过去四十年间，中国露天煤矿植被绿度和恢复力在时空上的变化模式及其驱动因素

《Journal of Cleaner Production》：Spatiotemporal patterns and drivers of vegetation greenness and resilience in China's open-pit coal mines over the past four decades

　　摘要
露天采矿和复垦直接改变了地表形态，使植被成为矿区生态动态的敏感遥感指标。然而，大多数现有评估仅关注植被的绿色程度，尽管绿化并不一定意味着生态恢复能力的增强。在矿区，非稳定性和信号混合阻碍了植被恢复能力的大规模、长期评估。本文结合VegDecouple与关键减缓理论（Critical Slowing Down，CSD）来提取植被扰动信号并量化植被恢复能力。利用1987年至2025年的Landsat年度最大NDVI数据，我们提取了稳态NDVI成分NDVIss来表示植被绿色程度，并研究了中国329个露天煤矿中植被绿色程度和恢复能力的时空模式，确定了其轨迹类型，并使用混合效应模型评估了气候和人为因素的影响。结果显示：（1）植被绿色程度经历了三个阶段——1987-2005年缓慢增长，2006-2016年退化，2017年后恢复；中国东北部的植被绿色程度普遍较高，而中部较低；（2）植被恢复能力在1993-2007年间波动，2007-2014年下降，2014年后上升，但没有明显的宏观地理梯度；（3）识别出四种绿色程度-恢复能力轨迹类型，其中以绿色程度提升伴随恢复能力增强为主，主要集中于山东煤炭基地；（4）混合效应模型显示不同驱动因素的响应不同。NDVIss主要与长期气候背景（特别是平均降水量）及恢复年龄相关，而植被恢复能力主要与年度温度异常、平均降水量和年度净太阳辐射异常相关。使用替代水文指标的敏感性分析进一步表明，NDVIss与0-7厘米土壤层中的持续水分供应和土壤湿度关系更密切，而植被恢复能力对SPEI指标捕获的3个月和6个月水分亏缺更为敏感，而非总年降水量。本研究加深了对中国露天煤矿长期植被绿色程度和恢复能力动态的理解，为评估矿区生态变化提供了遥感视角。

引言
煤炭仍是全球能源体系的基石，对能源安全和工业发展至关重要（IEA, 2025）。根据IEA的《煤炭2025》报告，全球煤炭需求预计将达到8845百万吨，比2024年增长0.5%（IEA, 2025）。在中国，煤炭在能源供应中仍占主导地位。作为世界最大的煤炭生产和消费国之一，中国2025年生产了48.3亿吨原煤（国家统计局, 2026）。由于其高生产效率和相对有利的安全条件，露天采矿已成为重要的煤炭开采方式（Li et al., 2024b）。目前中国有300多个在运行的露天煤矿，年产量约为11.8亿吨，约占全国煤炭产量的25%（Lv et al., 2025）。然而，采矿和复垦活动显著改变了地形并破坏了土壤结构，对区域生态系统产生了深远影响（Hancock et al., 2020）。在各种生态动态指标中，植被特别敏感，因为它直接反映了生态系统的退化和恢复（Ren et al., 2026）。因此，大规模和长期的植被监测对于了解中国露天煤矿的生态动态和评估复垦效果至关重要（McKenna et al., 2020）。然而，越来越多的证据表明，植被绿化并不一定意味着恢复能力的同步增强，即使绿色程度明显改善，生态系统的恢复能力也可能仍然较弱甚至下降（Wang et al., 2023）。鉴于此，本研究同时考虑了植被绿色程度和恢复能力，以揭示其在中国露天煤矿中的长期时空模式，并为生态恢复评估和精细化管理提供遥感证据。

先前研究广泛利用遥感观测数据研究了矿区的植被动态。从空间尺度来看，现有研究大致可分为两类：一类关注局部单位，如单个矿山、废料堆场和复垦地块，例如东南亚的Mae Moh矿山（Hutayanon and Somprasong, 2025）、印度Jharia煤矿的Block II（Karan et al., 2016）、中国的神利矿区（Zhang et al., 2023）和平庄西露天煤矿的废料堆场（Wang et al., 2025）；另一类关注更广泛的区域单位，如煤矿区、煤炭基地和省份，例如西班牙的Teruel煤矿区（Vidal-Macua et al., 2020）、中国北部的煤炭基地（Hou et al., 2023）以及内蒙古的草原地区（Hu et al., 2025）。在研究重点方面，大多数现有研究使用遥感指标（如归一化植被指数NDVI和分数植被覆盖度FVC）来描述矿区植被结构属性的时空动态。然而，现有评估仍主要依赖植被绿化作为恢复的依据，未能明确露天煤矿的长期绿化是否伴随着恢复能力的提升，这可能掩盖了表面绿化下的脆弱区域。

