0 引 言
在当前建设生态文明的背景下，矿产资源开发应坚持“绿水青山，就是金山银山”的理念[1]，按照绿色矿山的要求，保护生态环境，积极推进矿区生态环境恢复，打造美丽矿区，提升区域可持续发展能力。如何快速准确获取矿区植被及环境信息，评价分析生态恢复状况，为精细化管理提供数据支撑，就成为当前迫切需要解决的关键问题之一。
卫星影像是目前生态环境监测的主要数据源，但受限于影像时空分辨率，精度较低，主要应用于宏观监测。对于某个复垦区，中等尺度的卫星遥感数据难以满足精细管理要求。无人机遥感技术作为继航空、航天遥感之后的第3代遥感技术，有效弥补了当前卫星遥感和航空遥感的技术缺陷，而且具有价格便宜、安全性好、操作灵活等优点，在生态环境监测领域具有广泛的应用前景。付虹雨等[2]利用无人机影像提取苎麻株高和可见光图像光谱信息估测产量。王猛等[3]分析无人机影像提取棉花、花生、玉米等不同作物的植被指数及植被覆盖度方法。谢兵等[4]提出了一种新的无人机可见光植被指数，建立了新植被指数与植被覆盖度之间的相关关系。王俊豪等[5]探索了一种基于无人机倾斜摄影影像和飞控数据的滑坡单体信息多维提取的方法。袁慧洁[6]基于无人机影像计算多种可见光植被指数，利用规则和样本2种面向对象分类方法提取简单地物。李雪瑞等[7]将无人机引入海岛地形调查中，系统归纳了无人机外业数据采集与内业数据处理的具体流程，并制作了DEM和DOM成果。肖武等[8]以无人机多光谱影像为数据源，分别采用面向对象的分类方法和监督分类方法对塌陷湿地植被进行分类。陈佳乐等[9]利用无人机搭载可见光相机获取了沉陷区高分辨率影像，探讨无人机高分辨率影像在采煤沉陷土地测绘中的应用。URBAN Rudolf等[10]研究了无人机构建矿区地形模型的系统误差和随机误差。MOUDRY Vitezslav等[11]分析了利用不同固定翼无人机获取矿区地形图的精度问题。LISIECKA Ewa等[12]利用无人机监测矿区积水状况。ASENOVA Maria[13]利用GIS、无人机和卫星研究苗木健康状况。
绿色矿山建设已经成为国家战略，是实现矿业高质量发展的重要途径和必然要求[14-17]。如何评价绿色矿山的建设水平，需要简便快捷的工具[18]。笔者探索利用无人机进行生态环境信息获取，基于ENVI Crop Science及ArcGIS进行数据统计分析，取得重要成果。研究成果表明，无人机生态环境监测正在成为一种新的趋势，在矿山生态修复中的应用研究正在起步。因此，笔者利用当前新兴空间信息技术，分析复垦区植被信息，通过定量化和可视化的方法，指导生态环境管理，为绿色矿山建设提供技术支撑。
1 矿区概况及数据获取
1.1 矿区概况
选取河南省北部某露天矿为研究区、该矿位于低山丘陵区，植被以人工林地为主，2011年开始开采，多年生产对区域生态环境造成了较大影响。经现场调查，采矿总损毁土地面积约0.067 km2，其中采坑开采平台面积约0.050 km2，边坡山体破损面积约0.017 km2。2018年，该矿根据《河南省露天矿山综合整治三年行动计划(2018—2020年)实施方案》的相关要求[14]，按照“谁开采、谁保护、边开采、边治理”原则，加大矿山环境保护和生态修复的力度，按照绿色矿山建设的标准，开展生态修复，恢复绿水青山。由于新复垦的土地相对贫瘠，空间差异性大，需要根据植被的长势进行精细化管理。笔者选取矿区中部某地块为试验区，面积约0.41 hm2，为近期复垦的乔木林地，苗木为松树，苗高1.5 m左右。
1.2 数据获取及预处理
数据采集采用南方公司的SZT-R250移动测量系统，无人机采用大疆M600，搭载SONY(ILCE-7RM2)相机，GNSS 卫星定位系统、NovAtel SPAN-IGM-S1惯性导航系统。数据获取时间为2019年4月13—14日，无人机相对航高为100 m，地面分辨率(GSD)为1.8 cm，预设航向重叠率80%，旁相重叠率70%。整个矿区共飞行4个架次，采集照片797张，轨迹解算采用Inertial Explorer，提取影像的POS信息。正射影像采用Agisoft PhotoScan制作，植被信息提取利用ENVI5.5完成。矿区绿色矿山建设资料来源于矿方设计资料，用于比较评价方案执行情况。研究技术路线如图1所示。
图1 研究技术流程
Fig.1 Technique work flow
2 研究方法
2.1 正射影像制作
