CN112215135B - 矿区开采与治理成效监测方法及装置 - Google Patents
矿区开采与治理成效监测方法及装置 Download PDFInfo
- Publication number
- CN112215135B CN112215135B CN202011079782.4A CN202011079782A CN112215135B CN 112215135 B CN112215135 B CN 112215135B CN 202011079782 A CN202011079782 A CN 202011079782A CN 112215135 B CN112215135 B CN 112215135B
- Authority
- CN
- China
- Prior art keywords
- index
- mining
- vegetation index
- mining area
- vegetation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种矿区开采与治理成效监测方法及装置,在获取到矿区的目标矢量数据与各生物物理指标的栅格数据后,确定各矿区分布范围的生物物理指标随时间的变化轨迹特征,根据生物物理指标中高动态高灵敏植被指数与灵敏非植被指数的比值,获得环境监测指数,并基于环境监测指数,获得用于表征矿区开采、治理成效的栅格值。基于此,通过环境监测指数的设定,获得的栅格值可准确反映矿区内矿产开发程度与生物物理指标的关系,从而确定矿区在开发前中后环境的治理效果,便于相关人员获得开展矿区环境保护和区域治理的工作依据。
Description
技术领域
本发明涉及地质资源监测技术领域,特别是涉及一种矿区开采与治理成效监测方法及装置。
背景技术
地质资源是指在现有社会、经济和技术条件下能够为社会经济所利用的组成地质环境的物质。地质资源是构成地质环境的重要组成部分,在开发利用地质资源时,需要平衡社会经济与地质环境。其中,地质资源包括矿产、土壤。地下水、地貌和景观等。某种程度上来讲,地质环境也属于地质资源的一部分。因此,开发利用地质资源,地质资源监测是保护地质环境也是实现地质资源可持续发展的重要保障,其对预防自然灾害和保护生态环境都具有重要意义。目前,在地质资源利用中,矿产的开发与环境的保护矛盾较大,矿区的开发和治理需要综合应用地质资源监测手段。
其中,稀土矿作为地质资源的一部分,是国家重要战略资源,并且是智能、电子、军事、航空、航天等高新技术发展的重要物质基础。而赣南的离子吸附型稀土具有分布范围广、埋藏浅、易开采、加工简单等特点,稀土矿开采速度迅速,规模不断扩大。但大规模开发利用稀土资源的同时,对周边生态环境造成了巨大的破坏,特别是在早期无序盗采、滥采的情况下,出现大量无人治理的废弃矿山,导致的是植被破坏、土壤侵蚀、地质灾害隐患、水土流失和地下水污染等一系列生态环境问题。赣南稀土矿自1970年代开采以来到2010年前,一直没有进行过***的矿山治理和修复工作。但近年来,随着全国范围环保政策的实施,矿山治理成了迫在眉睫的任务之一。随着赣南矿山绿色修复等政策的实施,大量资金投入到遗留稀土矿山的治理和生态恢复,治理的面积在不断扩大。但对治理成效如何,目前还缺乏***有效的评价方法和手段。因此,准确的了解赣南稀土矿的开采现状和治理成效,为进一步改善当地生态环境和实现资源可持续利用将奠定重要的基础。
传统的矿区开采与治理成效监测主要有以下几种方法:
第一,实地测量与调查,对矿区等监测区域的土壤、植被修复情况进行实地测量,掌握治理情况。然而这种方法需要花费大量人力和物力资源,不适合大范围的监测和评价。
第二,用不同遥感指标对矿区进行监测,常见的监测指标主要包括植被指数、土地覆盖度变化和生态景观格局变化、土地利用变化等。植被指数NDVI (NormalizedDifference Vegetation Index标准化植被指数)、EVI(Enhanced Vegetation Index增强植被指数)和SAVI(Soil-Adjusted Vegetation Index土壤校正植被指数)等用于反映植被的生长状况和绿度变化,通过遥感影像分析研究的地理区域的植被指数的变化轨迹来确定时间和空间的资源开发干扰。这种方法的缺陷是在区域治理起步时和后期,绿化程度低或绿化程度饱和时,均缺乏足够的灵敏度去识别治理差异。而通过土地覆盖度变化、生态景观格局和土地利用变化来分析矿区的开发情况以及植被变化情况,仅能够统计宏观的矿区地表不同地物覆盖的面积,无法反映矿区的治理效果。
第三,通过生物量、土壤侵蚀强度和景观破碎度等评价指标相结合,并将评价指标进行加权来构建矿区的生态质量评价,实现对矿区生态环境的遥感监测和评估。其中,单位面积生物量指标用于反映区域生态***的碳储情况,而土地侵蚀根据《土壤侵蚀分类分级标准》,将土壤侵蚀分为不同的强度。这种方法的权重系数受主观设定影响,且无法反映矿区的环境变化。
综上,传统的矿区开采与治理成效监测手段还存在上述缺陷,不利于相关人员进行矿区开发过程中的环境保护和区域治理。
发明内容
