王聰，湯伏全，馬婷，賈曉卉，蘇宇，薛俊磊，張馨月

摘要：土壤水分是驅(qū)動(dòng)礦區(qū)生態(tài)環(huán)境變化的關(guān)鍵要素。為研究黃土高原煤礦區(qū)開采沉陷對(duì)土壤水分變化的擾動(dòng)影響，以彬長礦區(qū)大佛寺煤礦為例，采用主動(dòng)微波和光學(xué)遙感影像反演開采沉陷區(qū)土壤水分的空間變化，用水云模型消除植被對(duì)主動(dòng)微波影像的后向散射系數(shù)影響，通過實(shí)地采樣數(shù)據(jù)構(gòu)建支持向量機(jī)回歸模型，獲取礦區(qū)地表土壤水分的分布特征，分析黃土溝壑區(qū)地形因子和開采沉陷變形對(duì)礦區(qū)土壤水分變化的影響。結(jié)果表明：SVM構(gòu)建的回歸分析模型可以有效反演黃土高原煤礦開采區(qū)土壤水分的空間分布，地形特征對(duì)土壤水分的影響最大，溝壑區(qū)域土壤含水量更高；在未受開采影響的區(qū)域，土壤水分變化受地形坡度影響最大，坡向次之，高程影響最??；在40201工作面開采沉陷變形區(qū)域，土壤水分分布的變異系數(shù)顯著增大，尤其在采動(dòng)裂縫發(fā)育區(qū)更為明顯。研究結(jié)果為揭示黃土高原煤礦開采區(qū)土壤水分變化的時(shí)空特征及機(jī)理提供了技術(shù)支持。

關(guān)鍵詞：采煤沉陷；土壤水分；遙感影像；地形因子；黃土高原

中圖分類號(hào)：TD 167文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1672-9315（2024）01-0166-09

DOI：10.13800/j.cnki.xakjdxxb.2024.0117開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Remote sensing inversion of soil moisture change in Dafosi coal mining area WANG Cong1，TANG Fuquan1，2，MA Ting1，JIA Xiaohui1，SU Yu1，

XUE Junlei1，ZHANG Xinyue1

（1.College of Geomatics，Xian University of Science and Technology，Xian 710054，China；2.Key Laboratory of Coal Resources Exploration and Comprehensive Utilization，Ministry of Land and Resources，Xian 710021，China）

Abstract：Soil moisture is the key factor to help the ecological environment in a mining area.In order to study the disturbance effect of mining subsidence on soil moisture change in the Loess Plateau coal mining area，Dafosi coal mine in Binchang mining area is taken as an example，and the active microwave and optical remote sensing images are? used to invert the spatial variation of soil moisture in the mining subsidence area.The water cloud model is used to eliminate the influence of vegetation on the backscattering coefficient of active microwave images，and the support vector machine regression model is constructed by field sampling data to obtain the distribution characteristics of surface soil moisture in the mining area；the influence of terrain factors and mining subsiding deformation on soil moisture change in the loess gully region is deeply analyzed.The results show that the regression analysis model constructed by SVM can effectively invert the spatial distribution of soil moisture in the coal mining area of the Loess Plateau.The topographic characteristics have the greatest influence on soil moisture，and the soil moisture content is higher in the gully area.In the areas with little impact by mining，soil moisture change is most affected by terrain slope，followed by slope aspect and least affected by elevation.In the mining subsidence and deformation area of 40201 working face，the variation coefficient of soil water distribution increases significantly，especially in the mining fracture development area.The results provide technical support for exploring the spatio-temporal characteristics and mechanism of soil moisture change in the coal mining area of the Loess Plateau.

Key words：coal mining subsidence；soil moisture；remote sensing image；topographic factor；Loess Plateau

0引言

土壤水分是陸地表面的重要參數(shù)，在地球環(huán)境變化和能量交換中發(fā)揮著重要作用[1]，也是衡量土壤干旱程度的重要因素。礦區(qū)土壤水分變化是驅(qū)動(dòng)煤礦生態(tài)環(huán)境改變的關(guān)鍵要素之一，因此準(zhǔn)確獲取礦區(qū)土壤水分信息對(duì)預(yù)測和改善礦區(qū)生態(tài)環(huán)境具有重要意義[2]。西部黃土高原地貌復(fù)雜，溝壑縱橫，生態(tài)環(huán)境脆弱，區(qū)域煤炭資源豐富。多年來大規(guī)模煤炭開采已引起大范圍地面塌陷、裂縫等破壞[3-4]，導(dǎo)致礦區(qū)耕地資源和生態(tài)環(huán)境持續(xù)惡化，地表不均勻塌陷改變了原有的地貌形態(tài)和土壤物理性質(zhì)，對(duì)土壤水分的空間分布造成顯著的擾動(dòng)影響。黃土高原煤礦區(qū)因復(fù)雜地貌和植被覆蓋差異性疊加上述開采擾動(dòng)影響后[5]，導(dǎo)致土壤水分的時(shí)空變化規(guī)律變得極為復(fù)雜，制約了煤礦區(qū)生態(tài)環(huán)境保護(hù)和工程修復(fù)的順利開展[6-7]。因此在煤炭開采過程中研究土壤水分變化的時(shí)空特征及其影響機(jī)理，對(duì)煤礦區(qū)生態(tài)恢復(fù)和可持續(xù)發(fā)展至關(guān)重要。