正射影像(DOM)是信息采集的基础。研究区正射影像采用 Agisoft PhotoScan进行制作，具体处理过程如下：照片选取与导入→对齐照片→建立密集点云→生成网格→生成正射影像→导出成果。生成的无人机正射影像的分辨率为0.05 m。为了便于分析研究，选取其中一块近期复垦的林地作为试验区。研究区DOM(局部)及试验区位置如图2所示。
图2 研究区DOM(局部)及试验区位置
Fig.2 DOM of study area(local) and location of test zone
2.2 植被指数计算
植被指数通常利用植被在不同光谱波段的反射率和吸收率的差异特性，对不同波段的光谱进行组合运算以突出植被的特征信息[20-22]，反映植被的生长状况。本研究采用的是无人机影像的可见光波段差异植被指数VDVI(Visible-band Difference Vegetation Index)，具体计算式为
(1)
式中：R、G、B分别代表无人机影像的红、绿、蓝的波段值。
然后利用像元阈值法，分离背景与植被。采用式(2)计算复垦地块植被覆盖度(VFC)为
(2)
式中：NVDVI为大于阈值的VDVI像元数量；a为像元面积；S为地块面积。
2.3 苗木统计及健康分析
苗木统计及健康分析利用ENVI Crop Science及ArcGIS的统计工具进行。Crop Science是ENVI一个农业工具包，提供了一些精准农业和农学分析工具[23-24]。本研究用其提取复垦后的苗木相关数据，指导精细化管理。
1)苗木统计：基于VDVI单波段影像数据，利用Crop Science的作物计数(Count Crops)工具，对复垦苗木进行定位和计数，输出结果为ENVI分类图像，圆环形状[24]。可以进一步转换成矢量文件，在ArcGIS中进行冠幅统计分析及制图。
2)健康分析：基于苗木计数结果，参考VDVI单波段图像，对苗木的相对长势进行统计分析，结果可输出为分类图像或灰度图像[24]。VDVI综合利用了植被在绿光波段的反射及在红光和蓝光波段的吸收特性[17]，反映了植被的叶绿素含量的高低，可以评估植被的长势。结果可以进一步转换成矢量文件，在ArcGIS中进行统计分析及制图。
3)热点分析：利用热点分析工具，可以帮助识别具有显著统计学意义的高值(热点)的聚类区以及低值(冷点)的聚类区，便于指定相应的管护策略。热点分析通过计算要素的Gi* 统计量，通过得到的z得分和p值，分析高值或低值要素在空间上发生聚类的位置。z得分越高，高值(热点)的聚类就越紧密。z得分越低，低值(冷点)的聚类就越紧密[24-26]。热点分析工具可以用来分析复垦区域的苗木健康空间聚类情况。
3 试验结果
3.1 植被指数分析
根据VDVI的定义，利用ENVI的波段分析工具，计算试验区的VDVI值。剔除背景值及异常值以后，试验区的无人机影像的可见光波段差异植被指数VDVI最小值0.05，最大值0.344，平均值0.107，标准差0.037 9。空间分布如图3所示。根据分段统计分析结果(表1)，86.57%的影像值分布0.05～0.15。根据像元数量、试验区面积及式(2)，该地块的植被覆盖率为19.09%。
图3 试验区VDVI空间分布
Fig.3 Space distribution of VDVI in test zone
表1 试验区VDVI统计分析
Table 1 Statistical data of VDVI in test zone
指标值0.05～0.150.15～0.250.25～0.34合计像元/个26445840379641305478比例/%86.5713.220.21100.00
3.2 苗木数量及冠幅统计
根据ENVI Crop Science苗木统计计算结果，试验区共识别出苗木2 323个，冠幅半径0.1～0.5 m，平均值0.30 m，标准差0.067 m。其中71.76%的苗木冠幅半径在0.2～0.3 m，结果基本符合实际。空间分布如图4所示。通过与原始影像对比分析，在地块边缘，由于与其他植被混交，存在部分错分和漏分的现象，需要进一步优化提取参数及改进提取算法。
图4 试验区冠幅大小空间分布
Fig.4 Space distribution of crown radius in test zone
表2 试验区冠幅统计分析
Table 2 Statistical data of crown width in test zone
