稀土矿区地表环境变化多时相遥感监测研究_以岭北稀土矿区为例_李恒凯

第４３卷第６期 中国矿业大学学报 Ｖｏｌ．４３Ｎｏ．６２０１４年１１月 Ｊｏｕｒｎａｌ　ｏｆ　Ｃｈｉｎａ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｍｉｎｉｎｇ　＆Ｔｅｃｈｎｏｌｏｇｙ Ｎｏｖ．２０１４收稿日期：２０１３－１０－０８基金项目：国家重点基础研究发展计划（９７３）项目（２０１１ＣＢ７０７１０２）；江西省教育厅科技项目（ＧＪＪ１３４０５）通信作者：吴立新（１９６６－），男，江西省宜春市人，教授，博士生导师，长江学者特聘教授，从事数字减灾与数字矿山、灾变遥感及灾害监测、空间信息理论算法、地球系统空间格网等方面的研究．Ｅ－ｍａｉｌ：ａｗｕｌｉｘｉｎ＠２６３．ｎｅｔ　Ｔｅｌ：１３５０１１１８９５８稀土矿区地表环境变化多时相遥感监测研究———以岭北稀土矿区为例李恒凯１，３，吴立新２，刘小生３（１．中国矿业大学（北京）地球科学与测绘工程学院，北京　１０００８３；２．中国矿业大学物联网（感知矿山）研究中心环境与测绘学院，江苏徐州　２２１００８；３．江西理工大学建筑与测绘工程学院，江西赣州　３４１０００）摘要：离子型稀土矿的开采带来一系列的生态环境问题，日益引起人们的关注．采用２０ａ的多时相ＴＭ遥感数据作为数据源，以定南县岭北稀土矿区作为研究案例，对稀土矿区的地表环境变化进行长期监测和分析．为提高监测分析的可靠性，采用分形纹理辅助分类对分类后比较方法进行改进，构建了可分离指数和Ｊ－Ｍ距离两种分形窗口和波段选择模型，并比较了其在稀土矿区的适用性，为使用分形纹理辅助分类提供了定量方法．结果表明：随着稀土开采规模的不断扩大，矿区荒漠化日趋严重，并呈现集中连片的趋势，治理难度加大；原地浸矿工艺的推广和矿区复垦工作的进行，一定程度上减缓了矿区荒漠化趋势；稀土矿点周围植被出现退化现象，可能是稀土开采产生的水土污染对植被生长造成了影响．关键词：稀土矿区；环境变化；分类后比较法；分形模型中图分类号：ＴＰ　７９文献标志码：Ａ文章编号：１０００－１９６４（２０１４）０６－１０８７－０８Ｃｈａｎｇｅ　ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｇｒｏｕｎｄ－ｓｕｒｆａｃｅ　ｅｎｖｉｒｏｎｍｅｎｔｉｎ　ｒａｒｅ　ｅａｒｔｈ　ｍｉｎｉｎｇ　ａｒｅａ　ｂａｓｅｄ　ｏｎ　ｍｕｌｔｉ－ｔｅｍｐｏｒａｌｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ：ａ　ｃａｓｅ　ｉｎ　Ｌｉｎｇｂｅｉ　ｒａｒｅ　ｅａｒｔｈ　ｍｉｎｉｎｇ　ａｒｅａＬＩ　Ｈｅｎｇｋａｉ　１，３，ＷＵ　Ｌｉｘｉｎ２，ＬＩＵ　Ｘｉａｏｓｈｅｎｇ３（１．Ｃｏｌｌｅｇｅ　ｏｆ　Ｇｅｏｓｃｉｅｎｃｅ　ａｎｄ　Ｓｕｒｖｅｙｉｎｇ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｈｉｎａ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｍｉｎｉｎｇ　＆Ｔｅｃｈｎｏｌｏｇｙ（Ｂｅｉｊｉｎｇ），Ｂｅｉ－ｊｉｎｇ　１０００８３，Ｃｈｉｎａ；２．ＩｏＴ／Ｐｅｒｃｅｐｔｉｏｎ　Ｍｉｎｅ　Ｒｅｓｅａｒｃｈ　Ｃｅｎｔｅｒ，Ｓｃｈｏｏｌ　ｏｆ　Ｅｎｖｉｒｏｎｍｅｎｔ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｓｐａｔｉａｌ－Ｉｎｆｏｒ－ｍａｔｉｃｓ，Ｃｈｉｎａ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｍｉｎｉｎｇ　＆Ｔｅｃｈｎｏｌｏｇｙ，Ｘｕｚｈｏｕ，Ｊｉａｎｇｓｕ　２２１００８，Ｃｈｉｎａ；３．Ｆａｃｕｌｔｙ　ｏｆ　Ａｒｃｈｉｔｅｃｔｕｒａｌａｎｄ　Ｓｕｒｖｅｙｉｎｇ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｊｉａｎｇｘｉ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｇａｎｚｈｏｕ，Ｊｉａｎｇｘｉ　３４１０００，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｏｎｉｃ　ｒａｒｅ　ｅａｒｔｈ　ｏｒｅ　ｍｉｎｉｎｇ　ｈａｓ　ｂｒｏｕｇｈｔ　ａ　ｓｅｒｉｅｓ　ｏｆ　ｅｃｏｌｏｇｉｃａｌ　ａｎｄ　ｅｎｖｉｒｏｎｍｅｎｔａｌ　ｐｒｏｂ－ｌｅｍｓ，ａｎｄ　ａｒｏｕｓｅｄ　ｐｅｏｐｌｅ＇ｓ　ｃｏｎｃｅｒｎ　ｃｏｎｔｉｎｕｏｕｓｌｙ．Ｔｈｅ　ｐａｐｅｒ　ａｎａｌｙｚｅｄ　ｔｈｅ　ｌｏｎｇ－ｔｅｒｍ　ｃｈａｎｇｅｓ　ｉｎｔｈｅ　ｓｕｒｆａｃｅ　ｅｎｖｉｒｏｎｍｅｎｔ　ｏｆ　Ｌｉｎｇｂｅｉ　ｒａｒｅ　ｅａｒｔｈ　ｍｉｎｉｎｇ　ａｒｅａ　ｉｎ　Ｄｉｎｇｎａｎ　Ｃｏｕｎｔｙ　ｂｙ　ｕｓｉｎｇ　２０ｙｅａｒｓｌｏｎｇ　ＴＭ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｄａｔａ．Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｓｔｒｅｎｇｔｈｅｎ　ｔｈｅ　ｒｅｌｉａｂｉｌｉｔｙ　ｏｆ　ｍｏｎｉｔｏｒｉｎｇ　ａｎｄ　ａｎａｌｙｓｉｓ，ｔｈｅ　ｍｅｔｈｏｄ　ｏｆ　ｐｏｓｔ－ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｃｏｍｐａｒｉｓｏｎ　ｗａｓ　ｉｍｐｒｏｖｅｄ　ｂｙ　ｕｓｉｎｇ　ｔｈｅ　ｆｒａｃｔａｌ　ｔｅｘｔｕｒｅ　ａｕｘｉｌｉａｒｙｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｔｈｅ　ｔｗｏ　ｋｉｎｄｓ　ｏｆ　ｍｏｄｅｌ　ｏｆ　ｔｈｅ　ｂａｎｄ　ｓｅｌｅｃｔｉｏｎ　ａｎｄ　ｔｈｅ　ｆｒａｃｔａｌ　ｗｉｎｄｏｗ　ｎａｍｅｄ　ｔｈｅｓｅｐａｒａｂｌｅ　ｉｎｄｅｘ　ａｎｄ　ｔｈｅ　Ｊ－Ｍ　ｄｉｓｔａｎｃｅｓ　ｗｅｒｅ　ｃｏｎｓｔｒｕｃｔｅｄ，ａｓ　ｗｅｌｌ　ａｓ　ｃｏｍｐａｒｅｄ　ｉｔｓ　ａｄａｐｔａｂｉｌｉｔｙ．