一种矿区植被碳汇分级及变化趋势评价分析方法

摘要

本发明公开了一种矿区植被碳汇分级及变化趋势评价分析方法，首先根据矿权边界选定矿区的研究区，获取研究区对应的遥感影像和气象数据；基于光能利用率模型计算矿区植被碳汇量，基于CASA模型及采用粒子群算法计算植被光能利用率理想最大值和所对应的理想气温和降水量；依据矿区月太阳总辐射和植被覆盖度的分级标准，推算出植被碳汇的分级指标；通过Theil‑SenMedian计算不同煤炭采阶段的植被碳汇的变化趋势，并结合Mann‑Kendall统计检验方法进行显著性检验，实现矿区植被碳汇趋势变化的等级划分。本发明能够量化评判植被碳汇量值变化情况、变化趋势，能够科学的、量化地知晓变化趋势好坏，对矿区生态环境监测、治理和修复提供数据支撑。

说明书

技术领域

本发明涉及遥感及地理信息、生态学领域，尤其涉及一种矿区植被碳汇分级及变化趋势评价分析方法。

背景技术

煤炭在我国一次能源消费中占据主体地位，煤炭行业的发展对我国经济和生产建设发挥着至关重要的作用。煤炭开采的过程中会对矿区周边生态环境造成一定程度的影响和破坏，给生态环境治理造成了压力和挑战。因此，平衡好煤炭生产与环境保护之间的关系是新时代高质量发展的迫切需求(参考文献：矿区生态环境定量遥感监测评价技术框架与应用.矿业科学学报,作者：李军,彭苏萍,张成业,杨飞,桑潇；矿区生态环境定量遥感监测研究进展与展望[J].金属矿山，作者：张成业,李军,雷少刚,杨金中,杨楠)。植被碳汇作为陆地生态系统碳汇的重要组成部分，通过遥感反演的方法可以对矿区的植被碳汇进行长时序、高频次的监测和精确计算，从而精确反映矿区植被的生长状况、固碳能力和碳循环过程(参考文献：Yang F, Wang J,Zhang C,et al.The Impact of Human Activities on NetPrimary Productivity in a Grassland Open-Pit Mine:The Case Study of theShengli Mining Area in Inner Mongolia,China[J].Land,2022,11(5):743)。然而，矿区某一时段、某一区域的植被碳汇量值变化情况、变化趋势缺乏科学的技术评判，导致矿区无法实现在时间与区域的趋势研究，也无法科学的、量化地知晓变化趋势是好还是坏，这是生态环境治理与环境保护需要解决的技术方向。

发明内容

针对现有技术存在的技术问题，本发明的目的在于提供一种矿区植被碳汇分级及变化趋势评价分析方法，首先根据矿权边界选定矿区的研究范围，依据矿区研究范围获取对应的遥感影像和气象数据；基于光能利用率模型计算矿区植被碳汇量，然后基于CASA模型构建原理，采用深度优先搜索的粒子群算法在气温和降水因素的胁迫下计算植被光能利用率理想最大值和该状态下对应的理想气温和降水量；进一步依据矿区月太阳总辐射和植被覆盖度的分级标准，推算出植被碳汇的分级指标；最后，通过非参数统计方法Theil-SenMedian，计算不同煤炭采阶段的植被碳汇的变化趋势，并结合Mann-Kendall统计检验方法进行显著性检验，实现矿区植被碳汇趋势变化的等级划分，能够量化评判植被碳汇量值变化情况、变化趋势，能够科学的、量化地知晓变化趋势好坏，对矿区生态环境监测、治理和修复提供数据支撑。

