Analysis of Climate Change and Vegetation Change in the Yangtze River Source
-
摘要:
长江源处于高寒、高海拔的青藏高原腹地,生态系统脆弱。受全球气候变化和人类活动的影响,与源区生态系统密切相关的冰川冻土、沼泽湿地和植被等出现了不同程度的退化现象,引起了社会各界的广泛关注。笔者利用长时序、高时空分辨率的气象和MODIS NDVI数据,结合数理统计方法,分析了长江源气候和生态植被的时空演化特征,探讨了植被对气候和土壤水的响应机制。结果表明:近40年来长江源降雨量和地面气温在空间上从东南向西北呈递减特征,各区域气温整体上均有递增趋势;东部植被生长状况要好于西部地区,2000年以来长江源整体植被生长状况有逐渐转好趋势;受冻土对气温的敏感性影响,长江源生长季植被受气温的影响程度高于降雨;长江源生态植被受土壤含水率影响较大,影响程度由表层到深部有逐渐减弱趋势。
Abstract:The source of the Yangtze River is located in the remote and high-altitude Qinghai-Tibet Plateau, where the ecosystem is fragile. Influenced by global climate change and human activities, various elements closely related to the ecological system of the source area, such as glaciers, permafrost, swamps, wetlands, and vegetation, have experienced different degrees of degradation, which has aroused widespread concern from various sectors of society. This article analyzes the spatiotemporal evolution characteristics of the climate and ecological vegetation in the Yangtze River source region using long-term, high spatiotemporal resolution meteorological and MODIS NDVI data, combined with mathematical and statistical methods, and explores the response mechanism of vegetation to climate and soil water. The results show that over the past 40 years, the rainfall and surface temperature in the Yangtze River source region have decreased from southeast to northwest, and the temperature in each region has generally increased. Vegetation growth in the eastern region is better than that in the western region, and since 2000, the overall vegetation growth in the Yangtze River source region has gradually improved. Due to the sensitivity of permafrost to temperature, vegetation growth during the growing season in the Yangtze River source region is more affected by temperature than rainfall. The ecological vegetation in the Yangtze River source region is greatly influenced by soil water content, and the degree of influence gradually weakens from the surface to the deep layers.
-
Keywords:
- Yangtze River source /
- climate /
- vegetation /
- trend analysis /
- response mechanisms
-
