摘要
离子型稀土开采带来了一系列生态环境问题，日益引起人们的关注。本文以多时相 Landsat 遥感影像为数据源， 通过波段提取、 植被指数(Normalized Difference Vegetation Index， NDVI)、 祼土指数 ( Bare SoilIndex， BSI)和数字高程模型(Digital Elevation Model， DEM) 等不同特征组合， 构建 “6-10-6”的三层式 BP神经网络分类模型，对赣南近 30a 离子型稀土矿区开采损毁土壤时空变化特征进行了分析，结果表明：
(1) 基于 NDVI、 BSI、 DEM 等不同特征组合的神经网络分类方法， 能够有效地提高分类精度， 解译制图精度、用户精度、 Kappa 系数比单纯基于光谱的神经网络分类分别提高了 12.11%～17.75%、 13.40%～16.39%、0.137～0.179。
(2) 从稀土矿区开采损毁面积来看， 1987—2017 年， 赣南稀土矿开采大致呈现为由少量开采到过度开采再到逐步恢复的过程， 由 1987 年的 19.06 km2 扩张至 2007 年的 171.66 km2， 2017 年损毁面积又回落至 64.78 km2。
(3)从空间分布来看，赣南稀土开采主要集中在寻乌、定南、安远、信丰、宁都、赣县、龙南 8 个（市、 区）。
该研究较好地揭示了赣南 30 年来稀土矿区开采土壤毁损与恢复过程， 研究结果可为矿区的生态环境治理及可持续发展提供借鉴。
介绍
稀土是不可再生的重要战略资源，因其拥有优良的光电磁等物理特性，可大幅提高产品的质量和性能，在现代工业领域应用广泛，被誉为现代工业的“维生素”。长期以来，由于过度、低效与粗放开采， 加之早期提取和分离技术相对落后，国家和地方的开采准入政策较为宽松，给矿区带来了一系列生态环境和社会问题，引起了社会各界的广泛关注，矿区生态修复迫在眉睫。然而，由于稀土大多处于丘陵山区，矿点比较零散，采用传统的动态巡查或人工调查方法，耗时耗力且效率低下。
因此，本文以江西省赣州市为研究区，以 Landsat 遥感影像为数据源，基于 BP（backpropagation training algorithm， BP） 神经网络模型，结合影像 NDVI、 BSI 指数、 DEM 等特征，分别对赣州市 1987 年、 1997 年、 2007 年和 2017 年 4 个时期稀土开采矿区土地毁损与恢复过程进行分析，以期全面掌握赣南离子型稀土矿区开采以来的动态演变过程及其变化规律，为矿区生态恢复治理提供科学依据。
解译标志建立
以全国第三次土地利用现状调查分类为参考，结合研究需要，将研究区分为稀土采矿用地、城乡建设用地、水域、耕地、园林地和其他土地 6 个土地类型，并通过实地调查与目视解译，采用路线法进行野外踏勘和实地判读，运用 GPS 进行定位，在影像图上进行标注，建立分类类型在遥感影像上对应的像元集作为解译标志（表 2）
一般认为，选取地物类别训练样本数量为数据波段的 10～30 倍、 训练样本数量越多，分类精度越高。为提高解译精度并兼顾机器的运行速率，文矿区数据按波段 20～30 倍选取训练样本个数，其他地类按 10～15 倍选取。对选取的训练区需要通过分离度来检验地物类型之间的差异性，大于 1.8 说明样本合格，不同类别样本间 J-M 参数均大于 1.8，样本合格。
BP神经网络
本文采用 BP 人工神经网络模型进行遥感解译，该模型 1986 年由 Rumelhart 和 Hinton为首的科学家小组提出，是目前应用最广泛、最成功的神经网络模型之一。一个完整的 BP神经网络一般包括输入层、隐含层和输出层。
输入层即训练层，为拟分类的 6 个地类样本。隐含层即内部信息处理层，负责信息变换。目前， 网络隐含层的层数和单元数的选择尚无理论上的指导，隐含层神经元个数越多模拟的效果越好，然而会使得训练较慢， 其个数一般是根据经验或者通过反复实验确定。输出层即目标层，本文为稀土采矿用地、城乡建设用地、水域、耕地、园林地和其他土地。
第一阶段是信号的前向传播，从输入层经过隐含层 Sigmoid 函数的作用，计算得到输出层的值；
第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入到隐含层的权重和偏置，周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。
输入信息的选取
特征波段的选取主要通过相关系数、标准差计算选取最优波段，实现既保持原有数据量最大，又能达到降低信息冗余、提高运行速度的目的。通常标准差越大，波段信息越丰富；相关系数越小， 图像所包含的信息内容的重叠程度越小。
归一化植被指数（NDVI） 是度量植被情况的重要参考指标。 稀土矿区开采对土地的破坏表现在对林地的挖损、压占和占用上，最终造成土壤损毁及局部沙化， 体现在遥感影像上亮度和植被指数的不同。通过归一化植被指数的计算，有利于区分植被(林地、农田等)及非植被信息（水体、裸土地、稀土矿区、建设用地），从而提高稀土采矿用地分类识别精度， 其计算公式为：
裸土指数（BSI）主要是增强裸土地的亮度值，便于目标地物与其余地物（如建设用地）进行区分，从而有助于提高稀土采矿用地分类识别精度，辨别稀土矿区开采区域。裸土指数模型表达式为
高程（DEM）和坡度等对土地利用类型的分布有着重要的影响，不同高程和坡度分布不同的地物类别。 含稀土花岗岩品位一般较低，难以直接形成工业矿体，需要经过风化作用将稀土元素吸附富集后形成离子吸附型矿床。
研究表明，地形地貌对离子吸附型稀土矿床的形成关系密切，低山丘陵地貌（海拔 52～350m）、坡度小于 30° 的缓坡地貌地段，在散流剥蚀作用下最有利形成面积宽广的剥蚀地貌（丘陵及剥蚀低山），使深厚的残积风化壳普遍较完整地保存下来而不被剥蚀流失，是离子吸附型稀土矿有利成矿和保存的地段。
本文根据野外调查与相关研究成果，利用 ArcGIS10.5 提取研究区海拔<500m、坡度小于45° DEM 数据和坡度数据作为辅助变量一同参与 BP 神经网络训练分类，一定程度上可提高分类精度。
