基于Sentinel-2/MSI数据的煤层气烃微渗漏植被异常区提取
Extraction of vegetation anomaly caused by coalbed methane hydrocarbon microseepage based on Sentinel-2/MSI
- 2023年27卷第7期 页码:1713-1730
纸质出版日期: 2023-07-07
DOI: 10.11834/jrs.20232208
引用
阅读全文PDF
扫 描 看 全 文
纸质出版日期: 2023-07-07
扫 描 看 全 文
引用
阅读全文PDF
地下油气(含煤层气)的烃微渗漏会引起地表土壤、植被的光谱变化。利用遥感技术探测烃微渗漏是覆盖范围大而成本低廉的煤层气前期探测新方法。然而,目前此类方法的研究主要针对裸土矿物,而对大面积植被覆盖区却研究甚少,其中重要原因便是烃微渗漏对植被根系毒害的生物物理过程复杂,可用于提取植被异常区的光谱特征含糊不清。而根据少量采样光谱选取的光谱特征也有偶然性,导致提取结果的精度较低。因此,本文首先探讨烃微渗漏对植被根系毒害的机理并基于PROSAIL模型优选光谱特征,然后利用实验区大量煤层气采集井统计最受烃微渗漏影响的异常植被光谱,并与对照区植被光谱对比,最后利用Sentinel-2/MSI数据以及合适的特征组合阈值提取烃微渗漏区并验证。在山林区能达到采集井60 m缓冲区内植被样本80%召回率与对照区植被样本5%误分率左右的平衡,表明了本文方法的有效性。本文分析与优选烃微渗漏影响的植被光谱特征并利用多光谱数据构建光谱指数提取烃微渗漏植被异常的方法,可为遥感提取烃微渗漏植被异常研究提供参考。
Hydrocarbon microleakage of oil and gas resources (including coalbed methane) may induce spectral changes in surface soil and vegetation. Detecting surface hydrocarbon microleakage using remote sensing technology, a new method for early exploration of coalbed methane, has a wide range of applications and low cost. At present, the studies of this kind of method mainly focus on bare soil minerals and seldom on widespread vegetated areas. The important reason is that the biophysical process of hydrocarbon microleakage toxicity to vegetation roots is complex, and the spectral characteristics that can be used to extract vegetation anomalies are vague. Moreover, the spectral features selected according to a small number of sampled spectra are accidental, leading to the low accuracy of the extraction results. Therefore, this work first discussed the mechanism of hydrocarbon microleakage poisoning to vegetation roots. Afterward, the vegetation spectral features that effectively reflect the effect of hydrocarbon microleakage were selected based on the PROSAIL model. Moreover, a red-edge position index based on Sentinel-2/MSI band configuration was proposed. Then, we marked the mine sites across our study area, the Qinshui basin, on Google Earth for long-term vegetation spectral characteristics statistics. We compared these mine sites with those of the control area to determine how these spectral features were affected by hydrocarbon microleakage. Finally, the marked samples were divided into training and test sets and then verified. These sets were used to find the optimal spectral feature threshold combination via the threshold space method. The statistical results show that, compared with the control area, the experimental area exhibited an obvious blue shift revealed by the red-edge position index of the mine samples. Moreover, the near-infrared reflectance decreased, and the red valley reflectance increased. These findings were consistent with the mechanism of hydrocarbon microleakage poisoning vegetation and the results of the spectral simulation. In the background mountain forest area, the 80% recall rate of vegetation samples in the mine buffer zone could be balanced with the 5% misclassification rate of vegetation samples, showing the rationality of this method. In this study, we analyzed and optimized the spectral characteristics of hydrocarbon microleakage affecting vegetation. We also used multispectral data to construct a spectral index and extract the hydrocarbon microleakage vegetation anomaly according to the spectral statistics of the mine buffer. This method combines theoretical simulation with large sample statistics, providing a reference for the research of extracting hydrocarbon microleakage vegetation anomaly by remote sensing.