遥感技术作为现代找矿的重要手段,能够在广泛的区域范围内高效获取地表示矿信息,尤其是对于高海拔、深切割的复杂地区的勘探具有重要意义(Yao et al.,2023)。遥感找矿的机理是金属阳离子在可见光-近红外区间(VNIR)的电子跃迁过程和阴离子基团在短波红外区间(SWIR)的分子振动过程,具体表现为褐铁矿/赤铁矿/孔雀石等含铁、铜等金属阳离子的矿物在VNIR谱段存在吸收谱带;绢云母/伊利石/高岭石等含铝羟基的矿物在SWIR谱段
2200 nm存在特征性吸收,而绿泥石/绿帘石等含镁、铁羟基的矿物在2250 nm 和2350 nm存在诊断性吸收,方解石/白云石等含碳酸根矿物在2330 nm附近存在吸收谱带(Hunt,1977)。王晋年等(2012)针对中国能源与矿产资源需求日益增长的现状,分析了地质找矿面临的诸多挑战及国内外新一代矿物勘查技术的研究进展,并提出了具有划时代意义的“光谱地壳”计划。该计划立足中国矿产勘查难题,整合航天、航空、地面及岩心高光谱探测技术与装备,旨在实现快速找矿与深部找矿,具有重要的战略价值和找矿潜力。“光谱地壳”充分利用中国已建成的大规模岩心库,并结合星–空–地一体化的高光谱遥感数据,绘制矿区三维立体图,实现立体可视化的快速、精准找矿。
遥感地质找矿具有高效覆盖、精准识别和低成本绿色勘探三大优势(Gu et al.,2015)。利用卫星、航空和地面平台多光谱及高光谱影像,可快速探测大面积区域,精准提取地质构造、岩性和矿物分布信息,提高找矿勘查效率(Van der Meer et al.,2012;白杨林等,2023)。近年来,随着遥感影像空间分辨率、光谱分辨率、光谱范围的不断提升,影像处理技术方法日趋完善,找矿效果愈发显著(白杨林等,2023)。本研究系统梳理近年国内外遥感地质找矿相关数据源、技术方法及应用方面的进展,分析遥感地质找矿面临的挑战,以期为遥感地质找矿勘查领域的发展提供思路和借鉴。
1. 遥感地质找矿主要信息源
1.1 卫星遥感数据
卫星遥感利用卫星平台所搭载的光学传感器载荷,收集地球表面和近地空间的电磁辐射数据,探测和识别地球资源和环境信息(Gu et al.,2015)。按照波段数量,卫星遥感数据可以划分为多光谱数据和高光谱数据两类。中国卫星遥感技术起步较晚,但近年来发展迅速,卫星高光谱传感器及数据已居于世界领先地位。
(1)卫星多光谱数据
Landsat系列卫星和ASTER卫星数据在遥感地质领域应用最为广泛(表1),其拥有岩石、矿物提取所需的短波红外波段,适用于大范围地质构造、岩性分析和蚀变带的初步识别(Van der Meer et al.,2012;白杨林等,2023)。随着高分辨率光学卫星的快速发展,对地观测能力显著提升,中国的GF-2、GF-7等民用亚米级卫星可提供更高空间分辨率的数据,为地表断裂构造和岩性的精细解译提供了有力支撑。热红外多光谱影像对于岩浆岩岩性分类及相关矿产勘查具有重要作用(Van der Meer et al.,2012),中国2021年发射的可持续发展科学卫星1号(Sustainable Development Science Satellite 1,SDGSAT-1)搭载了一台热红外成像仪(Thermal Infrared Spectrometer, TIS),其具有多光谱(3个波段)、高空间分辨率(30 m)、大幅宽(300 km)、高动态(220~340 K)和高探测灵敏度(0.2K@300K)等优势,在岩性分类和矿产勘查方面具有较大应用潜力。
表 1 国内外主要多光谱遥感卫星参数一览表Table 1. Parameters of major multispectral remote sensing satellites worldwide卫星名称 卫星发射国家 光谱范围(μm) 空间分辨率(m) 重访时间(d) 波段数量 Landsat-1~3 美国 0.50~1.10 80 18 4 Landsat-4~5 0.45~2.35 30 16 6 10.40~12.50 120 16 1 Landsat7 0.45~2.35 30 16 6 10.40~12.50 60 16 1 Landsat-8~9 0.43~2.29 30 16 7 10.60~12.51 100 16 2 Terra ASTER 0.52~0.86 15 16 3 1.60~2.43 30 16 6 8.125~11.65 90 16 5 Sentinel-2 欧洲 0.43~2.30 10/20/60 5 12 ZY1-02C 中国 0.52~0.89 10 3 4 ZY1-02D 0.45~1.047 10 3 9 ZY-3 0.45~0.89 6 5 4 GF-1 0.45~0.89 8/16 4 4 GF-2 0.45~0.89 4 5 4 GF-4 0.45~0.90 50 20 s 5 3.50~4.10 400 20 s 1 GF-5 0.45~2.35 20 5 6 3.50~12.5 40 5 6 GF-6 0.45~0.90 8 4 4 0.45~0.90 16 2 8 GF-7 0.45~0.89 3.2 5 4 HJ1A/1B,HJ2A/2B 0.43~0.90 30 4 4 SDGSAT-1 0.374~0.911 10 1 7 8~12.50 30 1 3 (2)卫星高光谱数据
