、生產(chǎn)者精度和用戶(hù)精度。

3 結(jié)果與分析

3.1 植被損毀識(shí)別結(jié)果

基于GEE云計(jì)算平臺(tái),使用LT算法和CCDC算法對(duì)神東煤炭基地進(jìn)行了植被損毀識(shí)別,結(jié)果分別如圖3、圖4所示。圖中A、B區(qū)域分別為圈劃的鄂爾多斯市東勝區(qū)的城市建成區(qū)和研究區(qū)露天采場(chǎng)集中分布區(qū)域。

圖3 LT算法植被損毀識(shí)別結(jié)果Fig.3 Identification results of vegetation damage of LT algorithm

圖4 CCDC算法植被損毀識(shí)別結(jié)果Fig.4 Identification results of vegetation damage of CCDC algorithm

對(duì)比圖3和圖4可知:① 總體而言,LT和CCDC算法在研究區(qū)西部識(shí)別到的植被損毀多于東部地區(qū)。LT算法能夠識(shí)別到的植被損毀明顯少于CCDC算法。② 在鄂爾多斯市東勝區(qū)的城市建成區(qū)(A區(qū)域)中,LT算法基本無(wú)法識(shí)別植被損毀,而CCDC算法的植被損毀識(shí)別效果較好,且算法所識(shí)別的植被損毀多發(fā)生于2000—2008年,這一現(xiàn)象與東勝區(qū)城市擴(kuò)張歷史相吻合。③ 在B區(qū)域中,LT算法能夠識(shí)別到的植被損毀比A區(qū)域顯著增多,但仍有部分露天采場(chǎng)區(qū)域的植被損毀無(wú)法識(shí)別(圖3(e)中圈定區(qū)域)。相較之下,CCDC算法相同區(qū)域(圖4(e)中圈定區(qū)域)識(shí)別到的植被損毀能夠更好地吻合露天采場(chǎng)邊界。

3.2 植被損毀識(shí)別精度評(píng)價(jià)

利用選擇的樣本像元,對(duì)兩種算法的植被損毀識(shí)別結(jié)果進(jìn)行了驗(yàn)證,精度分別如表3和表4所示。

表3 LT算法識(shí)別結(jié)果的混淆矩陣Table 3 Confusion matrix of the identifying results with LT algorithm

由表3、表4可知:LT算法的總體精度為73.6%,CCDC算法的總體精度為84.4%,LT算法比CCDC算法低10.8個(gè)百分點(diǎn)。LT算法“損毀像元”的生產(chǎn)者精度和“非損毀像元”識(shí)別的用戶(hù)精度均比較低,分別為66.9%和54%。CCDC算法“非損毀像元”的生產(chǎn)者精度以及“損毀像元”的生產(chǎn)者精度、用戶(hù)精度都達(dá)到了80%以上,“非損毀像元”的用戶(hù)精度為78.8%,也顯著高于LT算法對(duì)應(yīng)的54.0%。通過(guò)與已有研究結(jié)果進(jìn)行對(duì)比發(fā)現(xiàn),本研究所得總體精度略低于以往的研究結(jié)果(LT算法74.4%～93%,CCDC算法85.1%～99.4%)[10-16]。

3.3 不同地表區(qū)域適用性評(píng)價(jià)