煤层气又称为煤层瓦斯,是指赋存在部分煤层中以甲烷等烃类气体为主(甲烷含量通常占50%以上),同时含有二氧化碳、氮气等其他气体的混合气体,是一种重要的非常规油气资源(
由于遥感技术具有大范围、高效率、低成本的特性,多年来一些研究者探索了利用遥感探测烃微渗漏区并寻找油气资源的方法,取得了不少成果(
目前遥感探测烃微渗漏主要针对土壤矿物区,因此对土壤矿物的化学蚀变机理及其导致的主要光谱变化已经有了较充分的认识(Van Der Meer等,2002;
近年来新增的一些烃气体处理植被的实验研究让烃微渗漏影响植被生长的机理更加清晰(
针对以上问题,本文选取煤层气开发度已经较高的山西沁水县附近煤层气富集区作为实验区,在煤层气含气量较低的邻近区域选择对照区。研究从已有的利用烃气体处理植被的实验成果探索烃微渗漏对植被的影响机理入手,通过模拟实验分析并选取主要影响的光谱特征,然后利用Sentinel-2/MSI影像获取受烃微渗漏影响较重的采集井缓冲区内植被的时序光谱特征并与对照区光谱特征对比,进一步确实沁水县烃微渗漏对几种植被光谱特征的实际影响。最后,利用70%的采集井缓冲区植被样本与对照区植被样本优选用以提取烃微渗漏区的光谱特征组合阈值,并利用30%采集井缓冲区植被样本对提取结果进行验证。
中国是世界三大煤层气储备国之一,而沁水盆地是中国煤层气开发的主力盆地(王勃,2013)。沁水盆地位于山西省东南部,盆地内构造简单,次一级褶皱发育,断层较少。其太原组、山西组内煤层发达、含气量高、可采性强,主要分为埋深400 m左右的3号煤层气与埋深600 m左右的15号煤层气。
沁水盆地煤层气主体部分集中于南部沁水县附近,主要划分为樊庄、潘庄、郑庄等3个区块,总面积 3630 km2,煤层气总资源量达4500×108 m2,尤其在端氏镇附近储藏最为丰富(
图1 沁水盆地南部煤层含气量等值线分布图(
Fig. 1 Isogram distribution of coalbed methane content in southern Qinshui basin (
因此,本文研究区划分为实验区与对照区(
图2 实验区与对照区示意图
Fig. 2 Schematic diagram of experimental area and control area
Sentinel-2是欧洲航天局发射的宽条带、高分辨率多光谱成像卫星。Sentinel-2A、B星分别于2015年和2017年发射,两颗卫星组网后重访周期5天。它提供最高10 m空间分辨率的可见光至短波红外观测波段,其中包含3个红边波段,因此对研究植被胁迫问题有独特优势。经过大气校正后的L2A级影像产品可通过Google Earth Engine(GEE)平台(https://earthengine.google.com/[2021-06-18])获取。本文下载了实验区与对照区2020年与2021年各自5月1日至9月31日的时序影像,以对比研究植被茂盛季节里烃微渗漏对植被光谱的影响。现选取2021年7月9日的实验区影像示例(
图3 研究区Sentinel-2/MSI真彩色影像示例图
Fig. 3 Example of Sentinel-2/MSI true color image in the study area
目前对烃微渗漏区植被光谱的研究主要还靠实地采样,对遥感提取结果进行验证主要也是与已知采集井分布对比。然而植被毒害区往往在矿山内部,很难充分实地考察,也难以获取大量采集井分布。因此本文采用基于Google Earth高分辨率影像标注结合实地抽样考察的方法获取大量采集井样本,既利于统计烃微渗漏区植被光谱特征,也便于对烃微渗漏区植被异常提取结果进行验证。
采集井具备一定规律性的形态特征(如平整地段、黑色条纹、水池等),可在Google Earth上观察到(
图4 Google影像上显示的采集井
Fig. 4 The mine shown in Google image
图5 实验区采集井分布图
Fig. 5 Mine distribution map in experimental area
土壤中烃类气体与CO2过量会使植被由于缺氧而阻断呼吸作用(
CH4+O2=CO2+2H2O | (1) |
2CH2+SO2-4=2HCO-3+H2S | (2) |
从植物生理学来讲,植被根系长期缺氧会直接阻碍叶绿体合成过程,其最直接的表现便是植物叶片叶绿素含量降低(
在植被生长环境中,也存在可能影响叶片叶绿素含量与叶面积指数的其他因素,我们需要考虑并排除这些因素的影响,以确定本文方法的适用条件。
当气候类型不同时,光照、温度、降雨等诸多自然因素有较大差异,因而生长的植被类型和植被状况都不同,其叶片叶绿素含量、叶面积指数与植被覆盖状况也随之呈现出差异。但气候类型的差异通常只在地域跨度大或地形差异巨大的研究区才会体现出来。
植被的类型与状态本身差异较大时,也会导致植被各项参数的差异。植被的类型主要受气候、地理环境等因素影响,目前各省都有主要植被类型的划分资料,研究区应选在同一植被类型划分区域内,并在实地考察时注意植被类型是否还有明显区别。若山脉呈东西走向,山脉南面与北面有明显光照差异从而形成阴阳坡现象,则植被的类型与状态也会产生差异,差异显著时需要将阴阳坡植被进行分类后再进一步分析。植被的状态还与物候期有关,不同物候期植被叶片叶绿素含量、叶面积指数与植被覆盖状况不同,判断植被异常的标准也不同,因此分析植被异常时要充分考虑时间性。若研究涉及多种植被类型,则还需考虑各类植被物候期的差异,可用于分析植被异常的合理时间可能有区别。
植被受到严重土壤水分持续胁迫时也可能导致叶片叶绿素含量降低(
研究表明,铜、铅、锌等重金属胁迫也会导致植被叶片叶绿素含量与叶面积指数的变化(
另一种可能影响叶片叶绿素含量与叶面积指数变化的因素是病虫害(
综上所述,只要提前调查与掌握研究区背景资料,并开展综合分析,确定研究区所在范围大体上属于煤层气资源富集区,而不是重金属矿产资源富集区,且实验区与对照区地域跨度不大、地形差异不大、植被类型差异不大,排除植被受严重的水分胁迫,那么植被叶片叶绿素含量与叶面积指数等的变化,就具有对煤层气富集区烃微渗漏的指示性。病虫害问题可以通过现场考察或者分析遥感数据中特定植被光谱特征进行排除。当然,植被生长过程是复杂的,某些影响因素需要根据实际区域环境特点进行分析。在煤层气富集区烃微渗漏往往也会引起地表黏土矿化、红层褪色等多种识别特征,因此利用植被光谱识别烃微渗漏只是遥感勘查煤层气富集区的手段之一。
实际上,我们所选择的研究区主要为煤层气富集区,地层以沉积相为主,不含金属矿区。区域内气候类型单一,植被生长季节降雨量较为充沛,山脉主要呈南北走向,整体阴阳坡现象不明显。调研中发现各处农田作物类型有一定差异,但山林植被类型差异不大,并且没有发现明显病虫害迹象。通过上述分析,本文认为可以从叶片叶绿素含量、叶面积指数与植被覆盖度异常来反映实验区与对照区的烃微渗漏情况。
已有研究表明,烃微渗漏区植被光谱可能伴有近红外高反射平台变低、红边斜率变低、黄边斜率变低、红边蓝移、绿峰降低、红谷反射率增大等诊断特征,但是对这些特征形成的原理,以及各种特征的适用性并没有详细的说明(
PROSAIL模型是目前应用最广泛的植被辐射传输模型之一,其是由PROSPECT叶片模型与SAIL冠层反射率模型耦合而成(
本次实验我们将模拟叶片叶绿素含量、叶面积指数、植被覆盖度3个参数变化所引起的植被光谱变化,以优选出最能反映植被烃毒害的光谱特征组合。结合研究区调研情况,PROSAIL模型地面背景设置直接选用模型内置的土壤光谱,干湿土按0.5比例混合。每次模拟时控制其他变量为固定值(
参数类型 | 参数名称及单位 | 符号 | 固定值 |