本发明的目的通过下述技术方案实现：

一种矿区植被碳汇分级及变化趋势评价分析方法，其方法如下：

A、采集研究区内的影像数据与影像数据相关联的气象气候数据；植被碳汇 NEP按照如下公式计算得到：

NEP＝NPP-R

B、通过粒子群优化算法模型依据CASA模型中植被光能率计算原理进行迭代计算并得出研究区植被理想光能利用率ε

C、以植被覆盖度为基准建立植被覆盖度等级划分标准，植被覆盖度等级划分标准中的植被覆盖度分界值FVC

D、构建泰尔-森估算模型并按照如下公式计算出时间阶段的植被碳汇变化趋势β：

E、构建Mann-Kendall检验模型按照如下公式计算出植被碳汇变化趋势β的显著性：

其中，n表示参与计算的年份数量，n＝j-i，NEP

F、划分设定步骤D植被碳汇变化趋势的阈值β

当时间阶段内植被碳汇变化趋势β≥β

当时间阶段内植被碳汇变化趋势β≥β

当时间阶段内植被碳汇变化趋势处于-β

当时间阶段内植被碳汇变化趋势β＜-β

当时间阶段内植被碳汇变化趋势β＜-β

为了更好地实现本发明方法，本发明优选的步骤B包括如下方法：

B1、CASA模型中植被光能率计算原理如下：

T

ε(x，t)＝T

其中T

E(x，t)和E

其中P(x，t)表示t月降水量，R

其中I(x)为全年总和的热量指标，参数α(x)是与I(x)有关的参数，I(x)和α(x) 的关系公式如下：

α(x)＝[0.6751×I

B2、粒子群优化算法模型迭代计算公式如下：

ν

其中x

优选地，本发明在步骤A中，基于光能利用率模型按照如下公式计算得到植被净初级生产力NPP：

NPP(x，t)＝APAR(x，t)×ε(x，t)，其中NPP(x，t)表示影像数据中像元x在t月的植被净初级生产力，APAR(x，t)表示影像数据中像元x在t月吸收的光合有效辐射，ε(x，t)为影像数据中像元x在t月真实的植被光能利用率，x表示影像数据中像元的空间位置，t表示月度；

在步骤A中，土壤微生物的呼吸量R

R

优选地，本发明光合有效辐射APAR(x，t)的计算公式如下：

APAR(x，t)＝PAR(x，t)×FPAR(x，t)

PAR(x，t)＝SOL(x，t)×0.5

其中PAR(x，t)表示影像数据中像元x在t月的光合有效辐射，FPAR(x，t)表示影像数据中像元x在t月的植被光合有效辐射吸收比例，SOL(x，t)表示像元x在t月的太阳总辐射量；

FPAR(x，t)采用如下公式计算得到：

FPAR(x，t)＝FVC×(FPAR

FPAR

优选地，本发明在步骤C中，根据植被覆盖度等级划分标准中的植被覆盖度分界值FVC

FPAR

APAR

NPP

优选地，本发明植被覆盖度等级划分标准中的植被覆盖度分界值FVC

本发明较现有技术相比，具有以下优点及有益效果：

(1)本发明针对矿区煤炭开采全周期过程提出一种矿矿区植被碳汇分级及变化趋势评价分析方法，首先根据矿权边界选定矿区的研究范围，依据矿区研究范围获取对应的遥感影像和气象数据；基于光能利用率模型计算矿区植被碳汇量，然后基于CASA模型构建原理，采用深度优先搜索的粒子群算法在气温和降水因素的胁迫下计算植被光能利用率理想最大值和该状态下对应的理想气温和降水量；进一步依据矿区月太阳总辐射和植被覆盖度的分级标准，推算出植被碳汇的分级指标；最后，通过非参数统计方法Theil-SenMedian，计算不同煤炭采阶段的植被碳汇的变化趋势，并结合Mann-Kendall统计检验方法进行显著性检验，实现矿区植被碳汇趋势变化的等级划分，能够量化评判植被碳汇量值变化情况、变化趋势，能够科学的、量化地知晓变化趋势好坏，对矿区生态环境监测、治理和修复提供数据支撑。

(2)本发明针对矿区场景，提出了植被碳汇量分级和趋势变化评价的方法，能够准确反映在伴随煤炭开采和矿区土地利用变化等人类活动影响下植被碳汇的真实状态和演变过程，为矿区生态环境治理和生态修复提供重要的科学数据支撑和理论指导。