Ａｌｌ　ｏｆ　ｔｈｅｓｅ　ｐｒｏｖｉｄｅｄ　ａ　ｑｕａｎｔｉｔａｔｉｖｅ　ｍｅｔｈｏｄ　ｆｏｒ　ｓｅｌｅｃｔｉｎｇ　ｆｒａｃｔａｌ　ｔｅｘｔｕｒｅ　ｔｏ　ａｓｓｉｓｔ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｔｈｅ　ｒｅｓｕｌｔｓ　ｓｈｏｗｅｄ　ｔｈａｔ　ｔｈｅ　ｍｉｎｉｎｇ　ａｒｅａ　ｄｅｓｅｒｔｉｆｉｃａｔｉｏｎ　ｈａｓ　ｂｅｃｏｍｅ　ｍｏｒｅ　ｓｅｒｉｏｕｓ　ｗｉｔｈ　ｔｈｅ　ｃｏｎ－ｔｉｎｕｏｕｓ　ｅｘｐａｎｓｉｏｎ　ｏｆ　ｍｉｎｉｎｇ，ａｎｄ　ａ　ｍｅｒｇｉｎｇ　ｔｅｎｄｅｎｃｙ　ｍａｄｅ　ｉｔ　ｈａｒｄ　ｆｏｒ　ｇｏｖｅｒｎｉｎｇ．Ｂｙ　ｐｒｏｍｏ－DOI:10.13247/ki.jcumt.000260 中国矿业大学学报 第４３卷ｔｉｎｇ　ｔｈｅ　ｉｎ－ｓｉｔｕ　ｌｅａｃｈｉｎｇ　ｍｉｎｉｎｇ　ｔｅｃｈｎｏｌｏｇｙ　ａｎｄ　ｍｉｎｉｎｇ　ｒｅｃｌａｍａｔｉｏｎ，ｉｔ　ｐａｒｔｌｙ　ｓｌｏｗｓ　ｄｏｗｎ　ｔｈｅｇｒｏｗｔｈ　ｔｅｎｄｅｎｃｙ　ｏｆ　ｄｅｓｅｒｔｉｆｉｃａｔｉｏｎ．Ｔｈｅ　ｖｅｇｅｔａｔｉｏｎ　ａｒｏｕｎｄ　ｒａｒｅ　ｅａｒｔｈ　ｍｉｎｅｓ　ｈａｓ　ｄｅｇｒａｄｅｄ，ｔｈｅｗａｔｅｒ　ａｎｄ　ｓｏｉｌ　ｐｏｌｌｕｔｉｏｎ　ｏｆ　ｒａｒｅ　ｅａｒｔｈ　ｅｘｔｒａｃｔｉｏｎ　ｓｈｏｕｌｄ　ｂｅ　ｎｏｔｉｃｅｄ，ａｎｄ　ｉｔ　ｍａｙ　ｈａｖｅ　ｉｍｐａｃｔ　ｏｎｖｅｇｅｔａｔｉｏｎ　ｇｒｏｗｔｈ．Ｋｅｙ　ｗｏｒｄｓ：ｒａｒｅ　ｅａｒｔｈ　ｍｉｎｉｎｇ；ｅｎｖｉｒｏｎｍｅｎｔ　ｃｈａｎｇｅ；ｐｏｓｔ－ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｃｏｍｐａｒｉｓｏｎ；ｆｒａｃｔａｌｍｏｄｅｌ赣南素有“稀土王国”的美誉，离子型稀土开采总量占全国的７０％，由于管理不善，稀土资源开发长期处于无序状态，带来一系列生态环境问题［１］．遥感技术具有视野宽、速度快、重复观测等特点，且不受地理条件限制，为矿山环境监测提供了新的技术手段［２］，得到广泛关注［３－６］．赣南稀土开采始于２０世纪８０年代，先后经历了池浸、堆浸和原地浸矿３种开采工艺，其开采过程中直接对地表土壤、植被等环境因素造成破坏［７］．采用多时相中分辨率遥感卫星，对稀土矿区的地表环境变化进行长期跟踪监测，进而分析不同开采方式对地表环境响应模式及地表环境生态累积效应，对于矿区环境治理与生态修复有重要意义．由于遥感分类比较方法能够有效消减不同时相遥感影像大气、传感器和环境差异的影响，同时相对其它遥感变化检测技术，能提供地物转化信息，被广泛应用于地表环境变化监测［８－９］．该技术中，分类方法的选择是影响监测结果的关键因素．离子型稀土矿主要分布于南方丘陵山区，该区域地势起伏大，地形复杂，使得传统的依据影像光谱特征进行分类方法的精度受到一定限制［１０］．将地物纹理结构特征与光谱特征结合，能够提高地物分类识别精度［１１］．分形是一种描述复杂但具有标度不变性系统的非线性科学理论，文献［１２］将其应用到图像处理领域，用来表示自然地表纹理结构［１２］．由于分形具有尺度不变性，一定范围内独立于分辨率，非常适宜于辅助遥感影像分类［１３］．对于多光谱数据，由于分形是构建在单一波段上，其中分形波段选择大多采用基于统计学主成分分析的第一主成分波段（ＴＦＰＣ）或第一最小噪声分离波段（ＴＦＭＮＦ），这些波段往往集中了所有波段的绝大多数信息，从而具有较好的区分效果［１１，１４］．文献［１５－１６］研究表明，遥感影像各波段对特定地物有不同的特征差异，简单地通过统计方法选取分形波段并无充分根据；文献［１１，１３，１７］根据具体影像选择合适的分形窗口，对于提高纹理区分能力至关重要．目前对于分形波段和分形窗口选择的研究往往凭主观判定，无合理依据，直接影响影像分类效果．本文以定南县岭北稀土矿遥感影像为例，构建分形纹理窗口和波段选择的定量模型，并利用该模型挑选分形波段和分形窗口辅助地物分类，从而改进分类后比较法，为稀土矿区环境监测提供可行的技术手段．使用该方法对稀土矿区２０ａ的环境变化进行监测，为矿区环境治理和生态恢复提供科学依据．１　研究区概况岭北稀土矿区位于江西省定南县城北约２０ｋｍ处，跨月子、迳脑、龙头等乡镇．东经１１４°５８′０４″～１１５°１０′５６″，北纬２４°５１′２４″～２５°０２′５６″，面积约２００ｋｍ２．岭北稀土矿系花岗岩风化壳离子吸附型稀土矿床，矿体产于寨背岩体的风化壳中．该矿山迄今已历经２０余年开采，选矿工艺为硫铵浸取，母液经草酸或碳铵沉淀，脱水灼烧后获取氧化稀土产品．依据不同的采选工艺，可以划分为两个采矿阶段：第一采矿阶段于２００１年以前，采选方法为池浸工艺，该工艺开采矿体时需剥离表土及矿体，导致地表植被破坏，大量废石堆积于矿体周边，尾砂堆积于浸矿池下方，造成水土流失、土地沙化，甚至淤塞河道、污染水源；第二采矿阶段于２００２年以后，主要推行原地浸矿新工艺，部分矿山使用堆浸工艺，并逐步过渡到原地浸矿．“原地浸矿”是目前较为先进的风化壳离子吸附型稀土矿采选工艺，对水土流失和环境破坏相对较小，有利于矿山环境保护．２　数据与方法２．