مشاوره رایگان
فیس بوکتوئیتراینستاگراماسکایپ
کپی رایت 2024

تحلیل کمی فرونشست زمین و اثر آن بر پوشش گیاهی در میدان زغال سنگ شیشان استان شانشی

مقالات تحلیل کمی فرونشست زمین و اثر آن بر پوشش گیاهی در میدان زغال سنگ شیشان استان شانشی

شناسایی فرونشست زمین و تعیین کمیت تأثیر آن بر پوشش گیاهی سطحی، برای نظارت و حفاظت از محیط زیست اصلی در مناطق استخراج زغال سنگ از اهمیت زیادی برخوردار است. اطلاعات تغییر شکل سطح و پوشش گیاهی با استفاده از تصاویر SAR و Landsat OLI فضابردی در میدان زغال‌سنگ شیشان به‌دست آمد. نرخ تغییر نسبی، ضریب تغییرات، و روش های تجزیه و تحلیل روند برای مقایسه روند رشد پوشش گیاهی در مرکز فرونشست، لبه فرونشست، و مناطق غیر فرونشست استفاده شد. و پوشش گیاهی با مدل دوگانگی پیکسلی و خاکستری از سال ۲۰۲۱ تا ۲۰۲۵ پیش‌بینی شد. و مقادیر NDVI آن در حدود ۱۰ درصد کمتر از مناطق لبه نشست و غیر نشست بود. علاوه بر این، پوشش گیاهی از سال ۲۰۱۳ تا ۲۰۲۰ روند صعودی گوه ای را نشان داد و مقادیر پیش بینی پوشش گیاهی به دست آمده با مدل GM (1،۱) نیز این روند را آشکار کرد. باقیمانده مقادیر پیش بینی شده در مقایسه با پوشش گیاهی در سال ۲۰۲۱ ۰٫۰۴۷، ۰٫۰۴۷ و ۰٫۰۱۹ بود و پوشش گیاهی کمترین میزان را در مرکز فرونشست داشت که با قانون به دست آمده با استفاده از NDVI مطابقت داشت. تحقیقات نشان داد که فرونشست زمین ناشی از فعالیت‌های معدنی تأثیر خاصی بر پوشش گیاهی سطحی در مناطق معدنی دارد. هر چه به مرکز فرونشست نزدیکتر باشد، نوسان NDVI بیشتر است و روند تخریب پوشش گیاهی قوی تر است.

کلید واژه ها:

داده های سنجش از راه دور چند منبعی ; فرونشست زمین ؛ پوشش گیاهی سطحی ؛ مدل GM (1,1) ; تجزیه و تحلیل کمی ; شیشان کولفیلد

چکیده گرافیکی

۱٫ مقدمه

شانشی یک استان بزرگ معدن زغال سنگ در چین است. حفاظت از محیط زیست و احیای مناطق استخراج زغال سنگ آن تأثیر مهمی بر محیط زیست محیطی منطقه و حتی حوضه رودخانه زرد دارد [ ۱ ]. استخراج طولانی مدت منابع زغال سنگ با شدت بالا و مساحت وسیع باعث فرونشست زمین و مشکلات اکولوژیکی و زیست محیطی شده است. بنابراین، شناسایی فعالیت‌های معدنی و تعیین کمیت تأثیرات روی پوشش گیاهی سطحی برای نظارت و حفاظت از محیط زیست اصلی در مناطق معدن زغال‌سنگ اهمیت زیادی دارد [ ۲ ، ۳ ، ۴ ].
شاخص تفاوت نرمال شده گیاهی (NDVI) می تواند برای اندازه گیری روند تخریب و بهبود پوشش گیاهی استفاده شود [ ۵ ]. بسیاری از محققان از تکنیک های سنجش از دور برای اندازه گیری غیرمستقیم وضعیت رشد گیاهی با محاسبه شاخص پوشش گیاهی استفاده کرده اند. GIMMS3g NDVI و روش های آماری برای تجزیه و تحلیل مکانیسم های تخریب پوشش گیاهی در فلات جهانی و تبت استفاده شد. مشخص شد که روند دینامیکی داده های سری زمانی طولانی و تحلیل رگرسیون می تواند وضعیت بالقوه تخریب پوشش گیاهی را با دقت بیشتری توصیف کند [ ۶ ، ۷ ]]. MODIS NDVI و متغیرهای هواشناسی برای تحلیل ویژگی‌های پوشش گیاهی فصلی یا سالانه در مناطق مختلف انتخاب شدند و روش تحلیل روند برای مطالعه استحکام تغییر پوشش گیاهی منطقه انتخاب شد [ ۱ ، ۸ ، ۹ ، ۱۰ ]. در همین حال، همراه با وضوح بالاتر Landsat NDVI و مدل پیش‌بینی خاکستری می‌تواند پوشش گیاهی را بهتر محاسبه و پیش‌بینی کند [ ۱۱ ، ۱۲ ].
در عین حال، برخی از تلاش‌های تحقیقاتی از تکنیک‌های سنجش از دور برای به دست آوردن اطلاعات پوشش گیاهی در مناطق معدنی استفاده کرده‌اند. فانگ و همکاران روند تغییر پوشش گیاهی سطحی را قبل و بعد از استخراج در ۲۵ منطقه معدنی بزرگ در شرق مغولستان داخلی توسط GIMMS NDVI [ ۱۳ ] به دست آورد. MODIS NDVI برای تشخیص تغییرات ناگهانی پوشش گیاهی سطحی در مناطق معدنی [ ۱۴ ]، و ترکیب با تغییرات پوشش گیاهی سطحی در مناطق فرونشست و بدون فرونشست برای تجزیه و تحلیل اثرات فعالیت‌های معدنی بر محیط زیست محیطی در Yushengfu و Jinjitan استفاده شد. مناطق معدنی [ ۱۵ ، ۱۶]. علاوه بر این، انتشارات ماهواره لندست وضوح نظارت بر سطح در مناطق معدن را بسیار بهبود بخشیده است. شواهد فزاینده نشان می دهد که Landsat NDVI می تواند به طور موثر ویژگی های تغییرات زمانی و مکانی پوشش گیاهی سطحی را در هفت معدن زغال سنگ روباز مانند Pingshuo، Curragh، Appalachian، Keshutang، Jiazibei، Yimin و Shengli نظارت کند. در همین حال، تنوع مکانی ویژگی های خاک و پوشش گیاهی را می توان با ضریب تغییرات بیان کرد [ ۲ ، ۱۷ ، ۱۸ ، ۱۹ ، ۲۰ ، ۲۱ .]؛ بنابراین، از بررسی ادبیات بالا می توان فهمید که اکثر مطالعات عمدتاً پوشش گیاهی سطحی معادن زغال سنگ روباز را مورد تجزیه و تحلیل قرار داده اند، توجه کمتری به تخریب پوشش گیاهی سطحی ناشی از استخراج زیرزمینی زغال سنگ و پایش همزمان فرونشست سطحی و منطقه ای شده است. تحقیقات انحطاط پوشش گیاهی نسبتاً محدود است [ ۳ ، ۲۲ ]. به طور خاص، مطالعات کمی در مورد استخراج زغال سنگ و تأثیر آن بر پوشش گیاهی سطحی در میدان زغال‌سنگ شیشان در استان شانشی وجود دارد.
به طور خلاصه، هنوز در مورد روند طولانی مدت بین فرونشست زمین و پوشش گیاهی در مناطق معدن زغال سنگ نامشخص است. بنابراین، اهداف اصلی این مطالعه به شرح زیر است: (۱) ابتدا، ما از تکنیک SBAS-InSAR برای تجزیه و تحلیل فرونشست زمین در میدان زغال‌سنگ شیشان در ده سال اخیر استفاده کردیم. (۲) ثانیاً، ما سعی کردیم ویژگی‌های دینامیکی پوشش گیاهی را در مرکز فرونشست، لبه فرونشست و مناطق غیر فرونشست با نرخ تغییر نسبی، ضریب تغییرات و روش‌های تحلیل روند آشکار کنیم. (۳) در نهایت، ما از مدل دوگانگی پیکسل و پیش‌بینی خاکستری برای پیش‌بینی پوشش گیاهی در پنج سال آینده استفاده کردیم و قابلیت اطمینان مقدار پیش‌بینی‌شده را تأیید کردیم.