兩種算法對(duì)于研究區(qū)植被損毀識(shí)別的遺漏誤差、錯(cuò)分誤差分別見(jiàn)表5、表6。

表5 植被損毀遺漏誤差Table 5 Omission errors of vegetation damage

表6 植被損毀錯(cuò)分誤差Table 6 Commission errors of vegetation damage

由表5、表6可知:在城市擴(kuò)張區(qū)域,CCDC算法的遺漏誤差為21.6%,LT算法的遺漏誤差為91.0%,比CCDC算法高69.4個(gè)百分點(diǎn)。在露天采場(chǎng)區(qū)域,LT算法的遺漏誤差為63.0%,CCDC算法的遺漏誤差為8.6%,比LT算法低54.4個(gè)百分點(diǎn)。由此可見(jiàn):LT算法僅能識(shí)別部分露天采場(chǎng)區(qū)域的植被損毀,對(duì)于城市擴(kuò)張所造成的植被損毀基本無(wú)法識(shí)別。在林地區(qū)域,LT和CCDC算法的錯(cuò)分誤差分別為0.7%和11.6%,兩種算法都能有效地避免錯(cuò)分現(xiàn)象。但在水體區(qū)域,LT和CCDC算法的錯(cuò)分誤差分別為3.7%和76.0%,CCDC算法難以避免水體區(qū)域的錯(cuò)分現(xiàn)象。

為分析LT和CCDC算法在不同地表類(lèi)型區(qū)域造成遺漏的原因,本研究通過(guò)GEE云計(jì)算平臺(tái)提取了兩種算法擬合的像元NDVI時(shí)序曲線,典型示例分別如圖5和圖6所示。圖5所示的像元在2007年成為露天采場(chǎng),NDVI值出現(xiàn)明顯降低,但LT算法擬合的曲線并未在此處進(jìn)行分段,沒(méi)有成功識(shí)別出該損毀事件。圖6所示的像元于2000年左右經(jīng)歷了城市快速擴(kuò)張,2000年后未再出現(xiàn)圖中虛線框中每年7、8月的周期性高值現(xiàn)象,NDVI數(shù)值的時(shí)序分布明顯改變,但該變化未被CCDC算法識(shí)別出?？傮w而言,在干旱半干旱地區(qū)發(fā)生植被損毀事件后,盡管NDVI值的分布明顯改變,但是變化幅度仍然較小,與植被茂盛地區(qū)(如以往研究中的森林區(qū)域)NDVI的“斷崖式”變化存在較大差異。這導(dǎo)致算法在植被稀疏的干旱半干旱地區(qū)僅能識(shí)別出NDVI整體呈降低的變化趨勢(shì),并未實(shí)現(xiàn)對(duì)斷點(diǎn)變化的識(shí)別。受此影響,LT算法僅能識(shí)別部分露天采場(chǎng)區(qū)域的植被損毀,對(duì)于城市擴(kuò)張所造成的植被損毀基本無(wú)法識(shí)別。CCDC算法通過(guò)均方根誤差對(duì)時(shí)間序列模型進(jìn)行分段,因此該算法在露天采場(chǎng)和城市擴(kuò)張用地區(qū)域的識(shí)別效果較好,相較于LT算法更適用于神東煤炭基地的植被損毀識(shí)別。

圖5 LT算法損毀識(shí)別的遺漏誤差Fig.5 Omission errors of the damage identification of LT algorithm

圖6 CCDC算法損毀識(shí)別的遺漏誤差Fig.6 Omission errors of the damage identification of CCDC algorithm

總體上,兩種算法在神東煤炭基地的識(shí)別精度略低于以往研究的原因在于,以往研究均針對(duì)森林區(qū)域或小區(qū)域的單個(gè)礦區(qū),而神東煤炭基地覆蓋面積大,且位于干旱半干旱地區(qū),植被覆蓋度較低、生態(tài)環(huán)境的地理空間異質(zhì)性強(qiáng)。一方面,植被覆蓋度低容易導(dǎo)致植被損毀時(shí)NDVI時(shí)序曲線的下降斷點(diǎn)不明顯,算法識(shí)別不出植被損毀現(xiàn)象。另一方面,在煤炭基地尺度的大面積植被損毀自動(dòng)識(shí)別中,LT和CCDC算法自適應(yīng)性弱,一個(gè)算法在整個(gè)區(qū)域采用一套相同的參數(shù)設(shè)置,無(wú)法針對(duì)不同位置異質(zhì)性強(qiáng)的特點(diǎn)自適應(yīng)優(yōu)化調(diào)整?？傊?兩種算法在神東煤炭基地進(jìn)行大面積植被損毀識(shí)別中效果仍然較好,只是精度稍有降低,根據(jù)相關(guān)原因分析,兩種算法仍存在改進(jìn)的空間。

