矿产资源是中国重要的基础资源，对于促进中国经济发展具有战略意义^[1-2]。但矿山的开采在促进物质经济增长的同时，因其占用和破坏土地，也不可避免地对周边的生态环境产生破坏^[3-5]，严重的甚至影响到社会发展和居民生活质量。随着国家大力提倡生态文明建设，环保意识的不断增强，矿山区域生态质量受到越来越多的关注^[6-7]，“智能+绿色”成为矿山未来发展的主题^[8-10]。对矿山进行生态环境变化的监测与评估是建设绿色智慧矿山的有效手段之一，对于矿山开采、生态修复、土地复垦及治理工作也具有重要的理论和现实意义^[11-12]，也是协调区域经济与生态环境保护治理之间的相互关系的重要纽带，有助于实现社会经济可持续发展^[13]。

早期的矿山生态环境研究多采用人为主观性较大的层次分析法^[14]开展矿山的生态环境评价，或者基于较单一的生态指标，如植被覆盖率、地表沉降或塌陷、土地利用变化等开展生态质量评估^[15-17]。但矿山的生态质量受多种因素的共同影响。徐涵秋^[18]提出的遥感生态指数(remote sensing ecological index, RSEI)，完全依据遥感影像挖掘其蕴含的植被指数(绿度)、裸土指数(干度)、湿度分量(湿度)、地表温度(热度)信息，能够分别反映矿山区域的植被覆盖及质量状况、土壤裸露程度、土壤含水量降低带来的水土流失风险、人为活动和大规模机械化作业导致的地表温度提升，这4个方面正是矿区生态监测所关注的重点问题。将这4个指标纳入综合评估层面，形成一个综合体的评价指标，能够全面、快速实现矿山区域生态质量监测与评价，且能反映矿山区域生态环境的空间分布特征以及生态环境质量的时空变化趋势^[19]。RSEI已被应用到诸多矿山开采区的生态环境变化评估中^[20]，诸如：永定矿区^[21]、神东矿区^[22]、东北矿区^[23]、山西阳泉煤矿^[24]、锡矿山锑矿区^[25]、福建紫金矿区^[26]等。

然而，利用遥感影像综合多指标开展矿山生态环境质量的诸多研究中，多关注的是传统矿山开采过程中或者矿山关停后生态质量变化趋势的研究，鲜见针对“边开发、边治理、边恢复”的智慧矿山的生态质量的研究，针对长时序的矿区生态质量时空变化趋势与矿业开采过程中复垦活动关系的研究也较为少见^[27]。尤其是近年来智慧矿山与绿色矿山工程建设在多地开展后，开采方式的变化、恢复手段的差异对矿山生态的影响方式与程度如何？工程建设成果是否具有科学的评判依据？这些问题都亟待解决。基于此，本文借助多源长时序遥感数据，以甘肃省永靖县智慧矿山及周边5 km范围为研究区，通过遥感多尺度监测与评估相结合的方式，识别矿区及其周边的重要地表变化和时间节点，并对该区2009—2022年间生态质量时空分布格局、变化特征进行系统研究，探讨矿山开采、智慧矿山建设、矿区复垦等活动对生态质量的影响，旨在为矿山生态质量评估提供方法选择，为矿山生态治理与恢复的方案制定提供科学依据和理论支持。

1 研究区、数据和方法 1.1 研究区概况

研究区位于甘肃省临夏回族自治州永靖县。永靖县地处甘肃省中部西南，境内海拔高低悬殊，地形复杂。气候属大陆性气候，降水主要集中在夏季。永靖县境内含有丰富的铜、锰、多种岩石矿产。然而，永靖县内的矿产开采，大多处于规模小、生产工艺落后、环境破坏和污染较为严重的状态。永靖县徐顶乡瓦窑沟玄武岩矿山和樱桃沟凝灰岩矿山，作为全国首批智慧矿山建设的重要试点，对其生态变迁情况进行研究，具有十分重要的典型性和示范性。因此，本研究基于上述两个矿区的几何边界，向外围扩展5 km缓冲区作为对比区域，形成最终的研究区(如图 1所示)。其中，矿区面积1.45 km²，研究区面积149.12 km²。矿区于2008年开始开采，2018年及以前属于小规模、无序扩张式开采状态；2019年起引入新技术和设备，使用新思路开展绿色智慧矿山试点建设。