۲٫ مواد و روشها

۲٫۱٫ منطقه مطالعه

میدان زغال‌سنگ شیشان در استان شانشی بین ۱۱۱ درجه و ۵۲ دقیقه تا ۱۱۲ درجه و ۳۱ دقیقه شرقی، ۳۷ درجه و ۲۴ دقیقه تا ۳۸ درجه ۰۲ دقیقه شمالی است و شامل بخش‌هایی از ناحیه شهری تایوان، شهر گوجیائو، چینگ‌سو، جیائوچنگ و شهرستان ون‌شوی است ( شکل ۱).). در منطقه آب و هوای موسمی معتدل و نیمه خشک شمالی واقع شده است. میانگین سالانه دما و بارندگی ۷ تا ۹ درجه سانتی گراد و ۴۱۰ تا ۵۰۰ میلی متر است. انواع اصلی خاک عبارتند از خاک دارچینی در مناطق معدنی، از جمله خاک لس، خاک دارچین قرمز و خاک دارچینی شسته شده، به اضافه مقدار کمی خاک استخوانی درشت و خاک سنگی هوازده. میدان زغال‌سنگ شیشان یکی از شش میدان زغال‌سنگ در استان شانشی است، لایه‌های زغال‌دار آن سازند شانشی پرمین پایین و سازند تایوان کربنیفر بالایی هستند که در مجموع ۱۵ لایه زغال‌دار دارند که با شماره‌های ۰۱~۰۳# و ۱~ شماره‌گذاری شده‌اند. ۱۵# از بالا به پایین. میانگین ضخامت دو گروه حدود ۱۴٫۴ متر است. میانگین زاویه شیب درز زغال سنگ معمولاً ۲ تا ۶ درجه است و تعداد کمی از آنها می توانند به ۸ تا ۱۲ درجه نیز برسند. گروه بالایی ۲# و ۳# و گروه پایینی ۸# و ۹# درزهای زغال سنگ پایدار و قابل بازیابی هستند. ۶# و ۷# درزهای زغال سنگ نسبتاً پایدار و قابل بازیابی هستند و بقیه به صورت محلی قابل بازیابی یا غیرقابل بازیابی هستند. کل ذخایر زمین شناسی اثبات شده ۱۲٫۱۲ میلیارد تن است که ۳٫۰۶ میلیارد تن آن در حال حاضر در حال تولید است و عمدتا زغال سنگ کک، زغال سنگ چربی و زغال سنگ بدون چربی را با تولید سالانه بیش از ۳۰ میلیون تن تولید می کند. استخراج زغال سنگ با شدت بالا نه تنها باعث ایجاد یک سری پدیده های فرونشست زمین می شود، بلکه درجات مختلفی از آسیب به محیط زیست بومی محلی را نیز وارد می کند.۲۳ ، ۲۴ ].

۲٫۲٫ داده ها

تصاویر سنجش از راه دور فعال شامل داده‌های Envisat-ASAR (36 صحنه) و داده‌های Sentinel-1A (108 صحنه) بود. داده‌های Envisat-ASAR از سال ۲۰۰۸ تا ۲۰۱۰ در آژانس فضایی اروپا ( https://earth.esa.int ، دسترسی به ۲۹ ژانویه ۲۰۲۲) دانلود شد، تصاویر استفاده شده یک صحنه در ماه بود. داده‌های Sentinel-1A از سال‌های ۲۰۱۵ تا ۲۰۱۷ و ۲۰۱۹ تا ۲۰۲۰ از تأسیسات ماهواره‌ای آلاسکا ( https://search.asf.Alaska.edu ، قابل دسترسی در ۲۹ ژانویه ۲۰۲۲) به‌دست آمدند، تصاویر استفاده شده دو صحنه در ماه، جدول ۱ بودند. پارامترهای داده های فوق را توصیف می کند [ ۲۵ ]. تصاویر سنجش از دور غیرفعال شامل تصاویر Landsat (45 صحنه) از سازمان زمین شناسی ایالات متحده ( http://glovis.usgs.gov/ )، قابل دسترسی در ۲۹ ژانویه ۲۰۲۲)، وضوح مکانی آن ۳۰ متر و تاریخ دریافت تصویر یک صحنه در ماه بود. با توجه به اختلاف دامنه طیفی سنسورهای مختلف، ما محصول Landsat OLI L1 را از ماه می تا سپتامبر (۲۰۱۳ تا ۲۰۲۱) انتخاب کردیم تا از قابلیت اطمینان نتایج کامپوزیت‌های حداکثر مقدار سالانه (MVC) اطمینان حاصل کنیم. سایر داده های کمکی شامل SRTM1 DEM، DORIS، داده های مدار دقیق POD و غیره بود.

۲٫۳٫ پردازش داده ها

داده‌های SAR با استفاده از SARscape نسخه ۵٫۲ پردازش شدند و تکنیک SBAS-InSAR برای استخراج اطلاعات تغییر شکل سطح LOS از سال‌های ۲۰۰۸ تا ۲۰۱۰، ۲۰۱۵ تا ۲۰۱۷ و ۲۰۱۹ تا ۲۰۲۰ در زغال‌سنگ Xishan [ ۲۶ ] استفاده شد. تصاویر متمرکز و داده‌های مداری دقیق برای موقعیت‌یابی دقیق داده‌های SAR در فرآیند تبدیل فرمت داده‌ها استفاده شد و نمودارهای اتصال با توجه به آستانه‌های پایه فضا-زمان تولید شدند. در فرآیند تداخل سنجی، مدل ارتفاع دیجیتال (SRTM1 DEM)، فیلتر گلدشتاین، و روش MCF دلونای برای کاهش نویز فاز و حذف سیگنال‌ها در مناطق همدوسی پایین انتخاب شدند [ ۲۷ ، ۲۸ ].]. سپس، نقاط کنترل زمین و روش بهینه سازی چند جمله ای برای پالایش مداری و فرآیند مسطح مجدد فاز [ ۲۹ ] انجام شد. وارونگی SVD و فیلتر اتمسفر برای به دست آوردن جابجایی LOS دقیق تر انتخاب شدند و نتایج به جهت عمودی با توجه به رابطه هندسی زاویه برخورد برای تجزیه و تحلیل بیشتر پیش بینی شد [ ۳۰ ، ۳۱ ].
تصاویر Landsat OLI با استفاده از نرم افزار ENVI 5.3 پیش پردازش شدند، تبدیل مقدار DN و تصحیح اتمسفر با استفاده از کالیبراسیون رادیومتری و ماژول تصحیح جوی FLAASH [ ۱۲ ] انجام شد. سپس، مقادیر NDVI با استفاده از ویژگی‌های بازتابی پوشش گیاهی به نوارهای مادون قرمز و مادون قرمز نزدیک استخراج شد و نتایج از ماه می تا سپتامبر برای محاسبه حداکثر سالانه NDVI [ ۱۸ ] اعمال شد. در نهایت، حداکثر مقدار NDVI در زغال‌سنگ شیشان از سال ۲۰۱۳ تا ۲۰۲۱ با استفاده از روش کامپوزیت‌های حداکثر مقدار (MVC) [ ۱ ] به‌دست آمد.

۲٫۴٫ مواد و روش ها

ضریب تغییرات آماری است که می تواند میزان پراکندگی داده ها را منعکس کند. این شاخص به یک شاخص مهم برای اندازه گیری ثبات کیفیت داده ها تبدیل شده است و می تواند برای نشان دادن نوسانات و پایداری پوشش گیاهی مورد استفاده قرار گیرد [ ۱۸ ، ۱۹ ]. فرمول این است:

که در آن C v ضریب تغییرات است، انحراف معیار است، میانگین مقدار NDVI، n تعداد کل سال‌ها و X i مقدار NDVI هر پیکسل است. هر چه ضریب تغییرات بیشتر باشد، پایداری پوشش گیاهی منطقه ضعیف تر است. یعنی اختلال در رشد پوشش گیاهی قوی تر است.