１　实验数据为了能够对稀土开发的长期环境变化进行监测，本文选择Ｌａｎｄｓａｔ　ＴＭ数据，采用轨道号为１２１－４３的４期该数据的遥感图像作为数据源，时间分别为１９９０年１２月、１９９９年１２月、２００４年１２月、２０１０年８月，研究区域图像无云覆盖，时相基本接近，能够确保同类地物光谱一致或近似一致．在ＥＮＶＩ４．８环境下，对４个时相的遥感数据进行几何校正和影像配准．采用相对配准的方法，以８８０１第６期 李恒凯等：稀土矿区地表环境变化多时相遥感监测研究———以岭北稀土矿区为例２００４年ＴＭ影像为参考图像，对其他影像进行配准，几何校正则采用二次多项式进行校正．为了得到岭北稀土矿区影像，利用２０１０年赣州市矿产资源分区中的岭北稀土矿的实测拐点坐标生成矿区边界，对４幅影像进行裁剪和掩膜处理得到实验区．２．２　研究方法鉴于ＴＦＰＣ和ＴＦＭＮＦ波段大多作为多光谱影像的分形波段［１２，１５］，所以也将其等同为ＴＭ影像自然波段参与分形．以２００４年矿区ＴＭ影像作为测试数据，对ＴＭ影像波段ＴＭ１，ＴＭ２，ＴＭ３，ＴＭ４，ＴＭ５，ＴＭ７，ＴＦＰＣ，ＴＦＭＮＦ利用双毯覆盖分形模型，分别采用３×３，５×５，７×７，９×９，１１×１１滑动窗口对其计算局部分形纹理；根据该区域矿区地物构成，将该矿区分成５类地物：矿点（主要是矿山池浸和堆浸及原地浸矿工作区开采形成的裸露荒漠化土地）、水体、农田、密林地、疏林地（包括火烧林、果园及长势不好的林地），并对矿区地物进行样本采集；计算各分形波段在不同分形窗口各类地物样本点的平均分形值和方差；分别采用可分离指数和Ｊ－Ｍ距离构建两种分形评估模型，计算各样本点在不同波段不同窗口的分形纹理的可分离性；对原始ＴＭ１～ＴＭ５，ＴＭ７组合多光谱波段，分别对多光谱波段及多光谱波段与各波段在不同窗口的分形纹理进行组合，采用神经网络分类器进行分类和检验；评估两种分形评估模型评估结果与实际分类精度结果是否具有一致性，从而挑选合适的分形评估模型及本区域合适的分形纹理波段及窗口，确立最终的分类方法，采用该方法作为分类后比较变化检测技术的分类方法，对其它年份矿区遥感影像进行分类并分析其矿区环境变化．２．２．１　双毯覆盖分形模型双毯覆盖分形模型是Ｍａｎｄｅｌｂｒｏｔ在估计英国海岸线长度时所使用方法的一种推广．它将图像的灰度值作为第三维的灰度曲面，在图像灰度曲面的上下距离ε处构成一厚度为２ε的“毯子”（ε为计算分形参数时所取的尺度），毯子的表面积为毯子的体积除以２ε．对于不同的距离ε，其毯子的表面积可用以下方法计算［１８］．令Ｆ（ｉ，ｊ）代表灰度值函数，ｉ，ｊ分别代表图像中像元的行列数，灰度曲面的上、下表面体积分别以Ｕ，Ｂ表示，初始情况下令Ｕ０（ｉ，ｊ）＝Ｂ０（ｉ，ｊ）＝Ｆ（ｉ，ｊ）．（１）上面两张曲面随着厚度的增加按如下原则生长Ｕε（ｉ，ｊ）＝ｍａｘ｛Ｕε－１（ｉ，ｊ）＋１，ｍａｘ｜（ｍ，ｎ）－（ｉ，ｊ）≤１｜Ｕε－１（ｍ，ｎ）｝，（２）Ｂε（ｉ，ｊ）＝ｍａｘ｛Ｂε－１（ｉ，ｊ）＋１，ｍａｘ｜（ｍ，ｎ）－（ｉ，ｊ）≤１｜Ｂε－１（ｍ，ｎ）｝，（３）式中：（ｍ，ｎ）为紧邻（ｉ，ｊ）的像元；Ｕε，Ｂε分别为曲面的上、下表面体积，且确保新的上、下表面体积Ｕε和Ｂε比Ｕε－１和Ｂε－１至少高１个单位．毯子的体积计算公式为Ｖε＝∑ｉ，ｊ（Ｕε（ｉ，ｊ）－Ｂε（ｉ，ｊ））．（４）毯子的表面积定义为Ａ（ε）＝Ｖε２ε．（５）根据Ｍａｎｄｅｌｂｒｏｔ理论，分形表面积符合如下关系式Ａ（ε）＝Ｆε２－Ｄ，（６）式中：Ｆ为常数；Ｄ为分形维数．式（６）两边取对数，得ｌｏｇ　Ａ（ε）＝ｌｏｇ　Ｆ＋（２－Ｄ）ｌｏｇε＝Ｃ１＋Ｃ２ｌｏｇε，（７）Ｃ１＝ｌｏｇ　Ｆ，Ｃ２＝２－Ｄ．对式（７），改变尺度ε大小，可计算出一系列的表面积Ａ（ε），对点对（ｌｏｇε，ｌｏｇ　Ａ（ε）），采用最小二乘法进行线性回归，可求出直线斜率Ｃ２，即可计算出分维数Ｄ．采用上述方法，可计算遥感影像单个波段的整体分形维数，为了获得整幅遥感影像的纹理特征，必须计算每个像元的分形维数．采用滑动窗口的思想，分别选取３×３，５×５，７×７，９×９，１１×１１滑动窗口，将局部窗口分形维数值指定为窗口中心像元分形维数值．为保持影像完整性，根据对应窗口大小，将研究区影像边界向外分别扩展１，２，３，４，５个像元，然后用对应的窗口在影像上滑动，得到整个图像在不同滑动窗口下的各像元分形值．由于分形维数取值范围都在２～３之间，再将其扩展到０～２５５之间形成基于分形维数的纹理特征图像．２．２．２　分形评估模型该模型采用２种方法区分各类地物在不同波段不同窗口的分形值的可分离性．１）可分离指数对于构造出的纹理影像，地物类内纹理的离散程度越小，类间纹理的离散程度越大，不同地物类之间纹理的可区分度就越大，采用几何距离的测度来构造类别的可分离指数［１９］．设图像样本集中的５类地物分别为ｗ１，ｗ２，９８０１ 中国矿业大学学报 第４３卷ｗ３，ｗ４，ｗ５，且ｗｉ＝｛ｘ（ｉ）ｋ，ｋ＝１，２，３，…，Ｎｉ｝（ｉ＝１，２，…，５），则类内离差矩阵、总的类内离差矩阵和类间离差矩阵分别定义为Ｓｗｉ＝１Ｎｉ∑Ｎｉｋ（ｘ（ｉ）ｋ－ｍ（ｉ））（ｘ（ｉ）ｋ－ｍ（ｉ））Ｔ，（８）Ｓｗ＝∑５ｉ＝１ＰｉＳｗｉ，（９）ＳＢ＝∑５ｉ＝１Ｐｉ（ｍ（ｉ）－ｍ）（ｍ（ｉ）－ｍ）Ｔ，（１０）ｍ＝∑５ｉ＝１Ｐｉｍ（ｉ），式中：ｘ（ｉ）ｋ为第ｉ类的第ｋ个样本矢量；ｍ为总的样本分形均值矢量；ｍ（ｉ）为每一类的样本分形值均值矢量；Ｐｉ＝ＮｉＮ，Ｎ为总的样本数．可分离指数Ｊ可表示为Ｊ＝ＳＢＳｗ，（１１）Ｊ越大，表示可分离性越好．