1.2 数据来源

研究使用的主要遥感数据有：①美国地质调查局(USGS)共享的陆地资源卫星Landsat系列多光谱遥感卫星数据。本研究使用2009，2013，2016，2019，2022年5期当年7—8月的数据，用于提取研究区的遥感生态指数。②国产高分二号卫星数据。本研究使用2020—2021年共4期高分辨率遥感影像，时间分别为2020年4月11日，6月24日和2021年1月22日，3月22日，用于提取研究区内采矿区的实际边界和解译矿山地表重要变化。③美国PlanetLabs(星球实验室)公司研发的Planet Dove星座群卫星数据。本研究使用2018—2022年每年1期研究区的Planet卫星影像，用于联合GF-2数据共同监测研究区内发生的重要地物变化，如新开采矿区和老矿区土地复垦等。

3种数据获取后均使用ENVI5.3软件进行必要的标准化预处理。其中，Landsat系列数据进行辐射定标与大气校正处理；GF-2数据进行辐射校正、正射校正、波段融合、几何精校正、图像裁剪处理；Planet数据进行几何精校正、图像镶嵌、图像裁剪处理。

1.3 研究方法 1.3.1 遥感生态指数计算方法

遥感生态指数(RSEI)通过主成分耦合绿度、干度、湿度、热度4个反映区域生态环境质量的重要参数，使用第一主成分作为评估值，来评价区域的生态环境，其计算结果的客观性、稳定性和可视性已经得到了诸多研究的验证^[28-30]，在矿区生态评价中也较为常用。其具体计算方法如下。

(1) 单项指标计算方法。

① 绿度：研究区耕地面积覆盖率超过50%，自然植被覆盖以草地为主，这样的土地利用/覆盖状态选择归一化植被指数(normalized difference vegetation index，NDVI)作为代表绿度的参数较为合理。NDVI在检测植被生长状态、反映农作物长势、体现植被覆盖度等方面具有十分重要的作用，其计算公式为：

$ \mathrm{NDVI}=\frac{\rho_{\mathrm{NIR}}-\rho_{\mathrm{Red}}}{\rho_{\mathrm{NIR}}+\rho_{\mathrm{Red}}} $

(1)

式中：NDVI表示绿度，数值分布在-1到1之间，数值越大代表植被质量越好，无量纲。ρ_NIR和ρ_Red分别代表影像中近红外波段和红波段的反射率。

② 干度：研究区非植被覆盖区域以裸土、裸露矿山、建筑为主，因此选择裸土指数(soil index，SI)和建筑指数(index-based built-up index，IBI)，共同合成干度指标(normalized difference built-up and soil index，NDBSI)来代表研究区的干度。SI，IBI，NDBSI这3个参数的计算公式分别为：

$ \mathrm{SI}=\frac{\left[\left(\rho_{\text {SWIR } 1}+\rho_{\text {red }}\right)-\left(\rho_{\text {blue }}+\rho_{\text {NIR }}\right)\right]}{\left[\left(\rho_{\text {SWIR } 1}+\rho_{\text {red }}\right)+\left(\rho_{\text {blue }}+\rho_{\text {NIR }}\right)\right]} $

(2)

$ \text { IBI }=\frac{\left\{2 \rho_{\text {SWIR } 1} /\left(\rho_{\text {SWIR } 1}+\rho_{\text {NIR }}\right)-\left[\rho_{\text {NIR }} /\left(\rho_{\text {NIR }}+\rho_{\text {red }}\right)+\rho_{\text {green }} /\left(\rho_{\text {green }}+\rho_{\text {SWIR } 1}\right)\right]\right\}}{\left\{2 \rho_{\text {SWIR } 1} /\left(\rho_{\text {SWIR } 1}+\rho_{\text {NIR }}\right)+\left[\rho_{\text {NIR }} /\left(\rho_{\text {NIR }}+\rho_{\text {red }}\right)+\rho_{\text {green }} /\left(\rho_{\text {green }}+\rho_{\text {SWIR } 1}\right)\right]\right\}} $

(3)

$ \mathrm{NDBSI}=(\mathrm{SI}+\mathrm{IBI}) / 2 $

(4)

式中：SI为裸土指数；为建筑指数；为干度指标；ρ_blue，ρ_green，ρ_red，ρ_NIR，ρ_SWIR1，ρ_SWIR2分别代表影像中蓝、绿、红、近红外、短波红外1和短波红外2波段的反射率。干度数值分布在-1到1之间，无量纲，数值越大代表地表裸露程度越高。

③ 湿度：遥感缨帽变换的湿度分量WET，可以对矿区土壤和植被的湿度有较好的反映，因此选用缨帽变换的湿度分量代表研究区的湿度信息。Landsat 8 OLI传感器湿度指标计算公式如下：

$ \begin{aligned} \mathrm{WET}_{\text {OLI }}= & 0.151\;1 \times \rho_{\text {blue }}+0.197\;3 \rho_{\text {green }}+ \\ & 0.328\;3 \rho_{\text {red }}+0.340\;7 \rho_{\mathrm{NIR}}- \\ & 0.711\;7 \rho_{\mathrm{SWIR} 1}-0.455\;9 \rho_{\mathrm{SWIR} 2} \end{aligned} $

(5)

式中：ρ_blue，ρ_green，ρ_red，ρ_NIR，ρ_SWIR1，ρ_SWIR2分别代表影像中蓝、绿、红、近红外、短波红外1和短波红外2波段的反射率。湿度数值分布在-1到1之间，无量纲，数值越大代表土壤含水量越高。

④ 热度：研究区的采矿等人类活动会改变地表覆盖类型，同时也会产生一定的热量，使地表增温，因此热度指标选用地表温度(land surface temperature，LST)来表示。本研究中，代表热度指标的地表温度LST使用大气校正法反演，依次计算区域地表植被覆盖度、比辐射率、相同温度下黑体的辐射亮度值，进而反演区域的地表温度。

(2) 单项指标归一化处理。由于4个单项指标的量纲不统一，数值范围存在差异，因此需要对4个单项指标进行标准化处理。本研究使用极差标准化公式进行归一化处理，处理后各项指标值在0~1之间。

考虑到4个指标代表的生态优良差异，在归一化后，对热度和干度取相反数后再加1，得到新的热度和干度指标。新指标中，数值越高，干度和热度越低，代表生态质量越好。

(3) 遥感生态指数。为获得客观的综合性生态指数评价指标，利用主成分分析方法，实现4个单项指标的去相关性和信息压缩。首先，将归一化处理后的4个指标通过ENVI的Layer stacking工具合成1张4波段影像数据，再利用主成分分析可得出第一主成分PC1，并求得未归一化的初始遥感生态指数(RSEI₀)，计算公式为：

$ \operatorname{RSEI}_0=1-\operatorname{PC} 1[f(\mathrm{NDVI}, \mathrm{WET}, \mathrm{LST}, \mathrm{NDSI})] $

(6)

最后进行归一化，处理后遥感生态指数(RSEI)值介于[0, 1]之间，数值越接近1，生态质量越好，反之则生态质量越差。

1.3.2 边界提取与变化检测方法

由于研究区内的矿山面积较小，为提高研究结果的精度，采用专业人员人工目视解译的方式开展边界提取和变化检测工作。使用GF-2卫星数据提取矿区实际边界，基于GF-2和Planet卫星数据提取矿山及其周边的重要地物变化，数字化过程使用ArcGIS10.4软件进行。

2 结果与分析 2.1 单项生态指数时空变化分析

利用遥感生态指数计算方法，对2009—2022年间共5期Landsat系列标准处理后产品数据进行处理，提取绿度、干度、湿度、热度4个单项指标评价结果，进而分析各个指标的时空变化规律。

2.1.1 绿度指数分析

图 2展示了研究区绿度指数在5个年份的空间分布情况，以及2009—2022年绿度指数变化的空间分布状况。在图 2中，从棕色到黄色再到绿色，表示绿度数值逐渐提升，植被质量越好。从图 2各个年份的绿度分布图中可以看出，除2009年研究区整体绿度相对较低外，其他年份中心位置的矿区绿度数值显著低于周边区域。从2009年起，随着矿区挖掘面积的扩大，棕色斑块面积逐步增长，至2016，2019年达到峰值，2022年相对于2019年，棕色面积在不同区域有增有减，反映出这个时间段内，矿区的挖掘和恢复工作在同时开展。对于矿区之外范围，在2009年整体绿度相对较低，其余4个年份绿度相对较高，各年份相同空间位置区域绿度数值有所波动但幅度不大。仅部分山谷区域的道路、村庄和零星存在的山体呈现棕色，且部分棕色区域绿度数值有逐渐升高的趋势。图 2最后一张变化分布图中，红色代表绿度下降，蓝色代表绿度上升，颜色越深，变化幅度越大。中心矿区位置的红色斑块面积大，颜色深，是整个研究区内变化最为剧烈的区域。结合相关年份的遥感影像进行解译，发现这些红色区域均出现矿山开采破坏植被的现象，这也从侧面反映出绿度指数对于植被破坏和植被质量下降的敏感性较高。

为更好地展示绿度数值的变化趋势，分别统计5个年份研究区、采矿区域(基于GF-2数据人工提取的边界)绿度指数的均值形成变化趋势图(图 3)。从图 3中可以看出，研究区绿度均值始终高于矿区，但是这种差异在逐渐拉大，从2009年的仅相差0.01，扩大到2022年相差0.27。其中，2009至2013年间变化最大，差值增大到0.12，后续基本维持在每3 a差距增加0.05的速度。其中，2009年研究区绿度均值明显较低，与当年甘肃省发生严重旱灾，植被覆盖率下降、植被质量降低有关。整体来说，绿度指数在矿区生态时空变化上均表现出较高的敏感性。

2.1.2 干度指数分析

研究区干度指数空间分布及变化如图 4所示。在空间分布图中，从棕褐色到蓝色，代表干度逐渐降低，质量更好。从图 4中可以看出，中心矿区的干度和周边裸土区域差异不大，呈现较为明显的棕褐色，但与植被覆盖区的蓝色差异显著。从2009年到2022年，研究区整体蓝色区域范围有所增加，干度有所下降，生态逐渐趋好，但中心矿区由于采矿范围扩大破坏植被，部分区域干度显著降低。从图 4最后一张干度变化空间分布图中可以明显看出，蓝色区域面积分布多且广，反映出研究区整体干度下降的情况；而中心矿区出现较多红色斑块，说明采矿导致部分区域地表裸露程度提高，地表干度变化明显。

干度指数均值变化趋势图中(图 5)，干度数值从2009年的矿区高于研究区，变为2013年的研究区高于矿区，高低关系发生改变。后续几个年份中，虽然差值偶有缩小，但是高低关系没有发生变化，且到2022年，差值有拉大趋势。这种趋势反映出，采矿对地表干度也会产生一定的影响，虽然影响的显著性低于绿度，但也不可忽视。

2.1.3 湿度指数分析

图 6为研究区湿度指数在不同年份的空间分布，以及2009—2022年的变化情况。在空间分布图中，从黄色到白色，再到蓝色，表示湿度逐渐提高，质量越好。矿区与周边研究区相比，在2009年还呈现出较为深的蓝色；至2013年，出现部分黄白色斑块，说明部分已经开采的矿山湿度有所降低。但这种湿度的降低不是常态和显著的，在后续年份中，黄白色斑块的位置、大小有所变化，且其数值与周围区域的差异不大。在图 6f中的变化空间分布图中，研究区整体湿度的变化不大，仅东北部区域有一些地块湿度降低；矿区内部有少部分区域湿度指数降低但幅度较小。

研究区与矿区的湿度指数均值变化如图 7所示。从图中可以看出，采矿区域在2009年湿度较高，数值高于全域均值0.05；而到了2013年以后，基本与全域均值保持持平。这说明矿区的开采在早期破坏植被时会对地表湿度有显著影响，而在后期开采过程中，矿山的土壤湿度与周围裸土的湿度差异不显著。