روش تحلیل روند عمدتاً از رگرسیون خطی و روش حداقل مربع برای یافتن شیب برازش بهینه داده‌های سری زمانی طولانی استفاده می‌کند و می‌تواند برای توصیف روند انحطاط و رشد پوشش گیاهی استفاده شود [ ۱ ، ۵ ، ۸ ]. این می تواند تغییرات سالانه NDVI را منعکس کند. فرمول به شرح زیر است:

جایی که S نشان دهنده شیب روند NDVI است، NDVI i حداکثر مقدار NDVI سالانه است. S > 0 نشان می دهد که NDVI منطقه ای در حال افزایش است، S < 0 نشان می دهد که NDVI منطقه ای در حال کاهش است.

مدل دوگانگی پیکسلی یک روش تخمین سنجش از دور بر اساس شاخص پوشش گیاهی و تجزیه پیکسلی مخلوط است. فرض بر این است که هر پیکسل از پوشش گیاهی و خاک تشکیل شده است، و مقدار بازتاب هر پیکسل را می توان به صورت مجموع وزنی خطی پوشش گیاهی و خاک بیان کرد [ ۱۲ ]. بیان برای محاسبه پوشش گیاهی به شرح زیر است:

در جایی که f c پوشش گیاهی است، خاک NDVI تقریباً مقدار NDVI خاک لخت یا پیکسل غیر گیاهی است، NDVI veg مقدار NDVI پیکسل گیاهی خالص است. بر اساس جدول آمار فراوانی NDVI و ویژگی‌های پوشش گیاهی پراکنده در برخی مناطق، مقادیر ۵% و ۹۵% فراوانی تجمعی به ترتیب به عنوان خاک NDVI و گیاه NDVI در نظر گرفته شد [ ۳ ، ۱۱ ].

مدل GM (1،۱) برای پیش‌بینی پوشش گیاهی از سال ۲۰۱۳ تا ۲۰۲۰ استفاده شد و ما رابطه بین مقادیر واقعی و مقادیر پیش‌بینی‌شده را به دست آوردیم. در همین حال، پوشش گیاهی در پنج سال آینده پیش‌بینی شد و پوشش گیاهی در سال ۲۰۲۱ برای تأیید نتایج پیش‌بینی‌شده استفاده شد. مدل GM (1،۱) مدل معادلات دیفرانسیل تک متغیری مرتبه اول را نشان می دهد. با استفاده از تولید یک توالی داده جدید با روند آشکار ایجاد می شود. سپس، روش تجمعی برای انجام محاسبه معکوس و بازیابی توالی داده های اصلی برای دستیابی به هدف پیش بینی استفاده می شود [ ۱۲ ، ۳۲ ، ۳۳ ، ۳۴ ، ۳۵ ]. روش محاسبه به شرح زیر است:
(۱)
فرض کنید دنباله خام x (۰) = { x (۰) (۱) , x (۰) (۲) ,…, x (۰) ( n )} و سپس جمع کنید تا شکل
(۲)
دنباله متوسط ​​را در نظر بگیرید
(۳)
معادله دیفرانسیل خاکستری و مدل معادله آلبینیسم هستند
(۴)
ماتریس-بردار را معرفی کنید
(۵)
برای به دست آوردن حداقل مقدار از روش حداقل مربع استفاده می شود
(۶)
ایجاد فرمول پیش بینی
برای تأیید صحت مدل پیش‌بینی خاکستری، نسبت خطای پسینی، پراکندگی نسبت کلاس و میانگین مربعات خطا محاسبه شد. هر چه مقدار هر شاخص کوچکتر باشد، اثر پیش بینی مدل بهتر است.

۳٫ نتایج و تجزیه و تحلیل

۳٫۱٫ وضعیت استقرار زمینی

از تکنیک SBAS-InSAR برای استخراج میانگین نرخ تغییر شکل سالانه زمین در میدان زغال‌سنگ شیشان از سال‌های ۲۰۰۸ تا ۲۰۱۰، ۲۰۱۵ تا ۲۰۱۷ و ۲۰۱۹ تا ۲۰۲۰ استفاده شد، چهار منطقه بزرگ فرونشست P1، P2، P3 و P4 یافت شد ( شکل ۲ ). و برای شمارش نرخ تغییر شکل در دوره‌ها و مناطق مختلف از ابزار آمار منطقه‌ای و محاسبه‌گر رستر استفاده شد ( جدول ۲ ).
با توجه به شکل ۲ و جدول ۲ ، منطقه P1 در محل اتصال شهرستان Qingxu و Jiaocheng قرار دارد و گسل Jiaocheng کوه ها و دشت ها را از هم جدا می کند [ ۳۶ ]]. مرکز فرونشست در روستای نایلین قرار داشت و حداکثر نرخ فرونشست از سال ۲۰۰۸ تا ۲۰۱۰ به ۱۰۳- میلی متر در سال رسید. متعاقبا، روند فرونشست به روستای شینمین در امتداد گسل جیائوچنگ گسترش یافت، روستاهای وانگ و شینمین به مراکز فرونشست جدید تبدیل شدند، حداکثر فرونشست. نرخ فرونشست روستای آنزه، روستای لیودوندی و روستای هوهوشان از ۲۵- میلی متر در سال از سال ۲۰۱۵ تا ۲۰۱۷ و از سال ۲۰۱۹ تا ۲۰۲۰ فراتر رفت. مناطق فوق به تغییر شکل خود ادامه دادند، حداکثر نرخ فرونشست به ۷۷- میلی متر در سال، ۷۵- میلی متر در سال و ۶۴- میلی متر در سال با پیشرفت سطح معدن از ۲۰۱۹ تا ۲۰۲۰ رسید.
منطقه P2 در Xiayuan و Xishan واقع شده است. از سال ۲۰۰۸ تا ۲۰۱۰، چندین محل استقرار قیفی شکل در نزدیکی Xiayuan ظاهر شد و حداکثر نرخ فرونشست ۴۶- میلی متر در سال بود. منطقه شیشان از سال ۲۰۰۸ تغییر شکل داده است و حداکثر نرخ فرونشست تا سال ۲۰۱۷ -۷۵ میلی متر در سال بود که یک منطقه فرونشست شدید بود. از سال ۲۰۱۹ تا ۲۰۲۰، هیچ تغییر شکل آشکاری در منطقه Xiayuan رخ نداده است. حداکثر نرخ فرونشست منطقه Xishan به -۴۸ میلی متر در سال کاهش یافت و یک پارک زیست محیطی از روستای Huangpo تا منطقه معدن زغال سنگ Xiyu ایجاد شده است ( شکل ۳ ). شکل ۳سطح بازسازی شده منطقه معدن را نشان می دهد و می توان مشاهده کرد که اجرای سیاست های حفاظت از محیط زیست و محیط زیست وضعیت سطح منطقه معدن در منطقه Wanbailin را بسیار بهبود بخشیده است.
منطقه P3 منطقه معدن گوجیائو است که در شرق با منطقه معدن Xishan و در جنوب با منطقه معدنی Qingjiao مجاور است و مساحتی در حدود ۶۶۰ کیلومتر مربع را پوشش می دهد . تغییر شکل سطح منطقه معدن از سال ۲۰۰۸ به طور مداوم رخ می دهد، و چندین منطقه فرونشست قیفی شکل تا سال ۲۰۲۰ تشکیل شده است، از جمله ژنچنگدی، تونلان، دونگ کو، شینگجیاشه، ژیکو و روستای سوئویو، حداکثر فرونشست در شمال شرقی بایکائوتا. روستا ۹۰- میلی متر در سال بود. شهر گوجیائو درمان جامع مناطق کلیدی معدن زغال سنگ در مناطق فرونشست فوق الذکر را انجام داده است، اما مناطق فرونشست بزرگ هستند و دامنه نفوذ گسترده است. احیای مناطق فرونشست و احیای اراضی نیز نیازمند تلاش های طولانی مدت است.
منطقه P4 در نزدیکی روستای Banyu و روستای Hedi در شهرستان Wenshui واقع شده است. از سال ۲۰۱۹ تا ۲۰۲۰، یک منطقه بزرگ فرونشست قیفی شکل در شرق روستای بانیو و جنوب شرقی روستای هدی ظاهر شد. حداکثر نرخ فرونشست ۱۳۳- میلی متر در سال بود. بر اساس طرح پیشگیری از بلایای زمین شناسی شهرستان ونشوی در سال ۲۰۱۸، این منطقه یک سایت خطر زمین شناسی جدید با خطرات احتمالی زمین لغزش و فروپاشی بود. نتایج پایش مبنای مهمی برای تعیین موقعیت سایر نقاط فاجعه و درمان بعدی فراهم می کند.
به طور خلاصه، مناطق فرونشست زمین زغال‌سنگ شیشان از سال‌های ۲۰۰۸ تا ۲۰۱۰، ۲۰۱۵ تا ۲۰۱۷ و ۲۰۱۹ تا ۲۰۲۰ شباهت و تداوم خاصی داشتند. مناطق فرونشست زمین در روستای نایلین، روستای Qin، روستای وانگ، Xiayuan و Xishan بهبود یافته است. نرخ فرونشست از سال ۲۰۱۹ تا ۲۰۲۰ در روستای نایلین و شیائوان به زیر ۳۰ میلی متر در سال کاهش یافت و وضعیت سطح منطقه به طور قابل توجهی بهبود یافت. علاوه بر این، فرونشست زمین در روستای آنزه، روستای لیودوندی، روستای هوهواشان، روستای بایکائوتا و روستای بانیو روند تشدید کننده ای داشت و حداکثر نرخ فرونشست تا ۱۳۳- میلی متر در سال در روستای بانیو بود.

