融合遙感技術在四棵樹火區煤火識別中的應用

劉小姣,曾 強

(1.新疆大學 生態與環境學院,新疆 烏魯木齊 830017; 2.新疆大學 干旱生態環境研究所,新疆 烏魯木齊 830017;3.綠洲生態教育部重點實驗室,新疆 烏魯木齊 830017;

煤火災害是指在自然環境或人為因素下,煤炭氧化聚熱引發燃燒并不斷發展形成的大面積煤田火災[1]。新疆地區煤炭儲量豐富,開采規模大,加之該地區氣候干燥少雨,煤的自然發火期較短,導致煤自燃問題尤為嚴重。地下煤炭的大規模燃燒不僅浪費了大量的能源,還破壞生態環境。因此,對煤自燃狀況的精準監測,對于煤火治理具有重要意義。

近30年來,國內外學者針對煤火監測、探測的研究取得了豐富的成果。煤火探測主要根據其燃燒所導致的周圍環境及其氛圍變化(包括電場、熱場及磁場等)來進行監測,形成了化探、物探、熱探、鉆探和遙感探測五大類方法[2-6]。其中:物探、化探、鉆探由于技術限制及成本較高,對于大面積火區的監測識別存在一定的弊端;遙感探測手段具有探測范圍大,獲取周期短和時效性高的特點,成為了煤火探測的有效手段。趙龍輝等[7]對Landsat影像進行處理后獲得礦區植被分布變化;邱程錦等[8]對4景Landsat TM數據采用大氣校正法進行處理,提取了烏達礦區的溫度異常區域,且對比實際火區分布基本一致;李峰等[9]對ASTER熱紅外波段進行TES算法反演并提取煤火燃燒范圍來評估火區治理效果;PANDEY等[10]采用Landsat TM、ETM+和Landsat 8影像TIR波段進行處理,根據熱異常的范圍區分了地表和地下煤火區域,相對于背景溫度,溫度變化較小的像素被指定為地下煤火,而溫差較大的像素被認為是地表煤火。由于地表沙礫吸熱及熱島效應所導致無關高溫異常區域的圈定,使其出現煤火區域誤判,因此僅通過熱效應對煤火進行監測探測存在一定的缺陷。在此基礎之上,有學者針對煤火長時間燃燒會造成地表坍塌變形的特點,通過地表形變對其進行監測。唐日斐等[11]使用“二軌法”D-InSAR技術對ALOS PALSAR數據進行處理提取研究區的地表沉降分布數據,對礦區存在的開采沉陷問題進行了分析;王洪明等[12]通過時間序列InSAR技術對內蒙古霍林河露天礦區進行監測分析,證明了時序InSAR方法的實用性;劉曉帥等[13]利用D-InSAR和SBAS-InSAR技術對研究區的28景Sentinel-1A 影像進行處理,得到地面沉降信息,分別從定量和定性2個角度對數據進行對比分析,驗證了SBAS-InSAR技術在微小形變監測中精度更高;馬頂等[14]基于SBAS-InSAR技術對礦區進行動態監測,結果表明其在一定程度上滿足實際的監測和管理需求;SYED T H等[15]采用N-SBAS技術對研究區2017—2020年的地表形變進行了監測,表明該方法可以最大限度地減少大氣效應對監測結果的影響,同時闡述了煤礦開采及自然地質災害也會導致地表產生形變,影響該方法對煤火識別的精準性;楊潔等[16-18]利用遙感數據對水西溝煤火燃燒進行了時空監測,同時利用D-InSAR技術驗證了其監測煤火燃燒區域沉降的可行性,并基于地表溫度、植被覆蓋度與地表沉降,提出了空氣滲入通道與煙氣逸出通道的確定方法。

綜上所述,采用單一方法監測識別煤火時存在缺陷,易受其他因素的影響。因此,融合植被覆蓋度、區域熱異常結果,以及地表形變等多類特征信息,對新疆準南煤田四棵樹火區進行煤火監測識別研究,以克服單一方法存在的不足,提高地下煤火識別的準確性。