黃土高原煤礦區(qū)的地貌和植被變化及其開采沉陷變形的擾動(dòng)影響具有顯著的時(shí)空分異特征。土壤水分變化以常規(guī)的地面采樣為主，存在非常顯著的代表性誤差[8]。隨著遙感技術(shù)的快速發(fā)展，利用衛(wèi)星影像反演已成為快速獲取土壤水分變化的有效手段[9]，微波遙感數(shù)據(jù)因具備全天時(shí)、全天候、植被穿透性強(qiáng)等優(yōu)勢，是目前最有效的一種土壤水分反演方法[10]。Sentinel-1作為一種主動(dòng)微波遙感數(shù)據(jù)，具有很好的穿透云層能力，Sentinel-2數(shù)據(jù)相比Landsat等則具有高時(shí)空分辨率優(yōu)勢，可在多云天氣獲取高質(zhì)量的遙感影像[11-12]。國內(nèi)外學(xué)者利用上述遙感數(shù)據(jù)開展了土壤水分反演研究，提出了多種反演土壤水分的方法[13-15]，包括Dubois、Oh、Advanced Integral Model（AIEM）及一些機(jī)器學(xué)習(xí)方法等。這些方法已成功應(yīng)用于農(nóng)田、森林和裸露區(qū)域的土壤水分動(dòng)態(tài)變化反演，但在黃土高原復(fù)雜地貌的煤礦開采區(qū)應(yīng)用很少。

以典型黃土溝壑區(qū)大佛寺煤礦為例，利用Sentinel-1A雙極化SAR數(shù)據(jù)和Sentinel-2A光學(xué)影像數(shù)據(jù)開展煤礦開采區(qū)土壤水分反演研究，結(jié)合現(xiàn)場采樣數(shù)據(jù)構(gòu)建黃土高原礦區(qū)土壤水分反演模型，獲取煤礦開采區(qū)土壤分布特征，通過分析地形因子和開采沉陷變形對(duì)礦區(qū)土壤水分變化的影響，初步揭示黃土高原煤礦開采區(qū)土壤水分變化的規(guī)律性。

1試驗(yàn)數(shù)據(jù)

陜西彬長大佛寺礦區(qū)典型的黃土溝壑區(qū)，暖溫帶半干旱大陸性季風(fēng)氣候，植被類型以林草地和耕地為主，高程為835～1 266 m（圖1（a））。

1.1開采工作面地表變形

40201工作面走向長度1 415 m，傾向?qū)挾?00 m，開采面積424 500 m2，平均開采厚度6.7 m（圖1（b））。隨著地下開采工作面的推進(jìn)，地表發(fā)生大范圍的沉陷和變形，最大下沉量超過5.0 m，并產(chǎn)生大量的臺(tái)階狀地表裂縫，尤其在工作面邊緣拉伸裂縫密集分布，部分成為永久裂縫，存在不可恢復(fù)性（圖2）。

1.2試驗(yàn)數(shù)據(jù)

Sentinel-1A選擇IW模式的GRD數(shù)據(jù)[16]。影像極化方式分為2種，分別是VV和VH，研究表明VV極化對(duì)于土壤水分相比VH極化更為敏感[17]，選擇VV極化進(jìn)行土壤水分反演。SAR影像經(jīng)過軌道校正、熱噪聲去除、輻射定標(biāo)、多視、濾波和地理校正等預(yù)處理[18]，得到VV極化的后向散射系數(shù)圖像。Sentinel-2A下載的產(chǎn)品級(jí)別為Level-1C，對(duì)影像進(jìn)行大氣校正、重采樣、裁剪等預(yù)處理。