高光谱遥感具有“图谱合一”的特性(图1),为岩性、蚀变矿物等地质要素的精准识别提供了强有力的技术支撑。以美国发射的Hyperion高光谱传感器为代表(表2),其光谱范围覆盖可见光至短波红外谱段,具有波段数量多、光谱分辨率高等优势,为岩石、矿物提取方法及相关理论研究奠定了重要基础(白杨林等,2023)。近20年来,中国在高光谱卫星技术领域取得了显著进展(徐冠华等,2016;孙伟伟等,2020;孙雨等,2022),国产卫星高光谱遥感数据已覆盖全球大部分陆地范围,可满足全球矿产资源勘查数据需求,展现出巨大的应用潜力与社会经济效益。
表 2 国内外主要高光谱遥感卫星参数一览表Table 2. Parameters of major hyperspectral remote sensing satellites worldwide卫星 卫星发射国家 光谱范围(μm) 光谱分辨率(nm) 空间分辨率(m) 重访时间(d) 波段数量 EO-1 美国 0.357~2.567 10 30 16 242 PRISMA 意大利 0.40~2.50 6.5/10 30 29 239 EnMAP 德国 0.42~2.45 10 30 27 224 ZY1-02D、ZY1-02E 中国 0.40~2.50 10/20 30 3 166 GF-5、GF-5 01A、GF-5B 0.40~2.50 5/10 30 5 330 HJ1A/1B,HJ2A/2B 0.45~0.95 5 100 4 110~128 1.2 航空高光谱遥感数据
美国喷气推进实验室(JPL)于1983年成功研制出世界上第一台机载成像光谱仪AIS-1,标志着航空高光谱遥感技术的诞生,开启了高光谱遥感的新纪元。在国际上,美国的机载可见光/红外成像光谱仪(AVIRIS)、加拿大的小型机载成像光谱仪(CASI/SASI)、澳大利亚的高光谱制图仪(HyMap)和德国的反射式成像光谱仪(ROSIS)等设备在全球范围内得到了广泛应用(Green et al.,1998)。中国科学院上海技术物理研究所在“七五”和“九五”期间先后研制出航空成像光谱仪(MAIS)(闵祥军等,1997)、“实用型模块化成像光谱仪”(OMIS)和推扫式超光谱成像仪(PHI)(王建宇等,2021)。
近年来,适用于无人机的轻小型高光谱传感器发展迅速,为矿区尺度岩性及矿物识别提供了重要工具。国际上,美国Headwall的Hyperspec Co-aligned VNIR-SWIR高光谱成像系统(400~
2500 nm,光谱分辨率:VNIR 6 nm,SWIR 8 nm)和挪威的HySpex的Mjolnir VS-620(400~2500 nm,光谱分辨率:VNIR 3 nm,SWIR 5.1 nm)高光谱传感器集成了可见光-短波红外波段。中国地质调查局南京地质调查中心研制生产的SSMAP轻型机载高光谱系统光谱范围为400~2 500 nm,其VNIR区间光谱分辨率优于3 nm,SWIR区间优于8 nm,并实现了轻量化设计,适合搭载在无人机平台上,已被广泛应用于地质矿产勘查领域。1.3 地面数据
地面数据主要包括利用高光谱成像仪和地物光谱仪(SVCHR~1024、ASD)采集典型样品及岩心的高光谱影像及光谱曲线(图2、图3)、样品化学分析数据及其他相关数据,借助这些数据可以开展遥感–地面协同验证,形成天–空–地–深多平台高光谱数据耦合,实现多尺度矿物精细识别与蚀变带圈定,确保遥感找矿过程中的信息准确性与有效性,在矿产勘查中发挥着重要作用。
图 2 青海省都兰县阿斯哈金矿区蚀变带1∶100高光谱地物分布图(孙雨等,2015)1.褐铁矿;2.绢云母+绿泥石;3.绢云母;4.高岭石;5.植被Figure 2. Distribution of hyperspectral objects in alteration belt of the Asiha gold ore district in Dulan County, Qinghai Province, with the scale of 1:100图 3 花牛山地区蚀变矿物实测光谱曲线图(孙雨等,2022)1.褐铁矿;2.赤铁矿;3.绿泥石;4.方解石;5.白云石;6.短波云母;7.中短波云母;8.中长波云母;9.长波云母Figure 3. Measured spectral curves of altered minerals in Huaniushan area2. 遥感地质找矿方法研究进展
采用新技术、新方法加强矿产资源勘查力度,扩大资源储量,是保障中国经济可持续发展战略的重要途径(刘德长等,2011)。遥感地质找矿通过遥感技术识别与成矿相关的岩性、蚀变带、构造等特征,构建遥感找矿模型,进而指导矿产勘查。
2.1 遥感岩性分类方法进展
遥感岩性分类主要依据岩石的光谱特征和空间特征实现分类,不同的遥感数据和方法被广泛应用于岩性分类中。
(1)基于光谱指数的岩性分类