基于此,有必要针对传统的矿区开采与治理成效监测手段还存在的上述缺陷,不利于相关人员进行矿区开发过程中的环境保护和区域治理,提供一种矿区开采与治理成效监测方法及装置。
一种矿区开采与治理成效监测方法,包括步骤:
获取矿区的目标矢量数据与各生物物理指标的栅格数据;其中,目标矢量数据包括矿区范围经矢量化后的数据;生物物理指标包括植被指数和非植被指数;
根据目标矢量数据和栅格数据,确定各矿区分布范围的生物物理指标随时间的变化轨迹特征;
根据高动态高灵敏植被指数与非植被指数的比值,获得环境监测指数;其中,高动态高灵敏植被指数为变化轨迹特征中具备最高动态范围和灵敏度的植被指数;非植被指数包括与高动态高灵敏植被指数呈负相关的非植被指数。
基于环境监测指数,获得用于表征矿区开采、治理成效的栅格值。
上述的矿区开采与治理成效监测方法,在获取到矿区的目标矢量数据与各生物物理指标的栅格数据后,确定各矿区分布范围的生物物理指标随时间的变化轨迹特征,根据生物物理指标中高动态高灵敏植被指数与非植被指数的比值,获得环境监测指数,并基于环境监测指数,获得用于表征矿区开采、治理成效的栅格值。基于此,通过环境监测指数的设定,获得的栅格值可准确反映矿区内矿产开发程度与生物物理指标的关系,从而确定矿区在开采前、开采中及开采后环境变化及其治理效果,便于相关人员获得开展矿区环境保护和区域治理的工作依据。
在其中一个实施例中,获取矿区的目标矢量数据的过程,包括步骤:
根据矿区的高分辨率遥感影像建立矿区分布图形;
对矿区分布图形进行矢量化处理,得到目标矢量数据。
在其中一个实施例中,获取矿区的各生物物理指标的栅格数据的过程,包括步骤:
对各生物物理指标进行波段计算或标准化处理,获得栅格数据。
在其中一个实施例中,高动态高灵敏植被指数包括归一化植被指数(GDVI)。
在其中一个实施例中,根据高动态高灵敏植被指数与非植被指数的比值,获得环境监测指数的过程,包括步骤:
将高动态高灵敏植被指数与两个及两个以上非植被指数之和的比值,作为环境监测指数。
在其中一个实施例中,非植被指数包括反照率、地表温度和穗帽变换亮度。
在其中一个实施例中,基于环境监测指数,获得用于表征矿区开采、治理成效的栅格值的过程,包括步骤:
对环境监测指数进行波段计算,获得栅格值。
一种矿区开采与治理成效监测装置,包括:
数据获取模块,用于获取矿区的目标矢量数据与各生物物理指标的栅格数据;其中,目标矢量数据包括矿区经矢量化后的数据;生物物理指标包括植被指数和非植被指数;
特征计算模块,用于根据目标矢量数据和栅格数据,确定各矿区分布范围的生物物理指标随时间的变化轨迹特征;
指数计算模块,用于根据高动态高灵敏植被指数与非植被指数的比值,获得环境监测指数;其中,高动态高灵敏植被指数为变化轨迹特征中具备最高动态范围和灵敏度的植被指数GDVI;非植被指数包括在轨迹中与高动态高植被指数呈负相关的非植被指数;
指数表征模块,用于基于环境监测指数,获得用于表征矿区开采、治理成效的栅格值。
上述的矿区开采与治理成效监测装置,在获取到矿区的目标矢量数据与各生物物理指标的栅格数据后,确定各矿区分布范围的生物物理指标随时间的变化轨迹特征,根据生物物理指标中高动态高灵敏植被指数与非植被指数的比值,获得环境监测指数,并基于环境监测指数,获得用于表征矿区开采、治理成效的栅格值。基于此,通过环境监测指数的设定,获得的栅格值可准确反映矿区内矿产开发程度与生物物理指标的关系,从而确定矿区在开发前中后环境的治理效果及其细微区别,便于相关人员获得开展矿区环境保护和区域治理的工作依据。
一种计算机存储介质,其上存储有计算机指令,计算机指令被处理器执行时实现上述任一实施例的矿区开采与治理成效监测方法。
上述的计算机存储介质,在获取到矿区的目标矢量数据与各生物物理指标的栅格数据后,确定各矿区分布范围的生物物理指标随时间的变化轨迹特征,根据生物物理指标中高动态高灵敏植被指数与非植被指数的比值,获得环境监测指数,并基于该环境监测指数,获得用于表征矿区开采、治理成效的栅格值。基于此,通过环境监测指数的设定,获得的栅格值可准确反映矿区内矿产开发程度与生物物理指标的关系,从而确定矿区在开发前、中、后环境特征及其治理效果,便于相关人员获得开展矿区环境保护和区域治理及其成效评价的工作依据。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述任一实施例的矿区开采与治理成效监测方法。
上述的计算机设备,在获取到矿区的目标矢量数据与各生物物理指标的栅格数据后,确定各矿区分布范围的生物物理指标随时间的变化轨迹特征,根据生物物理指标中高动态高灵敏植被指数与灵敏非植被指数的比值,获得环境监测指数,并基于该指数,获得用于表征矿区开采、治理成效的栅格值。基于此,通过环境监测指数的设定,获得的栅格值可准确反映矿区内矿产开发程度与生物物理指标的关系,从而确定矿区在开发前中后环境变化及其治理效果,便于相关人员获得开展矿区环境保护和区域治理的工作依据。
附图说明
图1为一实施方式的矿区开采与治理成效监测方法流程图;
图2为另一实施方式的矿区开采与治理成效监测方法流程图;