冠幅范围半径/m数量/个比例/%0.1～0.226011.190.2～0.3166771.760.3～0.539617.05合计2323100.00
3.3 苗木相对健康及热点分析
根据植被指数及Calculate Crop Metrics分析结果，将试验区的苗木划分为3个等级(表3)，即：良好，一般，较差。其中43.26%的苗木长势相对较好，28.28%的苗木长势一般，28.45%的苗木长势相对较差。从空间分布来看，中西部片区苗木长势较差，北部片区苗木长势较好(图5)。结合热点计算结果，试验区的苗木健康状况存在显著统计学意义的高值空间集聚区和低值空间集聚区(图6)。
表3 试验区苗木健康统计分析
Table 3 Statistical data of seedling health in test zone
等级数量/个比例/%良好100543.26一般65728.28较差66128.45合计2323100.00
图5 试验区苗木健康状况分布
Fig.5 Space distribution of seedling health in test zone
图6 试验区苗木健康热点分布
Fig.6 Hotspot map ofseedling health in test zone
4 讨 论
1)通过研究发现，复垦区的植被长势存在较大的空间差异。建议对低值区的土壤理化特性进一步检测，找到问题根源，采取针对性的管护措施。试验区地块目前处于复垦初期，植被覆盖度较低，后期还需加大维护力度。
2)根据矿区生态恢复设计，矿山有林地栽种树种为侧柏或油松，地径3 cm以上，高1.5 m左右，间距2.0 m×2.0 m。将监测结果与绿色矿山设计资料进行对比分析。该地块的苗木栽植密度、数量及规格与要求基本相符，成果为绿色矿山项目验收和评价提供了数据支撑。
3)无人机技术的发展为矿区生态环境监测提供了方便快捷的工具。结合ENVI和ArcGIS的数据处理与分析，可以及时掌握植被长势。本次也发现由于波段较少，制约了无人机植被遥感监测的应用范围。如采用无人机多光谱或高光谱设备，监测效率将大幅提升。
4)ENVI Crop Science是精准农业和农学分析工具包，对于规则分布的单类作物有较高的识别率和应用潜力。对于地形复杂，植被类型多样的复垦区，其应用效率还需要结合地区特点，深入分析。
5 结 论
利用无人机技术获取研究区的高分辨率影像，通过波段运算，构建复垦林地的可见光波段差异植被指数，基于Crop Science工具提取复垦苗木的数量、冠幅、长势等信息，采用地理信息技术进行空间分布分析。取得的主要结论有：
1)基于无人机数据，制作了研究区高分辨率的正射影像，可以直观了解矿区生态环境状况，为生态生态环境修复提供了数据基础，为治理前后生态环境变化对比分析及效果评价提供了影像资料。
2)基于植被指数，获取了试验区复垦苗木的数量、冠幅、健康状况等信息，为定量化评价提供了数据支撑，为治理验收提供了参考依据。
3)利用热点分析，评价了苗木长势的空间分布，结果表明现状条件下苗木健康状况存在显著的空间差异，需要优化管护措施。研究成果为精细化管理提供了重要参考资料。
研究结果表明，笔者所采用的研究方法和技术在矿区生态恢复监测应用中具有可行性。未来将继续跟踪监测，为矿区土地复垦及生态修复、绿色矿山建设等提供技术支撑。
参考文献(References):
[1] 中央文献研究室.习近平关于社会主义生态文明建设论述摘编[M ].北京:中央文献出版社，2017.
[2] 付虹雨,崔国贤,李绪孟,等.基于无人机遥感图像的苎麻产量估测研究[J/OL].作物学报:1-11[2020-04-26].http://kns.cnki.net/kcms/detail/11.1809.S.20200426.1404.008.html.
FU Hongyu,CUI Guoxian,LI Xumeng，et al.Estimation of ramie yield based on UAV(Unmanned Aerial Vehicle)remote sensing images[J/OL].Acta Agronomica Sinica:1-11[2020-04-26].http://kns.cnki.net/kcms/detail/11.1809.S.20200426.1404.008.html.