1 研究區概況及數據源

1.1 研究區概況

準南煤田四棵樹火區位于新疆天山北麓低中山區,地勢西南高、東北低,海拔1 050～1 600 m,地形切割劇烈,溝谷縱橫,平均年降雨量245.6 mm,平均年蒸發量1 857.7 mm。區內出露地層有石炭系、三疊系、侏羅系和第四系,其中侏羅系為該區唯一含煤地層。燃燒火區位于硫磺溝西側,呈東西條帶狀展布于煤層露頭區,位于山的南半坡,地面有明火,地表有結晶硫磺、芒硝,火區的發展趨勢由東向西,溝東部煤層露頭已燃燒殆盡,溫度正常,溝底與溝西煤層露頭高差最大達120 m。明火區著火煤層為A5號煤,煤層厚度為7 m,頂板為礫巖,底板為含礫粗砂巖。古火區燃燒煤層有A3、A4、A5號煤,煤層總厚7 m,傾角60°,燃燒深度為80 m?；饏^每年燃燒損失的煤炭資源量為7.63萬t。研究區地理位置如圖1所示。

圖1 研究區地理位置圖

1.2 數據來源

研究區影像數據選取Landsat系列衛星在2006—2020年內(無2012年數據)14景遙感數據,用于植被覆蓋度及地表溫度反演。為減少太陽輻射對地表溫度反演結果的影響,選取過境時間均處于凌晨的影像數據。由于數據獲取的局限性,2006—2011年選取Landsat 5衛星數據,2013—2020年選取Landsat 8衛星數據,云覆蓋量為0～5%,軌道號為145/29。2012年間Landsat 7影像存在條帶問題,且其他系列不含該時期影像,故不對該年度數據進行研究。

地表形變監測數據采用Sentinel-1A中工作模式為IW、極化方式為VV的單視復數圖像(Single Look Complex,SLC)數據。對2014—2019年共29景雷達影像進行時序差分處理,數據處理中所使用DEM數據為ASTER GDEM 30M 分辨率數字高程數據。雷達數據成像日期見表1。

表1 SAR數據成像時間

2 研究方法

2.1 植被反演

植被反演是以植被在不同波段具有不同的吸收和反射光譜特征為基礎,采用相關算法演算得到植被覆蓋度。通過像元二分模型計算研究區的植被覆蓋度,反映該地區的植被覆蓋情況。

歸一化植被指數通過遙感數據波動中的近紅外波段與紅外波段進行計算,其計算公式如下:

(1)

式中:INDV為歸一化植被指數;RNI為近紅外波段光譜值;R為可見光紅光波段光譜值。

基于歸一化植被指數,使用像元二分模型對植被覆蓋度進行計算:

(2)

式中:Pv為植被覆蓋度;INDV,min為純土壤植被指數;INDV,max為純植被指數;INDV,min、INDV,max分別選取置信區間內5%和95%處的數值。

獲取Pv值后,結合該地區實地植被覆蓋度的情況,使用ArcGIS軟件對各時期植被覆蓋度進行柵格重分類,統計各個區間內像元個數及面積。

2.2 溫度反演

針對Landsat 5與Landsat 8傳感器吸收波段調整所帶來的差異性,為提高反演結果的準確性,選擇不同算法對二者地表溫度進行反演。采用經典單窗算法[19]對Landsat 5影像進行處理。對于Landsat 8數據,研究表明在山區且地勢起伏較大的地區,劈窗算法可以較好地減弱或消除大氣含水量對溫度反演的影響[20],其原理為利用傳感器內2個相鄰的熱紅外通道(11 μm附近和12 μm附近)對大氣吸收作用的不同,結合二者觀測值的各種組合,剔除大氣對溫度反演結果的影響?；谳椛浞匠痰呐八惴ü饺缦?

Ts=A0+A1T10-A2T11

(3)

式中:Ts為地表反演溫度,K;T10、T11為Landsat 8傳感器中第10和11波段的亮度溫度,K;A0、A1、A2分別為系數。

2.3 地表沉降

短基線集時序分析技術是以多主影像的干涉對為基礎,基于高相干點恢復研究區域的時間序列形變信息?；驹頌榧僭O雷達衛星在不同時刻獲取某一地區的N+1幅SAR影像,在給定的時間和空間閾值內,生成M幅差分干涉圖,影像獲取時間為(t0,t1,…,tN),選取其中時間為ta、tb(ta>tb)時刻獲取的影像生成去除地形相位的第K幅干涉圖。在此將全部獲取的差分干涉圖的線性方程表示為M個含有N個未知數的方程,其矩陣表現形式如下:

Aφ=δφ

(4)

式中:A為M×N的系數矩陣;φ為各點未知形變相位構成的參數矩陣;δ為M個相對具體的相位值構成的矩陣。

將式(4)改寫即可獲取形變速率值:

Bv=δφ

(5)

(6)

式中:B為M×N的系數矩陣;v為平均速率矩陣,mm/a;vn為第n個干涉圖對應的形變速率;tn為第n個干涉圖獲取所對應的時間。

在此基礎之上,利用最小二乘法及奇異值分解法計算得到地表平均形變速率的相位值,與時間間隔相乘后累加計算即可得到地表累計線性形變量。

3 火區數據處理結果分析

3.1 植被覆蓋度分析

在四棵樹火區實地考察后,結合該區域的植被生長情況,將反演所得的植被覆蓋度進行登記劃分,其中:Pv值在[0,0.3]內為低植被覆蓋度區域;Pv值在(0.3,0.5]內為較低植被覆蓋度區域;Pv值在(0.5,0.7]內為較高植被覆蓋度區域;Pv值在(0.7,1]內為高植被覆蓋度區域。經過ArcGIS處理后,植被的反演結果如圖2所示。

圖2 植被反演結果示意圖

由圖2分析可知,低植被覆蓋度區域主要分布于研究區的西北及正北方向,高植被覆蓋度區域分布于西部的山坳及其兩側。在時間區間內較高及高植被覆蓋度區域面積明顯增加。對各個植被等級像元個數統計可知:2006—2020年,低植被覆蓋度區域占比由38.6%降低至13.9%,面積減少了1.246 0 km2;較低植被覆蓋度區域占比由29.2%降低至22.9%,面積減少了0.318 0 km2;較高植被覆蓋度區域由16.6%增長至34.2%,面積增加0.887 0 km2;高植被覆蓋度區域占比由15.6%增長至29.0%,面積增加了0.676 0 km2。

3.2 溫度異常分析

地下煤火燃燒出現高溫,產生的熱量以熱輻射的形式傳導至地表,使存在煤火燃燒的區域地表溫度高于周圍環境的溫度。對研究區2006—2020年內的遙感影像進行地表溫度反演,結果如圖3所示。

圖3 溫度反演結果示意圖

由圖3可見,研究區中高溫區域呈東北—西南直線分布,低溫區主要出現在西面山坳及山坳西側。時間區間內反演溫度最高為51.85 ℃,最低為-0.23 ℃。

結合區域降雨量對反演結果進行準確性分析。通過網格地理坐標選取研究區某點,由于研究區范圍較小,其某點處月降雨量可以代表研究區內月降雨量。2006—2019年9月份降雨量(2020年未找到該數據)分別為7.81、3.84、25.94、15.61、11.34、10.37、13.55、10.51、12.67、14.06、0、8.80、4.24 mm。2008年降雨量最多為25.94 mm,2017年降雨量最少為0。2008年出現反演最高溫度為25.40 ℃,2017年出現反演最高溫度為51.85 ℃。本次研究影像獲取時間內降雨量總體波動程度較小,反演溫度數據較為準確。

高溫異常值是在反演溫度數據基礎上得到的。采用人工閾值法作為提取高溫閾值的方法[21],即采取地表溫度平均值與2倍標準偏差之和作為煤火區與背景區的最佳閾值分割點。計算得到的2006—2011、2013—2020年溫度閾值分別為28.15、25.24、18.23、21.74、33.53、33.61、38.06、44.40、34.17、32.31、47.74、43.90、34.71、29.79 ℃。

根據異常高溫閾值計算結果,在ArcGIS中,對各時相反演溫度進行重分類處理,提取高于溫度閾值區域,并結合低植被覆蓋度區域變化進行分析。高溫異常區提取結果如圖4所示,低植被覆蓋度區域面積及高溫異常區面積變化曲線如圖5所示。

圖4 高溫異常區提取結果示意圖

圖5 低植被覆蓋度區面積與高溫異常區面積關系圖

由圖4可見,高溫異常區域呈現不規則分布,東部的溫度異常區數量較多。由圖5分析可得,2006—2020年,低植被覆蓋度區面積由1.947 0 km2減少至0.701 0 km2,高溫異常區面積由0.061 2 km2減少至0.001 8 km2,二者總體的變化趨勢趨于一致,均呈現波動減小的趨勢。

3.3 煤火煙氣通道分析

在植被覆蓋度與地表溫度反演結果的基礎上,將低植被覆蓋度區域與高溫區域疊加區域作為煤火燃燒的煙氣逸散通道,將高植被覆蓋度區域與低溫區域疊加區域作為新鮮空氣滲入通道,疊加結果如圖6所示。

圖6 裂隙疊加結果示意圖

由圖6可以看出,2014—2019年,低植被覆蓋度區域+高溫異常區域疊加點,以及高植被覆蓋度區域+低溫區域疊加所展現出的裂隙點位置隨著時間推移均處于波動變化中。高溫異常區域+低植被覆蓋度區域疊加區域主要分布在研究區中部及東部,疊加點位置數量在2015年最少,僅存在2個點位;2019年其數量最大,存在73個點位。低溫區域+高植被覆蓋度區域疊加區域主要分布在西部,在北部存在較少點位,其數量在2015年為最小值,存在165個點位,在2019年為270個點位,為其最大值。2014—2019年,低溫區域+高植被覆蓋度區域疊加區域位置變化較小,說明其空氣滲入通道較為穩定;高溫異常區域+低植被覆蓋度區域疊加區域出現了由點轉面的變化現象,說明煙氣逸散通道存在擴大的趨勢,煤火燃燒情況加劇。

在植被覆蓋度與地表溫度結合分析的基礎之上,將SBAS-InSAR地面沉降監測數據進行融合分析,在可疑裂隙點位上進行沉降信息的提取,進一步提高裂隙確定的準確性。研究區在2014—2019年內的地表平均形變速率如圖7所示。

圖7 地表平均形變速率圖

結合地表平均形變速率沉降信息圖,剔除疊加點位中無效點位置,點位數量見表2。在實地考察基礎上,選取出2類典型通道區域進行沉降信息處理分析,見圖6。

表2 裂隙點數量

由表2可知,高溫區域+低植被覆蓋度區域疊加區域所得到的裂隙數量在2014—2017年呈現出上升的趨勢,在2017—2019年先降低后增高,總體數量增加了8倍左右;低溫區域+高植被覆蓋度區域疊加區域所得裂隙數量變化趨勢與之相似,總體數量表現為增加。在2類典型通道范圍內選取有效點位,獲取其沉降信息見表3,折線圖如圖8所示。

表3 典型通道代表點位沉降信息

圖8 典型通道代表點位沉降折線圖

由表3和圖8可知,2類典型通道在時間尺度內其沉降量變化趨勢基本趨于一致。2014年12月及2017年7月出現2次較大的突變。2014年前后低植被覆蓋度區域面積占比由6.28%上升至12.80%后降低,高植被覆蓋度區域面積占比由22.23%降低至18.52%后增高,高溫區面積占比由20.47%增加至45.14%,并且2014年地表最高溫度達到43.88 ℃,高于2006—2013年的最高溫度;在2017年達到最高溫度49.59 ℃,低植被覆蓋度區域呈現增加的趨勢,高溫區域表現為先增大再減小的趨勢,均與理論較為一致。

結合以上數據分析,研究區內煙氣逸散通道及空氣滲入通道數量均處于增加的趨勢,且隨著煤火不斷燃燒,裂隙通道下沉量也在逐漸增大,裂隙不斷擴大。

4 結論

1)準南煤田四棵樹火區在2006—2020年各等級植被覆蓋度區域分布位置變化較小。低植被及較低植被覆蓋度區域分布位置基本處于西北及北方向,隨著時間推移二者面積呈現減小的趨勢,低植被覆蓋度區域面積占比減少了24.7%,較低植被覆蓋度區域面積占比減少了6.3%;高植被覆蓋度區域分布于西部的山坳與其兩側,面積占比增加了13.4%。

2)四棵樹火區地表高溫區域分布位置呈東北—西南直線分布,低溫區域主要分布在西向山坳及山坳西側。研究區溫度表現為波動變化,總體呈現先上升后下降的趨勢,峰值出現在2017年,溫度為49.59 ℃,最小值出現在2007年,為-0.23 ℃。結合低植被覆蓋度區域面積與高溫異常區面積,二者變化趨勢基本趨于一致,總體表現為減小的趨勢。

3)通過融合植被覆蓋度、地表反演溫度,以及SBAS-InSAR技術確定了研究區煙氣逸散通道及空氣滲入通道位置及數量,分析結果表明該區域裂隙數量呈現出增加的趨勢,地下煤火燃燒加劇。