DEM數(shù)據(jù)選擇SRTM 30 m分辨率的高程數(shù)據(jù)，分別提取高程、坡向、坡度3個(gè)地形因子。在彬長大佛寺礦區(qū)使用 HD2便攜式土壤剖面水分速測儀在野外實(shí)地測定了72個(gè)樣點(diǎn)的土壤含水量，利用實(shí)測數(shù)據(jù)對(duì)遙感影像反演模型進(jìn)行統(tǒng)計(jì)建模和驗(yàn)證。為了分析煤礦開采沉陷變形區(qū)域與未受采動(dòng)影響的對(duì)照區(qū)域土壤水分變化的不同分布特征，降雨后在沉陷變形區(qū)和對(duì)照區(qū)分別選取了6個(gè)監(jiān)測點(diǎn)，同時(shí)在距離采動(dòng)裂縫10，40，80和200 cm的不同位置使用HOBO小型土壤水分監(jiān)測系統(tǒng)連接EC-5土壤水分傳感器，進(jìn)行連續(xù)5 d的土壤水分變化監(jiān)測。

2研究方法

2.1水云模型

由于地表植被覆蓋，雷達(dá)信號(hào)會(huì)受到植被的影響而造成衰減。采用ATTEMA和ULABY提出的水云模型來解決植被覆蓋區(qū)的微波散射問題[19]，可提高微波對(duì)土壤水分的敏感性，從而更準(zhǔn)確地反演土壤水分。模型是零階模型，能簡明地表達(dá)植被層的后向散射情況，具有輸入?yún)?shù)少、實(shí)施方便等優(yōu)勢，被廣泛應(yīng)用于草地和農(nóng)作物等低矮植被，但需要獲取植被水分的信息參數(shù)。NDWI作為一種指數(shù)，具有極強(qiáng)的水分變化特性，可以有效地檢測出植被水分的變化。文獻(xiàn)[20]利用實(shí)測小麥含水量，基于NDWI、NDVI和EVI進(jìn)行小麥含水量反演，發(fā)現(xiàn)TM影像提取的歸一化水分指數(shù)（NDWI）反演精度較好，利用NDWI進(jìn)行植被含水量的反演，可以準(zhǔn)確地估測出植物的水分狀況。由于礦區(qū)植被分布以低矮植被為主，用文獻(xiàn)[21]建立的經(jīng)驗(yàn)數(shù)據(jù)模型來計(jì)算植被含水量。

由72個(gè)實(shí)地采樣點(diǎn)的坐標(biāo)在ArcMap軟件利用值提取功能，獲得水云模型VV極化去除植被前后的后向散射系數(shù)，將植被的影響去除之后，VV極化的后向散射系數(shù)產(chǎn)生衰減，衰減數(shù)值的多少取決于植被覆蓋度和原始后向散射系數(shù)值，VV極化減少約為0.12～1.71 dB，這表明植被的影響不可忽視，且表明C波段的雷達(dá)電磁波在穿過低矮的植物時(shí)，后向散射系數(shù)的影響要遠(yuǎn)遠(yuǎn)超過了植被[22]（圖3）。

2.2土壤水分反演模型

以支持向量機(jī)回歸為基礎(chǔ)，構(gòu)建土壤水分預(yù)測模型。SVM在回歸問題中，要求2類樣本點(diǎn)的分離度盡可能低，還要求它們之間的總偏差盡可能小，便達(dá)到最佳的分類效果，意味著SVM不僅考慮了分類準(zhǔn)確性，還考慮了樣本點(diǎn)與超平面之間的距離盡可能的小。因此，SVM在處理回歸問題時(shí)能夠更好地?cái)M合數(shù)據(jù)[23]。通過隨機(jī)抽樣的方式，把數(shù)據(jù)集劃分成2組，每組的70%用于模型的訓(xùn)練，30%用于模型的評(píng)估。將訓(xùn)練數(shù)據(jù)集{（x1，y1），（x2，y2），…，（xm，ym）}擬合到超平面y=f（x），其中：xm為輸入樣本，xm∈Rm；ym為輸出樣本，ym∈Rn；m=1，2，…，l，l為樣本數(shù)。

試驗(yàn)使用決定系數(shù)和均方根誤差作為評(píng)價(jià)指標(biāo)，對(duì)土壤水分反演模型的試驗(yàn)結(jié)果進(jìn)行精度評(píng)價(jià)[24]。決定系數(shù)是衡量模型擬合優(yōu)度的指標(biāo)，取值范圍在0到1，值越接近1表示模型對(duì)觀測數(shù)據(jù)的擬合程度越好。均方根誤差是衡量模型預(yù)測誤差的指標(biāo)，表示在預(yù)測值和真實(shí)值之間的產(chǎn)生的平均差異程度，數(shù)值越小預(yù)測精度越高。