---|---|---|---|
叶片尺度 | 叶绿素含量(µg/cm2) | Cab | 30、70 |
干物质含量(g/cm2) | Cm | 0.09 | |
叶片结构参数 | N | 1.5 | |
类胡萝卜素含量(µg/cm2) | Ccar | 5 | |
棕色素含量(µg/cm2) | Cbrown | 0 | |
花青素含量(µg/cm2) | Canth | 0 | |
等效水厚度(cm) | Cw | 0.01 | |
冠层尺度 | 叶面积指数(m2/m2) | LAI | 2、5 |
平均叶倾角(度) | ALA | 50 | |
背景土壤 | 干土壤所占比例 | Soil | 0.5 |
观测几何 | 太阳天顶角(度) | SZA | 30 |
观测天顶角(度) | VZA | 10 | |
相对方位角(度) | RAA | 0 |
除了光谱曲线整体的变化以外,我们还需依据光谱曲线定义出一些具体的光谱特征,并分析植被参数对这些光谱特征的影响。结合现有研究的成果(
(1)近红外反射平台高度:指820—840 nm波段平均反射率。
(2)红谷深度:红光最强吸收处反射率。
(3)红谷位置:红光最强吸收处波长。
(4)红边斜率:680—780 nm波段反射率拟合直线的斜率。
(5)红边最大斜率:680—780 nm反射率斜率最大值。
(6)红边位置:红边最大斜率位置对应的波长。
我们要舍弃与叶片叶绿素含量、叶面积指数、植被覆盖度3个参数关系不大的光谱特征,也舍弃与3个参数同时相关或关系复杂不明确的光谱特征,最终优选出分别与3个参数有明确对应相关关系的光谱特征,以便于进一步进行研究区实际光谱统计与确定用于提取烃微渗漏的特征组合阈值。
由于高光谱数据存在不易获取、空间覆盖范围小、空间分辨率低、处理复杂等问题,不利于大范围应用;如果利用多光谱数据能得到与高光谱相近的光谱特征结果,在应用中更具现实意义。然而,多光谱数据的光谱分辨率有限,所需特征未必能直接根据定义式获取,只能通过拟合或插值等方法构建相应光谱特征指数作为近似。光谱特征指数构建的优劣可通过再次利用PROSAIL模型模拟并与定义式模拟结果的对比中看出。
Sentinel-2/MSI数据包含了3个红边波段,空间分辨率高,可能满足本文所需。因此我们结合Sentinel-2数据特点,针对上述优选的光谱特征,选择合适的拟合或插值方法,进行特征指数构建。
本文选取的实验区整体处于沁水盆地煤层气含量较高的区域位置,而其中已经被勘探且开采的采集井位置则是煤层气烃微渗漏的重点位置,因此我们将采集井缓冲区内植被像元作为阳性样本,用于统计受烃微渗漏影响的异常植被光谱与验证。3个对照区位于煤层气很低的区域,因此3个对照区的植被像元为阴性样本,用于统计正常植被光谱与验证。
在4.1节我们分析了烃微渗漏最可能影响的光谱特征,而从3.1节可知烃微渗漏对植被各光谱特征的影响与研究区实际情况紧密相关,因此需要对实验区阳性样本与对照区阴性样本的光谱特征进行统计与对比。为保证统计结果的稳定性与准确性,我们对样本做了长时序的光谱统计,并进一步确定适合提取烃微渗漏植被异常的时间范围和特征组合。由于遥感探测是初步探测,目的在于为进一步实地勘探缩小范围节约成本,应在尽量避免无效区域的前提下提取出烃微渗漏主要区域。阳性样本P中被正确识别为烃微渗漏异常植被像元TP的比例为召回率R(
R=TPP | (3) |
E=FPN | (4) |
由于在经过实际光谱特征统计后决定3个光谱特征均被采用,因此本文将利用阈值组合进行烃微渗漏植被异常区提取。本文采用阈值空间的形式权衡采集井缓冲区植被像元召回率与对照区植被像元误分率。利用红边位置植被指数RPVI(Red-edge Position Vegetation Index)小于阈值x,近红红外反射率小于阈值y,红谷反射率大于阈值z进行组合提取,则阈值空间示例如
图6 阈值空间示例图
Fig. 6 Example diagram of threshold space
本文将采集井缓冲区内植被样本随机划分为70%训练集与30%测试集,利用训练集构建阈值空间图并找出合适的阈值组合,然后用测试集进行验证。
植被光谱模拟的结果如
图7 植被光谱曲线PROSAIL模拟结果图
Fig. 7 PROSAIL simulation results of vegetation spectrum curve
对于不同控制变量固定值下,光谱曲线与自变量之间的响应规律具有一致性,光谱的具体幅值略有不同。而我们后续模拟发现情况也是如此,因此后续模拟主要展示取中间固定值(LAI=3、Cab=50)时的结果。光谱曲线随植被覆盖度变化模拟结果见
图8 光谱曲线随植被覆盖度变化模拟图
Fig. 8 Simulation diagram of spectrum change with vegetation coverage
叶片叶绿素含量、叶面积指数、植被覆盖度改变均会引起植被光谱较大变化。近红外反射平台与红谷反射率等诸多特征都可以反映叶面积指数与植被覆盖度的情况,而叶片叶绿素含量与绿峰到红边的一些光谱特征相关,这与其他学者的模拟分析结果相一致(
在初步观测叶片叶绿素含量、叶面积指数、植被覆盖度对光谱曲线的影响之后,我们按照4.1小节各特征的定义对其进行了进一步模拟,随着各植被参数的增大,光谱特征变化范围、趋势与相关系数r结果见
因变量(单位) | 自变量(取值范围) | |||||
---|---|---|---|---|---|---|
Cab(20—80μg/cm2) | LAI(1—6m2/m2) | FVC(0.3—1m2/m2) | ||||
变化范围及趋势 | r | 变化范围及趋势 | r | 变化范围及趋势 | r | |
近红外反射平台 | 不变 | 0 | 0.3—0.46递增 | 0.97 | 0.29—0.42线性递增 | 1.00 |
红谷深度 | 0.02—0.014先减后平 | -0.81 | 0.05—0.01递减 | -0.97 | 0.12—0.02线性递减 | -1.00 |
红谷位置/nm | 676—668递减 | -0.82 | 665—677递增 | 0.99 | 600—676线性递增 | 0.96 |
红边斜率/nm-1 | 0.0046—0.005先增后平 | 0.81 | 0.003—0.006递增 | 0.94 | 0.002—0.005线性递增 | 1.00 |
红边最大斜率/nm-1 | 0.0076—0.0082间波动 | 0.97 | 0.005—0.009递增 | 0.92 | 0.003—0.008线性递增 | 1.00 |
红边位置/nm | 701—732递增 | 0.97 | 720—728递增 | 0.93 | 不变 | 0 |
图9 红边位置随植被参数变化模拟图
Fig. 9 Simulation diagram of red edge position changing with vegetation parameters
图10 RPVI与红边位置随Cab变化关系模拟图
Fig. 10 Simulation diagram of the relationship between RPVI and red edge position with Cab
图11 红边斜率分布模拟图
Fig. 11 Simulation diagram of red slope distribution
近红外反射平台、红谷深度、红谷位置、红边斜率、红边最大斜率5个特征都受叶面积指数与植被覆盖度影响明显,而与叶绿素关系很小(结合变化幅度与相关系数)。其中,植被覆盖度增大使近红外平台抬升的同时也会使红谷反射率显著降低,而叶面积指数增大使近红外反射平台抬升更强却对红谷的影响很小,这还可用于区分叶面积指数与植被覆盖度。因此近红外反射平台与红谷深度适合用于反映叶面积指数与植被覆盖度。