２）Ｊ－Ｍ距离Ｊ－Ｍ距离构造方法［２０］如下Ｂｉｊ＝１８（Ｍｉ－Ｍｊ）Ｔｖｉ＋ｖｊ［］２－１（Ｍｉ－Ｍｊ）＋１２ｌｎ｜（ｖｉ＋ｖｊ）／２｜｜ｖｉ｜｜ｖｊ槡｜，（１２）ＪＭｉｊ＝２（１－ｅ－Ｂｉｊ槡），（１３）ＪＭ＝２∑ｎ－１ｉ＝１∑ｎｊ＝ｉ＋１（ＰｉＰｊＪＭｉｊ），（１４）式中：ｎ为类别数；ｖｉ，ｖｊ分别为类别ｉ，ｊ的矩阵样本协方差；Ｍｉ，Ｍｊ为对应的样本分形均值向量；Ｐｉ，Ｐｊ分别为类别ｉ和ｊ样本的先验概率；Ｂｉｊ为Ｂ氏距离；ＪＭｉｊ为类别ｉ和ｊ之间的Ｊ－Ｍ距离；ＪＭ为平均距离，ＪＭ∈０，槡［］２，ＪＭ越大表示类别分离性越好，越小表示类别分离性越差．３　实验结果分析３．１　矿区分形波段及窗口选择本文利用ＭａｔＬａｂ作为实验工具，编程实现双毯覆盖分形模型和分形评估模型，计算２００４年矿区ＴＭ影像在各波段不同窗口下的分形纹理值．并根据矿区典型地物采集的样本数据，采用分形评估模型，计算在不同波段不同窗口下分形纹理值的可分离指数和Ｊ－Ｍ距离，计算结果如表１所示．表１　分形波段在不同窗口的可分离指数和Ｊ－Ｍ距离Ｔａｂｌｅ　１　Ｔｈｅ　ｓｅｐａｒａｂｌｅ　ｉｎｄｅｘ　ｏｆ　ｆｒａｃｔａｌ　ｂａｎｄ　ｉｎ　ｄｉｆｆｅｒｅｎｔ　ｗｉｎｄｏｗ　ａｎｄ　ｔｈｅ　Ｊ－Ｍ　ｄｉｓｔａｎｃｅｓ分形波段可分离指数３×３　５×５　７×７　９×９　１１×１１Ｊ－Ｍ距离３×３　５×５　７×７　９×９　１１×１１ＴＭ１　１．３９７　６　３．３６９　７　５．５３３　５　７．０１５　５　８．６４５　２　０．８２４　２　０．９５１　２　０．９４９　６　０．９５４　６　０．９６６　７ＴＭ２　１．４９３　４　２．５６６　５　４．１４５　５　５．７０７　０　６．９３３　９　０．８６０　８　０．９４７　４　０．９６５　７　０．９５４　０　０．９５３　９ＴＭ３　２．２６７　２　３．８３５　６　５．３２９　１　６．６９１　２　７．７７８　０　０．９３６　６　０．９６７　５　０．９７７　７　０．９７９　０　０．９８３　９ＴＭ４　０．６２７　２　０．８２４　６　０．６５１　７　０．６５２　８　０．７５７　９　０．６５０　５　０．６９０　３　０．６９８　９　０．７３２　６　０．７６８　７ＴＭ５　３．３４２　６　５．１５９　２　５．４４５　６　６．０１６　６　６．３００　３　０．９５９　３　１．００８　２　１．００１　２　０．９８０　０　０．９６８　１ＴＭ７　３．９５３　２　６．７９９　４　７．３０８　０　８．３３７　９　８．７４０　８　０．９６９　５　１．００２　７　１．０１３　６　１．０１０　４　１．００３　７ＴＦＰＣ　１．３０２　５　０．９３６　１　０．３６４　１　０．５２８　１　１．６９３　８　０．８８８　３　０．８９４　９　０．８２８　４　０．８１２　０　０．８１６　８ＴＦＭＮＦ　２．７５２　２　１．３５９　８　０．４２８　０　１．０００　５　２．１７０　９　０．９２４　１　０．９２２　９　０．８０９　８　０．８０７　４　０．８１９　５ 由表１可以看出，２种评估方法在同一分形窗口所选择的最优分形波段基本一致，如３×３，７×７，９×９，１１×１１窗口，ＴＭ７波段均为最佳分形波段；在５×５窗口，可分离指数最佳分形波段为ＴＭ７波段，而Ｊ－Ｍ距离为ＴＭ５波段，ＴＭ７波段为次优分形波段；采用可分离指数评估中，各波段在总体上将随分形窗口的增大而增大，主要原因是可分离指数是基于样本的一种先验估计，该估计对于相同窗口内波段选择具有指示作用，但对于不同窗口波段选择指示意义不大．因为对于地物分类来说，易混像元主要集中在各类地物的边缘，而采样点主要是采集的各类地物中心的纯地物像元，尽管窗口增大，基于采样点的可分离指数增加，但是地物边缘的分形差异会缩小，不利于分类；而在Ｊ－Ｍ距离中，波段在窗口之间具有一定的收敛性，能够区分出不同窗口之间波段分形的优劣，相比可分离指数，更具有优势；实验也说明了对于稀土矿区分形波段的挑选，采用分形评估模型，传统方法上的ＴＦＰＣ和ＴＦＭＮＦ波段不具有优势．为检验这２种分形波段与分形窗口选择方法对于稀土矿区的实用性，本实验利用研究区２００４年ＴＭ数据，采用神经网络分类器进行分类试验，利用时相接近的ＳＰＯＴ影像作为参考影像，通过目视解译获取各个分类对象的地表真实地物样本，并将样本分为两组，一组作为神经网络的训练样本，一组作为分类结果的检验样本．矿点、疏林地、０９０１第６期 李恒凯等：稀土矿区地表环境变化多时相遥感监测研究———以岭北稀土矿区为例水体、密林地、农田５类地物训练样本数目分别为１７９，１３２，８３，２１０，１１４，其检验样本数目分别为１０６，５６，１０４，１１４，１１９．实验对原始ＴＭ１～ＴＭ５，ＴＭ７组合成多光谱原始影像波段，分别和该影像在不同波段不同分形窗口下的分形影像组合，利用该组合影像在ＥＮＶＩ４．８环境下进行分类，采用混淆矩阵对分类样本进行检验．然后分别对两种分形评估模型的最优和最差分形波段的实验结果进行比较，结果如表２所示．表２　不同波段在不同分形窗口下的分类精度Ｔａｂｌｅ　２　Ｔｈｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｃｃｕｒａｃｙ　ｏｆ　ｄｉｆｆｅｒｅｎｔ　ｂａｎｄｓ　ｕｎｄｅｒ　ｄｉｆｆｅｒｅｎｔ　ｆｒａｃｔａｌ　ｗｉｎｄｏｗ窗口波段分类精度／％Ｋａｐｐａ系数波段状况可分离指数Ｊ－Ｍ距离原始波段 ８１．５１３　１　０．７６６　０３×３原始波段＋ＴＭ７ＦＸ　８８．３７６　８　０．８５２　２最佳波段最佳波段原始波段＋ＴＭ４ＦＸ　８１．５６３　１　０．７７６　５最差波段最差波段５×５原始波段＋ＴＭ５ＦＸ　９１．７８３　６　０．８９５　７次佳波段最佳波段原始波段＋ＴＭ７ＦＸ　９０．９８２　０　０．８８５　７最佳波段次佳波段原始波段＋ＴＭ４ＦＸ　８４．３６８　７　０．８０２　４最差波段最差波段７×７原始波段＋ＴＭ７ＦＸ　８８．５７７　２　０．８５４　９最佳波段最佳波段原始波段＋ＴＭ４ＦＸ　８３．３６６　７　０．７８９　５最差波段原始波段＋第１ＰＣＡＦＸ　８３．７６７　５　０．