2.3土壤含水量空間權(quán)重確定

土壤水分空間變化受到多個(gè)因子的共同影響[25]。鑒于研究區(qū)范圍較小，區(qū)域內(nèi)土地利用類型、降水、土壤特性的空間分異性很小。利用DEM數(shù)據(jù)提取高程、坡度和坡向等地形因子進(jìn)行相關(guān)性分析，更好的理解這些因素對(duì)土壤水分變化的影響。將遙感反演的土壤水分信息進(jìn)行干旱等級(jí)分類，土壤含水量在0～10%劃為干旱等級(jí)，10%～15%為較干旱，15%～20%為較濕潤，大于20%為濕潤。采用分布指數(shù)來衡量一個(gè)區(qū)域內(nèi)某一含水量等級(jí)的優(yōu)勢程度[26]，當(dāng)分布指數(shù)大于1時(shí)，等級(jí)屬于優(yōu)勢分布。優(yōu)勢分布等級(jí)反映了不同因子所對(duì)應(yīng)的土壤水分等級(jí)的分布情況，優(yōu)勢分布等級(jí)指數(shù)越高，代表優(yōu)勢度越大。

3結(jié)果和討論

3.1支持向量機(jī)反演土壤水分結(jié)果

為了證實(shí)反演數(shù)據(jù)的合理性，利用72個(gè)采樣點(diǎn)的土壤水分信息進(jìn)行支持向量機(jī)的回歸建模，其中50個(gè)樣點(diǎn)用于訓(xùn)練，22個(gè)樣點(diǎn)用于驗(yàn)證。使用Libsvm軟件包，通過歸一化處理提高模型的準(zhǔn)確性，利用交叉驗(yàn)證格網(wǎng)搜索法來確定模型的最佳參數(shù)[27]。

通過找到最優(yōu)解構(gòu)建了預(yù)測函數(shù)，并將測試集數(shù)據(jù)輸入該函數(shù)，從而得到了土壤水分含量的反演值。在支持向量機(jī)回歸建模時(shí)，輸入變量為VV極化去除植被后的后向散射系數(shù)，土壤水分含量作為輸出變量，通過數(shù)據(jù)的實(shí)測值和預(yù)測值，作出2種相關(guān)性曲線，在建模集圖4（a）中R2為072，RMSE為1.67%，驗(yàn)證集圖4（b）中R2為083，RMSE為157%。

通過土壤水分反演得到礦區(qū)土壤水分的空間分布，從反演結(jié)果發(fā)現(xiàn)，在黃土溝壑區(qū)域基巖出露于溝谷的底部，溝壑發(fā)育，植被覆蓋度較高，土壤含水量相對(duì)較高。黃土臺(tái)塬區(qū)屬于平坦開闊的地區(qū)，地表蒸散強(qiáng)烈，土壤含水量相對(duì)較低（圖5）。

由于土壤水分存在較強(qiáng)的空間異質(zhì)性，各個(gè)環(huán)境因子對(duì)土壤水分會(huì)產(chǎn)生不同的影響，其中最主要因素是地形和氣候。在半干旱地區(qū)，降雨氣溫對(duì)土壤水分蒸發(fā)和入滲有著直接影響，地形主要對(duì)土壤水分運(yùn)移產(chǎn)生一定的影響。溝壑區(qū)土壤水分較高，這是由于受重力和坡度的影響，土壤水分易從高處流于低處，在溝壑形成積累，結(jié)果與文獻(xiàn)[28]研究結(jié)果一致。

3.2土壤水分與地形因子的關(guān)系

為了研究高程變化對(duì)土壤水分的影響，將高程劃分為E1＜975 m，975 m＜E2＜1 065 m，1 065 m＜E3＜1 151 m，E4＞1 151 m。同時(shí)將土壤含水量分為干旱、較干旱、較濕潤、濕潤4個(gè)等級(jí)[29]，對(duì)土壤水分反演結(jié)果與高程的關(guān)系進(jìn)行計(jì)算分析。當(dāng)E1＜975 m時(shí)，土壤水分等級(jí)的分布指數(shù)為較濕潤（1.17）＞干旱（1.04）＞較干旱（0.95）＞濕潤（0.77），較濕潤在此區(qū)間屬于優(yōu)勢分布；高程在E2和E3范圍時(shí)，處于黃土溝壑區(qū)，植被較多土壤水分以濕潤為主；當(dāng)高程E4＞1 151 m時(shí)，以較干旱等級(jí)為主，其分布指數(shù)為1.21。由于高程越高時(shí)，受到的太陽輻射強(qiáng)度增大，土壤水分蒸發(fā)較快（表1）。