恢复能力是指生态系统在外部干扰下维持其核心结构和功能的能力（Holling, 1973; Willis et al., 2018）。与主要描述植被覆盖度和生长状态的遥感指标（如NDVI和FVC）不同，植被恢复能力强调生态系统在干扰后的响应和恢复过程。因此，它补充了传统的绿色程度指标，有助于评估生态系统的恢复能力，并为识别潜在生态风险提供依据（Marcos et al., 2023; Zhang et al., 2025c）。近年来，植被恢复能力在森林、草原和湿地研究中得到越来越多应用，以识别生态脆弱性和评估恢复潜力（Smith et al., 2023; Martinez et al., 2024; Pickering et al., 2025）。然而，在露天煤矿地区量化植被恢复能力仍面临挑战：首先，在单个矿山层面，由于长期采矿干扰、地形重建和人工复垦的共同作用，植被动态具有强烈的非稳定性（Han et al., 2025），导致NDVI时间序列中长期背景趋势和短期干扰难以区分；其次，在更广泛的空间尺度上，不同矿山之间的采矿强度、干扰历史、复垦方法和气候背景存在显著差异，进一步增加了植被恢复能力的大规模比较和定量评估的复杂性。为应对这些挑战，本研究使用了1987年至2025年Landsat影像的年度最大NDVI数据，结合VegDecouple与关键减缓（CSD）理论，适应性识别长期背景趋势和短期干扰的边界（Wang et al., 2026）。在此基础上，有效提取了中国露天煤矿植被时间序列中的扰动信号，并量化了植被恢复能力。该研究从绿色程度和恢复能力的双重角度分析了中国露天煤矿的植被动态，旨在：（1）量化过去四十年的植被绿色程度和恢复能力的时空模式；（2）明确绿色程度与恢复能力之间的关系，识别不同的绿色程度-恢复能力轨迹类型；（3）评估气候和人为因素对植被绿色程度和恢复能力的影响。通过将绿色程度和恢复能力整合于一个统一的框架中，本研究为植被评估提供了更全面的视角，并为矿区生态恢复管理提供了科学依据。

研究区域概述
利用中国自然资源部提供的数据，我们确定了全国329个露天煤矿的位置。每个矿山的研究区域定义为露天煤矿及其周边5公里的缓冲区。选择这一缓冲距离是基于对中国露天煤矿周围植被扰动的研究，这些研究表明，露天采矿造成的植被扰动通常发生在距矿山边界约5公里的范围内（Li et al., 2022）。

方法
基于年度最大NDVI序列，本研究通过结合VegDecouple与关键减缓（CSD）理论来确定中国露天煤矿的植被绿色程度和恢复能力。在此框架下，植被绿色程度用NDVIss表示，而植被恢复能力则通过从扰动成分中得到的AC(1)来量化。随后评估了VegDecouple在大规模矿区中的适用性。基于此，进行了植被绿色程度和恢复能力的趋势分析。

中国露天煤矿植被绿色程度的时空模式
图3a显示了1987-2025年间全国平均NDVIss的时间动态，用于表示本研究中的植被绿色程度。NDVIss经历了三个阶段：1987-2005年呈波动上升趋势，Kendall's τ为0.649，表明植被绿色程度整体改善；2006-2016年下降，Kendall's τ为-1，表明植被广泛退化；2017-2025年再次上升，Kendall's τ为1。

在中国露天煤矿中，植被绿色程度的动态变化与采矿开发和生态恢复治理的关系
研究表明，过去四十年中国露天煤矿的植被绿色程度遵循了明确的阶段性轨迹，从缓慢恢复到明显退化，再到逐步回升。这一模式可以解释为中国采矿发展、生态恢复需求和环境治理的变化。2005年至2017年间的植被绿色程度下降与中国快速采矿发展时期相吻合。

结论
基于1987-2025年Landsat的年度最大NDVI数据，本研究结合VegDecouple与CSD理论提取了植被扰动信号并量化了大规模露天煤矿的植被恢复能力。从植被绿色程度和恢复能力的双重角度分析了中国露天煤矿的植被演变，识别了四种绿色程度-恢复能力轨迹类型，并评估了气候和人为因素的影响。

作者贡献声明
Hui Wang：撰写——原始稿件、方法论、正式分析、概念构思
Chengye Zhang：撰写——审阅与编辑、资源获取、调查、资金申请
Ruwen Zhang：可视化、正式分析、数据管理
Peng Chen：软件开发、正式分析、数据管理
Xintong Cai：可视化、验证、数据管理
Zhilei Qin：验证、软件开发、正式分析
Jun Li：撰写——审阅与编辑、监督、方法论

关于本文中生成式AI和AI辅助技术的声明
在准备过程中，作者使用ChatGPT检查语法。使用该工具后，作者根据需要对内容进行了审核和编辑，并对出版物的内容负全责。

关于利益冲突的声明
作者声明没有已知的财务利益或个人关系可能影响本文的报告内容。

致谢
本项工作得到了北京Nova计划（项目编号202604841333）、国家自然科学基金（项目编号42371347）、中央高校基本科研业务费（项目编号2026ZKPYDC06）以及宁波市镇海区“十四五”规划重点技术研发项目（项目编号2024006）的支持。

作者列表：
Hui Wang | Chengye Zhang | Ruwen Zhang | Peng Chen | Xintong Cai | Zhilei Qin | Jun Li