７９４　７最差波段９×９原始波段＋ＴＭ７ＦＸ　８４．１６８　３　０．７９９　２最佳波段最佳波段原始波段＋ＴＭ４ＦＸ　７５．９５１　９　０．６９５　０最差波段原始波段＋第１ＰＣＡＦＸ　８３．９６７　９　０．７９６　４最差波段１１×１１原始波段＋ＴＭ７ＦＸ　８２．５６５　１　０．７７９　７最佳波段最佳波段原始波段＋ＴＭ４ＦＸ　８２．５６５　１　０．７７９　４最差波段最差波段 由表２可以看出，２种分形评估模型一定程度上能够反映波段分形值区分差异，最终的分类实验结果与评估模型基本一致；分类结果进一步证明了２种评估模型在同一分形窗口下具有可区分能力，不同分形窗口不具备可区分性；针对该地区稀土矿山，存在最佳的分形窗口，即５×５窗口，分类精度最高可达９１．７８３　６％，相对原始波段分类精度提高了１０％；最佳波段的分类精度随着分形窗口的增加，先增加后减小，到１１×１１窗口，已经对分类精度的提高影响不大；不恰当的分形波段不仅不能提高分类精度，有时甚至降低分类精度，如９×９窗口下的ＴＭ４波段，主要是由于该波段分形纹理区分度不大，对分类产生干扰．从实验结果来看，在该稀土矿区，ＴＭ７波段和ＴＭ５波段具有较好的地物区分效果，而ＴＭ４波段区分效果较差，传统依据主成份第１波段和最小噪声分离（ＭＮＦ）波段区分效果在该地区并不理想．综合上述分析，合适的分形窗口和分形波段选择对分类精度的改善有显著影响．对于研究区域，Ｊ－Ｍ距离评估模型具有较高准确性，根据该模型，５×５分形窗口为最佳分形窗口，ＴＭ５波段为最佳分形波段．３．２　矿区环境变化分析根据上述分析结果挑选的分形窗口和分形波段，采用双毯覆盖分形模型，对１９９０，１９９９，２００４，２０１０年各年份研究区ＴＭ影像对应波段在选择的窗口计算分形纹理，并与其它原始波段组合，构建波段的７４３彩色合成影像，根据划分的地物类型，挑选训练样本，利用神经网络分类器对４个时相遥感影像进行分类，分类结果如图１所示．图１　研究区遥感影像在４个不同年份分类结果Ｆｉｇ．１　Ｔｈｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｉｎ　ｆｏｕｒ　ｄｉｆｆｅｒｅｎｔ　ｙｅａｒｓ　ｏｆ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅ　ｉｎ　ｓｔｕｄｙ　ａｒｅａ１９０１ 中国矿业大学学报 第４３卷 稀土开采导致大面积的地表植被和土壤被破坏，也严重损坏了矿区地貌和景观，导致水土流失和土地荒漠化，是矿区地表环境最突出的问题［２］．从图１可以看出，在１９９０—２０１０年这２０ａ时间内，矿点荒漠化面积逐渐增加．在１９９０年前后，研究区开始出现零星分布的由于采矿而产生的荒漠化；到１９９９年，荒漠化面积逐步扩大，由于新的矿点增加也产生了新的荒漠化区域；到２００４年，在原有荒漠化面积继续扩大情况下，出现了集中连片荒漠化区域，在１９９９—２００４年间，为荒漠化面积增加最为剧烈阶段；到２０１０年，荒漠化面积虽有所增加，但主要是原有矿区的扩大．稀土矿区地表荒漠化的增加与稀土开采模式有直接的关系，从２００２年全面推行原地浸矿新工艺，逐步淘汰对地表植被破坏严重的池浸和堆浸工艺，有效缓解了稀土开采对地表植被的破坏，土地荒漠化得到一定控制．但从图１裸露稀土矿点在２０ａ期间的４个不同时间的空间分布来看，传统的池浸和堆浸工艺留下的荒漠化地表较少有植被恢复，有些矿点在停产多年后植被仍然难以恢复生长，矿区土地荒漠化呈现集中连片的趋势，急需治理．此外，从图１中密林地和疏林地不同时间点的空间分布来看，矿区总体植被状况有所好转，特别是在１９９９年以后，密林地面积不断扩大，许多疏林地转化成密林地，这与政府大力实施的退耕还林和封山育林政策有密切关系，从一定程度上缓解了矿区稀土开采带来的环境影响．为了更详细了解矿区地表环境的定量变化，采用分类后变化检测方法，计算矿区１９９０—１９９９，１９９９—２００４，２００４—２０１０年３个时间段矿区地类变化转移矩阵，如表３所示．表３　１９９０—２０１０年矿区地类变化矩阵Ｔａｂｌｅ　３　Ｔｈｅｃｈａｎｇｅ　ｍａｔｒｉｘ　ｏｆ　ｆｅａｔｕｒｅ　ｃａｔｅｇｏｒｙ　ｆｒｏｍ１９９０　ｔｏ　２０１０时间／年地类疏林地／ｋｍ２水体／ｋｍ２农田／ｋｍ２密林地／ｋｍ２矿点／ｋｍ２合计／ｋｍ２变化率／％１９９０—１９９９疏林地１２５．７３３　０．３６０　２．７７１　１２．７５１　０．３９４　１４２．００９－８．４９水体１．１２１　０．５８１　０．０６５　０．０１２　０ １．７７９　５９．４１农田３．５５９　０．１７５　８．１１６　０．７２４　０．２５７　１２．８３１　１１．１８密林地２４．２０３　０ ０．４８９　３０．０８３　０．４９７　５５．２７２　２４．３５矿点０．５７３　０ ０．１００　０．８７８　０．１３３　１．６８４　３１．４６合计１５５．１８９　１．１１６　１１．５４１　４４．４４８　１．２８１１９９９—２００４疏林地９０．９１９　１．３７０　５．４００　９．５１８　０．９６７　１０８．１７４－２３．８１水体１．１７５　０．２５９　０．０７１　０．０３９　０ １．５４４－１２．８７农田１．３７３　０．０３８　５．５９１　０．２２１　０．１０５　７．３２８－４２．８９密林地４４．８６０　０．１０５　０．６７０　４４．３７０　０．０４５　９０．０５　６２．８５矿点３．６５６　０ １．０９９　１．１４７　０．５７０　６．４７２　２８３．６４合计１４１．９８３　１．７７２　１２．８３１　５５．２９５　１．６８７２００４—２０１０疏林地６４．５４０　１．０１７　１．８２３　２５．２９０　１．２５４　９３．９２４－１２．８５水体０．８６７　０．２４６　０．０３５　０．２１０　０．１７１　１．５２９－０．