[3] 王 猛,隋学艳,梁守真,等.利用无人机遥感技术提取农作物植被覆盖度方法研究[J/OL].作物杂志:1-7[2020-04-26].http://kns.cnki.net/kcms/detail/11.1808.s.20200422.1724.008.html.
WANG Meng,SUI Xueyan,LIANG Shouzhen，et al.Research on the Method of Extracting Crop Vegetation Coverage using UAV Remote Sensing Technology[J/OL].Crops:1-7[2020-04-26].http://kns.cnki.net/kcms/detail/11.1808.s.20200422.1724.008.html.
[4] 谢 兵,杨武年,王 芳.无人机可见光光谱的植被覆盖度估算新方法[J/OL].测绘科学:1-10[2020-04-26].http://kns.cnki.net/kcms/detail/11.4415.P.20190924.1004.002.html.
XIE Bing,YANG Wunian,WANG Fang.A new estimation method for fractional vegetation cover based on UAV visual light spectrum[J/OL].Science of Surveying and Mapping ,2020(9):1-10[2020-04-26].http://kns.cnki.net/kcms/detail/11.4415.P.20190924.1004.002.html.
[5] 王俊豪,管建军,魏云杰,等.基于无人机倾斜摄影的黄土滑坡信息多维提取与灾害评价分析[J/OL].中国地质:1-21[2020-04-26].http://kns.cnki.net/kcms/detail/11.1167.P.20200423.1325.006.html.
WANG Junhao,GUAN Jianjun,WEI Yunjie，et al.Multidimensional extraction and disaster assessment analysis of individual information of loess landslide based on tilt photography[J/OL].Geology in China:1-21[2020-04-26].http://kns.cnki.net/kcms/detail/11.1167.P.20200423.1325.006.html.
[6] 袁慧洁.基于无人机遥感和面向对象法的简单地物分类研究[J].测绘与空间地理信息,2020,43(3):113-117，123.
YUAN Huijie.Research on simple object classification based on UAV remote sensing and object-oriented method[J].Geomatics &Spatial Information Technology,2020,43(3):113-117，123.
[7] 李雪瑞,魏 征,田 松,等.无人机技术在海岛测绘中的应用[J].测绘通报,2020(1):150-153.
LI Xuerui，WEI Zheng，TIAN Song，et al.Application of UAV technology in island surveying and mapping[J].Bulletin of Surveying and Mapping,2020(1):150-153.
[8] 肖 武,任 河,吕雪娇,等.基于无人机遥感的高潜水位采煤沉陷湿地植被分类[J].农业机械学报,2019,50(2):177-186.
XIAO Wu,REN He,LYU Xuejiao,et al.Vegetation classification by using UAV remote sensing in coal mining subsidence wetland with high ground-water level[J].Transactions of the Chinese Society for Agricultural Machinery,2019,50(2):177-186.
[9] 陈佳乐,肖 武,任 河,等.无人机在高潜水位采煤沉陷土地测绘中的应用[J].中国煤炭，2018,44(7):131-137.
CHEN Jiale，XIAO Wu,REN He,et al.Application of UAV in surveying and mapping of coal mining subsidence land in high groundwater table[J].China Coal,2018,44(7):131-137.
[10] URBAN Rudolf,STRONER Martin,KREMEN Tomas,et al.A novel approach to estimate systematic and random error of terrain derived from UAVs:a case study from a post-mining site[J].Acta Montanistica Slovaca,2018,23(3):325-336.
[11] MOUDRY Vitezslav,URBAN Rudolf,Stroner Martin,et al.Comparison of a commercial and home-assembled fixed-wing UAV for terrain mapping of a post-mining site under leaf-off conditions[J].International Journal of Remote Sensing，2019,40(2):555-572.
[12] LISIECKA Ewa,MOTYKA Barbara,MOTYKA Zbigniew,et al.Possibilities of surface waters monitoring at mining areas using UAV(C).E3S Web of Conferences,2018:1-7.
[13] ASENOVA Maria.GIS-based analysis of the tree health problems usingUAV images and satellite data[C]//International Multidisciplinary Scientific Geo-conference Surveying Geology and Mining Ecology Management,2018:813-820.
[14] 司 芗,张应红,刘 立,等.新时代我国绿色矿山建设与发展的思考[J].中国矿业,2020,29(2):59-64.
SI Xiang，ZHANG Yinghong，LIU Li，et al.Thoughts on the construction and development of green mine in China in the new era[J].China Mining Magazine,2020,29(2):59-64.