另一方面,只有红边位置受叶绿素影响最明显(
因此,近红外反射平台、红谷深度与红边位置最能反映烃微渗漏植被毒害机理,而其他光谱特征的主要信息与之重复且缺乏针对性。但是,这3个光谱特征的具体影响程度与比例仍需要通过研究区实际样本的光谱特征统计决定。
根据5.1节光谱优选结果,我们主要考虑红谷反射率、近红外反射平台与红边位置3个特征。其中红谷反射率与近红外反射平台可以直接利用Sentinel-2的B4、B8两个波段反射率近似。至于红边位置,经过试验Sentinel-2/MSI数据不适合多项式拟合或拉格朗日插值等方法,因而本文采用线性拟合插值法构建红边指数。先利用B5、B6、B7等3个红边波段反射率拟合出近似红边直线的斜率k与截距b。然后将红光波段B4、近红外波段B8反射率代入拟合直线,得到直线两端的近似波长位置W1、W2。最后取W1、W2平均得到拟合直线中心位置近似为红边位置,此即红边位置植被指数(RPVI)(
W1=Rred-bk | (5) |
W2=Rnir-bk | (6) |
RPVI=W1+W22 | (7) |
我们再次利用PROSAIL模型对RPVI进行了模拟,发现在3个植被参数改变过程中,RPVI的变化趋势与之前红边位置定义式模拟结果非常相似。
可见,尽管整体数值上RPVI偏大一些,但变化趋势与红边位置保持一致,R2达0.8555,因而并不会影响按一定阈值判断叶片叶绿素含量偏大或偏小的定性结论。我们也发现在叶片叶绿素含量小于30 μg/cm2时,红边位置比RPVI下降更陡。并且散点图中红边位置连续性没有RPVI好,表现为710 nm附近不连续。这是由于红边位置是红边斜率最大的位置,而红边斜率是复杂的。我们让叶片叶绿素含量从20 μg/cm2逐增到80 μg/cm2,模拟整个红边波段的斜率分布,发现红边波段的斜率分布其实有两个局部最大。在叶片叶绿素含量大于30 μg/cm2时全局最大就是720 nm附近的局部最大,而叶片叶绿素含量小于30 μg/cm2时全局最大就会在某一位置(如24 μg/cm2)变为700 nm附近的局部最大(
这种不连续性质如果再考虑
根据第4.2节的分析,首先选取山林A区与农田B区的采集井点建立60 m半径缓冲区统计重要光谱特征,并与对照区统计结果对比。因为植被状况随时间变化较大,本文提取了2020年与2021年5月1日至9月31日内植被光谱特征统计,时序影像取各月份质量较好影像NDVI>0.4的交集为植被区,并且为了过滤噪声以更好反映烃微渗漏聚集特性,对影像做了7×7均值滤波处理。各光谱特征均值与标准差统计结果如
图12 2020年5月—9月实验区与对照区光谱特征时序统计
Fig. 12 Time series statistics of spectral characteristics between experimental area and control area from May to September, 2020
图13 2021年5月—9月实验区与对照区光谱特征时序统计
Fig.13 Time series statistics of spectral characteristics between experimental area and control area from May to September, 2021
在山林区或农田区的采集井缓冲区内植被RPVI在各个月份均比各对照区稳定偏低,尤其如
山林采集井缓冲区内植被在夏季近红外反射率相比对照区偏低且红谷反射率偏高,说明植被的叶面积指数与植被覆盖度也的确受到烃微渗漏一定程度影响,然而这种影响程度不如RPVI强,规律也不够稳定,且在入秋后逐渐消失。而农田区植被叶面积状况本身区别很大,采集井缓冲区与对照区的近红外反射率没有体现烃微渗漏导致的有效差异。
从上述实验区与对照区的光谱特征统计可以看出沁水县附近烃微渗漏对植被的实际影响与前人开展的烃气体处理植被的实验结论基本是一致的(Pyšek和
从
研究在2021年影像中选取对照区与实验区均有完整高质量影像的7月9日数据,而在2020年选用6月20日—6月30日中值合成获取实验区与对照区较为完整的影像。随机选取70%的采集井植被样本为训练集,30%的采集井植被样本为测试集,则训练集阈值空间结果如图
图14 2020年6月下旬山林区阈值空间图
Fig. 14 Threshold space map of mountain forest area in late June, 2020
图15 2021年7月9日山林区阈值空间图
Fig. 15 Threshold space map of mountain forest area on July 9, 2021
图16 两年农田区70%召回率与30%误分率阈值空间图
Fig. 16 Threshold space diagram of 70% recall rate and 30% error rate in farmland area in two years
从
农田区的提取效果比山林区差很多(
根据
根据5.4小节选取的阈值,2020年6月下旬实验区提取结果如
图17 实验区山林区烃微渗漏植被异常提取结果
Fig. 17 Extraction results of hydrocarbon microleakage vegetation anomalies in the mountain forest area of the experimental area
图18 对照区2021年7月9日山林区烃微渗漏植被异常提取结果
Fig. 18 Extraction results of hydrocarbon microleakage vegetation anomalies in the mountain forest area on July 9, 2021 of the control area
在同样的阈值组合下,实验区与对照区的山林区域提取的植被异常有显著差异,并且实验区采集井点位也全落在植被异常最密集的部位。这表明煤层气富集区烃微渗漏确实对植被光谱造成了明显影响,按本文的阈值组合方法提取烃微渗漏植被异常区是合理的。
本文基于前人开展的植被烃气体胁迫实验与烃微渗漏胁迫植被生长的作用机理(
致谢:实验设计与论文写作过程中,吴自华、赵聪和许伟多次参与讨论,并提出修改建议,在此表示由衷感谢。本研究工作得到北京大学高性能计算校级公共平台支持。
Adamu B, Tansey K and Bradshaw M J. 2013. Investigating vegetation spectral reflectance for detecting hydrocarbon pipeline leaks from multispectral data//Proceedings Volume 8892, Image and Signal Processing for Remote Sensing XIX. Dresden: SPIE [DOI: 10.1117/12.2028907] [百度学术]
Al-Abbas A H, Barr R, Hall J D, Crane F L and Baumgardner M F. 1974. Spectra of normal and nutrient-deficient maize leaves. Agronomy Journal, 66(1): 16-20 [DOI: 10.2134/agronj1974.00021962006600010005x] [百度学术]