９１农田６．１９２　０．０８８　４．８８１　１．５０８　１．２８３　１３．９５２　９０．２９密林地３２．９４９　０．１５３　０．１６７　６２．３３０　０．０６８　９５．６６７　６．２２矿点３．２２５　０．０３９　０．４２６　０．７２６　４．１００　８．５１６　２３．８５合计１０７．７７３　１．５４３　７．３３２　９０．０６４　６．８７６ 通过转移矩阵能详细地说明矿区地表地物类型的转变过程，能更客观反映地表环境变化．从表３可以看出，在２０ａ内，矿区开采导致的土地荒漠化面积不断增加，１９９０，１９９９，２００４，２０１０年各年份的面积分别为１．２８１，１．６８７，６．８７６，８．５１６ｋｍ２．其中，１９９９—２００４年矿区荒漠化面积增加最快，其变化率为２８３．６４％．从转化来源来看，主要是疏林地和密林地，由于稀土矿主要赋存于山体表层土壤下，池浸和堆浸开采方法剖离山体表层植被导致地表荒漠化．另外，由于稀土尾沙堆积，也导致矿点附近部分农田荒漠化，如在２００４年有１．０９９ｋｍ２农田被毁，但２００４—２０１０年的转化结果来看，在２０１０年，有１．２８３ｋｍ２荒漠化土地转化成农田，说明对矿区环境的治理取得一定效果．矿点荒漠化土地转化主要为林地（包括疏林地和密林地），其次为农田，如在２００４年，有０．９６７ｋｍ２的荒漠化矿点转化为疏林地，占整个矿区面积的５７．３２％．２００４年后，加大了矿区复垦工作，主要是对矿区进行植被恢复和矿区被毁农田进行修复，从表３可以看出，到２０１０年，修复农田１．２８３ｋｍ２，复垦林地１．３２２ｋｍ２，但由于荒漠化面积很大，仍然有４．１００ｋｍ２稀土开采荒漠化土地没有被修复，占整个荒漠化土地的５９．６３％．从表３也可以看出，在整个稀土开采中，矿点土地复垦和地表植被破坏均在同步进行，从１９９９，２００４，２０１０年统计结果来看，未修复矿点荒漠化面积分别占原有面积的１０．２３％，２９０１第６期 李恒凯等：稀土矿区地表环境变化多时相遥感监测研究———以岭北稀土矿区为例３３．７９％，５７．３２％，尽管对矿点荒漠化进行了治理，但是持续加剧的开采力度使得矿区荒漠化面积不断扩大．而且，随着矿点土地荒漠化集中连片大面积出现，水土流失日益加剧，矿区环境更加恶化，给矿区治理带来更大困难，治理速度远远落后于矿区环境恶化速度．从大的矿区范围来看，矿区密林地绝对面积在稳步增加，１９９０，１９９９，２００４，２０１０年各年份面积分别为４４．４４８，５５．２９５，９０．０６４，９５．６６７ｋｍ２，主要是由疏林地转化而来，如在１９９９—２００４，２００４—２０１０年分别有４４．８６０，３２．９４９ｋｍ２疏林地转化成密林地，说明在封山育林政策下，矿区大的生态环境得到了改善．但在某些区域，有一部分密林地植被退化，转换成疏林地，如在２００４—２０１０年，有２５．２９０ｋｍ２密林地转化成疏林地．从图１ｃ，１ｄ可以看出，植被退化区域主要集中在矿点周边区域，说明稀土矿的开采已经引起了矿点附近植被的退化，特别是原地浸矿工艺，尽管不直接破坏地表，但使用的浸矿化学药剂如硫酸铵、碳酸氢铵等浸矿液对周边土壤和水环境造成污染，硫酸铵长期使用还会导致土壤酸化板结，不利于草木和农作物生长．此外，原地浸矿开采工艺中，开挖浅槽、注液井和集液沟，需要破坏地表１／３的植被，灌注的硫酸铵体积分数为３％，浸泡时间为１５０～４００ｄ．由于含量大，时间长，浸矿剂侧渗和毛细管作用对植物的生长产生伤害，造成植被根系萎缩，生长停滞，致使植物的根系逐步丧失保水固土作用［２１］，这也是矿点周边植被退化的一个重要原因．４　结　论１）分类后比较法能够量化矿区地表地物类型的相互转化，特别能够从长时间段的时空分布上理清矿区荒漠化地表的扩展与治理以及与同期的采矿模式关系，为矿区环境治理提供依据．为改进分类后比较法的使用效果，采用分形纹理辅助提高分类精度．通过２种分形窗口与波段选择模型的实验比较，表明Ｊ－Ｍ距离更具优势，实验分类精度达９１．７８３　６％，相对原始波段分类精度提高了１０％，保证了分类后比较法对矿区环境监测的可靠性．２）采用分类后比较法，对岭北稀土矿区２０ａ的地表环境变化监测表明，尽管对于稀土开采产生的荒漠化地表也采取了一定的治理和复垦措施，但是随着稀土开采规模的不断扩大，荒漠化日趋严重，其中在１９９９－２００４年间，荒漠化面积增加了２８３．６４％，２００４—２０１０年间，由于原地浸矿工艺的推广和矿区复垦工作的进行，矿区土地荒漠化面积增加了２３．８５％，增长趋势有所减缓，但绝对荒漠化面积仍然持续扩大，局部矿区生态环境持续恶化，需要引起关注．３）从大范围来看，矿区植被由于封山育林政策的贯彻实施，在１９９９—２００４，２００４—２０１０年间，分别有４４．８６０，３２．９４９ｋｍ２疏林地转化成密林地，矿区植被长势良好，但在矿点及矿点周边区域，出现植被退化现象，可能是稀土开采对区域水土环境造成污染，进而影响植被正常生长，需要进一步开展稀土开采水土污染的相关研究，从而为开采工艺的改进和矿区环境的后期治理提供依据．参考文献：［１］　杨芳英，廖合群，金姝兰．赣南稀土矿产开采环境代价分析［Ｊ］．价格月刊，２０１３（６）：８７－９１．ＹＡＮＧ　Ｆａｎｇｙｉｎｇ，ＬＩＡＯ　Ｈｅｑｕｎ，ＪＩＮ　Ｓｈｕｌａｎ．Ｔｈｅ　ｅｎ－ｖｉｒｏｎｍｅｎｔａｌ　ｃｏｓｔｓ　ｏｆ　ｔｈｅ　ｍｉｎｉｎｇ　ｏｎ　ｒａｒｅ　ｅａｒｔｈｓ　ｉｎ　ｔｈｅｓｏｕｔｈ　ｏｆ　Ｊｉａｎｇｘｉ　ｐｒｏｖｉｎｃｅ［Ｊ］．Ｐｒｉｃｅｓ　Ｍｏｎｔｈｌｙ，２０１３（６）：８７－９１．［２］　杜培军，柳思聪，郑　辉．基于支持向量机的矿区土地覆盖变化检测［Ｊ］．中国矿业大学学报，２０１２，４１（２）：２６２－２６７．ＤＵ　Ｐｅｉｊｕｎ，ＬＩＵ　Ｓｉｃｏｎｇ，ＺＨＥＮＧ　Ｈｕｉ．