基于LandTrendr和CCDC算法的神东煤炭基地植被损毁识别对比分析

作者：李军; 张艺藂; 张彩月; 谢慧真; 张成业^*; 杜梦豪; 王雅颖

来源：金属矿山, 2023, (01): 55-64.

DOI：10.19614/j.cnki.jsks.202301006

• 植被损毁识别
• LT
• CCDC
• GEE
• 长时间序列
• Landsat

煤炭基地是我国煤炭资源的集中产业地,面临着植被损毁区域大、损毁原因复杂多变的问题。定量分析长时序植被损毁识别方法在煤炭基地的适用性,对当地生态环境质量监管具有十分重要的意义。基于Google Earth Engine云计算平台的Landsat影像数据,从植被损毁识别、不同地表区域适用性、植被损毁时间3个方面,定量对比分析了Land Trendr (LT)和Continuous Change Detection and Classification (CCDC)算法在神东煤炭基地进行长时序(1990-2020年)植被损毁识别中的适用性。研究表明:(1)在植被损毁识别上,LT和CCDC算法总体精度分别为73.6%和84.4%,识别效果较好。(2) LT和CCDC算法都能较好地避免林地区域的错分误差。但LT算法仅能识别露天采场区域部分植被损毁,遗漏误差较大,且基本无法识别到城市扩张所造成的植被损毁,而CCDC算法对这两类区域的识别效果较好。在水体区域,LT算法显著优于CCDC算法。(3) LT和CCDC算法识别损毁时间的误差在1 a内的结果分别占95.7%和90%,损毁时间识别效果很好。总体而言,相较于LT算法,CCDC算法更适用于城市扩张明显、水体面积很少的神东煤炭基地植被损毁识别。上述分析为神东煤炭基地生态环境质量监管提供了数据参考,更为两种算法在其他煤炭基地尺度的进一步应用提供了方法优选借鉴,但是两种算法均存在难以避免的局限性,未来需要研究一种能够准确自适应识别煤炭基地内大范围露天矿群植被损毁事件的新方法。

• 单位
  煤炭资源与安全开采国家重点实验室; 中国矿业大学（北京）