图3为又一实施方式的矿区开采与治理成效监测方法流程图;
图4为一实施方式的矿区开采与治理成效监测装置模块结构图。
具体实施方式
为了更好地理解本发明的目的、技术方案以及技术效果,以下结合附图和实施例对本发明进行进一步的讲解说明。同时声明,以下所描述的实施例仅用于解释本发明,并不用于限定本发明。
本发明实施例提供了一种矿区开采与治理成效监测方法。
图1为一实施方式的矿区开采与治理成效监测方法流程图,如图1所示,一实施方式的矿区开采与治理成效监测方法包括步骤S100至S103:
S100,获取矿区的目标矢量数据与各生物物理指标的栅格数据;其中,目标矢量数据包括矿区经矢量化后的数据;生物物理指标包括植被指数和非植被指数;
矿区包括矿产所在区域或所占区域。其中,矿产包括稀土矿或稀土矿以外的各类型矿产等。矿区根据矿产的开发和治理状态,包括几个时间阶段——开采前、开采后、治理前和治理后。以矿区为稀土矿区进行举例,各时间阶段内,稀土矿经开采后的分布范围和稀土矿区内的植被范围呈相关关系。
在其中一个实施例中,图2为另一实施方式的矿区开采与治理成效监测方法流程图,如图2所示,步骤S100中获取监测区域的目标资源矢量数据的过程,包括步骤S200和S201:
S200,根据矿区的遥感影像建立矿区分布图形;
以矿区为稀土矿区举例,基于对稀土矿的野外调研,在了解稀土矿的开采历史、开采技术以及矿区治理修复手段和阶段等信息,结合稀土矿的遥感图像,确定稀土矿区的边界,建立稀土矿区多边形,即矿区分布图形。
S201,对矿区分布图形进行矢量化处理,得到目标矢量数据。
其中,可通过矢量化处理算法或第三方处理软件对矿区分布图形进行矢量化处理。作为其中一个实施方式,可将矿区分布图形导入ArcGIS平台,将矿区分布图形转化为图层文件后建立矿区分布图形边界数据库,标注矿区开采时间、治理时间和开发历史。进一步地,将数据库的矢量数据坐标基准设为WGS-84,投影坐标为UTM 50,以获得目标矢量数据。
在其中一个实施例中,如图2所示,步骤S100中获取矿区的各生物物理指标的栅格数据的过程,包括步骤S300:
S300,对各生物物理指标进行波段计算或标准化处理,获得栅格数据。
根据生物物理指标的分类,不同生物物理指标对应不同的处理手段。在其中一个实施例中,植被指数包括标准化植被指数(NDVI)、归一化植被指数 (GDVI)、土壤校正且不受大气影响的植被指数(SARVI)、不受大气影响的植被指数(ARVI)、土壤校正植被指数(SAVI)和强化植被指数(EVI)。非植被指数包括反照率(α)、地表温度(LST)和穗帽变换亮度(TCB)。
其中,对地表温度进行标准化处理,对除地表温度外的生物物理指标进行波段计算。
作为其中一个实施方式,通过ENVI(The Environment for Visualizing Images完整的遥感图像处理平台)平台对选定年份的多时相Landsat TM、ETM+和OLI 影像,应用COST模型进行大气校正,去除因大气散射等因素引起的大气的影响,将影像光谱的辐射强度(DN)转化成地表反射率。根据波段计算功能,分别将植被指数比如标准化植被指数(NDVI)、归一化植被指数(GDVI)、土壤校正且不受大气影响的植被指数(SARVI)、不受大气影响的植被指数(ARVI)、土壤校正植被指数(SAVI)、强化植被指数(EVI)以及反照率(α)、地表温度(LST)及穗帽变换亮度(TCB)进行计算,得到各指标的栅格数据。对地表温度进行标准化处理,如下式:
TN=(LST-LSTmin)/(LSTmax-LSTmin)
其中,TN为标准化温度,LSTmin为矿区地表温度的最小值,LSTmax为矿区地表温度的最大值,0≤TN≤1.0。
在其中一个实施例中,Landsat TM、ETM+和OLI影像在云量小于5%,太阳高度角大于40°的条件下获取。
其中,归一化植被指数GDVI的计算公式如下:
GDVI^n=(ρNIR n-ρR n)/(ρNIR n+ρR n)
其中n是幂,是1、2、3、4...n值的整数,其中ρNIR和ρR分别为近红外和红外波段的反射率。作为一个较优的实施方式,n为2。
其中,反照率为陆地表面总太阳辐射中的漫反射的度量,范围为0到1。目标资源开发导致的土地退化会使反照率增大,如下式:
ρi代表Landsat第i个波段的反照率,i分别为1,3,4,5,7。
穗帽变换亮度用于反映矿区地表综合土地覆盖信息变化的情况,其转换系数在不同传感器中不同,以下各式分别为TM、ETM和OLI传感器的转换系数:
TCBTM=0.3037ρ1+0.2793ρ2+0.4743ρ3+0.5585ρ4+0.5082ρ5+0.1863ρ7
TCBETM=0.3561ρ1+0.3972ρ2+0.3904ρ3+0.6966ρ4+0.2286ρ5+0.1596ρ7
TCBOLI=0.3029ρ2+0.2786ρ3+0.4733ρ4+0.5599ρ5+0.508ρ6+0.1872ρ7
地表温度用于表征地表热环境的重要指标,如下式:
LST=k2/ln((k1/Lλ)+1)
其中,Lλ是传感器的光谱辐射率,k1和k2是校准系数,由于地表温度与植被指数相比,取值范围较大,因此对地表温度进行标准化处理。