(3)本发明基于CASA模型的光能利用率计算流程并利用粒子群优化算法，能够建立适用于不同矿区的植被碳汇等级划分标准，具有针对性和普适性；通过Sen-MK算法进行植被碳汇变化趋势的计算和统计性检验，基于此构建的矿区植被碳汇变化趋势评价方法能够从时间维度和空间维度反映不同开采阶段矿区植被碳汇的变化方向和变化程度。

(4)本发明通过融合多源遥感数据和气候站点数据，在矿区场景定量反演植被碳汇；基于光能利用率模型和粒子群优化算法，结合矿区的太阳辐射条件和植被生长状况，构建具有普适性的植被碳汇分级标准，为矿区植被碳汇评价分析提供精确的数据支撑和理论依据；基于Sen-MK算法，计算分析在矿区开采全生命周期以及不同开采阶段的植被碳汇变化趋势并进行等级划分，能够精准的反映在不同开采阶段植被变化情况，以及矿区生态修复工程对植被碳汇恢复的作用效果，为矿区生态环境修复提供有效的精准监测和决策建议。

附图说明

图1为实施例中的方法流程示意图；

图2为实施例中粒子群优化算法模型的原理方法流程图；

图3为实施例中举例研究矿区的植被覆盖度空间分布情况；

图4为实施例中举例研究矿区的植被碳汇空间分布情况；

图5为实施例中举例研究矿区的植被碳汇等级划分结果图；

图6为实施例中举例研究矿区的植被碳汇变化趋势分析评价结果。

具体实施方式

下面结合实施例对本发明作进一步地详细说明：

实施例

如图1～图6所示，一种矿区植被碳汇分级及变化趋势评价分析方法，首先根据矿权边界选定矿区的研究范围，依据矿区研究范围获取对应的遥感影像和气象数据；基于光能利用率模型计算矿区植被碳汇量，然后基于CASA模型构建原理，采用深度优先搜索的粒子群算法在气温和降水因素的胁迫下计算植被光能利用率理想最大值和该状态下对应的理想气温和降水量；进一步依据矿区月太阳总辐射和植被覆盖度的分级标准，推算出植被碳汇的分级指标；最后，通过非参数统计方法Theil-Sen Median，计算不同煤炭采阶段的植被碳汇的变化趋势，并结合Mann-Kendall统计检验方法进行显著性检验，实现矿区植被碳汇趋势变化的等级划分，能够量化评判植被碳汇量值变化情况、变化趋势，能够科学的、量化地知晓变化趋势好坏，对矿区生态环境监测、治理和修复提供数据支撑。其方法如下：

A、采集研究区内的影像数据与影像数据相关联的气象气候数据；本实施例影像数据来源于系列陆地资源卫星获取的遥感影像或中国资源卫星应用中心获取的高分影像数据(空间分辨率为2米，重访周期为4天，可实现高时效的动态监测)，本实施例需要对上述影像数据进行矿权边界(即本实施例研究区) 的识别和矿区范围(即本实施例研究区)的选取；本实施例可以对影像数据进行裁剪、去云处理、辐射定标和大气校正等预处理操作，可以消除云层和大气等因素造成的辐射误差。本实施例气象气候数据来源于中国气象数据网，气象气候数据同样选取包含矿区范围(即本实施例研究区)所在行政区划范围的气象站点的气温、降水和月太阳总辐射月度数据(本实施例可以按照反距离权重法插值的方法在矿区矢量范围内进行插值计算处理)。植被碳汇NEP按照如下公式计算得到：

NEP＝NPP-R

在一些实施例中，在步骤A中，基于光能利用率模型按照如下公式计算得到植被净初级生产力NPP(光能利用率模型中NPP可以在Monteith方程中通过植被吸收的光合有效辐射(APAR)和实际光能利用率(ε)计算得到)：

NPP(x,t)＝APAR(x,t)×ε(x,t)，其中NPP(x,t)表示影像数据中像元x在t月的植被净初级生产力(gC/(m

在步骤A中，光合有效辐射APAR(x，t)的计算公式如下(植被吸收的光合有效辐射取决于太阳总辐射和植物本身的特征，本实施例可以利用光能利用率的植被净初级生产力估算模型对APAR进行计算)：

APAR(x,t)＝PAR(x,t)×FPAR(x,t)

PAR(x,t)＝SOL(x,t)×0.5

其中PAR(x,t)表示影像数据中像元x在t月的光合有效辐射 (MJ/(m

FPAR(x,t)采用如下公式计算得到：

FPAR(x，t)＝FVC×(FPAR

本实施例FPAR

在步骤A中，土壤微生物的呼吸量R

R

本实施例步骤A举例如下：研究区选自内蒙古自治区锡林郭勒盟锡林浩特市胜利一号露天矿及其周围1km范围的自然生态区，本发明所需采集的影像数据通过下载使用Google Earth Engine(GEE)平台中的Landsat-5、Landsat-7、 Landsat-8卫星影像产品和Sentinel-2A影像产品进行数据运算。气象数据来自中国气象数据网的地面气候资料月度数据集站点数据，主要包括月平均气温、月总降水量和月太阳总辐射；通过反距离权重插值的方法将气象数据插值到30m 分辨率，与遥感数据的空间分辨率保持一致便于运算。其中归一化植被指数 (NDVI)和植被覆盖度(FVC)的计算方法如下，

本实施例经过计算得出本实施例举例胜利一号露天矿及其周围1km范围的植被覆盖度空间分布情况如图3所示。由此进行计算研究区的植被碳汇，植被碳汇可以通过植被净初级生产力(NPP)和土壤中的微生物呼吸的碳排放量的差值即植被净生态系统生产力进行计算，方法如下：

FPAR(x，t)＝FVC×(FPAR

PAR(x，t)＝SOL(x，t)×0.5

APAR(x，t)＝PAR(x，t)×FPAR(x，t)

NPP(x，t)＝APAR(x，t)×ε(x，t)

R

NEP＝NPP-R

本实施例举例胜利一号露天矿及其周围1km范围作为研究区的植被碳汇空间分布情况如图4所示。

B、通过粒子群优化算法模型依据CASA模型中植被光能率计算原理进行迭代计算并得出研究区植被理想光能利用率ε

在一些实施例中，步骤B包括如下方法：

B1、CASA模型中植被光能率计算原理如下：

T

W(x，t)＝0.5+0.5×E(x，t)/E

ε(x，t)＝T

其中T

E(x，t)和E

其中P(x，t)表示t月降水量，R

其中I(x)为全年总和的热量指标，参数α(x)是与I(x)有关的参数，I(x)和α(x) 的关系公式如下：

α(x)＝[0.6751×I

B2、粒子群优化算法模型(粒子群优化算法模型采用粒子群优化算法，粒子群优化算法是一种群体智能优化的进化算法，从随机解出发，通过迭代运算寻找最优解并按照适应度来评价解品质)迭代计算公式如下：

v

其中x

B21、初始化粒子群参数，初始化每个粒子的位置和速度；

B22、计算目标函数的适应值；

B23、更新每个粒子的个体历史最优适应值和位置；更新群体历史最优适应值和位置；

B24、判断是否满足收敛条件，若满足收敛条件，则输出最优结果，更新每个粒子的位置和速度；若不满足收敛条件，则返回至步骤B22。

本实施例先初始化一群微粒的参数、随机位置和速度；计算目标函数的适应值，评价每个微粒的适应度；更新每个粒子的个体历史最优适应值和位置；对每个微粒，将其适应值与pbest_i位置的适应值作比较，如果较好，则将其作为当前的最佳位置；更新群体历史最优适应值和位置；根据上文公式对速度和位置进行优化调整；在达到最大迭代次数或满足最优位置的搜索条件时停止迭代。