Ben-Dor E and Kruse F A. 1995. Surface mineral mapping of Makhtesh Ramon Negev, Israel using GER 63 channel scanner data. International Journal of Remote Sensing, 16(18): 3529-3553 [DOI: 10.1080/01431169508954644] [百度学术]
Chen L. 2015. Study on Hyperspectral Remote Sensing and Electromagnetic Exploration Technology for Coalbed Methane Enrichment Region. Beijing: Peking University: 19-86 [百度学术]
陈理. 2015. 煤层气富集区高光谱遥感和电磁探测技术与方法研究. 北京: 北京大学: 19-86 [百度学术]
Clayton J L. 1998. Geochemistry of coalbed gas – A review. International Journal of Coal Geology, 35(1/4): 159-173 [DOI: 10.1016/S0166-5162(97)00017-7] [百度学术]
Collins R J, McCown F P, Stonis L P, Petzel G J and Everett J R. 1974. An evaluation of the suitability of ERTS data for the purposes of petroleum exploration [百度学术]
Crosta A P and Moore J. 1989. Enhancement of Landsat Thematic Mapper imagery for residual soil mapping in SW Minais Gerais State, Brazil: a prospecting case history in Greenstone belt terrain//Proceedings of the 7th ERIM Thematic Conference: Remote Sensing for Exploration Geology. Ann Arbor: Environmental Research Institute of Michigan: 1173-1187 [百度学术]
Cui X, Zhao Y J, Tian F and Yang Y J. 2019. Hyperspectral hydrocarbon exploration and geological verification of the oil and gas micro-seepage in the northeastern margin of the Junggar Basin, China. Acta Geologica Sinica, 93(4): 928-944 [百度学术]
崔鑫, 赵英俊, 田丰, 杨燕杰. 2019. 准噶尔盆地东北缘航空高光谱油气微渗漏探测及地质验证. 地质学报, 93(4): 928-944 [DOI: 10.3969/j.issn.0001-5717.2019.04.012] [百度学术]
戴金星, 戚厚发, 宋岩, 关德师. 1986. 我国煤层气组份、碳同位素类型及其成因和意义. 中国科学(B辑 化学 生物学 农学 医学 地学), (12): 1317-1326 [百度学术]
Drew M C. 1983. Plant injury and adaptation to oxygen deficiency in the root environment: a review. Plant and Soil, 75(2): 179-199 [DOI: 10.1007/BF02375564] [百度学术]
Everett J R, Jengo C and Staskowski R J. 2002. Remote sensing and GIS enable future exploration success. World Oil, 223(11): 59-65 [百度学术]
Gan G Y, Yu R J and Cui J. 2005. Micro percolation of hydrocarbons and formation of sumptomatic minerals in oil-gas pools. Xinjiang Petroleum Geology, 26(6): 707-710 [百度学术]
甘贵元, 余瑞娟, 崔俊. 2005. 油气藏中烃类微渗漏与特态矿物形成. 新疆石油地质, 26(6): 707-710 [DOI: 10.3969/j.issn.1001-3873.2005.06.032] [百度学术]
Garain S, Mitra D and Das P. 2021. Detection of hydrocarbon microseepage prospects using Landsat 8-based vegetation stress analysis in part of Assam-Arakan Fold Belt, NE India. Arabian Journal of Geosciences, 14(19): 1984 [DOI: 10.1007/s12517-021-08376-6] [百度学术]
Hu P, Tian Q J and Yan B K. 2009. The application of hyperspectral remote sensing to the identification of hydrocarbon alteration minerals in Qaidam basin. Remote Sensing for Land and Resources, (2): 54-61 [百度学术]
胡畔, 田庆久, 闫柏琨. 2009. 柴达木盆地烃蚀变矿物高光谱遥感识别研究. 国土资源遥感, (2): 54-61 [百度学术]
Huang B R, Johnson J W and Nesmith D S. 1997. Responses to root-zone CO2 enrichment and hypoxia of wheat genotypes differing in waterlogging tolerance. Crop Science, 37(2): 464-468 [DOI: 10.2135/cropsci1997.0011183X003700020026x] [百度学术]
Huang S. 2015. Study on Spectral Model of Plants Stressed by Hydrocarbon Microseepage. Changchun: Jilin University: 16-38 [百度学术]
黄爽. 2015. 烃类微渗漏胁迫植被光谱模型研究. 长春: 吉林大学: 16-38 [百度学术]