Ｌａｎｄ　ｃｏｖｅｒｃｈａｎｇｅ　ｄｅｔｅｃｔｉｏｎ　ｏｖｅｒ　ｍｉｎｉｎｇ　ａｒｅａｓ　ｂａｓｅｄ　ｏｎ　ｓｕｐｐｏｒｔｖｅｃｔｏｒ　ｍａｃｈｉｎｅ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｃｈｉｎａ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆＭｉｎｉｎｇ　＆Ｔｅｃｈｎｏｌｏｇｙ，２０１２，４１（２）：２６２－２６７．［３］　刘　英，吴立新，马保东．基于ＴＭ／ＥＴＭ＋光谱特征空间的土壤湿度遥感监测［Ｊ］．中国矿业大学学报，２０１３，４２（２）：２９６－３０１．ＬＩＵ　Ｙｉｎｇ，ＷＵ　Ｌｉｘｉｎ，ＭＡ　Ｂａｏｄｏｎｇ．Ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇｍｏｎｉｔｏｒｉｎｇ　ｏｆ　ｓｏｉｌ　ｍｏｉｓｔｕｒｅ　ｏｎ　ｔｈｅ　ｂａｓｉｓ　ｏｆ　ＴＭ／ＥＴＭ＋ｓｐｅｃｔｒａｌ　ｓｐａｃｅ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｃｈｉｎａ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆＭｉｎｉｎｇ　＆Ｔｅｃｈｎｏｌｏｇｙ，２０１３，４２（２）：２９６－３０１．［４］　ＤＥＭＩＲＥＬ　Ｎ，ＥＭＩＬ　Ｍ　Ｋ，ＤＵＺＧＵＮ　Ｈ　Ｓ．Ｓｕｒｆａｃｅｃｏａｌ　ｍｉｎｅ　ａｒｅａ　ｍｏｎｉｔｏｒｉｎｇ　ｕｓｉｎｇ　ｍｕｌｔｉ－ｔｅｍｐｏｒａｌ　ｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎ　ｓａｔｅｌｌｉｔｅ　ｉｍａｇｅｒｙ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌｏｆ　Ｃｏａｌ　Ｇｅｏｌｏｇｙ，２０１１，８６：３－１１．［５］　ＧＩＬＬＡＮＤＥＲＳ　Ｓ　Ｎ，ＣＯＯＰＳ　Ｎ　Ｃ，ＷＵＬＤＥＲ　Ｍ　Ａ，ｅｔａｌ．Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　Ｌａｎｄｓａｔ　ｓａｔｅｌｌｉｔｅ　ｉｍａｇｅｒｙ　ｔｏ　ｍｏｎｉｔｏｒｌａｎｄ－ｃｏｖｅｒ　ｃｈａｎｇｅｓ　ａｔ　ｔｈｅ　Ａｔｈａｂａｓｃａ　Ｏｉｌ　Ｓａｎｄｓ，Ａｌ－ｂｅｒｔａ，Ｃａｎａｄａ［Ｊ］．Ｔｈｅ　Ｃａｎａｄｉａｎ　Ｇｅｏｇｒａｐｈｅｒ，２００８，３：４６６－４８５．［６］　ＲＯＧＡＮＡ　Ｊ，ＦＲＡＮＫＬＩＮＡ　Ｊ，ＲＯＢＥＲＴＳ　Ｄ　Ａ．Ａｃｏｍｐａｒｉｓｏｎ　ｏｆ　ｍｅｔｈｏｄｓ　ｆｏｒ　ｍｏｎｉｔｏｒｉｎｇ　ｍｕｌｔｉｔｅｍｐｏｒａｌｖｅｇｅｔａｔｉｏｎ　ｃｈａｎｇｅ　ｕｓｉｎｇ　ｔｈｅｍａｔｉｃ　ｍａｐｐｅｒ　ｉｍａｇｅｒｙ［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　ｏｆ　Ｅｎｖｉｒｏｎｍｅｎｔ，２００２，８０：１４３－１５６．［７］　王　平，刘少峰．基于多时相卫星图像的稀土矿开发３９０１ 中国矿业大学学报 第４３卷变化检测［Ｊ］．国土资源遥感，２００７（２）：６５－６８．ＷＡＮＧ　Ｐｉｎｇ，ＬＩＵ　Ｓｈａｏｆｅｎｇ．Ｔｈｅ　ｄｅｔｅｃｔｉｏｎ　ｏｆ　ＲＥｍｉｎｅ　ｅｘｐｌｏｉｔａｔｉｏｎ　ｓｉｔｅ　ｃｈａｎｇｅ　ｂａｓｅｄ　ｏｎ　ｍｕｌｔｉ－ｔｅｍｐｏｒａｌｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅｓ［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　ｆｏｒ　Ｌａｎｄ＆Ｒｅｓｏｒｃｅｓ，２００７（２）：６５－６８．［８］　ＦＯＯＤＹ　Ｇ　Ｍ．Ｓｔａｔｕｓ　ｏｆ　ｌａｎｄ　ｃｏｖｅｒ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｃｃｕ－ｒａｃｙ　ａｓｓｅｓｓｍｅｎｔ［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　ｏｆ　Ｅｎｖｉｒｏｎｍｅｎｔ，２００２，８０：１８５－２０１．［９］　ＬＵ　Ｄ，ＭＡＵＳＥＬ　Ｐ，ＢＲＯＮＤＩＺＩＯＳ　Ｅ，ｅｔ　ａｌ．Ｃｈａｎｇｅｄｅｔｅｃｔｉｏｎ　ｔｅｃｈｎｉｑｕｅｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅ－ｍｏｔｅ　Ｓｅｎｓｉｎｇ，２００４，２５：２３６５－２４０７．［１０］　范　莉，蔡国学，刘洪斌．基于遥感的山区土地覆盖分类研究：以重庆市酉阳县为例［Ｊ］．西南农业大学学报，２００５，２７（５）：７３７－７４１．ＦＡＮ　Ｌｉ，ＣＡＩ　Ｇｕｏｘｕｅ，ＬＩＵ　Ｈｏｎｇｂｉｎ．ＲＳ－ｂａｓｅｄ　ｃｌａｓ－ｓｉｆｉｃａｔｉｏｎ　ｏｆ　ｌａｎｄ　ｃｏｖｅｒ　ｉｎ　ｍｏｕｎｔａｉｎｏｕｓ　ｒｅｇｉｏｎｓ：ａｃａｓｅ　ｓｔｕｄｙ　ｏｆ　Ｙｏｕｙａｎｇ　Ｃｏｕｎｔｙ　ｏｆ　Ｃｈｏｎｇｑｉｎｇ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｓｏｕｔｈｗｅｓｔ　Ａｇｒｉｃｕｌｔｕｒａｌ　Ｕｎｉｖｅｒｓｉｔｙ，２００５，２７（５）：７３７－７４１．［１１］　秦其明，陆荣建．分形与神经网络方法在卫星数字图像分类中的应用［Ｊ］．北京大学学报：自然科学版，２０００，３６（６）：８５８－８６４．ＱＩＮＧ　Ｑｉｍｉｎｇ，ＬＵ　Ｒｏｎｇｊｉａｎ．Ｓａｔｅｌｌｉｔｅ　ｉｍａｇｅ　ｃｌａｓｓｉｆｉ－ｃａｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｆｒａｃｔａｌ　ｄｉｍｅｎｓｉｏｎ　ａｎｄ　ｎｅｕｒａｌ　ｎｅｔ－ｗｏｒｋｓ［Ｊ］．