坡度范圍是0°～45°，將坡度分為5個(gè)等級(jí)，對(duì)應(yīng)坡度為0°～6°，6°～14°，14°～24°，24°～34°，34°～45°。統(tǒng)計(jì)不同坡度的樣本土壤水分?jǐn)?shù)據(jù)，得出不同坡度等級(jí)下的土壤水分等級(jí)。坡度為0°～6°和6°～14°時(shí)，較干旱分布指數(shù)為1.26和1.07，其優(yōu)勢分布為較干旱>干旱>較濕潤>濕潤，表明在較平坦地區(qū)土壤含水量相對(duì)較低；坡度為14°～24°時(shí)，濕潤和較濕潤等級(jí)處于優(yōu)勢的分布特征；在坡度為24°～34°和34°～45°時(shí)，濕潤的分布指數(shù)為2.27，2.36，屬于優(yōu)勢分布（表2）。

土壤水分往往同時(shí)受到坡向與植被的綜合影響。地表的坡向直接影響了水、光和熱等多個(gè)自然條件，進(jìn)而間接影響土壤的特征。坡向的取值按照順時(shí)針方向計(jì)算，范圍為0°～360°，正北方向?yàn)?°[30]?？梢詫⑵孪蚍譃?個(gè)等級(jí)：無坡向分為-1°～0°、陰坡分為0°～67.5°和337.5°～360°、半陰坡分為67.5°～112.5°和292.5°～337.5°、陽坡分為157.5°～247.5°、半陽坡分為112.5°～1575°和247.5°～292.5°。對(duì)土壤水分?jǐn)?shù)據(jù)和坡向數(shù)據(jù)信息進(jìn)行統(tǒng)計(jì)分析，得出不同坡向等級(jí)下的土壤水分等級(jí)的分布指數(shù)。無坡向即平地條件下，土壤水分的分布指數(shù)為較干旱（1.04）>干旱（0.96）>較濕潤（0.93）>濕潤（0.87），較干旱占主導(dǎo)優(yōu)勢；陰坡和半陰坡以濕潤為主，在陽坡和半陽坡時(shí)以干旱為主。陽坡接受的太陽輻射量明顯較大，造成土壤水分蒸發(fā)量大，土壤水分較低（表3）。

未旋轉(zhuǎn)的公因子方差隱含了土壤水分和各地形因子之間的多重相關(guān)性（表4），分析所得的各成分的貢獻(xiàn)率，來確定主成分個(gè)數(shù)，因子是否保留的原則是由相關(guān)矩陣的特征值決定的，當(dāng)特征值大于1，則保留為主成分，坡度為主成分因子。通過主成分分析，主要影響土壤水分空間分布特征的是坡度因子為主要因素，坡向的影響程度次之，高程最?。ū?）。土壤含水量在坡度大時(shí)以濕潤分布為主，且陰坡大于陽坡，與文獻(xiàn)[31]和文獻(xiàn)[32]等研究結(jié)果一致。

3.3開采沉陷變形對(duì)土壤水分的擾動(dòng)影響

地表水資源分布與地貌、降水、土地特性等因素相關(guān)，地表水和地下水主要來自大氣降水，降雨是造成土壤水分發(fā)生變化的重要因素，特別是在半干旱的黃土高原礦區(qū)，土壤水分的時(shí)空變異與地貌和降雨特征密切相關(guān)。降雨發(fā)生2 d后，40201工作面開采沉陷區(qū)及周邊未受開采影響的對(duì)照區(qū)域，各選取6個(gè)樣點(diǎn)連續(xù)5 d觀測，選取點(diǎn)間隔為10～20 m（表6）。

在開采沉陷變形區(qū)土壤水分變異系數(shù)達(dá)到了19.85%，在未受開采影響的對(duì)照區(qū)最低僅為381%。土壤水分的變異系數(shù)描述了土壤水分運(yùn)動(dòng)的活躍程度，值越大的情況下，意味著土壤干濕交替越頻繁。降雨后開采沉陷變形區(qū)的土壤含水量多數(shù)是先升高再降低，趨于穩(wěn)定狀態(tài)，少數(shù)樣點(diǎn)含水量直接降低，具有不規(guī)則性，而對(duì)照區(qū)的土壤含水量都是先升高再降低，然后又有所升高，其變化趨勢較為一致（圖6）。開采沉陷變形區(qū)的土壤含水量受降雨影響更為顯著，降雨結(jié)束后土壤含水量變得更高，變化特征也更為復(fù)雜，表明采煤活動(dòng)引起的地表裂縫對(duì)土壤水分造成明顯的擾動(dòng)影響。