Huang S, Chen S B, Wang D M, Zhou C, Van Der Meer F and Zhang Y Z. 2019. Hydrocarbon micro-seepage detection from airborne hyper-spectral images by plant stress spectra based on the PROSPECT model. International Journal of Applied Earth Observation and Geoinformation, 74: 180-190 [DOI: 10.1016/j.jag.2018.09.012] [百度学术]
Hunt G R and Ashley R P. 1979. Spectra of altered rocks in the visible and near infrared. Economic Geology, 74(7): 1613-1629 [DOI: 10.2113/gsecongeo.74.7.1613] [百度学术]
Jacquemoud S and Baret F. 1990. PROSPECT: a model of leaf optical properties spectra. Remote Sensing of Environment, 34(2): 75-91 [DOI: 10.1016/0034-4257(90)90100-Z] [百度学术]
Jacquemoud S, Verhoef W, Baret F, Bacour C, Zarco-Tejada P J, Asner G P, François C and Ustin S L. 2009. PROSPECT+SAIL models: a review of use for vegetation characterization. Remote Sensing of Environment, 113(S1): S56-S66 [DOI: 10.1016/j.rse.2008.01.026] [百度学术]
Jamaludin M I, Matori A N and Myint K C. 2015. Application of NIR to determine effects of hydrocarbon microseepage in oil palm vegetation stress//2015 International Conference on Space Science and Communication (IconSpace). Langkawi: IEEE: 215-220 [DOI: 10.1109/IconSpace.2015.7283791] [百度学术]
Jiang T, Zhao K B, Rong F Z and Zhang H Q. 2011. Vertical micro-migration of hydrocarbons from subsurface reservoirs and geological significance in near-surface geochemical exploration for oil and gas. Natural Gas Geoscience, 22(5): 901-908 [百度学术]
蒋涛, 赵克斌, 荣发准, 张恒启. 2011. 油气藏烃类垂向微渗漏及近地表化探异常的油气地质意义. 天然气地球科学, 22(5): 901-908 [DOI: 10.11764/j.issn.1672-1926.2011.05.901] [百度学术]
Jia A L, He D B, Wei Y S and Li Y L. 2021. Predictions on natural gas development trend in China for the next fifteen years. Natural Gas Geoscience, 32(1): 17-27 [百度学术]
贾爱林, 何东博, 位云生, 李易隆. 2021. 未来十五年中国天然气发展趋势预测. 天然气地球科学, 32(1): 17-27 [DOI: 10.11764/j.issn.1672-1926.2020.11.019] [百度学术]
Khan S D and Jacobson S. 2008. Remote sensing and geochemistry for detecting hydrocarbon microseepages. Geological Society of America Bulletin, 120(1/2): 96-105 [DOI: 10.1130/0016-7606(2008)120[96:RSAGFD]2.0.CO;2] [百度学术]
Kuusk A. 1991. The hot spot effect in plant canopy reflectance//Myneni R B, Ross J, eds. Photon-Vegetation Interactions. Berlin: Springer: 139-159 [DOI: 10.1007/978-3-642-75389-3_5] [百度学术]
Lammoglia T and De Souza Filho C R. 2013. Unraveling hydrocarbon microseepages in onshore basins using spectral-spatial processing of advanced spaceborne thermal emission and reflection radiometer (ASTER) data. Surveys in Geophysics, 34(3): 349-373 [DOI: 10.1007/s10712-013-9225-3] [百度学术]
Li Q Q, Chen X M, Lin X, Mao B J and Ni G Q. 2012. Study on oil and gas exploration in sparse vegetation areas by hyperspectral remote sensing data. Chinese Optics Letters, 10(S1): S11004 [OI: 10.3788/COL201210.s11004] [百度学术]
Lü Y M, Liu Y H, Chen G H, Wang C W, Zhu X S, Guo G S and Liu J. 2020. Analysis of factors affecting productivity of CBM in horizontal wells in southern Qinshui Basin. Coal Science and Technology, 48(10): 225-232 [百度学术]
吕玉民, 柳迎红, 陈桂华, 王存武, 朱学申, 郭广山, 刘佳. 2020. 沁水盆地南部煤层气水平井产能影响因素分析. 煤炭科学技术, 48(10): 225-232 [百度学术]
Molan Y E, Refahi D and Tarashti A H. 2014. Mineral mapping in the Maherabad area, eastern Iran, using the HyMap remote sensing data. International Journal of Applied Earth Observation and Geoinformation, 27: 117-127 [DOI: 10.1016/j.jag.2013.09.014] [百度学术]