۳٫۲٫ تجزیه و تحلیل پوشش گیاهی سطحی

ما منطقه مستطیلی سیاه را به عنوان منطقه آزمایشی در شکل ۲ c انتخاب کردیم و منطقه را با نرخ فرونشست بیش از ۳۰- میلی متر در سال در سه دوره روی هم قرار دادیم. نتایج در شکل ۴ نشان داده شده استزیر قیف های فرونشست A، B و C به ترتیب به مناطق مرکز فرونشست، لبه فرونشست و مناطق غیر فرونشست (مرتبط با ۰، ۱، و ۲ منطقه، اندازه و شکل یکسان) تقسیم شدند و با حداکثر مقادیر NDVI ترکیب شدند. استخراج شده از تصاویر Landsat OLI از ماه می تا سپتامبر (۲۰۱۳ تا ۲۰۲۰) برای تجزیه و تحلیل بیشتر ویژگی های تغییرات فضایی NDVI. برای محاسبه میانگین NDVI در مناطق ۰، ۱ و ۲ از آمار منطقه ای استفاده شد و سپس از نرم افزار Excel برای محاسبه نرخ تغییر نسبی NDVI در مرکز فرونشست نسبت به لبه فرونشست و منطقه بدون فرونشست در هر منطقه استفاده شد. قیف فرونشست از سال ۲۰۱۳ تا ۲۰۲۰ ( جدول ۳ ). در جدول ۳در زیر، ۰-۱ نشان دهنده نسبت تغییر نسبی میانگین NDVI بین مرکز فرونشست (۰ منطقه) و لبه فرونشست (۱ منطقه) است. ۰-۲ نشان دهنده نسبت تغییر نسبی میانگین NDVI بین مرکز فرونشست (۰ منطقه) و منطقه بدون فرونشست (۲ منطقه) است.
جدول ۳نشان می دهد که نرخ تغییر نسبی سالانه NDVI عمدتاً در مرکز فرونشست، لبه فرونشست و مناطق غیر فرونشست منفی است و درجه تغییرات حدود -۱۰٪ است که نشان می دهد مقدار NDVI سطح مرکز فرونشست معمولاً کوچکتر از آن است. مناطق لبه فرونشست و غیر فرونشست. علاوه بر این، نرخ تغییر نسبی منطقه ۰-۲ در قیف فرونشست A و C بیشتر از ۰-۱ است، که نشان می دهد میانگین NDVI مرکز فرونشست کوچکترین است و هر چه دورتر از مرکز فرونشست باشد، بزرگتر است. ارزش NDVI و رشد گیاهی شدیدتر. با این حال، نرخ تغییر نسبی منطقه ۰-۱ در قیف فرونشست B بزرگ‌تر است، مشخص شد که ساختمان‌ها و جاده‌های بیشتری در منطقه ۲ وجود دارد که تأثیر خاصی در محاسبه مقدار میانگین NDVI دارد. از این رو،

۳٫۳٫ تجزیه و تحلیل پایداری

جدول ۴ ضریب تغییرات مرکز فرونشست، لبه فرونشست و مناطق غیر فرونشست را نشان می دهد. با توجه به انحراف معیار، نتایج به پنج سطح کم، نسبتاً کم، متوسط، نسبتاً زیاد و نوسان زیاد تقسیم شدند تا نوسانات پوشش گیاهی منطقه مورد تجزیه و تحلیل قرار گیرد.
مطابق جدول ۴نسبت نواحی با نوسانات کم بیشترین در ناحیه بدون فرونشست است و پس از آن لبه و مرکز فرونشست به ترتیب ۳۵٫۴۹، ۲۹٫۲۹ و ۱۱٫۹۷ درصد است که نشان می دهد هر چه به مرکز فرونشست نزدیکتر باشد، نوسانات NDVI بیشتر است. در غیر این صورت، هر چه این نوسان کمتر باشد، رشد پوشش گیاهی پایدارتر است. در عین حال، مناطق با نوسان متوسط، نوسان نسبتاً زیاد و نوسان زیاد بیشترین در مرکز فرونشست (منطقه ۰) را به خود اختصاص داده اند که ۲۲٫۱۵، ۸٫۵۳ و ۶٫۶۰ درصد از کل مساحت را به خود اختصاص داده اند. نسبت نوسان زیاد آن (۶۰/۶ درصد) حدود ۵/۲ برابر لبه فرونشست (۲۴/۲ درصد) و ناحیه غیر فرونشست (۷۵/۲ درصد) است که نشان می دهد پوشش گیاهی مرکز فرونشست به شدت مختل شده و پایداری آن ضعیف است.

۳٫۴٫ تحلیل روند

از روش تحلیل روند برای محاسبه روند تغییر NDVI در طول زمان در مرکز فرونشست، لبه فرونشست و مناطق غیر فرونشست استفاده شد. تقسیم‌بندی روند NDVI عمدتاً بر اساس روش شکست‌های طبیعی (روش جنکس) بود که در نهایت با مراجعه به روش انحراف معیار و طبقه‌بندی کوانتیل مشخص شد. نتایج به پنج دسته تخریب جدی، تخریب جزئی، اساساً بدون تغییر، بهبود جزئی و بهبود آشکار تقسیم شدند و نسبت هر منطقه شمارش شد ( جدول ۵ ).
همانطور که از جدول ۵ مشاهده می شودنسبت پوشش گیاهی با تخریب جدی در مرکز فرونشست از سال ۲۰۱۳ تا ۲۰۲۰ ۵٫۶۴ درصد است که دو برابر و پنج برابر در مناطق لبه فرونشست (۲٫۷۱ درصد) و مناطق غیر فرونشست (۱٫۱۰ درصد) است. نسبت تخریب خفیف ۱۳٫۸۹ درصد است که حدود ۳ درصد بیشتر از مناطق لبه فرونشست و غیر نشست است. در عین حال، نسبت بهبود مشهود در مرکز فرونشست ۲۸٫۳۴ درصد است که بسیار بیشتر از ۱۷٫۲۲ درصد و ۱۳٫۸۲ درصد در مناطق لبه فرونشست و غیر فرونشست است. مشاهده می شود که تخریب پوشش گیاهی سهم زیادی در مرکز فرونشست دارد و هر چه به مرکز فرونشست نزدیکتر باشد روند تخریب پوشش گیاهی سطحی قوی تر می شود. در همین حال،

۳٫۵٫ پیش بینی پوشش گیاهی

مدل دوگانگی پیکسلی برای محاسبه پوشش گیاهی در مناطق ۰، ۱ و ۲ از سال ۲۰۱۳ تا ۲۰۲۰ استفاده شد. پوشش گیاهی در پنج سال آینده توسط مدل خاکستری پیش‌بینی شد و با پوشش گیاهی در سال ۲۰۲۱ تأیید شد ( شکل ۵ ) . . در شکل ۵ زیر، مستطیل های قرمز نشان دهنده پوشش گیاهی واقعی است که توسط تصاویر Landsat OLI به دست آمده است. دایره های سیاه نشان دهنده پوشش گیاهی پیش بینی شده توسط مدل GM (1،۱) است. مستطیل های سیاه نشان دهنده پوشش گیاهی مورد استفاده برای تأیید است.
مطابق شکل ۵پوشش گیاهی روند صعودی گوه ای شکل را از سال ۲۰۱۳ تا ۲۰۲۰ در زون های ۰، ۱ و ۲ نشان می دهد. مقدار پیش‌بینی‌شده نزدیک‌ترین مقدار به مقدار واقعی در منطقه ۰ است، به دنبال آن مناطق ۱ و ۲ قرار دارند، باقی‌مانده‌ها همه کمتر از ۰٫۰۵ هستند. در مقایسه با پوشش گیاهی در سال ۲۰۲۱، باقیمانده مقادیر پیش بینی شده ۰٫۰۴۷، ۰٫۰۴۷ و ۰٫۰۱۹ است که ثبات روند توسعه را حفظ می کند. همچنین می‌توانیم از ترتیب به دست آوریم که پوشش گیاهی کمترین میزان را در مرکز فرونشست (منطقه ۰) دارد. مطابق با قانون به‌دست‌آمده با استفاده از NDVI است، نتایج به‌دست‌آمده از پوشش گیاهی و NDVI توسط یکدیگر قابل تأیید است. علاوه بر این، نسبت خطای پسینی، پراکندگی نسبت کلاس، و میانگین مربعات خطا برای تأیید صحت مدل GM (1،۱) محاسبه شد، همانطور که در جدول ۶ نشان داده شده است..
جدول ۶ دقت پیش بینی را در منطقه ۰ بهتر نشان می دهد و نسبت خطای خلفی، پراکندگی نسبت کلاس و میانگین مربعات خطا به ترتیب ۰٫۲۱، ۰٫۰۶۶ و ۰٫۰۲۳ است. پراکندگی نسبت کلاس و میانگین مربعات خطا در ناحیه ۱ و ۲ نسبتاً نزدیک است که ممکن است مربوط به خصوصیات و مقادیر منحنی مشابه در شکل ۵ b,c باشد.

۴٫ بحث

پایش فرونشست زمین و تجزیه و تحلیل پوشش گیاهی در مناطق معدنی همواره موضوعات کلیدی تولید ایمنی معدن زغال سنگ و تحقیقات حفاظت از محیط زیست اکولوژیکی بوده است [ ۱۷ , ۱۸ ].]. اطلاعات تغییر شکل سطح و پوشش گیاهی با استفاده از تصاویر SAR و Landsat OLI فضایی در میدان زغال‌سنگ شیشان به‌دست آمد. ابتدا، شرایط فرونشست زمین در مناطق مختلف از سال های ۲۰۰۸ تا ۲۰۱۰، ۲۰۱۵ تا ۲۰۱۷، و ۲۰۱۹ تا ۲۰۲۰ مورد تجزیه و تحلیل قرار گرفت. ثانیاً، مناطق فرونشست به ترتیب به مرکز فرونشست، لبه فرونشست و مناطق غیر فرونشست تقسیم شدند و با حداکثر مقادیر NDVI استخراج شده از تصاویر Landsat OLI از ماه می تا سپتامبر (۲۰۱۳-۲۰۲۰) ترکیب شدند تا ویژگی های تغییرات فضایی را بیشتر تحلیل کنند. NDVI در مناطق فرونشست. در نهایت، مدل پیش‌بینی خاکستری برای پیش‌بینی پوشش گیاهی در مناطق فرونشست در پنج سال آینده استفاده شد و با پوشش گیاهی در سال ۲۰۲۱ تأیید شد.
میدان زغال سنگ Xishan در استان شانشی در مناطق تپه ای و خندقی لس واقع شده است، سطح آب زیرزمینی آن نسبتاً عمیق است و فرونشست زمین منطقه ای رشد پوشش گیاهی را مختل می کند [ ۳۸ ]. نتایج نشان داد که مقدار NDVI مرکز فرونشست حدود ۱۰% کوچکتر از لبه فرونشست و نواحی غیر فرونشست است و هر چه از مرکز فرونشست دورتر باشد، میانگین مقدار NDVI سطح بزرگتر است ( جدول ۲ ). با این حال، برخی از محققان نشان دادند که تغییرات در سطح آب‌های زیرزمینی ناشی از استخراج زغال‌سنگ ممکن است باعث رشد پوشش گیاهی شود و عوامل هواشناسی عوامل تأثیرگذار غالب نیستند [ ۱۶ ].
علت این بحث این بود که فرونشست زمین عمق آب های زیرزمینی را کاهش می دهد، اما تأثیر آن بر پوشش گیاهی زمانی که عمق آب کمتر از ۵ متر بود، اندک بود [ ۳۹ ]. در همین حال، زمانی که سطح آب عمیق بود، رشد پوشش گیاهی به ندرت به آب های زیرزمینی بستگی دارد [ ۱۵ ]. بنابراین، استخراج زیرزمینی زغال سنگ اثر مخرب خاصی بر رشد پوشش گیاهی سطحی در میدان زغال‌سنگ شیشان داشت.
از منظر روش های تحقیق، روش های رایج تجزیه و تحلیل پوشش گیاهی، مانند ضریب تغییرات [ ۱۹ ]، تحلیل روند [ ۵ ]، مدل دوگانگی پیکسلی [ ۱۱ ]، مدل خاکستری [ ۱۲ ] و غیره وجود دارد. ضریب تغییرات می تواند برای نشان دادن تغییرپذیری فضایی ویژگی های خاک و پوشش گیاهی استفاده شود. ترکیب معادن زغال سنگ و مناطق غیر معدنی می تواند ضریب آستانه تغییر را تعیین کند، که می تواند مناطق اختلال را متمایز کند [ ۱۸ ]]. نتایج نشان داد که نسبت پوشش گیاهی مختل شده در مرکز فرونشست حدود ۲٫۵ برابر در مناطق لبه فرونشست و بدون فرونشست است. این در حالی است که نسبت تخریب جدی در مرکز فرونشست به روش تحلیل روند ۶۴/۵ درصد بوده که دو برابر و پنج برابر مناطق لبه فرونشست و بدون فرونشست بوده است. می توان دریافت که ضریب تغییرات و روش های تحلیل روند روند توسعه یکسانی در مناطق معدنی دارند و ترکیب این دو روش برای نظارت بر پوشش گیاهی سطحی می تواند ویژگی های پوشش گیاهی را بهتر تحلیل کند [ ۸ ، ۲۱ ].
علاوه بر این، داده های سری زمانی طولانی NDVI به طور مستقیم وضعیت رشد پوشش گیاهی را منعکس می کند و نتایج قوی برای شناسایی پوشش گیاهی آسیب دیده نشان داده است [ ۱ ، ۱۰ ]. با این حال، ویژگی اشباع NDVI یک ضعف شناخته شده ایجاد می کند که کاربرد شاخص پوشش گیاهی را در مناطق پوشش گیاهی متراکم محدود می کند، و برخی از محققان حساسیت تبدیل NDVI به اجزای پوشش گیاهی را بیشتر از ۰٫۶ بهبود نمی دهند [ ۴۰ ، ۴۱ ]. بنابراین، محققان دیگر یک روش تخمین سنجش از دور را بر اساس ترکیب شاخص پوشش گیاهی و تجزیه پیکسلی مخلوط پیشنهاد کرده‌اند [ ۳ ]]. مدل دوگانگی پیکسلی به طور گسترده ای برای ایجاد رابطه تبدیل بین پوشش گیاهی و NDVI انتخاب شد، زیرا پوشش گیاهی نه تنها می تواند نشان دهنده رشد پوشش گیاهی باشد، بلکه می تواند پوشش گیاهی سطحی را در مناطق با پوشش گیاهی متراکم توصیف کند، بنابراین می تواند به عنوان شاخصی برای نظارت بر سطح استفاده شود. پوشش گیاهی در مناطق معدن [ ۴۲ ، ۴۳ ]. در همین حال، پیش‌بینی تغییر پوشش گیاهی با مدل پیش‌بینی خاکستری امکان‌پذیر است، که همچنین مبنایی برای بهبود بیشتر پوشش گیاهی سطحی در مناطق معدنی فراهم می‌کند [ ۱۲ ، ۳۲ ، ۳۳ ، ۳۴ ، ۳۵ ].
اکثر محققان بر روی کانی شناسی و ژئوشیمی در Xishan Coalfield [ ۴۴ ] تمرکز کردند و مطالعات کمی در مورد پوشش گیاهی سطحی وجود داشت. این مطالعه می‌تواند با مقایسه وضعیت پوشش گیاهی در مراکز فرونشست، لبه‌های فرونشست و مناطق بدون فرونشست، رابطه کمی بین پوشش گیاهی سطحی در مناطق فرونشست و بدون فرونشست را بهتر تحلیل کند. انتخاب مناطق مجاور برای مقایسه نیازی به در نظر گرفتن تاثیر عوامل هواشناسی و محیطی ندارد و می تواند به طور موثر سایر عوامل تداخل را حذف کند [ ۴ ، ۱۳ ، ۳۷ ]. در همین حال، استفاده از فناوری رادار نیز نظارت بر سطح در مناطق معدن را به شدت ارتقا داده است [ ۴۵ ]] و منابعی برای تحقیقات آتی در مورد فرونشست زمین و پوشش گیاهی در میدان زغال سنگ Xishan ارائه کرد. با این حال، انتخاب منطقه تحلیل تطبیقی ​​مناسب و روش‌های تحقیقاتی بیشتر برای تحلیل کمی بیشتر اثر تأخیری استقرار بر پوشش گیاهی ضروری است، این امر به کانون تحقیقات بعدی تبدیل خواهد شد.

۵٫ نتیجه گیری ها

این مطالعه بر اساس داده‌های بلندمدت SAR و Landsat، ویژگی‌های مکانی-زمانی و رابطه کمی بین فرونشست و پوشش گیاهی در میدان زغال‌سنگ شیشان را تحلیل و روند تغییرات پوشش گیاهی را در پنج سال آینده پیش‌بینی کرد.
(۱)
فرونشست زمین به طور مداوم از سال ۲۰۰۸ تا ۲۰۱۰ تا ۲۰۱۹ تا ۲۰۲۰ در میدان زغال سنگ شیشان رخ داده است. چهار منطقه فرونشست جدی در Qingxu-Jiaocheng، Wanbailin District، Gujiao City و Wenshui توسط فناوری SBAS-InSAR به دست آمد، حداکثر نرخ فرونشست در مناطق فوق ۱۰۳- میلی متر در سال، ۷۵- میلی متر در سال، ۹۰- میلی متر بود. /year، و -۱۳۳ میلی متر در سال، به ترتیب. با مقایسه نرخ تغییر شکل در دوره ها و مناطق مختلف، نه تنها می تواند به درک شرایط سطحی مناطق مختلف کمک کند، بلکه زمینه ای برای مدیریت جامع در مناطق فرونشست معدن زغال سنگ فراهم می کند.
(۲)
مقدار NDVI مرکز فرونشست حدود ۱۰ درصد کوچکتر از مناطق لبه فرونشست و مناطق غیر فرونشست بود. نسبت پوشش گیاهی با نوسانات زیاد در مرکز فرونشست ۶۰/۶ درصد، حدود ۵/۲ برابر لبه فرونشست (۲۴/۲ درصد) و مناطق غیر فرونشست (۷۵/۲ درصد) بود. این در حالی است که نسبت تخریب جدی در مرکز فرونشست، لبه فرونشست و پهنه های غیرنشست ۵٫۶۴، ۲٫۷۱ درصد و ۱٫۱۰ درصد بوده است. روند تخریب پوشش گیاهی در مرکز فرونشست بیشترین شدت را داشت. نتایج فوق نشان می‌دهد که پوشش گیاهی در مرکز فرونشست تحت تأثیر قرار می‌گیرد و هر چه پوشش گیاهی سطحی به مرکز فرونشست نزدیک‌تر باشد، روند تخریب و نوسان قوی‌تر است.
(۳)
پوشش گیاهی به طور کلی روند صعودی گوه ای را در زغال سنگ شیشان نشان داد و مدل GM (1،۱) نیز این روند را آشکار کرد. در مقایسه با پوشش گیاهی در سال ۲۰۲۱، باقیمانده مقادیر پیش‌بینی‌شده ۰٫۰۴۷، ۰٫۰۴۷ و ۰٫۰۱۹ بود که ثبات روند توسعه را حفظ کرد. در همان زمان، قانون به دست آمده با استفاده از NDVI و پوشش گیاهی سازگار بود. یعنی پوشش گیاهی سطحی در مرکز فرونشست رشد ضعیفی داشت.
ما فقط داده های Landsat را قبل از سال ۲۰۲۰ به دلیل محدودیت زمانی اولین پیش نویس به دست آوردیم و نتایج با داده های Landsat در سال ۲۰۲۱ بررسی و تأیید شد.

منابع

  1. وانگ، ام. فو، جی. وو، زی. Pang، Z. تغییرات فضایی و زمانی NDVI در فصل رشد پوشش گیاهی در منطقه منبع رودخانه زرد، چین. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۲۸۲٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  2. ژانگ، ام. وانگ، جی. تغییرات زمانی-مکانی لی، S. و عوامل اصلی تأثیر انسانی پوشش کسری پوشش گیاهی در یک منطقه معدن زغال سنگ روباز در مقیاس بزرگ از سال ۱۹۹۲ تا ۲۰۱۵٫ J. Clean. تولید ۲۰۱۹ ، ۲۳۲ ، ۹۴۰-۹۵۲٫ [ Google Scholar ] [ CrossRef ]
  3. لی، اس. وانگ، جی. ژانگ، ام. Tang, Q. مشخص کردن و نسبت دادن تغییرات پوشش گیاهی در پایگاه زغال سنگ شمال شانشی چین از سال ۱۹۸۷ تا ۲۰۲۰٫ Resource. خط مشی ۲۰۲۱ , ۷۴ , ۱۰۲۳۳۱٫ [ Google Scholar ] [ CrossRef ]
  4. یو، ایکس. مو، سی. ژانگ، دی. ارزیابی مزایای احیای زمین در مناطق معدنی با استفاده از ارزیابی جامع فازی. پایداری ۲۰۲۰ ، ۱۲ ، ۲۰۱۵٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  5. پنگ، ال. دنگ، دبلیو. لیو، ی. درک نقش شهرنشینی در پویایی پوشش گیاهی در مناطق کوهستانی جنوب غربی چین: مکانیسم، الگوی فضایی و زمانی، و پیامدهای سیاست. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۵۹۰٫ [ Google Scholar ] [ CrossRef ]
  6. لی، اچ. یانگ، ایکس. ژانگ، ک. درک فرآیندهای جهانی تخریب زمین با بیوفیزیک پیچیده و اقتصاد اجتماعی از دیدگاه شاخص گیاهی تفاوت عادی شده (۱۹۸۲-۲۰۱۵). گلوب. تغییر سیاره ۲۰۲۱ ، ۱۹۸ ، ۱۰۳۴۳۱٫ [ Google Scholar ] [ CrossRef ]
  7. کای، اس. آهنگ، X. هو، آر. Guo, D. پاسخ‌های وابسته به اکوسیستم پوشش گیاهی در فلات تبت به عوامل آب و هوایی و دوره‌های تأخیر آنها. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۳۹۴٫ [ Google Scholar ] [ CrossRef ]
  8. اسلام، س. Ma, M. نظارت جغرافیایی اثرات دمای سطح زمین بر پویایی پوشش گیاهی در منطقه جنوب شرقی بنگلادش از سال ۲۰۰۱ تا ۲۰۱۶٫ ISPRS Int. J. Geo-Inf. ۲۰۱۸ ، ۷ ، ۴۸۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  9. شارما، آی. Tongkumchum، P. Ueranantasun، A. تجزیه و تحلیل رگرسیون شاخص گیاهی تفاوت نرمال شده (NDVI) برای مقایسه الگوهای فصلی و روند ۱۵ ساله پوشش گیاهی از شرق به غرب نپال. نات. محیط زیست نظرسنجی فنی. ۲۰۲۱ ، ۲۰ ، ۲۶۷-۲۷۳٫ [ Google Scholar ] [ CrossRef ]
  10. سانز، ای. Saa-Requejo، A. دیاز-آمبرونا، CH; رویز-راموس، ام. رودریگز، آ. ایگلسیاس، ای. استیو، پی. سوریانو، بی. Tarquis، AM شاخص گیاهی تفاوت نرمال شده پاسخ های زمانی به دما و بارندگی در مراتع خشک. Remote Sens. ۲۰۲۱ , ۱۳ , ۸۴۰٫ [ Google Scholar ] [ CrossRef ]
  11. دو، ایکس. ما، ایکس. هوو، تی. ژو، جی. ژائو، سی. ارزیابی اثرات زیست محیطی انتقال آب زیست محیطی در طول ۳۱ سال برای یک دریاچه پایانی در آسیای مرکزی. Catena ۲۰۲۲ , ۲۰۸ , ۱۰۵۷۲۵٫ [ Google Scholar ] [ CrossRef ]
  12. ژو، ال. وانگ، اس. دو، م. یانگ، جی. زو، ی. Wu, J. یک رویکرد یکپارچه برای تشخیص و پیش‌بینی وضعیت سبز شدن در یک منطقه بیابانی معمولی در چین و تجزیه و تحلیل عوامل انسانی و اقلیمی آن. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۳۶۴٫ [ Google Scholar ] [ CrossRef ]
  13. نیش، ا. دونگ، جی. کائو، ز. ژانگ، اف. لی، ی. تنوع تمپو-مکانی پوشش گیاهی و عوامل مؤثر بر مناطق معدنی در مقیاس بزرگ در مغولستان داخلی شرقی، چین. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۲۰ ، ۱۷ ، ۴۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  14. وو، کیو. لیو، ک. آهنگ، سی. وانگ، جی. که، ال. ما، ر. دنگ، ایکس. تشخیص از راه دور آسیب‌های پوشش گیاهی و شکل زمین توسط استخراج زغال سنگ در فلات تبت. Sustainability ۲۰۱۸ , ۱۰ , ۳۸۵۱٫ [ Google Scholar ] [ CrossRef ][ Green Version ]
  15. لیو، اس. لی، دبلیو. کیائو، دبلیو. وانگ، کیو. هو، ی. Wang, Z. تأثیر شرایط طبیعی و فعالیت‌های معدنی بر تغییرات پوشش گیاهی در مناطق معدنی خشک و نیمه‌خشک. Ecol. اندیک. ۲۰۱۹ ، ۱۰۳ ، ۳۳۱-۳۴۵٫ [ Google Scholar ] [ CrossRef ]
  16. چن، دبلیو. لی، دبلیو. یانگ، ز. وانگ، Q. تجزیه و تحلیل تغییرات ناشی از استخراج از سطح جدول آب و مزایای بالقوه برای پوشش گیاهی زیست محیطی: مطالعه موردی معدن زغال سنگ Jinjitan در منطقه معدن Yushenfu، چین. هیدروژئول. J. ۲۰۲۱ ، ۲۹ ، ۱۶۲۹-۱۶۴۵٫ [ Google Scholar ] [ CrossRef ]
  17. یانگ، ی. Erskine، PD; Lechner, AM; مولیگان، دی. ژانگ، اس. Wang, Z. تشخیص پویایی اختلال و بازیابی پوشش گیاهی در منطقه استخراج سطحی از طریق تصاویر Landsat و الگوریتم LandTrendr. جی. پاک. تولید ۲۰۱۸ ، ۱۷۸ ، ۳۵۳-۳۶۲٫ [ Google Scholar ] [ CrossRef ]
  18. یانگ، ز. لی، جی. زیپ، CE; شن، ی. میائو، اچ. Donovan، PF شناسایی انواع اختلالات و مسیر در مناطق معدن با استفاده از تصاویر سنجش از دور چند زمانی. علمی کل محیط. ۲۰۱۸ ، ۶۴۴ ، ۹۱۶-۹۲۷٫ [ Google Scholar ] [ CrossRef ]
  19. لی، اچ. خو، اف. لی، کیو. نظارت سنجش از دور آسیب زمین و بازسازی در مناطق معدنی خاکی کمیاب در ۶ شهرستان در جنوب جیانگشی بر اساس تصاویر متوالی چند منبعی. جی. محیط زیست. مدیریت ۲۰۲۰ , ۲۶۷ , ۱۱۰۶۵۳٫ [ Google Scholar ] [ CrossRef ]
  20. وانگ، اس. هوانگ، جی. یو، اچ. جی، سی. شناسایی مناطق کلیدی چشم انداز در منطقه معدن زغال سنگ یک استپ نیمه خشک در چین: مطالعه موردی معدن زغال سنگ روباز Yimin. پایداری ۲۰۲۰ ، ۱۲ ، ۲۲۳۹٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  21. چن، جی. یانگ، ی. لیو، ایکس. وانگ، M. ویژگی های توزیع فضایی فلزات سنگین در خاک سطحی منطقه استخراج زغال سنگ Xilinguole بر اساس Semivariogram. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۲۹۰٫ [ Google Scholar ] [ CrossRef ]
  22. پادمنابان، ر. بوومیک، AK; Cabral, P. رویکرد سنجش از دور برای پایش محیطی در یک منطقه معدن احیا شده. ISPRS Int. J. Geo-Inf. ۲۰۱۷ ، ۶ ، ۴۰۱٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  23. لیو، جی. کاربرد فناوری RS برای بررسی فاجعه زمین شناسی در شیشان تایوان. پایان نامه کارشناسی ارشد، دانشگاه صنعتی تایوان، تایوان، چین، ۲۰۰۶٫ موجود به صورت آنلاین: https://kns.cnki.net/kcms/detail/detail.aspx?FileName=2006152795.nh&DbName=CMFD2006 (دسترسی در ۲ فوریه ۲).
  24. خورشید، B. زمان-رویداد جدی شکل‌گیری و تکامل لایه‌های زغال‌دار شیشان، تایوان و عوامل زمین‌شناسی. Ph.D. پایان نامه، دانشگاه صنعتی تایوان، تایوان، چین، ۲۰۱۴٫ [ Google Scholar ] [ CrossRef ]
  25. ما، دی. گوان، ی. ژائو، اس. نظارت بر تغییر شکل سطح در منطقه زغال‌سنگ شیشان در استان شانشی بر اساس فناوری SBAS-InSAR. زغال سنگ. ۲۰۲۱ ، ۴۰ ، ۱۳۰-۱۳۵٫ [ Google Scholar ] [ CrossRef ]
  26. براردینو، پی. فورنارو، جی. لناری، ر. Sansosti، E. یک الگوریتم جدید برای نظارت بر تغییر شکل سطح بر اساس تداخل‌نگارهای SAR دیفرانسیل پایه کوچک. IEEE Trans.Geosci. از راه دور. Sens. ۲۰۰۲ , ۴۰ , ۲۳۷۵-۲۳۸۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. پپه، آ. Lanari, R. در گسترش الگوریتم جریان حداقل هزینه برای باز کردن فاز تداخل‌نگارهای SAR دیفرانسیل چند زمانی. IEEE Trans.Geosci. Remote Sens. ۲۰۰۶ , ۴۴ , ۲۳۷۴-۲۳۸۳٫ [ Google Scholar ] [ CrossRef ]
  28. چعبانی، ع. Deffontaines، B. کاربرد تکنیک SBAS-DInSAR برای نظارت بر تغییر شکل در شهر تونس و دشت مورناگ. Geomat. نات. خطرات خطر. ۲۰۲۰ ، ۱۱ ، ۱۳۴۶-۱۳۷۷٫ [ Google Scholar ] [ CrossRef ]
  29. لوش، ای. Sagan، V. SBAS تجزیه و تحلیل تغییر شکل سطح زمین ناشی از تزریق فاضلاب در شرق مرکزی اوکلاهاما، ایالات متحده. Remote Sens. ۲۰۱۸ , ۱۰ , ۲۸۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. تائو، کیو. دینگ، ال. هو، ال. چن، ی. لیو، تی. عملکرد روش های LS و SVD برای راه حل های مدل تغییر شکل SBAS InSAR. بین المللی J. Remote Sens. ۲۰۲۰ , ۴۱ , ۸۵۴۷–۸۵۷۲٫ [ Google Scholar ] [ CrossRef ]
  31. بلورانی، م. درویشی، م. ونگ، کیو. لیو، X. نقشه‌برداری آسیب شهری پس از جنگ با استفاده از InSAR: مورد شهر موصل در عراق. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۱۴۰٫ [ Google Scholar ] [ CrossRef ]
  32. لیو، اس. Deng, J. محدوده مناسب برای GM (1،۱). سیستم Eng.-تئوری عمل. ۲۰۰۰ ، ۵ ، ۱۲۱-۱۲۴٫ [ Google Scholar ]
  33. ژانگ، دی. جیانگ، اس. شی، ک. نقص نظری فرمول پیش‌بینی خاکستری و بهبود آن. سیستم Eng.-تئوری عمل. ۲۰۰۲ ، ۸ ، ۱۴۰-۱۴۲٫ [ Google Scholar ]
  34. زی، ن. لیو، اس. GM گسسته (۱،۱) و مکانیسم مدل پیش بینی خاکستری. سیستم Eng.-TheoryPact. ۲۰۰۵ ، ۱ ، ۹۳-۹۹٫ [ Google Scholar ]
  35. زی، ن. وانگ، آر. مروری تاریخی بر مدل‌های پیش‌بینی خاکستری. جی. گری سیست. ۲۰۱۷ ، ۲۹ ، ۱-۲۹٫ [ Google Scholar ]
  36. لیو، ی. ژائو، سی. ژانگ، Q. یانگ، سی. نظارت بر تغییر شکل پیچیده سطح و وارونگی مکانیسم بر روی Qingxu-Jiaocheng، چین با تصاویر SAR چند سنسوری. جی. جئودین. ۲۰۱۸ ، ۱۱۴ ، ۴۱-۵۲٫ [ Google Scholar ] [ CrossRef ]
  37. لی، ایکس. تحقیق روند تغییر پوشش گیاهی با فناوری سنجش از دور در منطقه فرونشست سطحی معدن زغال سنگ BinChang. پایان نامه کارشناسی ارشد، دانشگاه علم و صنعت شیان، شیان، چین، ۲۰۱۳٫ موجود به صورت آنلاین: https://kns.cnki.net/KCMS/detail/detail.aspx?dbname=CMFD201401&filename=1014000407.nh (دسترسی در ۱۶ فوریه ۲۰۲۲).
  38. چن، اس. یین، دی. کائو، اف. لیو، ی. رن، ک. مروری بر فناوری یکپارچه کاهش فرونشست سطح در مناطق معدنی چین. نات. خطرات ۲۰۱۶ ، ۸۱ ، ۱۱۲۹-۱۱۴۵٫ [ Google Scholar ] [ CrossRef ]
  39. لیو، اس. لی، دبلیو. کیائو، دبلیو. لی، ایکس. وانگ، کیو. او، J. روش پهنه بندی برای الگوهای زمین شناسی مهندسی محیطی ناشی از معدن با در نظر گرفتن درجه تأثیر فعالیت های معدنی بر آبخوان فریاتیک. جی هیدرول. ۲۰۱۹ , ۵۷۸ , ۱۲۴۰۲۰٫ [ Google Scholar ] [ CrossRef ]
  40. تسفایه، ع.ا. بیدار، BG ارزیابی خاصیت اشباع شاخص های پوشش گیاهی مشتق شده از Sentinel-2 در اکوسیستم مخلوط محصول-جنگل. تف کردن Inf. Res. ۲۰۲۱ ، ۲۹ ، ۱۰۹-۱۲۱٫ [ Google Scholar ] [ CrossRef ]
  41. ژن، ز. چن، اس. یین، تی. چاوانون، ای. لورت، ن. گیلو، جی. هنکه، م. Qin، W. کائو، ال. لی، جی. و همکاران استفاده از ضریب تعدیل منفی خاک شاخص گیاهی تنظیم شده خاک (SAVI) برای مقاومت در برابر اثرات اشباع و تخمین شاخص سطح برگ (LAI) در مناطق با پوشش گیاهی متراکم. Sensors ۲۰۲۱ , ۲۱ , ۲۱۱۵٫ [ Google Scholar ] [ CrossRef ]
  42. تانگ، اس. ژانگ، جی. بائو، ی. لای، س. لیان، ایکس. لی، ن. بائو، ی. تجزیه و تحلیل روند پویای پوشش گیاهی در فلات مغولستان بر اساس توان هرست و عوامل موثر از ۱۹۸۲-۲۰۱۳٫ J. Inf. علمی ۲۰۱۸ ، ۲۸ ، ۵۹۵-۶۱۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. آی، ال. وانگ، اس. Zhang، Z. تکامل مکانی-زمانی و پیش‌بینی پوشش گیاهی در بخش مرکزی مرتع Xilingol در طول سال‌های ۱۹۷۷-۲۰۱۷٫ گاو نر حفظ آب خاک ۲۰۱۹ ، ۳۹ ، ۲۴۹–۲۵۶٫ [ Google Scholar ] [ CrossRef ]
  44. لی، ایکس. کانگ، جی. وانگ، پی. لیو، ی. فو، Q. ژئوشیمی و کانی شناسی زغال سنگ کربنیفر پسین (شماره ۸) از معدن Jialequan، Xishan Coalfield، استان شانشی، چین: شواهدی برای کنترل های زمین شناسی عناصر کمیاب. عرب جی. ژئوشی. ۲۰۲۰ ، ۱۳ ، ۱-۱۷٫ [ Google Scholar ] [ CrossRef ]
  45. لیو، دی. شائو، ی. لیو، ز. ریدل، بی. ساوتر، ا. نیمایر، دبلیو. Bian, Z. ارزیابی InSAR و TomoSAR برای نظارت بر تغییر شکل‌های ناشی از استخراج معدن در یک منطقه کوهستانی با SAR مبتنی بر ماهواره با وضوح بالا. Remote Sens. ۲۰۱۴ ، ۶ ، ۱۴۷۶-۱۴۹۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ijgi 11 00154 g001 550
شکل ۱٫ موقعیت جغرافیایی میدان زغال سنگ شیشان. تصویر همجوشی پانکروماتیک و چندطیفی لندست ۸٫
Ijgi 11 00154 g002 550
شکل ۲٫ میانگین نرخ تغییر شکل عمودی سالانه در میدان زغال سنگ شیشان.
Ijgi 11 00154 g003 550
شکل ۳٫ احیای اکولوژیکی Xishan در منطقه Wanbailin.
Ijgi 11 00154 g004 550
شکل ۴٫ پارتیشن های A، B و C را مطالعه کنید.
Ijgi 11 00154 g005 550
شکل ۵٫ روندهای VC پیش بینی شده با استفاده از مدل پیش بینی خاکستری در مناطق ۰، ۱ و ۲٫

ونوس نصیرفام

مقالات

فیسبوکتوئیترپینترسترددیتDeliciousلینکدینواتس اپتلگرامایمیل

نوشته های مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خانهدربارهتماسارتباط با ما