该类方法是通过在岩石出露区提取岩性光谱,经过波段运算构造岩性或矿物提取指数,再通过图像增强手段使得遥感影像的颜色及色调达到最大差异,以此划分不同岩石类型。Yamaguchi等(2003)对ASTER SWIR波段进行正交变换、波段比值运算及阈值估计,设计了光谱指数用于岩性填图。Ninomiya等(2005)用ASTER TIR波段创建了石英、碳酸盐和铁镁岩指数,并在中国西北部、澳大利亚中东部以及西藏南部的干旱地区进行岩性填图,证明了这些矿物指数在温度和气候变化时的稳定性。于亚凤等(2015)基于指数模型进行遥感岩性填图,利用实测光谱建立了RI和SI两种光谱指数法,应用于ASTER影像提取了二长花岗岩及石英正长岩(图4)。
图 4 西昆仑成矿带西部研究区 RI与SI 指数岩性分类结果(于亚凤等,2015)Figure 4. Lithologic classification results of RI and SI index in western area of West Kunlun metallogenic Belt(2)基于空间特征的岩性分类
提取岩石的空间特征(多尺度纹理特征、几何特征、颜色特征)等,通过图像处理(图像变换、图像增强)等可绘制岩性分布图。张翠芬等(2017)采用波段叠加的方式,协同多尺度纹理与ASTER光谱信息进行岩性分类。金剑等(2013)基于高空间分辨率WorldView-2数据及其统计特征,筛选波段进行了影像纹理增强,提高了不同岩性对比度的同时,削弱了光谱干扰,有效识别了岩性。Diaz等(2020)针对岩石的纹理提出了3种基于变分的纹理描述子,用数值方法描述岩石纹理特征的局部结构模式,将纹理比较方法扩展到不同类型的岩石纹理分类中。将影像空间特征与机器学习分类模型相结合可有效提高分类精度,学者将极限学习机(ELM)与分水岭分割算法和快速漂移算法所提取的空间特征结合,在岩性分类中获得了较标准ELM更优的精度和可靠性(牟多铎等,2019;梅佳成等,2024)。
(3)基于机器学习的岩性分类
Masoumi等(2017)整合ASTER数据的光谱、温度和纹理特征,采用随机森林(Random Forest,RF)方法进行了岩性分类。Bedini Enton(2009)采用HyMap机载高光谱成像仪对格陵兰岛南部地区的碳酸岩杂岩进行岩性填图,采用自组织神经网络算法对HyMap影像进行处理得到该区域的岩性填图结果,通过实地采集数据进行精度评价,证实该机器学习方法的有效性。张野等(2018)基于深度卷积神经网络模型,建立了岩石图像集分析的深度学习迁移模型,采用迁移学习方法准确识别了岩石岩性,识别过程智能化、自动化。受研究区范围、训练样本等限制,目前的研究方法仅适用于特定研究区不同岩性分类,尚缺少对大范围、多种岩性普遍适用的通用智能化岩性识别方法。
2.2 遥感矿化蚀变信息提取进展
矿化蚀变信息是成矿流体移动留下的地质记录,矿化蚀变信息的提取对于找矿靶区圈定具有重要意义(唐淑兰等,2021)。遥感矿化蚀变信息提取是遥感找矿勘查中一项重要工作,可以提高矿产资源勘查效率,已得到广泛应用(于岩,2015;韩海辉等,2016;杨波等,2021;裴秋明等,2024)。常用的蚀变信息提取方法包括波段比值法、主成分分析(PCA)、光谱角(SAM)、混合调制匹配滤波(MTMF)、混合像元分解(图5)、神经网络等(蓝金辉等,2018;胡滨,2020)。
图 5 高光谱混合像元分解技术路线图(于岩,2015)Figure 5. Roadmap of hyperspectral mixed pixel decomposition technologyPour等(2013)采用比值法和主成分分析法处理ETM+多光谱数据,利用线性光谱解混算法处理Hyperion高光谱数据,提取了马来西亚Bau金矿区的蚀变带。胡滨等(2014)采用主成分分析法处理Landsat OLI数据提取铁染与羟基信息,利用最小能量约束法从ASTER短波红外数据中提取白云母信息,所提取的西藏朱诺矿区围岩蚀变信息与野外蚀变填图结果吻合较好。Liu等(2018)采用天宫1号高光谱数据与SASI机载高光谱数据在甘肃省金滩子金矿区进行蚀变矿物填图,两种高光谱影像可有效探测与金矿有关的绢云母、高岭石、绿泥石、绿帘石、方解石和白云石,结果表明SASI和天宫1号高光谱数据均适合于区域填图与矿产勘查。
2.3 高光谱遥感地质找矿进展
高光谱遥感凭借其纳米级光谱分辨率,能够精细识别地表矿物成分,已成为现代矿产勘查的核心技术之一。近年来,随着传感器技术、数据处理方法和人工智能的发展,高光谱遥感在矿物填图、蚀变分带识别和找矿预测方面取得了显著进展。
由于自然界岩石普遍为多种矿物混合,加之混合像元的影响,USGS标准波谱库在一定意义上不具备普适性,因此以影像端元光谱为参考常可获得更好的提取结果。孙雨等(2022)通过噪声分离变换分离出有用信号,基于纯净像元指数提取纯净像元并投影至n维可视化空间中进行分析,得出候选端元光谱曲线作为参考影像光谱,建立研究区的参考影像端元波谱库。
刘德长等(2017)在甘肃北山的柳园–方山口地区采用航空高光谱成像仪,进行了高光谱遥感蚀变矿物填图,通过提取的蚀变矿物,快速、准确地圈定成矿远景区,表明高光谱技术在遥感找矿领域能够发挥巨大作用(图6)。Zhang等(2022)基于3个深度神经网络模型对中国新疆西北部白杨河铀矿床进行矿物填图(图7)。