Noomen M F. 2007. Hyperspectral Reflectance of Vegetation Affected by Underground Hydrocarbon Gas Seepage. Wageningen: Wageningen University [百度学术]
Noomen M F, van der Werff H M A and Van Der Meer F D. 2012. Spectral and spatial indicators of botanical changes caused by long-term hydrocarbon seepage. Ecological Informatics, 8: 55-64 [DOI: 10.1016/j.ecoinf.2012.01.001] [百度学术]
Pirone P P. 1960. The response of shade trees to natural gas. Garden Journal of the New York Botanical Garden, 10: 25-29 [百度学术]
Prasad M. 2004. Heavy Metal Stress in Plants: From Biomolecules to Ecosystems. Berlin: Springer [DOI: 10.1007/978-3-662-07743-6] [百度学术]
Pyšek P and Pyšek A. 1989. Veränderungen der Vegetation durch experimentelle Erdgasbehandlung. Weed Research, 29(3): 193-204 [DOI: 10.1111/j.1365-3180.1989.tb00859.x] [百度学术]
Saunders D F, Burson K R and Thompson C K. 1999. Model for hydrocarbon microseepage and related near-surface alterations. AAPG Bulletin, 83(1): 170-185 [DOI: 10.1306/00AA9A34-1730-11D7-8645000102C1865D] [百度学术]
Shabala S. 2017. Plant stress physiology. Cabi. [百度学术]
Shen J L, Ding S B, Qi X P and Xing X W. 2010. The progress of remote sensing technology in the detection of hydrocarbon micro-seepage. Remote Sensing for Land and Resources, 5(3): 7-11 [百度学术]
申晋利, 丁树柏, 齐小平, 邢学文. 2010. 烃类微渗漏现象遥感检测研究进展. 国土资源遥感, (3): 7-11 [百度学术]
Smith K L, Steven M D and Colls J J. 2004a. Use of hyperspectral derivative ratios in the red-edge region to identify plant stress responses to gas leaks. Remote Sensing of Environment, 92(2): 207-217 [DOI: 10.1016/j.rse.2004.06.002] [百度学术]
Smith K L, Steven M D and Colls J J. 2004b. Spectral responses of pot-grown plants to displacement of soil oxygen. International Journal of Remote Sensing, 25(20): 4395-4410 [DOI: 10.1080/01431160410001729172] [百度学术]
Su W, Wu J Y, Wang X S, Xie Z X, Zhang Y, Tao W C and Jin T. 2021. Retrieving corn canopy leaf area index based on Sentinel-2 image and PROSAIL model parameter calibration. Spectroscopy and Spectral Analysis, 41(6): 1891-1897 [百度学术]
苏伟, 邬佳昱, 王新盛, 谢茈萱, 张颖, 陶万成, 金添. 2021. 基于Sentinel-2影像与PROSAIL模型参数标定的玉米冠层LAI反演. 光谱学与光谱分析, 41(6): 1891-1897 [DOI: 10.3964/j.issn.1000-0593(2021)06-1891-07] [百度学术]
Van Der Meer F, Van Dijk P, Van Der Werff H and Yang H. 2002. Remote sensing and petroleum seepage: a review and case study. Terra Nova, 14(1): 1-17 [DOI: 10.1046/j.1365-3121.2002.00390.x] [百度学术]
Von Wettstein D, Gough S and Kannangara C G. 1995. Chlorophyll biosynthesis. The Plant Cell, 7(7): 1039-1057 [DOI: 10.1105/tpc.7.7.1039] [百度学术]
Wang B. 2013. Coalbed Methane Enrichment and High-production rule and Prospective Area Prediction in Qinshui Basin. Xuzhou: China University of Mining and Technology: 19-22 [百度学术]
王勃. 沁水盆地煤层气富集高产规律及有利区块预测评价. 徐州: 中国矿业大学: 19-22 [百度学术]
Wang L J and Niu Z. 2014. Sensitivity analysis of vegetation parameters based on PROSAIL Model. Remote Sensing Technology and Application, 29(2): 219-223 [百度学术]
王李娟, 牛铮. 2014. PROSAIL模型的参数敏感性研究. 遥感技术与应用, 29(2): 219-223 [DOI: 10.11873j.issn.1004-0323.2014.2.0219] [百度学术]
Wang P R, Zhang F T, Gao J X, Sun X Q and Deng X J. 2009. An overview of chlorophyll biosynthesis in higher plants. Acta Botanica Boreali-Occidentalia Sinica, 29(3): 629-636 [百度学术]