Ａｃｔａ　Ｓｃｉｅｎｔｉａｒｕｍ　Ｎａｔｕｒａｌｉｕｍ　Ｕｎｉｖｅｒｓｉｔａ－ｔｉｓ　Ｐｅｋｉｎｅｎｓｉｓ，２０００，３６（６）：８５８－８６４．［１２］　ＰＥＮＴＬＡＮＤ　Ａ　Ｐ．Ｆｒａｃｔａｌ－ｂａｓｅｄ　ｄｅｓｃｒｉｐｔｉｏｎ　ｏｆ　ｎａｔｕ－ｒａｌ　ｓｃｅｎｅｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｐａｔｔｅｒｎ　Ａｎａｌｙ－ｓｉｓ　ａｎｄ　Ｍａｃｈｉｎｅ　Ｉｎｔｅｌｌｉｇｅｎｃｅ，１９８４，６：６６１－６７４．［１３］　李厚强，刘政凯，林　峰．基于分形理论的航空图像分类方法［Ｊ］．遥感学报，２００１，５（５）：３５３－３５８．ＬＩ　Ｈｏｕｑｉａｎｇ，ＬＩＵ　Ｚｈｅｎｇｋａｉ，ＬＩＮ　Ｆｅｎｇ．Ａｅｒｉａｌ　ｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　ｆｒａｃｔａｌ　ｔｈｅｏｒｙ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２００１，５（５）：３５３－３５８．［１４］　舒　宁．卫星遥感影像纹理分析与分形分维方法［Ｊ］．武汉测绘科技大学学报，１９９８，２３（４）：３７０－３７３．ＳＨＵ　Ｎｉｎｇ．Ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅ　ｔｅｘｔｕｒｅ　ａｎａｌｙｓｉｓａｎｄ　ｆｒａｃｔａｌ　ａｓｓｅｓｓｍｅｎｔ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｗｕｈａｎ　Ｔｅｃｈ－ｎｉｃａｌ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｕｒｖｅｙｉｎｇ　ａｎｄ　Ｍａｐｐｉｎｇ，１９９８，２３（４）：３７０－３７３．［１５］　李恒凯，吴立新，李发帅．面向土地利用的ＨＪ－１ＣＣＤ影像最佳分形波段选择［Ｊ］．遥感学报，２０１３，１７（６）：１５７２－１５８７．ＬＩ　Ｈｅｎｇｋａｉ，ＷＵ　Ｌｉｘｉｎ，ＬＩ　Ｆａｓｈｕａｉ．Ｏｐｔｉｍａｌ　ｆｒａｃｔａｌｂａｎｄ　ｓｅｌｅｃｔｉｏｎ　ｏｎ　ＨＪ－１ＣＣＤ　ｉｍａｇｅ　ｆｏｒ　ｌａｎｄ　ｕｓｅ　ｃｌａｓ－ｓｉｆｉｃａｔｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２０１３，１７（６）：１５７２－１５８７．［１６］　ＬＡＭ　Ｎ　Ｓ　Ｎ．Ｄｅｓｃｒｉｐｔｉｏｎ　ａｎｄ　ｍｅａｓｕｒｅｍｅｎｔ　ｏｆ　Ｌａｎｄ－ｓａｔ　ＴＭ　ｉｍａｇｅｓ　ｕｓｉｎｇ　ｆｒａｃｔａｌｓ［Ｊ］．ＰｈｏｔｏｇｒａｍｍｅｔｒｉｃＥｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，１９９０，５６（２）：１８７－１９５．［１７］　李鹏飞，邢立新，潘　军，等．图像分形维数计算及其边缘提取［Ｊ］．吉林大学学报：信息科学版，２０１１，２９（２）：１５２－１５７．ＬＩ　Ｐｅｎｇｆｅｉ，ＸＩＮＧ　Ｌｉｘｉｎｇ，ＰＡＮ　Ｊｕｎ，ｅｔ　ａｌ．Ｉｍａｇｅ’ｓｆｒａｃｔａｌ　ｄｉｍｅｎｓｉｏｎ　ｃａｌｃｕｌａｔｉｏｎ　ａｎｄ　ｉｔｓ　ｅｄｇｅ　ｅｘｔｒａｃｔｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｊｉｌｉｎ　Ｕｎｉｖｅｒｓｉｔｙ：Ｉｎｆｏｒｍａｔｉｏｎ　ＳｃｉｅｎｃｅＥｄｉｔｉｏｎ，２０１１，２９（２）：１５２－１５７．［１８］　ＰＥＬＥＧ　Ｓ，ＮＡＯＲ　Ｊ，ＨＡＲＴＬＥＹ　Ｒ，ｅｔ　ａｌ．Ｍｕｌｔｉｐｌｅｒｅｓｏｌｕｔｉｏｎ　ｔｅｘｔｕｒｅ　ａｎａｌｙｓｉｓ　ａｎｄ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｐａｔｔｅｒｎ　Ａｎａｌｙｓｉｓ　ａｎｄ　Ｍａ－ｃｈｉｎｅ　Ｉｎｔｅｌｌｉｇｅｎｃｅ，１９８４，４：５１８－５２３．［１９］　ＴＨＯＭＡＳ　Ｉ　Ｌ，ＣＨＩＮＧ　Ｎ　Ｐ，ＢＥＮＮＩＮＧ　Ｖ　Ｍ，ｅｔ　ａｌ．Ｒｅｖｉｅｗ　ａｒｔｉｃｌｅ　ａ　ｒｅｖｉｅｗ　ｏｆ　ｍｕｌｔｉ－ｃｈａｎｎｅｌ　ｉｎｄｉｃｅｓ　ｏｆｃｌａｓｓ　ｓｅｐａｒａｂｉｌｉｔｙ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅ－ｍｏｔｅ　Ｓｅｎｓｉｎｇ，１９８７，８（３）：３３１－３５０．［２０］　刘　峰．一种基于改进的２Ｄ－Ｇａｂｏｒ纹理图像分类方法［Ｊ］．测绘科学，２０１０，３５（３）：１３５－１３７．ＬＩＵ　Ｆｅｎｇ．Ａ　ｎｏｖｅｌ　ｔｅｘｔｕｒｅ　ｉｍａｇｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｌｇｏ－ｒｉｔｈｍ　ｖｉａ　ｉｍｐｒｏｖｅｄ　２Ｄ－Ｇａｂｏｒ［Ｊ］．Ｓｃｉｅｎｃｅ　ｏｆ　Ｓｕｒｖｅｙ－ｉｎｇ　ａｎｄ　Ｍａｐｐｉｎｇ，２０１０，３５（３）：１３５－１３７．［２１］　高志强，周启星．稀土矿露天开采过程的污染及对资源和生态环境的影响［Ｊ］．生态学杂志，２０１１，３０（１２）：２９１５－２９２２．ＧＡＯ　Ｚｈｉｑｉａｎｇ，ＺＨＯＵ　Ｑｉｘｉｎｇ．Ｃｏｎｔａｍｉｎａｔｉｏｎ　ｆｒｏｍｒａｒｅ　ｅａｒｔｈ　ｏｒｅ　ｓｔｒｉｐ　ｍｉｎｉｎｇ　ａｎｄ　ｉｔｓ　ｉｍｐａｃｔｓ　ｏｎ　ｒｅ－ｓｏｕｒｃｅｓ　ａｎｄ　ｅｃｏ－ｅｎｖｉｒｏｎｍｅｎｔ［Ｊ］．Ｃｈｉｎｅｓｅ　Ｊｏｕｒｎａｌ　ｏｆＥｃｏｌｏｇｙ，２０１１，３０（１２）：２９１５－２９２２．（责任编辑邓　群）４９０１。