由于地下水和降雨往往優(yōu)先進(jìn)入采動(dòng)地表裂縫，這導(dǎo)致裂縫周圍的土壤水分特征與其他區(qū)域存在一定的差異性。在開采沉陷變形區(qū)選取一條典型的拉張型裂縫，兩側(cè)無臺(tái)階、無落差，呈直線狀，裂縫寬度為15 cm，在距裂縫10，40，80和200 cm的位置設(shè)置土壤含水量監(jiān)測點(diǎn)。降雨后5 d內(nèi)裂縫周邊土壤含水量變化，距離裂縫最近10 cm處土壤含水量是復(fù)雜多變的，80 cm處土壤含水量總體最低，200 cm處土壤含水量總體最高（圖7）。隨著與裂縫距離的增加降雨后土壤水分的變化處于穩(wěn)定狀態(tài)，呈現(xiàn)先升高后降低，且距離裂縫最遠(yuǎn)土壤含水量最高，變化影響最小。主要原因是由于地表受到拉張破壞，土壤結(jié)構(gòu)松散，改變了降雨后周圍的土壤水分分布，距離裂縫越近土壤持水能力越差。

4結(jié)論

1）SVM回歸算法構(gòu)建的黃土高原煤礦開采區(qū)土壤水分反演模型具有較高的精度。分析大佛寺煤礦區(qū)土壤水分變化的空間分布特征，發(fā)現(xiàn)土壤水分易于在溝壑區(qū)積累，其土壤含水量更高。

2）黃土高原煤礦區(qū)土壤水分分布與坡度、坡向和高程等地形因子密切相關(guān)，其中坡度因子對(duì)土壤水分的影響最大。

3）開采沉陷變形區(qū)相比未受采動(dòng)影響區(qū)的土壤水分變化更為復(fù)雜多變，其變異系數(shù)更大。降雨后，沉陷變形區(qū)的土壤水分呈現(xiàn)先升高后降低或直接降低的變化特征，而采動(dòng)裂縫周邊土壤水分變化與距離裂縫的遠(yuǎn)近相關(guān)，表明開采引起的地表變形及裂縫對(duì)土壤水分造成顯著的擾動(dòng)影響。

參考文獻(xiàn)（References）：

[1]柳寧，趙曉光，解海軍，等．榆神府地區(qū)煤炭開采對(duì)地下水資源的影響［J］．西安科技大學(xué)學(xué)報(bào)，2019，39（1）：71-78.

LIU Ning，ZHAO Xiaoguang，XIE Haijun，et al．Influence of coal mining on groundwater resources in Yushenfu? Area［J］． Journal of Xian University of Science and Technology，2019，39（1）：71-78.

[2]聶文杰，趙曉光，杜華棟，等． 榆神府礦區(qū)不同導(dǎo)水裂隙發(fā)育對(duì)地表土壤性質(zhì)的影響［J］．西安科技大學(xué)學(xué)報(bào)，2021，41（3）：464-473．

NIE Wenjie，ZHAO Xiaoguang，DU Huadong，et al． Influence of development of different water-conducting fissures on the topsoil properties in Yushenfu mining area［J］． Journal of Xian University of Science and Technology，2021，41（3）：464-473．

[3]羅曉霞，王萬.多模型融合風(fēng)化基巖富水性預(yù)測[J].西安科技大學(xué)學(xué)報(bào)，2022，42（3）：521-528.

LUO Xiaoxia，WANG Wan.Water-rich prediction method of weathered bedrock based on multi-model fusion[J].Journal of Xian University of Science and Technology，2022，42（3）：521-528.

[4]蘆家欣，湯伏全，趙軍儀，等.黃土礦區(qū)開采沉陷與地表損害研究述評(píng)[J].西安科技大學(xué)學(xué)報(bào)，2019，39（5）：859-866.

LU Jiaxin，TANG Fuquan，ZHAO Junyi，et al.Review of study on mining subsidence and ground surface damage in loess mining area[J].Journal of Xian University of Science and Technology，2019，39（5）：859-866.

[5]郭千慧子，湯伏全，馬婷，等.基于時(shí)序遙感的黃土礦區(qū)耕地變化動(dòng)態(tài)監(jiān)測——以大佛寺礦區(qū)為例[J].煤炭科學(xué)技術(shù)，2022，50（3）：215-223.

GUO Qianhuizi，TANG Fuquan，MA Ting，et al.Dynamic monitoring of cultivated land changes in loess mining areas based on time series remote sensing：A case of Dafosi Mining Area[J].Coal Science and Technology，2022，50（3）：215-223.

[6]劉巧妮，劉鈺輝.大佛寺4#煤水熱處理結(jié)果對(duì)煤潤濕性的指示意義[J].西安科技大學(xué)學(xué)報(bào)，2021，41（1）：112-120.

LIU Qiaoni，LIU Yuhui.Verification of wettability based on the hydrothermal treatment samples of No．4 coal in Dafosi area[J].Journal of Xian University of Science and Technology，2021，41（1）：112-120.

[7]李奇峰，崔恒，肖樂樂，等.寧正煤田侏羅系煤層頂板富水性及涌（突）水風(fēng)險(xiǎn)評(píng)價(jià)[J].西安科技大學(xué)學(xué)報(bào)，2023，43（3）：523-529.