图 6 甘肃方山口地区蚀变矿物区域分布图(据 SASI 数据源)(刘德长等,2017)1.黄钾铁钒;2.菱铁矿;3.绿帘石;4.绿泥石;5.蛇纹石;6.方解石;7.白云石;8.褐铁矿;9.高铝绢云母;10.中铝绢云母;11.低铝绢云母Figure 6. Regional distribution map of altered minerals in Fangshankou area, Gansu (from SASI data)图 7 新疆白杨河铀矿床蚀变矿物图(Zhang et al.,2022)a-e.分别为SVM、FCNN、1D CNN、1D + 2D CNN和 MTMF结果;f.SASI图像中8个点的像元光谱;g.实测岩石样品光谱Figure 7. Alteration mineral map of Baiyanghe Uranium Deposit, Xinjiang受岩浆热液成分、温度、压力、pH值等因素影响,同类矿物在形成过程中可产生不同的矿物,最典型的为白云母族矿物发生钾钠置换或Tschermak置换,形成钠云母、白云母、多硅白云母等矿物,其吸收波长可由
2190 nm偏移至2220 nm(Van der Meer et al.,2018)。Liu等(2024)利用ZY1-02D高光谱影像有效提取了巴基斯坦查盖斑岩铜矿带绢云母吸收波长偏移(图8),并分析了吸收波长与矿化间的关系,为后续找矿提供了更明确的证据。图 8 巴基斯坦查盖斑岩铜矿带Al-OH吸收波长图(Liu et al.,2024)Figure 8. Al-OH absorption wavelength map of Chagai porphyry copper belt, Pakistan2.4 遥感地质构造提取进展
地质构造与成矿预测的研究主要是通过遥感数据解译、提取出地质构造信息,依据已有地质资料,结合成矿理论,确定控矿地层、控矿构造等信息,并进行成矿远景区的预测。早在1983年,陈硕彦(1983)就利用Landsat1、2、3数据对秦岭地区进行了线环构造解译,并结合矿产、岩体分布进行成矿分析。余晓霞等(2014)基于多种不同分辨率的遥感数据,对青海沟里金矿集区进行了线环构造解译,并通过与典型矿床分析,结合各种资料圈定了有利成矿区。Beygi等(2021)基于ASTER数据,利用波段比值法、选择性主成分分析法和光谱角填图,在伊朗Kacho-Mesqal研究区成功识别了蚀变带,并分析了蚀变带和地质构造分布的相关性。近年来,基于边缘检测算法的构造线性体自动提取方法引起学者广泛关注。Adiri(2017)分别利用Landsat-8、ASTER和Sentinel-1影像提取线性体。Hashim等(2013)利用ETM+数据在植被覆盖区进行线性体自动提取。
2.5 遥感找矿模型研究进展
遥感找矿模型通过综合分析典型矿床的区域地质背景、地层分布、区域构造和遥感影像特征,达到圈定找矿靶区的目的,尤其对缺少地质资料的地区效果明显(赵玉灵,2003)。
国内外专家已经建立了区域变质型铁矿、岩浆熔离型铁矿、岩浆型铜镍矿等遥感找矿模型。代晶晶(2012)利用光学和雷达的融合数据提取控矿构造及赋矿岩体信息,结合提取的蚀化信息建立了岩浆熔离型铁矿的遥感找矿模型,在非洲埃塞俄比亚西部圈定了3处遥感找矿靶区。黄祥芝(2012)以利用遥感矿产预测五要素“线、带、环、色、块”及其组合信息,建立了初步的遥感成矿预测模型。胡滨等(2014)利用集成学习结合Sentinel-2A MSI数据、ASTER数据、Hyperion数据和GF-5数据4种遥感数据获取西藏多龙地区的蚀变矿物分布信息,进行成矿预测划定3个新的成矿远景区(图9)。Zhang等(2025)利用ASTER和SDGSAT-1热红外影像建立了三维特征空间分类模型,实现了镁铁–超镁铁岩提取及找矿靶区圈定。前人的研究表明,遥感找矿模型将遥感技术与地质成矿结合在一起,可大大缩短常规地质调查的工作周期,克服了单一使用遥感异常信息圈定找矿靶区的局限性,提高遥感地质找矿的准确性。
图 9 西藏多龙地区成矿预测图(胡滨等,2014)Figure 9. Metallogenic prediction map of Duolong area, Xizang2.6 人工智能技术与遥感找矿研究进展
人工智能(AI)技术(如机器学习、深度学习)与遥感技术结合,广泛应用于蚀变信息提取、构造识别、矿化预测等关键环节,显著提升了矿产勘查的效率和精度(Shirmard et al.,2022)。Zhang等(2023)创新性地将岩石薄片显微图像的多维信息(包括PPL和XPL等多偏振图像)作为输入数据,采用深度残差收缩网络结合注意力机制对12种岩石类型进行分类,该方法有效抑制了冗余信息的干扰,显著提高了分类准确率。El-Arafy(2023)通过整合边缘检测技术和机器学习分类算法,成功实现了埃及东北沙漠Gattar地区的高精度岩性鉴别和构造线提取。Zhang等(2025)对比了ANN、MD、SVM和RF等4种机器学习算法在卡拉麦里蛇绿岩带岩性分类及找矿中的精度,证实RF具有最优的效果。Yin等(2024)采用耦合影像空间特征的Transformer深度学习模型开展甘肃北山地区岩性分类,实现了镁铁–超镁铁岩精准分类与找矿。这些研究为人工智能技术在遥感地质勘查中的深入应用提供了重要参考。
基于数据驱动的机器学习或深度学习矿产预测方法的优势在于:① 能够借助不同数学函数,对输入数据进行高维抽象信息提取。② 可逐层、多源和大规模学习输入数据的内在特征。③ 借助神经网络强大的参数化技术提高不同上下游任务的能力。然而,地质勘探大数据集(包括地质、地球物理、地球化学和遥感数据)规模较大,对样本数据的数量与质量有较高的需求。
3. 遥感地质找矿的挑战与展望
3.1 面临的问题
相比于遥感影像的获取技术,遥感影像信息处理技术发展相对滞后。同时,由于地质条件的复杂性、矿产资源分布的分散性,加之地形地貌、植被等特征差异,利用遥感影像进行岩性填图和找矿预测依然面临很多技术难题。
(1)植被覆盖区示矿弱信息提取。覆盖区基岩露头有限,在卫星遥感图像上示矿岩性为小目标,示矿岩性的混合或胁迫光谱表现为弱信息。因此,覆盖区遥感地质找矿面临的问题和难点是如何从浅覆盖区岩矿与植被混合光谱中分解出赋矿的岩矿信息,抑制植被光谱,突出岩矿光谱弱信息,提高混合像元分解精度。
(2)高海拔、深切割的复杂地质背景。高海拔地区通常伴随着极其复杂的地形地貌,如悬崖、深谷和冰雪覆盖等,导致遥感影像的地面覆盖物在空间上呈现出显著的变化。这种地形特征不仅使得遥感影像在不同地物分类时难度加大,而且高山和深切割地区的阴影效应可能遮挡了潜在的矿化带和矿体,使得矿产资源的探测难度倍增,不利于遥感数据的进一步应用。此外,地形变化剧烈可能导致遥感数据中的地表反射特性不稳定,影响光谱解译和矿物提取的准确性。
(3)遥感数据的尺度差异。常用的遥感找矿模式是寻找均匀的和大尺度的线状、环状、块状等异常分布,分析这些异常形态可确定与矿物异常有关的地质控制因素。但是,相关方法无法在小尺度上提取矿物异常的局部变化性和空间结构信息。基于单一尺度的分析方法不能很好地描述矿物的富集和贫化规律。
3.2 展望
随着遥感科技的不断进步和市场需求的日益增长,遥感地质找矿技术正迎来前所未有的发展机遇,并展现出广阔的应用前景。
(1)多源遥感数据融合技术突破
卫星遥感数据与航空遥感、地面数据等进行融合,形成“天–空–地–深”立体勘查体系,能够实现不同尺度和精度的数据互补,构建更全面、更准确的地质模型。随着量子技术的发展,量子遥感有望为地质找矿带来新的突破。量子遥感能够利用量子纠缠等特性,提高遥感数据的获取速度和精度,为地质找矿提供更强大的技术支持。
(2)更广阔的应用拓展
卫星遥感地质找矿将在深海矿产资源勘查中发挥重要作用。随着陆地矿产资源的逐渐减少,深海矿产资源的开发日益受到关注。卫星遥感技术能够对大面积的海域进行快速监测,为深海矿产资源的勘查提供基础数据。同时,在极地地区的地质找矿中,卫星遥感也将具有广阔的应用前景。极地地区环境恶劣,实地勘查难度大,卫星遥感可以克服这些困难,为极地矿产资源的评估和开发提供有力支持。
未来,卫星遥感地质找矿技术还将在全球资源战略中扮演重要角色。各国将更加依赖卫星遥感技术获取全球矿产资源的分布和动态信息,以保障国家的资源安全。同时,国际间的合作将更加紧密,通过共享遥感数据和技术成果,共同推动全球矿产资源的勘查和开发。
(3)人工智能找矿前景
从最初的数字化找矿,到信息化找矿,再到如今的智能化找矿,未来的找矿方式将更加高效、精准且可持续。基于人工智能技术的遥感找矿,既结合了遥感技术在矿产资源快速、大面积观测方面的优势,又具备人工智能技术的可扩展性、学习能力和快速迭代的特点。在大数据和大型模型的支持下,新一轮找矿突破战略行动将会取得更大的成果。
展望未来,人工智能找矿将进一步融合多源数据、自动化设备与先进分析方法,通过智能决策和风险管理,显著提升矿产资源的勘探效率和环境可持续性。这些技术进步不仅为矿业发展注入新的动力,还将确保资源开发与生态保护的协调统一,推动矿业行业迈向更加智能、高效的未来。
-
图 12 气象监测站点分布图(冻土分布数据来源于青藏高原新绘制冻土分布图(2017)(赵林,2019))
Figure 12. Map of meteorological monitoring stations
表 1 长江源降雨与气温突变分析
Table 1 Analysis of sudden changes in rainfall and temperature in the Yangtze River source
气象要素 区域 M-K突变检验 滑动t检验 综合分析 n=5 n=10 降雨 沱沱河 2008,2010,2020 - 1999 - 五道梁 2018 2007 - - 曲麻莱 1981,2019 2012 1999,2003 - 玉树 1981,2020 - - - 气温 沱沱河 2001 2001,2015 2001 2001 五道梁 2000 1986 1997,2000 2000 曲麻莱 2002 2002 - 2002 玉树 1987 2010 - - 表 2 生长季(7~9月)逐月植被指数与降雨量相关性分析
Table 2 Vegetation index and rainfall correlation analysis for the growing season (July-September)
研究区域 皮尔逊相关性系数 Sig.(双尾) 统计数(个) 曲麻莱 0.568** 0.000 65 沱沱河 0.518** 0.000 65 五道梁 0.587** 0.000 65 玉树 0.331** 0.000 64 注:“**”表明在 0.01 级别(双尾),相关性显著。 表 3 生长季(7~9月)逐月植被指数与气温相关性分析
Table 3 Vegetation index and temperature correlation analysis for the growing season (July-September)
研究区域 皮尔逊相关性系数 Sig.(双尾) 统计数(个) 曲麻莱 0.666** 0.000 65 沱沱河 0.626** 0.000 65 五道梁 0.635** 0.000 65 玉树 0.729** 0.000 64 注:“**”表明在 0.01 级别(双尾),相关性显著。 表 4 植被指数与土壤含水率相关性分析
Table 4 Correlation analysis between vegetation index and soil water content
研究
区域土壤
深度/cm皮尔逊相
关性系数Sig.(双尾) 统计数(个) 10 0.563** 0.000 108 西大滩 40 0.487** 0.000 108 100 0.475** 0.003 37 180 −0.016 0.845 144 5 0.686** 0.000 132 50 0.653** 0.000 132 五道梁 90 0.542** 0.000 132 180 0.034 0.701 132 240 −0.123 0.159 132 沱沱河 10 0.772** 0.000 60 60 0.757** 0.000 60 90 0.763** 0.000 60 210 0.210 0.107 60 270 −0.146 0.265 60 唐古拉 50 0.648** 0.000 84 140 0.450** 0.000 84 300 −0.179 0.103 84 -
陈婷. 长江源区生态水文学研究[D]. 北京: 中国地质大学(北京), 2009 CHEN Ting. Study on the ecohydrology of the Yangtze River source area [D]. Beijing: China University of Geosciences (Beijing), 2009.
杜臻, 张茂省, 冯立等. 鄂尔多斯盆地煤炭采动的生态系统响应机制研究现状与展望[J]. 西北地质, 2023, 56(03): 78-88 DU Zhen, ZHANG Maosheng, Feng Li, et al. Research Status and Prospect of Ecosystem Response Mechanism to Coal Mining in Ordos Basin [J]. Northwest Geology, 2023, 56 (03): 78-88.
方欣, 刘小槺, 岳大鹏. 毛乌素沙地1960-2018年气候变化特征及影响因子分析[J]. 水土保持研究, 2022, 29(02): 163-169 FANG Xin, LIU Xiaokang, YUE Dapeng. Analysis of climate change characteristics and impact factors in the Maowusu Sands from 1960-2018[J]. Soil and water conservation research, 2022, 29(02): 163-169.
黄荟羽, 李恩键, 安娟, 等. 克拉默法与曼-肯德尔法对降水突变检验的对比分析[J]. 现代农业科技, 2018, 8: 2 doi: 10.3969/j.issn.1007-5739.2018.06.002 HUANG Aiyu, LI Enjian, AN Juan, et al. A comparative analysis of the Cramer method and the Mann-Kendall method for precipitation mutation testing[J]. Modern Agricultural Science and Technology, 2018, 8: 2. doi: 10.3969/j.issn.1007-5739.2018.06.002
韩海辉, 李健强, 易欢等. 遥感技术在西北地质调查中的应用及展望[J]. 西北地质, 2022, 55(03): 155-169 HAN Haihui, LI Jianqiang, YI Huan, et al. Application and prospect of remote sensing technology in geological survey of Northwest China [J]. Northwest Geology, 2022, 55 (03): 155-169.