王平荣, 张帆涛, 高家旭, 孙小秋, 邓晓建. 2009. 高等植物叶绿素生物合成的研究进展. 西北植物学报, 29(3): 629-636 [百度学术]
Wei W. 2010. Qinshui Basin Coalbed Methane Well Production Prediction. Qingdao: China University of Petroleum (East China): 2-6 [百度学术]
魏韦. 2010. 沁水盆地煤层气井产能预测研究. 青岛: 中国石油大学(华东): 2-6 [百度学术]
Xie Q Y and Ding S B. 1994. Discussion of the some problems of the remote sensing technology for oil-gas resource. Remote Sensing for Land and Resources, (2): 55-62 [百度学术]
谢青云, 丁树柏. 1994. 油气资源遥感技术若干问题的探讨. 国土资源遥感, (2): 55-62 [百度学术]
Ye J P and Lu X X. 2016. Development status and technical progress of China coalbed methane industry. Coal Science and Technology, 44(1): 24-28, 46 [百度学术]
叶建平, 陆小霞. 2016. 我国煤层气产业发展现状和技术进展. 煤炭科学技术, 44(1): 24-28, 46 [DOI: 10.13199/j.cnki.cst.2016.01.005] [百度学术]
You J F. 2015. Research on Spectral Response Mechanisms of Oil Sands Components and Ore Prospecting by Remote Sensing Technology. Changchun: Jilin University: 19-78 [百度学术]
尤金凤. 2015. 油砂组分光谱响应机理及遥感找矿研究. 长春: 吉林大学: 19-78 [百度学术]
You J F, Xing L X, Pan J, Shan X L, Fan R X and Cao H. 2016. Application of Hyperion hyperspectral image for studying on the distribution of oil sands. Journal of Jilin University (Earth Science Edition), 46(5): 1589-1597 [百度学术]
尤金凤, 邢立新, 潘军, 单玄龙, 樊瑞雪, 曹会. 2016. 基于Hyperion数据的油砂分布遥感研究. 吉林大学学报(地球科学版), 46(5): 1589-1597 [DOI: 10.13278/j.cnki.jjuese.201605307] [百度学术]
Zhang C Y, Qin Q M, Chen L, Wang N, Zhao S S and Hui J. 2015. Rapid determination of coalbed methane exploration target region utilizing hyperspectral remote sensing. International Journal of Coal Geology, 150-151: 19-34 [DOI: 10.1016/j.coal.2015.07.010] [百度学术]
Zhang H L. 2014. Research on the New Energy Development in China. Changchun: Jilin University: 1-16 [百度学术]
张海龙. 2014. 中国新能源发展研究. 长春: 吉林大学: 1-16 [百度学术]
Zhang H Z, Wang L P and Liu J. 2013. Present conditions and development trend of CBM technology. Petroleum Science and Technology Forum, 32(5): 17-21, 27 [百度学术]
张华珍, 王利鹏, 刘嘉. 2013. 煤层气开发技术现状及发展趋势. 石油科技论坛, 32(5): 17-21, 27 [DOI: 10.3969/j.issn.1002-302x.2013.05.004] [百度学术]
Zhang J C, Yuan L, Wang J H, Luo J H, Du S Z and Huang W J. 2012. Research progress of crop diseases and pests monitoring based on remote sensing. Transactions of the Chinese Society of Agricultural Engineering, 28(20): 1-11 [百度学术]
张竞成, 袁琳, 王纪华, 罗菊花, 杜世州, 黄文江. 2012. 作物病虫害遥感监测研究进展. 农业工程学报, 28(20): 1-11 [百度学术]
Zhang Z. 2016. Coalbed Methane System and Drainage Optimization of Taiyuan Formation in Southern Qinshui Basin. Xuzhou: China University of Mining and Technology [百度学术]
张政. 2016. 沁水盆地南部太原组含煤层气系统及其排采优化. 徐州: 中国矿业大学 [百度学术]
Zhao L Z, Wu L X and Guan S H. 2020. Influencing factors and countermeasures for the implementation of coalbed methane development and utilization planning. Coal Economic Research, 40(12): 65-69 [百度学术]
赵路正, 吴立新, 管世辉. 2020. 煤层气开发利用规划实施影响因素与对策建议. 煤炭经济研究, 40(12): 65-69 [DOI: 10.13202/j.cnki.cer.2020.12.010] [百度学术]
Zheng X L, Wang R J, Zhao Q F, Liu Y P,Wang Y Y and Sun Z Q. 2017. Ecophysiological mechanisms of plant growth under the influence of rhizosphere oxygen concentration: A review. Chinese Journal of Plant Ecology, 41(7): 805-814 [百度学术]
郑小兰, 王瑞娇, 赵群法, 刘勇鹏, 王媛媛, 孙治强. 2017. 根际氧含量影响植物生长的生理生态机制研究进展.植物生态学报, 41(7): 805-814 [DOI: 10.17521/cjpe.2017.0042] [百度学术]
相关作者
相关机构