TN=(LST-LSTmin)/(LSTmax-LSTmin)
LSTmin和LSTmax分别代表矿区地表温度的最小值和最大值。
S101,根据目标矢量数据和栅格数据,确定各矿区分布范围的生物物理指标随时间变化轨迹特征;
基于目标矢量数据,将栅格数据投影到时间轴上,获得各矿区分布范围的生物物理指标随时间变化的轨迹特征。
作为其中一个实施例方式,将基于矿区的目标矢量数据得到的栅格数据,利用ENVI平台统计目标资源分布范围内各个生物物理指标在不同年份的均值,以揭示各生物物理指标在矿区分布范围内的不同阶段的变化规律。植被指数在矿区开发前、开发过程中、治理前、治理后这一系列过程都呈U型特征。而非植被指标则呈反U型特征。一般地,植被指数与非植被指数呈负相关关系;植被指数里,尤其归一化植被指数(GDVI)具有高动态和高灵敏度特点,也就是其动态范围比其它植被指数要高出164-867%,灵敏度高出1-6.5倍。
S102,根据高动态高灵敏植被指数与非植被指数的比值,获得环境监测指数;其中,高动态高灵敏植被指数为变化轨迹特征中具备最高动态范围和灵敏度的植被指数(GDVI);非植被指数包括与高动态高灵敏植被指数呈负相关的多个非植被指数;
其中,非植被指数包括一个或多个非植被指数,或多个非植被指数经处理后的结果。
在其中一个实施例中,根据高动态高灵敏植被指数与非植被指数的组合的比值,获得环境监测指数。
在其中一个实施例中,图3为又一实施方式的矿区开采与治理成效监测方法流程图。如图3所示,步骤S102中根据高动态高灵敏植被指数与非植被指数组合的比值,获得环境监测指数的过程,包括步骤S400:
S400,将高动态高灵敏植被指数与两个及两个以上非植被指数之和的比值,作为环境监测指数。
在其中一个实施例中,高动态高灵敏植被指数包括归一化植被指数 (GDVI)。
其中,归一化植被指数的动态范围更广且灵敏度更高,有利于表征植被的相关信息。
在其中一个实施例中,非植被指数包括反照率、地表温度和穗帽变换亮度。
基于此,环境监测指数MRAI(包括MRAI1、MRAI2、MRAI3和MRAI4) 如下式:
MRAI1=GDVI/(α+TN)
MRAI2=GDVI/(α+TCB)
MRAI3=GDVI/(α+TN+TCB)
MRAI4=GDVI/(TN+TCB)
根据不同阶段的环境监测指数和各个植被指数的最大值、最小值、单个像元与其相邻像元的值差异来计算其灵敏度,得到各环境监测指数的灵敏度平均值均大于1,即各环境监测指数相比其它生物物理指标包括高动态高灵敏的 GDVI在内能更有效地反映矿区内矿产的开发状况、经治理后的植被恢复状况及其彼此之间的细微区别。
S103,基于环境监测指数,获得用于表征矿区开采、治理成效的栅格值。
其中,将环境监测指数转换为对应的栅格值,栅格值可用于表征矿区经治理后的环境状况,即植被绿化的修复状况。
在其中一个实施例中,如图3所示,步骤S103中基于环境监测指数,获得用于表征矿区开采、治理成效的栅格值的过程,包括步骤S500:
S500,对环境监测指数进行波段计算,获得栅格值。
作为其中一个实施方式,将环境监测指数代入以上的ENVI的波段计算器中进行计算,得到各环境监测指数的栅格图层。根据各植被指数,计算环境监测指数的灵敏度,如下式:
Sr(MRAI)=[d(MRAI)/d(VI)]×[Δ(MRAI)/Δ(VI)]-1
其中,Sr(MRAI)是环境监测指数与植被指数VI的相对灵敏度,d(MRAI)和d(VI)分别为两个指数相邻像素之间的差值,反映出微小差别。其中Δ(MRAI)= MRAImax-MRAImin,Δ(VI)=VImax-VImin,表示的是环境监测指数和植被指数在目标资源分布范围的大小。
在其中一个实施例中,根据差异-阈值法,将矿区分布范围的矢量边界进行裁剪,识别目标资源在矿区分布范围内在开发前后的变化和治理前后的变化。
对同一个时间观察点而言,环境监测指数的栅格值与环境治理效果的对应效果如下:
1≤栅格值<1.5,表征栅格对应的矿区分布范围的治理效果较差。
1.5≤栅格值<2 ,表征栅格对应的矿区分布范围的治理效果中等。
栅格值≥2,表征栅格对应的矿区为治理效果极好。
上述任一实施例的矿区开采与治理成效监测方法,在获取到矿区的目标矢量数据与各生物物理指标的栅格数据后,确定各矿区分布范围的生物物理指标随时间的变化轨迹特征,根据生物物理指标中高动态高灵敏植被指数与非植被指数的比值,获得环境监测指数,并基于该指数,获得用于表征矿区开采、治理成效的栅格值。基于此,通过环境监测指数的设定,获得的栅格值可准确反映矿区内矿产开发程度与生物物理指标的关系,尤其与环境监测指数的关系,从而确定矿区在开发前、中、后环境的治理效果,便于相关人员获得开展矿区环境保护和区域治理的工作依据。
本发明实施例还提供一种矿区开采与治理成效监测装置。
图4为一实施方式的矿区开采与治理成效监测装置模块结构图,如图4所示,一实施方式的矿区开采与治理成效监测装置包括模块1000、模块1001、模块1002和模块1003:
数据获取模块1000,用于获取矿区的目标矢量数据与各生物物理指标的栅格数据;其中,目标矢量数据包括矿区经矢量化后的数据;生物物理指标包括植被指数和非植被指数;
特征计算模块1001,用于根据目标矢量数据和栅格数据,确定各矿区分布范围的生物物理指标随时间的变化轨迹特征;
指数计算模块1002,用于根据高动态高灵敏植被指数与非植被指数的比值,获得环境监测指数;其中,高动态高灵敏植被指数为变化轨迹特征中具备最高动态范围和灵敏度的植被指数;非植被指数包括与高动态高灵敏植被指数呈负相关的非植被指数;
指数表征模块1003,用于基于环境监测指数,获得用于表征矿区开采、治理成效的栅格值。
上述的矿区开采与治理成效监测装置,在获取到矿区的目标矢量数据与各生物物理指标的栅格数据后,确定各矿区分布范围生物物理指标随时间的变化轨迹特征,根据生物物理指标中高动态高灵敏植被指数与非植被指数的比值,获得环境监测指数,并基于该指数,获得用于表征矿区开采、治理成效的栅格值。基于此,通过环境监测指数的设定,获得的栅格值可准确反映矿区内矿产开发程度与生物物理指标的关系,从而确定矿区在开发前中后环境的治理效果,便于相关人员获得开展矿区环境保护和区域治理的工作依据。
本发明实施例还提供了一种计算机存储介质,其上存储有计算机指令,该指令被处理器执行时实现上述任一实施例的矿区开采与治理成效监测法。
本领域的技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、随机存取存储器(RAM,Random Access Memory)、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
与上述的计算机存储介质对应的是,在一个实施例中还提供一种计算机设备,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行程序时实现如上述各实施例中的任意一种矿区开采与治理成效监测方法。
上述计算机设备,在获取到矿区的目标矢量数据与各生物物理指标的栅格数据后,确定各矿区分布范围的生物物理指标随时间的变化轨迹特征,根据生物物理指标中高动态高灵敏植被指数与非植被指数的比值,获得环境监测指数,并基于环境监测指数,获得用于表征矿区开采、治理成效的栅格值。基于此,通过环境监测指数的设定,获得的栅格值可准确反映矿区内矿产开发程度与生物物理指标的关系,从而确定矿区在开发前中后环境的治理效果,便于相关人员获得开展矿区环境保护和区域治理的工作依据。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种矿区开采与治理成效监测方法,其特征在于,包括步骤:
获取矿区的目标矢量数据与各生物物理指标的栅格数据;其中,所述目标矢量数据包括矿区范围经矢量化后的数据;所述生物物理指标包括植被指数和非植被指数;
根据所述目标矢量数据和所述栅格数据,确定各矿区分布范围的生物物理指标随时间的变化轨迹特征;
根据高动态高灵敏植被指数与非植被指数的比值,获得环境监测指数;其中,所述高动态高灵敏植被指数为变化轨迹特征中具备最高动态范围和灵敏度的植被指数;所述非植被指数包括与所述高动态高灵敏植被指数呈负相关的非植被指数;
基于所述环境监测指数,获得用于表征矿区开采、治理成效的栅格值。
2.根据权利要求1所述的矿区开采与治理成效监测方法,其特征在于,所述获取矿区的目标矢量数据的过程,包括步骤:
根据所述矿区的遥感影像建立矿区分布图形;
对所述矿区分布图形进行矢量化处理,得到所述目标矢量数据。
3.根据权利要求1所述的矿区开采与治理成效监测方法,其特征在于,获取所述矿区的各生物物理指标的栅格数据的过程,包括步骤:
对所述各生物物理指标进行波段计算或标准化处理,获得所述栅格数据。
4.根据权利要求1所述的矿区开采与治理成效监测方法,其特征在于,所述高动态高灵敏植被指数包括归一化植被指数。
5.根据权利要求1至4任意一项所述的矿区开采与治理成效监测方法,其特征在于,所述根据高动态高灵敏植被指数与非植被指数的比值,获得环境监测指数的过程,包括步骤:
将所述高动态高灵敏植被指数与两个或两个以上非植被指数之和的比值,作为所述环境监测指数。
6.根据权利要求5所述的矿区开采与治理成效监测方法,其特征在于,所述非植被指数包括反照率、地表温度和穗帽变换亮度。
7.根据权利要求1至4任意一项所述的矿区开采与治理成效监测方法,其特征在于,所述基于所述环境监测指数,获得用于表征矿区开采、治理成效的栅格值的过程,包括步骤:
对所述环境监测指数进行波段计算,获得所述栅格值。
8.一种矿区开采与治理成效监测装置,其特征在于,包括:
数据获取模块,用于获取矿区的目标矢量数据与各生物物理指标的栅格数据;其中,所述目标矢量数据包括矿区范围经矢量化后的数据;所述生物物理指标包括植被指数和非植被指数;
特征计算模块,用于根据所述目标矢量数据和所述栅格数据,确定各矿区分布范围的生物物理指标随时间的变化轨迹特征;
指数计算模块,用于根据高动态高灵敏植被指数与非植被指数的比值,获得环境监测指数;其中,所述高动态高灵敏植被指数为变化轨迹特征中具备最高动态范围和灵敏度的植被指数;所述非植被指数包括与所述高动态高灵敏植被指数呈负相关的非植被指数;