[15] 郑德志,任世华.我国煤炭绿色矿山建设发展历程及未来展望[J].煤炭经济研究,2020,40(1):37-41.
ZHENG Dezhi，REN Shihua.Development process and future prospects of coal green mine construction in China[J].Coal Economic Research,2020,40(1):37-41.
[16] 鞠建华.构建中国绿色矿山建设的支撑体系[J].中国矿业,2020,29(1):13-15.
JU Jianhua.Building the support system of green mine construction in China[J].China Mining Magazine,2020,29(1):13-15.
[17] 胡振琪,肖 武.关于煤炭工业绿色发展战略的若干思考：基于生态修复视角[J].煤炭科学技术 2020,48(4)：35-42.
HU Zhenqi,XIAO Wu.Some thoughts on green development strategy of coal industry:from aspects of ecological restoration[J].Coal Science and Technology,2020,48(4)：35-42.
[18] 陈秋计,杭梦如,李继业,等.基于LIDAR的矿区恢复植被高度提取方法研究[J].煤炭科学技术,2020,48(4):113-119.
CHEN Qiuji,HANG Mengru,LI Jiye,et al.Extracting methods for height of restored vegetation in mining area based on LIDAR[J].Coal Science and Technology,2020,48(4):113-119.
[19] 张中强.河南省印发露天矿山综合整治三年行动计划,2020年底全面达到绿色矿山建设标准[J].资源导刊,2018(10):9.
[20] 李东升,刘海红,张兵良,等.基于无人机影像的绿色植被提取方法[J].昆明冶金高等专科学校学报,2019,35(4):58-65.
LI Dongsheng，LIU Haihong，ZHANG Bingliang，et al.Application research of green vegetation extraction method based on UAV image[J].Journal of Kunming Metallurgy College,2019,35(4):58-65.
[21] 宫传刚，卞正富，卞和方，等.基于无人机与植被指数的排土场DEM模型构建关键技术[J].煤炭学报，2019,44(12):3849-3858.
GONG Chuangang，BIAN Zhengfu，BIAN Hefang，et al.Key technology of DEM model construction based on UAV and vegetation index in dump soil field[J].Journal of China Coal Society，2019，44( 12):3849-3858.
[22] 汪小钦，王苗苗，王绍强，等.基于可见光波段无人机遥感的植被信息提取[J].农业工程学报，2015，31(5)：152-159.
WANG Xiaoqin,WANG Miaomiao,WANG Shaoqiang,et al.Extraction of vegetation information from visible unmanned aerial vehicle images[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2015,31(5):152-159.
[23] 张 杰,胡海棠,张 丽,等.基于高分辨率影像的蔡家河流域人工林Crop Science 单木提取与缺失检测 [J].西南林业大学学报,2019,39(1):139-145.
ZHANG Jie，HU Haitang，ZHANG Li，et al.Individual tree extraction and deletion detection of plantation in Caijiahe Basin based on high resolution image by crop science [J].Journal of Southwest Forestry University,2019,39(1):139-145.
[24] ENVI-IDL 技术殿堂的博客.ENVI 精准农业工具包:ENVI Crop Science 1.0.1[EB/OL].(2007-09-04)[2018-02-01].http://blog.sina.com.cn/s/blog_764b1e9d0102y7tk.html.
[25] 陈朋弟,黄 亮,姚丙秀,等.2003—2017年中国各省市人口出生率空间格局多角度分析[J].贵州大学学报(自然科学版),2020,37(1):19-25.
CHEN Pengdi，HUANG Liang，YAO Bingxiu,et al.Multi-angleanalysis of the spatial pattern of population birth rate in Chinese provinces and cities from 2003 to 2017[J].Journal of Guizhou University(Natural Sciences),2020,37(1):19-25.
[26] 仉振宇,朱记伟,解建仓,等.近25年来大西安地区土地利用时空格局变化和热区诊断分析[J/OL].西安理工大学学报:1-14[2020-04-26].http://kns.cnki.net/kcms/detail/61.1294.N.20200421.1501.012.html.
ZHANG Zhenyu，ZHU Jiwei，XIE Jiancang,et al.Spatial-temporal changes of land use and hot zone diagnosis analysis in the past 25 years of the Great Xi’an Area[J/OL].Journal of Xi’an University of Technology :1-14[2020-04-26].http://kns.cnki.net/kcms/detail/61.1294.N.20200421.1501.012.html.