本实施例将步骤B1中植被光能率计算原理作为求取适应值的目标函数代入步骤B2中粒子群优化算法模型中，粒子群优化算法模型按照粒子群优化算法经过迭代运算得到矿区植被理想光能利用率(ε

本实施例举例胜利一号露天矿及其周围1km范围作为研究区的演算方法如下：

基于光能利用率计算原理，通过粒子群优化算法进行迭代计算，求解在矿区植被生长最适温度和降水条件下，植被的理想光能利用率。

T

W(x，t)＝0.5+0.5×E(x，t)/E

ε

其中ε

C、以植被覆盖度为基准建立植被覆盖度等级划分标准，植被覆盖度等级划分标准中的植被覆盖度分界值FVC

在本实施例中，步骤C的植被覆盖度等级划分标准中的植被覆盖度分界值 FVC

表1植被覆盖度等级划分标准

植被碳汇等级划分标准中的植被碳汇分界值NEP

FPAR

APAR

NPP

其中

本实施例植被碳汇等级划分标准中的植被碳汇分界值NEP

表2矿区植被碳汇等级划分标准

本实施例举例胜利一号露天矿及其周围1km范围作为研究区根据植被理想光能利用率结合植被覆盖度的等级划分标准和月太阳总辐射数据计算矿区植被分界值，并构建植被碳汇分级标准，共划分为5类(极低植被碳汇区、低植被碳汇区、中等植被碳汇区、高植被碳汇区、极高植被碳汇区)如下表所示：按照本发明碳汇分级标准对举例的研究区植被碳汇进行等级划分，其植被碳汇等级划分结果如图5所示。

表3胜利一号露天矿及其周围1km范围作为研究区的植被碳汇分级标准

表3中，FVC表示植被覆盖度，FPAR表示植被光合有效辐射吸收比例，APAR表示植被吸收的光合有效辐射量，NEP表示植被碳汇量。

D、构建泰尔-森估算模型(泰尔-森估算模型，英文名称为：Theil-Sen Median，是一种稳健的非参数统计的趋势计算方法，通过选择成对点的所有线的斜率的中值来稳健地将线拟合到平面中的采样点。)并按照如下公式计算出时间阶段的植被碳汇变化趋势β：

其中j表示时间阶段的起始年份，k表示时间阶段的终止年份，NEP

E、构建Mann-Kendall检验模型(Mann-Kendall检验是一种非参数检验方法，用于检验泰尔-森估算模型(即Theil-Sen Median)时间序列趋势计算结果的显著性，针对矿区植被碳汇趋势计算的结果进行假设检验)按照如下公式计算出植被碳汇变化趋势β的显著性：

其中，n表示参与计算的年份数量，n＝j-i，在本实施例中，当n≥8时,检验统计量s近似服从正态分布；NEP

F、划分设定步骤D植被碳汇变化趋势的阈值β

当时间阶段内植被碳汇变化趋势β≥β

当时间阶段内植被碳汇变化趋势β≥β

当时间阶段内植被碳汇变化趋势处于-β

当时间阶段内植被碳汇变化趋势β＜-β

当时间阶段内植被碳汇变化趋势β＜-β

本实施例根据Sen-MK算法的趋势计算和检验结果划分趋势变化阈值，构建矿区植被碳汇变化趋势评价标准，统计标准如下表所示：

表4矿区植被碳汇变化趋势评价标准

通过非参数统计方法Theil-Sen Median，计算不同煤炭采阶段的植被碳汇的变化趋势，并结合Mann-Kendall统计检验方法进行显著性检验。β

通过步骤D-步骤F的计算，本实施例举例胜利一号露天矿及其周围1km范围作为研究区的植被碳汇变化趋势评价标准如下表(本实施例举例胜利一号露天矿及其周围1km范围作为研究区的阈值β

本实施例举例胜利一号露天矿及其周围1km范围作为研究区植被碳汇变化趋势分析评价结果如图6所示。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。