指数表征模块,用于基于所述环境监测指数,获得用于表征矿区开采、治理成效的栅格值。
9.一种计算机存储介质,其上存储有计算机指令,其特征在于,所述计算机指令被处理器执行时实现如权利要求1至7任意一项所述的矿区开采与治理成效监测方法。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行程序时实现如权利要求1至7任意一项所述的矿区开采与治理成效监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011079782.4A CN112215135B (zh) | 2020-10-10 | 2020-10-10 | 矿区开采与治理成效监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011079782.4A CN112215135B (zh) | 2020-10-10 | 2020-10-10 | 矿区开采与治理成效监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112215135A CN112215135A (zh) | 2021-01-12 |
CN112215135B true CN112215135B (zh) | 2022-07-08 |
Family
ID=74053136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011079782.4A Active CN112215135B (zh) | 2020-10-10 | 2020-10-10 | 矿区开采与治理成效监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215135B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049020B (zh) * | 2021-11-17 | 2024-06-04 | 中国矿业大学 | 一种用于关闭/废弃矿山的转型评估方法 |
CN117315505B (zh) * | 2023-11-28 | 2024-03-15 | 成都理工大学 | 一种量化干旱及半干旱区采矿活动对植被影响的方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413289A (zh) * | 2013-08-30 | 2013-11-27 | 中国神华能源股份有限公司 | 矿区图像处理方法及装置 |
CN105023189A (zh) * | 2015-07-29 | 2015-11-04 | 中国神华能源股份有限公司 | 露天矿区土地复垦监测方法和装置 |
CN108846832A (zh) * | 2018-05-30 | 2018-11-20 | 理大产学研基地(深圳)有限公司 | 一种基于多时相遥感影像与gis数据的变化检测方法及*** |
CN109033741A (zh) * | 2018-09-07 | 2018-12-18 | 中山大学 | 钨矿开发生态环境评价与恢复治理方法 |
CN109184800A (zh) * | 2018-10-15 | 2019-01-11 | 西安科技大学 | 一种煤自燃预警分级方法及预警方法 |
CN110553980A (zh) * | 2019-07-03 | 2019-12-10 | 中南大学 | 基于多源遥感数据的石漠化治理成效多指标监测评价方法 |
CN111274264A (zh) * | 2020-01-16 | 2020-06-12 | 朱恒华 | 一种矿山地质环境水土检测指标实时传输分析*** |
CN111742329A (zh) * | 2020-05-15 | 2020-10-02 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150149224A1 (en) * | 2015-02-16 | 2015-05-28 | Nathan R. Cameron | Iterative method, system, and user interface for analysis, pattern detection, predictive modeling, and continuous improvement of quality, health, safety, and environmental (qhse) operations |
CN108416686B (zh) * | 2018-01-30 | 2021-10-19 | 中国矿业大学 | 一种基于煤炭资源开发的生态地质环境类型划分方法 |
-
2020