2.1.4 热度指数分析

研究区热度指数空间分布及变化如图 8所示。如图 8所示，2009年中心矿区开发程度低，存在较多的蓝色区域，且红色区域的颜色深度与周围研究区差异不大。随着矿区开挖的面积增大，矿区与周边热度的对比逐渐凸显。到2022年，可以明显看到矿区的红色很深，而周边区域多为蓝色或浅黄色。在图 8f中热度变化空间分布图中可以看出，研究区基本分为3种变化类型：研究区南部热度指数数值增高显著，研究区北部也有一定幅度上升，而研究区中部的矿区热度指数数值呈现降低或持平的趋势。这反映出热度指标对采矿活动具有很高的敏感性。

把研究区和矿区热度指数均值的变化趋势进行对比(图 9)，可以看出，研究区热度指数均值呈现上升的趋势，而矿区热度指数数值在0.3左右波动，矿区与研究区热度指数的数值差异随时间推移逐渐增大。在四个指数中，热度指数对于矿区与非矿区之间差异的表达程度，仅次于绿度指数。

2.2 总体生态质量时空变化分析

对绿度、干度、湿度、热度4个指标进行主成分分析和遥感生态指数提取，获得研究区遥感生态指数空间分布结果，并对2022年和2009年的评估结果进行差值计算，得到遥感生态指数变化空间分布(如图 10所示)。在空间分布图中，从紫色到绿色，代表生态指数数值提高，生态质量逐渐提升。从2009年到2022年，随着矿区开采范围增大，研究区中心呈现紫色斑块向四周扩展增长的态势。从西部向东南部延伸，贯穿整个研究区的带状区域，其生态始终保持在较高的水平。经过高分辨率遥感数据解译对比，发现这一条带为自然植被覆盖，以草地为主，零星分布有稀疏林。研究区其他区域主要为耕地，间杂分布一些小型村庄、荒草地，其植被质量和覆盖度低于中间的一条植被带，因此生态指数数值也要略低。总体来说，研究区北部的生态质量低于南部。在图 10f中生态指数变化分布图中，矿区表现为显著的红色，代表矿区生态质量下降明显。除矿区外，研究区仅东北部存在面积较大的生态质量下降图斑。研究区整体，尤其是南部区域，呈现生态质量提升的良好趋势。

对研究区和矿区5个年份的遥感生态指数均值进行统计(如图 11所示)。研究区整体的生态指数有上升态势，但矿区的生态指数在研究的前中期呈现直线下滑，直到2019年后才止住颓势。研究区与矿区的生态指数空间分布、变化及统计趋势反映出，遥感生态指数对矿区生态有较为准确和直观的反映。

2.3 矿山生态恢复区时空变化分析

基于GF-2卫星影像、Planet卫星影像，辅助以Google Earth的时序高分辨率遥感影像，对矿区及其周边地块，从2009年至2022年的开挖、复垦变化进行检测和追踪，对关键时间节点进行记录，并结合遥感生态指数的评估结果进行定点分析。

研究共识别出5个变化地块，从2009年至2022年间，这5个地块经历了开挖、平整、复垦的全过程。其变化的具体时间节点如表 2所示。把5个地块在2020年4月11日和2021年3月22日GF-2卫星影像中的真实情况进行对比(如图 12所示)。从对比图中可以看到地块1，2，3在2020年4月已经开启填平工作，地块4已基本完成填平工作，地块5还处于挖掘后的状态。至2021年3月，这5块地块已经达到可以复垦的状态。

对5个地块的遥感生态指数数值进行统计(图 13)，结合表 2记录的关键时间节点，可以发现，生态指数的数值变化与地块的变化时间基本一致。2009年，5块地块均未开挖，其生态指数仍处于较高水平。2013年7月，1/2/4/5共4个地块已基本投入开采工作，因此对应其生态指数有显著下降；地块3在2013年7月还处于挖掘的过程中，因为挖掘面积仍未达到峰值，因此其生态指数虽然有所下降，但是幅度要低于其余4个地块。此后的2016年，随着开采的进行，5个地块的生态质量持续下降。至2019年，3/4两个地块率先开始实施土地复垦的前期工作，所以其生态指数停止下降，地块3的生态指数数值甚至有所上升。至2022年，5块地块的复垦准备均已完成，土地达到平整状态。此时，5个地块的生态指数数值显著上升。这一过程也说明，矿山开采会使该区域的生态质量显著下降，但如果能够在完成矿山挖掘后，科学地开展回填、平地、修整边坡工作，有序进行地表的复绿或复垦，可以有效恢复矿区生态。