李雪银, 张志强, 孙爱芝. 1982—2021年黄河流域植被覆盖时空演变及影响因素研究[J]. 地球环境学报, 2022, 13(04), 428–436 LI Xueyin, ZHANG Zhiqiang, SUN Aizhi. Spatial and temporal evolution of vegetation cover in the Yellow River basin from 1982 to 2021 [J]. Journal of Earth Environment, 2022, 13(04), 428-436.
李元寿, 王根绪, 赵林, 等. 青藏高原多年冻土活动层土壤水分对高寒草甸覆盖变化的响应[J]. 冰川冻土, 2010, 32(1): 157-165 LI Yuanshou, WANG Genxu, ZHAO Lin, et al. Soil moisture response to alpine meadow cover change in the permafrost active layer of the Qinghai-Tibet Plateau[J]. Glacial Permafrost, 2010, 32(1): 157-165.
钱开铸. 长江源区水文周期特征及其对气候变化的响应[D]. 北京: 中国地质大学(北京), 2013 QIAN Kaizhu. Characteristics of the hydrological cycle in the Yangtze River source area and its response to climate change [D]. Beijing: China University of Geosciences (Beijing), 2013.
汪柳皓, 魏显虎, 张宗科, 等. 青藏高原地区植被指数变化及其与温湿度因子的关系[J]. 森林与环境学报, 2022, 42(02): 141-148 WANG Liuhao, WEI Xianhu, ZHANG Zongke, et al. Changes in vegetation index and its relationship with temperature and humidity factors in the Qinghai-Tibet Plateau[J]. Journal of Forest and Environment, 2022, 42(02): 141-148.
强建华. 遥感技术在新疆南部地区矿山环境调查及生态修复中的应用[J]. 西北地质, 2021, 54(03): 253-258 doi: 10.19751/j.cnki.61-1149/p.2021.03.023 QIANG Jianhua. Application of remote sensing technology in mine environment investigation and ecological restoration in Southern Xinjiang [J]. Northwest Geology`, 2021, 54 (03): 253-258. doi: 10.19751/j.cnki.61-1149/p.2021.03.023
吴小丽. 近30年来青藏高原多年冻土区与季节性冻土区土壤水分变化差异[D]. 兰州: 兰州交通大学, 2020 WU Xiaoli. Differences in soil moisture changes between perennial and seasonal permafrost areas on the Qinghai-Tibet Plateau over the past 30 years[D]. Lanzhou: Lanzhou Transportation University, 2020.
阳坤, 何杰. 中国区域地面气象要素驱动数据集(1979-2018)[R]. 国家青藏高原科学数据中心, 2019 YANG Kun, HE Jie. Regional ground meteorological element-driven dataset for China (1979-2018) [R]. National Qinghai-Tibet Plateau Scientific Data Center, 2019.
朱艺旋, 张扬建, 俎佳星, 等. 基于MODIS NDVI、SPOT NDVI数据的GIMMS NDVI性能评价[J]. 应用生态学报, 2019, 30(2), 536–544 ZHU Yixuan, ZHANG Yangjian, ZU Jiaxing, et al. Performance evaluation of GIMMS NDVI based on MODIS NDVI and SPOT NDVI data[J]. Journal of Applied Ecology, 2019, 30(2), 536-544.
赵林. 青藏高原新绘制冻土分布图(2017)[R]. 国家青藏高原科学数据中心, 2019. 赵林, 胡国杰, 邹德富, 等.青藏高原多年冻土综合监测数据集(2002-2018)[R].北京: 国家青藏高原科学数据中心, 2021. Ba R, Lovallo M, Song W G, et al. Multifractal Analysis of MODIS Aqua and Terra Satellite Time Series of Normalized Difference Vegetation Index and Enhanced Vegetation Index of Sites Affected by Wildfires[J]. Entropy, 2022, 24(12), 1748. doi: 10.3390/e24121748
Essaadia A, Abdellah A, Ahmed A, et al. The normalized difference vegetation index (NDVI) of the Zat valley, Marrakech: comparison and dynamics[J]. Heliyon, 2022, 8(12), 12204. doi: 10.1016/j.heliyon.2022.e12204
Parmesan C, Yohe G. A globally coherent fingerprint of climate change impacts across natural systems [J]. Nature, 2003, 421(6918), 37–42. doi: 10.1038/nature01286