3.4 植被損毀時(shí)間精度評(píng)價(jià)

對(duì)于能夠識(shí)別到植被損毀的像元,本研究進(jìn)一步評(píng)估了LT和CCDC算法在識(shí)別損毀時(shí)間上的精度,結(jié)果分別如圖7和圖8所示。

圖7 LT算法植被損毀時(shí)間的精度驗(yàn)證結(jié)果Fig.7 Precision verification results of vegetation damage time based on LT algorithm

圖8 CCDC算法植被損毀時(shí)間的精度驗(yàn)證結(jié)果Fig.8 Precision verification results of vegetation damage time based on CCDC algorithm

兩種算法識(shí)別植被損毀時(shí)間的總體精度分別為89.2%和79%,LT算法總體精度比CCDC算法提高了10.2個(gè)百分點(diǎn)。以“十二五”規(guī)劃的起始時(shí)間(2011年)對(duì)植被損毀時(shí)間序列進(jìn)行劃分,2011—2020年LT算法總體精度由2011之前的87.1%提高至92%,而CCDC算法總體精度由2011之前的74.1%提高至88.8%,總體精度提升幅度較大。

由圖7和圖8可知:在生產(chǎn)者精度方面,LT算法的生產(chǎn)者精度主要分布于75%～98%,均值為88.7%。CCDC算法的生產(chǎn)者精度變化幅度較大,均值為81.6%。在某些年份中,兩種算法的生產(chǎn)者精度較低,例如1999年,LT算法和CCDC算法的生產(chǎn)者精度分別為68.1%和41.2%,均為歷史最低值。在用戶(hù)精度方面,LT算法的用戶(hù)精度主要分布于80%～96%,均值為89.4%,用戶(hù)精度低值出現(xiàn)在2010年,為78%。CCDC算法的用戶(hù)精度均值為79%,用戶(hù)精度變化幅度較大,低值出現(xiàn)于1992年和2000年,不足60%。

為分析總體精度提高原因,本研究統(tǒng)計(jì)了兩種算法在通過(guò)目視解譯不同地表區(qū)域(水體、林地、城市擴(kuò)張用地、露天采場(chǎng))典型樣本區(qū)中識(shí)別的植被損毀面積與時(shí)間信息,如圖9所示。

圖9 1991—2020年不同地表區(qū)域損毀面積統(tǒng)計(jì)Fig.9 Statistics of damaged area of different surface areas from 1991 to 2020

由圖9可知:2011年以后,露天采場(chǎng)區(qū)域植被損毀面積顯著提升,這一現(xiàn)象與“十二五”規(guī)劃實(shí)施后神東煤炭基地的蓬勃發(fā)展有著密切聯(lián)系。LT和CCDC算法在露天采場(chǎng)典型樣本區(qū)域的植被損毀識(shí)別遺漏誤差優(yōu)于城市擴(kuò)張典型樣本區(qū)域,因此露天采場(chǎng)面積的增加帶動(dòng)了總體精度得到不同程度的提高。

本研究進(jìn)一步統(tǒng)計(jì)了CCDC算法和LT算法識(shí)別損毀時(shí)間的誤差分布,以“誤差=實(shí)際損毀時(shí)間-算法識(shí)別植被損毀時(shí)間”方法計(jì)算了誤差并取絕對(duì)值,統(tǒng)計(jì)結(jié)果如圖10所示。根據(jù)統(tǒng)計(jì)信息,在LT算法中,準(zhǔn)確識(shí)別損毀時(shí)間的比例為88.7%,誤差絕對(duì)值為1 a的比例為7%;對(duì)于CCDC算法,準(zhǔn)確識(shí)別損毀時(shí)間的比例為79.1%,誤差絕對(duì)值為1 a的比例為10.9%。換言之,LT和CCDC算法識(shí)別植被損毀時(shí)間的誤差≤1 a的比例分別為95.7%和90%。上述結(jié)果說(shuō)明,對(duì)于兩種算法已經(jīng)識(shí)別出的植被損毀區(qū)域,其損毀時(shí)間的識(shí)別精度均較高。