- 2020-10-10 CN CN202011079782.4A patent/CN112215135B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413289A (zh) * | 2013-08-30 | 2013-11-27 | 中国神华能源股份有限公司 | 矿区图像处理方法及装置 |
CN105023189A (zh) * | 2015-07-29 | 2015-11-04 | 中国神华能源股份有限公司 | 露天矿区土地复垦监测方法和装置 |
CN108846832A (zh) * | 2018-05-30 | 2018-11-20 | 理大产学研基地(深圳)有限公司 | 一种基于多时相遥感影像与gis数据的变化检测方法及*** |
CN109033741A (zh) * | 2018-09-07 | 2018-12-18 | 中山大学 | 钨矿开发生态环境评价与恢复治理方法 |
CN109184800A (zh) * | 2018-10-15 | 2019-01-11 | 西安科技大学 | 一种煤自燃预警分级方法及预警方法 |
CN110553980A (zh) * | 2019-07-03 | 2019-12-10 | 中南大学 | 基于多源遥感数据的石漠化治理成效多指标监测评价方法 |
CN111274264A (zh) * | 2020-01-16 | 2020-06-12 | 朱恒华 | 一种矿山地质环境水土检测指标实时传输分析*** |
CN111742329A (zh) * | 2020-05-15 | 2020-10-02 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 |
Non-Patent Citations (7)
Title |
---|
Introduction of remote sensing methods for monitoring the under restoration Amiantos Mine, Cyprus;Eleftheria Poyiadji等;《Proceedings of the SPIE》;20180831;第10773卷;1-10 * |
Mining and Restoration Monitoring of Rare Earth Element (REE) Exploitation by New Remote Sensing Indicators in Southern Jiangxi, China;Lifeng Xie等;《remote sensing》;20201030;第12卷(第21期);1-19 * |
The Generalized Difference Vegetation Index (GDVI) for Dryland Characterization;Weicheng Wu;《remote sensing》;20140129;第6卷(第2期);1211-1233 * |
Wide Dynamic Range Vegetation Index for Remote Quantification of Biophysical Characteristics of Vegetation;Anatoly A. Gitelson;《J. Plant Physiol》;20041104;165-173 * |
基于环境绩效评估法下的铀尾矿库退役治理效果评估;卢继鹰;《中国优秀硕士学位论文全文数据库_工程科技Ⅰ辑》;20170315;B027-1546 * |
基于面向对象分类的稀土矿开采动态监测研究;吴亚楠;《中国优秀硕士学位论文全文数据库_工程科技Ⅰ辑》;20180215;B021-142 * |
赣南稀土矿山治理成效评价;谢丽凤;《中国优秀硕士学位论文全文数据库_工程科技Ⅰ辑》;20220215;B027-137 * |
Also Published As
Publication number | Publication date |
---|---|
CN112215135A (zh) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mondejar et al. | Near infrared band of Landsat 8 as water index: a case study around Cordova and Lapu-Lapu City, Cebu, Philippines | |
Berberoglu et al. | Assessing different remote sensing techniques to detect land use/cover changes in the eastern Mediterranean | |
CN112215135B (zh) | 矿区开采与治理成效监测方法及装置 | |
US20160048925A1 (en) | Method of determining structural damage using positive and negative tree proximity factors | |