LI Qifeng，CUI Heng，XIAO Lele，et al.Evaluation of water-abundance and water gushing risk of Jurassic coal seam roof in Ningzheng Coal field[J].Journal of Xian University of Science and Technology，2023，43（3）：523-529.

[8]YANG W，YANG H，LI C，et al.Long-term reconstruction of satellite-based precipitation，soil moisture，and snow water equivalent in China[J].Hydrology and Earth System Sciences，2022，26（24）：6427-6441.

[9]DAS K，PAUL P K.Soil moisture retrieval model by using RISAT-1，C-band data in tropical dry and sub-humid zone of Bankura district of India[J].The Egyptian Journal of Remote Sensing and Space Science，2015，18（2）：297-310.

[10]周壯，趙少杰，蔣玲梅.被動(dòng)微波遙感土壤水分產(chǎn)品降尺度方法研究綜述[J].北京師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，52（4）：479-485.

ZHOU Zhuang，ZHAO Shaojie，JIANG Lingmei.Downscaling methods of passive microwave remote sensing of soil moisture[J].Journal of Beijing Normal University（Natural Science），2016，52（4）：479-485.

[11]章曉潔，鄧艷芬，張亞超，等.利用Sentinel-2A多光譜成像儀與Landsat 8陸地成像儀影像進(jìn)行普陀山島植被分類效果比較[J].測繪通報(bào)，2019（10）：97-100.

ZHANG Xiaojie，DENG Yanfen，ZHANG Yachao，et al.Comparison of vegetation classification performances on Putuoshan island using Sentinel-2A MSI and Landsat 8 OLI images[J].Bulletin of Surveying and Mapping，2019（10）：97-100.

[12]吳青云，高飛，李振軒，等.Sentinel-2A與Landsat 8數(shù)據(jù)在植被覆蓋度遙感估算中的比較[J].測繪通報(bào)，2021（S1）：104-108，113.

WU Qingyun，GAO Fei，LI Zhenxuan，et al.The contrast of Sentinel-2A and Landsat 8 data in remote sensing estimation of vegetation coverage[J].Bulletin of Surveying and Mapping，2021（S1）：104-108，113.

[13]馬威，陳登魁，楊娜，等.時(shí)序雙極化SAR開采沉陷區(qū)土壤水分估計(jì)[J].遙感學(xué)報(bào)，2018，22（3）：521-534.

MA Wei，CHEN Dengkui，YANG Na，et al.Time-series approach to estimate the soil moisture of a subsidence area by using dual polarimetric radar data[J].Journal of Remote Sensing，2018，22（3）：521-534.

[14]SU S，CAO Y.Research on inversion of soil moisture in karst area based on full-polarization SAR data[J].IEEE Access，2021（9）：117512-117519.

[15]MA W，MA C.Soil moisture retrievals in aeolian sand mining areas using temporal，single-polarization，high-resolution SAR[J].Frequenz，2018，72（11-12）：547-560.

[16]方西瑤，蔣玲梅，崔慧珍.基于Sentinel-1雷達(dá)數(shù)據(jù)的青藏高原地區(qū)土壤水分反演研究[J].遙感技術(shù)與應(yīng)用，2022，37（6）：1447-1459.

FANG Xiyao，JIANG Lingmei，CUI Huizhen.Soil moisture retrieval in the Tibetan Plateau based on Sentinel-1 radar data[J].Remote Sensing Technology and Application，2022，37（6）：1447-1459.

[17]鄧小東，王宏全.土壤水分微波遙感反演算法及應(yīng)用研究進(jìn)展[J].浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版），2022，48（3）：289-302.

DENG Xiaodong，WANG Hongquan.Recent advances on algorithms and applications of soil moisture retrieval from microwave remote sensing[J].Journal of Zhejiang University（Agriculture & Life Sciences Edition），2022，48（3）：289-302.

[18]陳曉，李剛，陳卓奇，等.基于升降軌Sentinel-1影像的格陵蘭后向散射系數(shù)入射角歸一化方法[J].遙感學(xué)報(bào)，2023，27（9）：2072-2084.

CHEN Xiao，LI Gang，CHEN Zhuoqi，et al.A backscatter coefficient normalization method to incidence angle based on ascending and descending Sentinel-1 SAR imagery at the Greenland[J].National Remote Sensing Bulletin，2023，27（9）：2072-2084.

[19]ATTEM E P W，ULABY F T.Vegetation modeled as a water cloud［J］.Radio Science，1978，13（2）：357-364.