圖10 LT和CCDC算法誤差分布Fig.10 Error distribution of LT and CCDC algorithms

4 結(jié)論與討論

本研究基于GEE云計(jì)算平臺(tái),從植被損毀識(shí)別精度評(píng)價(jià)、不同地表區(qū)域的適用性評(píng)價(jià)、植被損毀時(shí)間精度評(píng)價(jià)等3個(gè)方面定量對(duì)比分析了LT和CCDC算法在神東煤炭基地進(jìn)行植被損毀識(shí)別的適用性。主要得到以下結(jié)論:

(1)在植被損毀識(shí)別上,LT和CCDC算法總體精度分別為73.6%和84.4%。從總體精度角度上看,識(shí)別效果仍然較好,但是在神東煤炭基地尺度的精度略低于以往研究在其他區(qū)域的精度。

(2)在不同地表區(qū)域適用性分析中,LT和CCDC算法都能較好地避免林地區(qū)域的錯(cuò)分誤差。LT算法僅能識(shí)別露天采場(chǎng)區(qū)域的部分植被損毀,遺漏誤差較大,且基本無(wú)法識(shí)別到城市擴(kuò)張所造成的植被損毀,但是CCDC算法在這兩類(lèi)區(qū)域的識(shí)別效果較好。在水體區(qū)域,LT算法顯著優(yōu)于CCDC算法。

(3)對(duì)于植被損毀時(shí)間,LT和CCDC算法識(shí)別的總體精度分別為89.2%和79%,誤差在1 a內(nèi)的結(jié)果分別占95.7%和90%,對(duì)于損毀時(shí)間識(shí)別效果很好。

總體而言,相較于LT算法,CCDC算法更適用于城市擴(kuò)張明顯、水體面積很少的神東煤炭基地植被損毀識(shí)別。本研究成果為神東煤炭基地生態(tài)環(huán)境質(zhì)量監(jiān)管提供了數(shù)據(jù)參考,更為兩種算法在其他煤炭基地尺度的進(jìn)一步應(yīng)用提供了方法優(yōu)選借鑒。

LT和CCDC算法不依賴(lài)于影像分類(lèi)、植被物候模型等條件,僅使用長(zhǎng)時(shí)序Landsat影像即可快速、自動(dòng)化地實(shí)現(xiàn)煤炭基地尺度上大范圍長(zhǎng)時(shí)序的植被損毀識(shí)別,獲取植被損毀發(fā)生的時(shí)間、位置等信息。但兩種算法都依賴(lài)于植被時(shí)序軌跡的變化幅度,本身都存在一些局限性,具體來(lái)說(shuō):① 在干旱半干旱地區(qū),原始植被覆蓋度低,部分像元發(fā)生植被損毀時(shí)兩種算法擬合的時(shí)序軌跡變化幅度不明顯,導(dǎo)致?lián)p毀植被識(shí)別的遺漏;② 兩種算法只能識(shí)別植被損毀事件,無(wú)法對(duì)自然因素引起的波動(dòng)和人類(lèi)活動(dòng)導(dǎo)致的突變進(jìn)行區(qū)分。針對(duì)上述問(wèn)題,在未來(lái)研究中,需要面向采礦活動(dòng)對(duì)植被損毀的時(shí)序場(chǎng)景特點(diǎn),研究一種能夠準(zhǔn)確自適應(yīng)識(shí)別煤炭基地內(nèi)大范圍露天礦群植被損毀事件的新方法。