3 讨论

本文研究的两个矿区，从开采至今，经历了从小规模无序开采，到绿色建材生态产业示范园区建设，打造智慧矿山绿色矿山的过程。利用遥感技术，进行多角度、多尺度、长时空对比、典型点追溯的监测与生态质量评估研究，较为全面地反映了矿山开采、整改、恢复过程对其生态的影响方式和程度。这也从侧面证明了，利用本文方法进行矿山时序监测与评估的科学性、合理性和可靠性。

从2018年下半年开始，矿区启动国家级绿色智慧矿山建设工程，至2020年底完成建设，先进的低污染设备投入使用，多项工作从地表开展转入地下开展。与此同时，也开启了对地表已挖掘完的矿山的恢复工作。通过高分辨率遥感影像的时空追溯，结合遥感生态指数的区域及典型地块分析，发现2018—2020年也是矿区生态质量变化的转折点。对整个矿区来说，2019年以前，遥感生态指数呈显著下降趋势，2019年成为拐点，此后矿区的生态质量基本保持平稳，持续10 a的下降趋势得到明显改善。从特定点分析上看，矿区5个典型地块的评估结果也能反映出矿区已经开展的土地复垦工作起到了较为显著的生态修复作用。虽然5个地块完成回填、平地、修整边坡后，尚未开始种植，但其地表由矿渣、碎石变为优质土壤，土壤水分含量上升，单项指标中的干度、湿度、热度数值均有提高，使其在遥感生态指数中的数值有显著回升。

在进行遥感生态指数的各个单项指数分析时，发现对于本文研究的岩石矿来说，随着矿山的开采，绿度和热度指数的变化较为显著，而干度、湿度的变化相对较小。这从侧面反映出岩石矿开采对地表植被的破坏，以及大型机械、剧烈人为活动产生的热量，是造成矿区生态质量下降的主要原因。在后续生态恢复工作开展的过程中，相关部门要着重关注这两个方面的因素，以提高生态修复工作的效率和质量。

4 结论

本文基于Landsat系列卫星时序多光谱数据，以及GF-2卫星、Planet系列卫星、Google Earth共享的多源高分卫星数据，对甘肃省永靖县智慧矿山及其周边区域2009—2022年的重要地表变化进行识别，并对其生态质量的时空分布格局、变化特征、影响因素等进行系统分析，得到的主要结论如下。

(1) 甘肃省永靖县智慧矿山矿区的生态质量呈现2009—2019年持续降低，2019年后保持平稳的变化态势，矿区对周边区域生态质量的影响程度较小。矿区周边5 km区域范围生态质量在2009—2022年呈现小幅度的波动上升趋势。其中，研究区南部的生态质量优于北部，贯穿研究区西部—东南沿线的自然植被覆盖带其生态质量始终保持在研究区内的最高水平。

(2) 遥感生态指数可以较为客观地反映矿区生态质量的实际状态。对于永靖县矿区来说，绿度、热度指标相较干度与湿度指标，在2009—2022年间的变化幅度更大，矿区与研究区之间的差异更为显著。

(3) 在绿色智慧矿山建设过程中，大型低污染设备的使用、地表作业向地下作业的转变等，可以有效解决矿区生态质量随着采矿时间推移持续下降的问题。矿区完成回填、平地、修整边坡等土地复垦的前期步骤后，其遥感生态指数数值即有较为显著的提升，生态质量恢复明显。

受限于部分年份夏季缺少无云的Landsat卫星数据，且高分辨率遥感数据在早期的时间分辨率也较低，无法开展对比分析，因此本研究遥感生态指数计算的年份间隔为3 a，未能形成年度甚至更高频次的分析。未来随着更高时、空、谱分辨率遥感卫星数据的使用，以及更多遥感评估参数的纳入，矿山生态监测与评估工作会有更大的发展空间。