[20]張友靜，王軍戰(zhàn)，鮑艷松.多源遙感數(shù)據(jù)反演土壤水分方法[J].水科學(xué)進(jìn)展，2010，21（2）：222-228.

ZHANG Youjing，WANG Junzhan，BAO Yansong.Soil moisture retrieval from multi-resource remotely sensed images over a wheat area[J].Advances in Water Science，2010，21（2）：222-228.

[21]OH Y.Quantitative retrieval of soil moisture content and surface roughness from multipolarized radar observations of bare soil surfaces[J].IEEE Transactions on Geoscience and Remote Sensing，2004，42（3）：596-601.

[22]趙昕，黃妮，宋現(xiàn)鋒，等.基于Radarsat 2與Landsat 8協(xié)同反演植被覆蓋地表土壤水分的一種新方法[J].紅外與毫米波學(xué)報(bào)，2016，35（5）：609-616.

ZHAO Xin，HUANG Ni，SONG Xianfeng，et al.A new method for soil moisture inversion in vegetation-covered area based on Radarsat 2 and Landsat 8[J].Journal of Infrared and Millimeter Waves，2016，35（5）：609-616.

[23]戴小路，汪廷華，胡振威.模糊多核支持向量機(jī)研究進(jìn)展[J].計(jì)算機(jī)應(yīng)用研究，2021，38（10）：2896-2903.

DAI Xiaolu，WANG Tinghua，HU Zhenwei.Research progress of fuzzy multiple kernel support vector machine［J］.Application Research of Computers，2021，38（10）：2896-2903.

[24]LIU W，SHI J，LIANG S，et al.Simultaneous retrieval of land surface temperature and emissivity from the FengYun-4A advanced geosynchronous radiation imager[J].International Journal of Digital Earth，2022，15（1）：198-225.

[25]ZHU H，HU W，JING Y，et al.Soil organic carbon prediction based on scale-specific relationships with environmental factors by discrete wavelet transform[J].Geoderma，2018，330：9-18.

[26]莊逐舟，黃秋昊，石云.黃土丘陵區(qū)土地利用變化與地形梯度關(guān)系研究[J].水土保持研究，2016，23（4）：331-337.

ZHUANG Zhuzhou，HUANG Qiuhao，SHI Yun.Relationship between the land use change and the terrain gradient in counties in the loess hilly and gully region[J].Research of Soil and Water Conservation，2016，23（4）：331-337.

[27]RUAN J，WANG X，ZHOU T，et al.Fault identification of high voltage circuit breaker trip mechanism based on PSR and SVM[J].IET Generation，Transmission & Distribution，2023，17（6）：1179-1189.

[28]MA T，TANG F，TANG J，et al.Effect of coal mining on soil moisture in the semi-arid area based on an improved remote sensing estimation approach[J].Environmental Earth Science，2023，82（22）：545-562.

[29]程夢園，曹廣超，趙美亮，等.香日德-柴達(dá)木河流域土壤濕度時(shí)空變化特征及其影響因素[J].干旱區(qū)研究，2022，39（2）：615-624.

CHENG Mengyuan，CAO Guangchao，ZHAO Meiliang，et al.Temporal and spatial variation characteristics and influencial factors of soil moisture in the Xiangride-Qaidam River Basin[J].Arid Zone Research，2022，39（2）：615-624.

[30]肖洪敏，張文江，田云鋒，等.基于SBAS-InSAR方法的岷江上游峽谷區(qū)地表沉降的坡向分異規(guī)律研究[J].遙感技術(shù)與應(yīng)用，2023，38（4）：967-977.

XIAO Hongmin，ZHANG Wenjiang，TIAN Yunfeng，et al.Controls underlying the aspect pattern of SBAS-InSAR retrieved surface subsidence in the Upper Minjiang Basin[J].Remote Sensing Technology and Application，2023，38（4）：967-977.

[31]艾寧，宗巧魚，劉廣全，等.陜北黃土區(qū)淺溝土壤水分空間分布特征［J］.水土保持學(xué)報(bào)，2019，33（5）：85-90.

AI Ning，ZONG Qiaoyu，LIU Guangquan，et al.Spatial distribution characteristics of soil moisture in ephemeral gully in loess region of Northern Shannxi［J］.Research of Soil and Water Conservation，2019，33（5）：85-90.

[32]邱德勛，趙佰禮，尹殿勝，等.黃土丘陵溝壑區(qū)土壤水分垂直變異及影響因素［J］.中國水土保持科學(xué)（中英文），2021，19（3）：72-80.

QIU Dexun，ZHAO Baili，YIN Diansheng，et al.Vertical variation of soil moisture in the loess hilly and gully region and its influence factors［J］.Science of Soil and Water Conservation，2021，19（3）：72-80.

（責(zé)任編輯：李克永）