Chen et al. | The application of the tasseled cap transformation and feature knowledge for the extraction of coastline information from remote sensing images | |
Montesano et al. | Spaceborne potential for examining taiga–tundra ecotone form and vulnerability | |
CN115330159A (zh) | 沙漠生态修复效果评价方法、装置、终端设备及存储介质 | |
CN114612789A (zh) | 一种通过长时序卫星遥感提取常绿森林林分变化的方法 | |
CN115393728A (zh) | 一种基于Sentinel-1/2时间序列遥感图像的废弃鱼塘提取方法 | |
CN115761463A (zh) | 一种浅海水深反演方法、***、设备及介质 | |
CN117151430B (zh) | 一种小流域水土保持治理优先度遥感评估方法 | |
Bektas Balcik et al. | Determination of magnitude and direction of land use/land cover changes in Terkos Water Basin, Istanbul | |
CN108198178B (zh) | 大气程辐射值的确定方法和装置 | |
Sudhakar et al. | Delineation and evaluation of the captive limestone mining area change and its influence on the environment using multispectral satellite images for industrial long-term sustainability | |
Khudhur et al. | Comparison of the accuracies of different spectral indices for mapping the vegetation covers in Al-Hawija district, Iraq | |
Silveira et al. | Characterizing landscape spatial heterogeneity using semivariogram parameters derived from NDVI images | |
Morakinyo et al. | Mapping of land cover and estimation of their emissivity values for gas flaring sites in the Niger Delta | |
CN115791685B (zh) | 基于时间序列遥感影像的秸秆燃烧提取方法 | |
Chung et al. | Wildfire damage assessment using multi-temporal Sentinel-2 data | |
CN115144350B (zh) | 基于高光谱相似像元比对的场地烃类污染判识方法及*** | |
CN115203624A (zh) | 一种基于时序遥感的任意时刻地表环境综合评估方法 | |
Guo et al. | Disturbed boundaries extraction in coal–grain overlap areas with high groundwater levels using UAV-based visible and multispectral imagery | |
Colaninno et al. | Defining Densities for Urban Residential Texture, through Land use Classification, from Landsat TM Imagery: Case Study of Spanish Mediterranean Coast | |
Sukmono et al. | Identifying Burnt Areas in Forests and Land Fire Using Multitemporal Normalized Burn Ratio (NBR) Index on Sentinel-2 Satellite Imagery. | |
Agustin et al. | Identification of oil palm plantation in IKONOS images using radially averaged power spectrum values |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |