EN中文

Journal of Geo-information Science >

2020 , Vol. 22 >Issue 7: 1437 - 1448

DOI: https://doi.org/10.12082/dqxxkx.2020.190603

Supervision Method of Hassyan Clean Energy Power Station Project in Dubai based on Remote Sensing

  • JIANG Yu , 1 ,
  • WU Mingquan , 2, * ,
  • LIU Zhengcai 1 ,
  • HUANG Changjun 1, 3
Expand
  • 1. College of Civil Engineering and Mechanics Xiangtan University, Xiangtan 411105, China;
  • 2. State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China;
  • 3. Institute of Municipal and Mapping Engineering Hunan City University, Yiyang 413000, China
WU Mingquan, E-mail:

Received date: 2019-09-28

  Request revised date: 2019-12-04

  Online published: 2020-09-25

Supported by

Strategic Priority Research Program of Chinese Academy of Sciences(XDA19030304)

Youth Innovation Promotion Association of Chinese Academy of Sciences(2017089)

Copyright

Copyright reserved © 2020
Fold

Abstract

Since the Belt and Road initiative was put forward, Chinese enterprises have invested in and built a large number of infrastructure projects in countries along the Belt and Road region. While promoting the development of local economy, these projects inevitably bring certain impacts on local vegetation, ecology, and environment. However, China mainly adopts the methods of record filing and statistical investigation for supervision, lacking active supervision means for overseas projects. Remote sensing technology can provide new methods and means for the supervision of overseas engineering projects. And it is usually an important problem for the supervision of overseas projects that the ground survey data is difficult to obtain. Aiming at this problem, this paper takes Hassyan Clean Power Station as an example and combines the advantages of Remote Sensing technology (RS) and Geographic Information System (GIS) to propose a remote sensing monitoring method for overseas projects. First, the remote sensing monitoring technology index system is established with ecological environment impact and project construction progress as the main content of monitoring. Then, Based on 2016-2018 Landsat 8 imagery at 30 m resolution and WorldView-2 imagery at 0.5 m resolution, the dimidiate pixel model and the base state amendments model are used to monitor the ecological environment impact and construction progress of the project from five aspects, including vegetation coverage change, ecological space occupation, nature reserve monitoring, infrastructure construction, and appendages change. Finally, this paper analyzes the impact of the project construction on the ecological environment and the progress of the project construction through the comparison of time-series images. The results show that: (1) This method can reflect the influence of the project on the surrounding ecological environment during the construction process and accurately monitor the construction progress of Dubai Hassyan Clean Power Station. This method has important reference significance for the construction supervision of other overseas projects of the Belt and Road Initiative; (2) After the project construction, there is no phenomenon of large-scale vegetation coverage reduction. The vegetation coverage generally changed from low to high; (3) The project construction occupies 1.4780 km2 of sandy land. The reclamation area of the port construction reaches 0.1246 km2, and 0.0604 km2 of wetland is converted into a construction sedimentation pond, without occupying cultivated land; (4) The impact of the project on the Jebel Ali Marine Ecological Reserve is effectively reduced through measures such as the transfer of corals on the sea floor, the installation of anti-fouling curtains, and the reservation of sea turtle spawning channels; (5) Significant progress has been made in the construction of infrastructure and ancillary facilities. The building area has increased by 0.14 km2, and the total number of cofferdams for port construction has reached 3.785 km.

Key words： clean energy project; indicator system; ecological environment; construction progress; the Belt and Road; Dimidiate pixel model; base state amendment model; overseas project supervision

Cite this article

JIANG Yu , WU Mingquan , LIU Zhengcai , HUANG Changjun . Supervision Method of Hassyan Clean Energy Power Station Project in Dubai based on Remote Sensing[J]. Journal of Geo-information Science, 2020 , 22(7) : 1437 -1448 . DOI: 10.12082/dqxxkx.2020.190603

1 引言

自2013年习近平主席提出共建“丝绸之路经济带”和“21世纪海上丝绸之路”的重大倡议以来[1],“一带一路”建设成为了世界关注焦点。“一带一路”区域发展中国家较多,普遍存在能源短缺的问题。能源合作与能源安全是“一带一路”倡议中的重要组成部分[2]。我国企业在“一带一路”沿线国家投资、建设的典型能源项目不仅服务于我国重大战略,在帮助“一带一路”国家解决能源短缺问题方面也发挥了重大的作用,如巴基斯坦萨希瓦尔电站建设能填补巴基斯坦全国四分之一的电力缺口,迪拜哈翔清洁能源电站项目（以下简称“迪拜哈翔项目”）发电量占迪拜全国总发电量的20%。但大规模投资建设可能给当地生态环境带来一定的影响,因此加强对众多境外项目的监管非常必要。
国内主要通过统计调查和备案制等方式对“一带一路”境外项目状况进行监管,缺乏主动监管手段。遥感技术具有信息量大、观测范围广、精度高等独特优势[3],通过时序的遥感影像对重大项目进行监测和分析更加客观、更加直接[4,5,6],可为“一带一路”重大工程项目监管提供新技术、新方法和新手段[7]。如吴炳方等[8]采用SPOT-5和Landsat 5 TM数据对1992—2007年三峡工程库区环境变化进行了全面的监测,并指出了相应区域生态环境保护措施;葛咏等[9]利用WorldView-2、Digital Global、北京二号（BJ-2）等多时相高空间分辨率遥感图像监测斯里兰卡科伦坡港口和汉班托塔港口2010—2017年的集装箱、围垦、道路等基础设施建设情况,分析了科伦坡港和汉班托塔港口潜在的储存能力,分析结果为“一带一路”相关研究提供有益的参考;杨娟等[10]利用北京一号（BJ-1）数据,采用多种变化监测方法对天津港和长兴岛港区2009—2011年海岸工程进行了变化监测。李序春等[11]利用国产高分二号（GF-2）、高分三号（GF-3）卫星遥感影像对渤海5个典型港区空间格局进行了监测与评估,建立了港口空间格局基本比例结构和码头岸线利用效率标准,可作为港口区集约利用评估和潜力挖掘的参照依据;Alden MG利用图像分类和GIS方法,基于Landsat影像数据以美国怀俄明州粉河流域矿区为研究区域,对14年内地表采矿活动和矿区生态恢复状况进行了研究,肯定了遥感技术在采矿和矿区生态恢复监测中发挥的作用[12];为实时监测煤矿中金属和硫化物的变化,He等[13]结合神华宝日煤矿的矿石样品光谱反射率数据与去除反射光谱干扰信息的Landsat 8 OLI影像,建立煤矸石提取模型,取得了良好的提取效果。
尽管遥感技术在工程领域已有应用,但目前遥感技术在重大工程监测方面的研究案例主要集中在国内,且侧重于生态环境影响或土地利用类型变化等方面,同时多数研究基于国内丰富的地面调查数据。而境外工程项目监测却少有研究。“一带一路”倡议提出以来,我国的境外工程项目逐年增多,且难以获取地面调查数据,亟需一种系统性的面向商务部、发改委等政府部门的境外工程项目遥感监管方法。针对该问题,本文以迪拜哈翔项目为例,提出一种缺乏地面调查数据支持条件下的境外工程遥感监管方法,具体目标包括：① 基于遥感技术的能力,提出境外工程遥感监管的技术指标体系;② 利用该指标体系,以迪拜哈翔项目为例,验证该方法的可行性。

2 研究区概况及数据处理

2.1 研究区概况

哈翔清洁能源电站位于阿拉伯联合酋长国的北部海岸,中心经纬度为54°54′36″E, 24°54′30″N。当地为亚热带气候,夏季高温少雨,冬季气温适宜。主要以沙地为主,距离迪拜约58 km,占地约4.2 km2（图1）。哈翔项目是中国首次打破发达国家在中东地区高端电力市场的垄断,对中阿合作具有增益作用,是“一带一路”框架下中东地区的重要项目,受到了丝路基金的支持。迪拜哈翔项目2017年1月开始建设,建成后发电量将占阿联酋总发电量的20%,项目备受中国企业和国际社会的广泛关注。
图1 迪拜哈翔清洁能源电站位置

Fig. 1 Location of Hassyan clean energy coal power station

2.2 数据来源及数据处理

在监测工程建设对周边生态环境的影响方面,主要采用美国地质勘探局（USGS）的2景30 m分辨率的Landsat 8的影像数据,影像获取时间分别为2016年8月11日（建设前）和2018年8月17日（建设中）,在ENVI中完成辐射定标和大气校正,提取出研究区域范围内的植被覆盖度数据。
在工程建设进度和生态空间占用监测方面,主要采用Digital Globe公司的分辨率为0.5 m的WorldView-2的影像数据,时间跨度为2016—2018年。影像信息如表1所示。
表1 数据用途及主要参数

Tab. 1 Data usage and main parameters

用途 影像 影像来源 分辨率/m 数量 日期
周边植被变化监测 Landsat 8 USGS 30 2 2016-08-11
2018-08-17
生态空间占用监测 WorldView-2 Digital Globe 0.5 2 2016-12-01
2018-08-17
工程建设进度监测 WorldView-2 Digital Globe 0.5 6 2016-12-01
2017-05-03
2017-07-26
2017-08-19
2017-12-29
2018-08-17

3 研究方法

境外工程监管主要涉及到生态环境影响和工程建设进度2部分内容。首先设计生态环境影响和工程建设进度变化的指标体系;然后以哈翔项目为例,采用时序影像对各个指标进行监测;最后对哈翔项目的生态环境影响和工程建设进度情况进行综合评价。具体流程如图2所示。
图2 迪拜哈翔项目监管技术流程

Fig. 2 Technical Flowchart for the supervision of the Hassyan project in Dubai

3.1 监测指标体系构建

利用遥感技术的优势,从生态环境影响和建设进度2个方面的5个内容进行监管：① 项目周边区域植被变化情况;② 生态空间占用状况;③ 项目建设对当地自然保护区的影响;④ 工程设施建设进度变化情况;⑤ 施工附属设施变化情况。这5个指标可分别由植被覆盖度变化图、土地覆被变化图、自然保护区监测图、工程设施和附属设施要素建设变化图来具体描述（表2）。
表2 迪拜哈翔项目遥感监测指标体系

Tab. 2 Remote sensing monitoring index system for Hassyan project in Dubai

指标 监测内容 监测产品
生态环境影响 对周边植被变化影响 2016—2018年植被覆盖度变化图
生态空间占用 2016—2018年土地覆被变化图
自然保护区影响 自然保护区监测图
建设进度监测 工程设施建设变化情况 2016—2018年道路长度与建筑面积变化图
2017—2018年港口建设变化图
施工附属设施变化情况 2016—2018年车辆、材料、废弃物变化图

3.2 生态环境影响监测

3.2.1 像元二分模型原理计算植被覆盖度
植被的发育被认为是了解生态系统状态的一个关键指标[14,15],植被通过光合作用、呼吸作用、蒸腾作用、地表返照率和凹凸度来调节地球表面的能量平衡。在世界各地进行的研究表明,植被指数一直被用于植被的时间变化性研究[16,17],本文根据研究区主要覆被类型为沙地的具体情况,借鉴刘广峰等[18]基于像元二分模型计算沙漠地区植被覆盖度的方法,通过植被覆盖度变化来判断项目施工是否对周围植被造成影响。
根据像元二分模型原理可知单个像元中植被覆盖的面积公式（式（1））：
FC = S - S soil S veg - S soil
式中： FC 表示一个像元中有植被覆盖的面积比例,即该像元的植被覆盖度; S 表示绿色植被所贡献的信息; S soil 为全由裸土所覆盖的纯像元所得的遥感信息; S veg 为全由植被所覆盖的纯像元所得的遥感信息。
由于归一化植被指数（ NDVI ）也是一种由遥感传感器所接收的地物光谱信息推算而得的反映地表植被状况的定量值。根据像元二分模型[19,20,21],一个像元的 NDVI 值可以表达为由绿色植被部分所贡献的信息 NDV I veg ,与由无植被覆盖（裸土）部分所贡献的信息 NDV I soil 组成,因此可以将 NDVI 代入式（1）可得：
FC = NDVI - NDV I soil NDV I veg - NDV I soil
式中： NDVI 表示归一化植被指数, NDV I soil 为完全是裸土或无植被覆盖区域的 NDVI 值; NDV I veg 则代表完全被植被所覆盖的像元的 NDVI 值,即纯植被像元的 NDVI 值。
NDV I soil 对于大多数类型的裸地表面,理论上应该接近零,但由于受众多因素影响, NDV I soil 的变化范围一般在-0.1~.2之间[22,23],在没有实测数据的情况下,就只能取 NDV I max 与 NDV I min 为图像中给定置信度的置信区间内的最大值与最小值,而 F C max 与 F C min 则根据经验进行估计,一般取5%和95%的 NDVI 值作为 NDV I min 和 NDV I max [24]。将 2期Landsat 8影像进行预处理之后,按式（3）计算植被覆盖度,并输出植被覆盖度图。
VFC = NDVI - NDV I min NDV I max - NDV I min
式中： VFC 表示植被覆盖度; NDV I min 表示最小归一化植被指数; NDV I max 表示最大归一化植被指数。
3.2.2 生态空间占用遥感监测
遥感数据和技术是研究城市土地覆被和土地利用变化的可靠工具[25]。如Wang等[26]利用Landsat TM/ETM+数据绘制了1990—2010年中国城市扩张的地图。徐凯健等[27]利用多源遥感数据开展土地覆被分类的空间尺度响应研究。因为研究区域面积小且当地土地覆被类型简单,本文获取研究区的2016年12月和2018年8月2期0.5 m WorldView-2高分辨率影像,人工解译制作2016年12月和2018年8月的2期土地覆盖图,通过对比前后2期土地覆被图变化来判断项目的生态占用情况。在解译期间,选择基态修正模型来制作每年的专题地图[28]。首先制作2016年的土地覆盖和基础设施要素专题图,然后通过比较两阶段遥感影像的变化,对上一阶段的土地覆盖和基础设施要素专题图进行修改,生成下一阶段的专题图。最后通过实地照片和125个随机样本点采用Kappa系数方法评价各期土地覆被类型图的解译精度。
3.2.3 自然保护区遥感监测
生态环保合作是绿色“一带一路”的建设的根本要求,“一带一路”沿线国家分布着大量的自然保护区,加强对自然保护区的监测能有效减少项目施工对保护区的影响。为掌握哈翔项目建设对当地自然保护区的影响情况,获取项目所在地0.5 m分辨率WorldView-2卫星影像,将全球生态保护区矢量与研究区域矢量叠加,然后利用目视解译得到施工区域对自然保护区的占用及保护情况。

3.3 工程建设进度监测

以研究区域从2016年12月至2018年8月的6期分辨率为0.5 m的WorldView-2影像为基础,建立要素解译标志（表3）利用基态修正模型分别制作工程设施、施工材料、废料、施工车辆等要素的矢量专题图,通过对比每期矢量专题图的面积变化来分析工程建设进度的变化。通过实地照片和125个随机样本点采用Kappa系数方法评价各期专题图的解译精度。在ArcGIS中分别统计每一期专题图的要素变化情况,并对研究区域该时间段内的各个矢量要素面积变化情况进行分析。
表3 不同地物要素解译标志

Tab. 3 Interpretation marks of different feature elements

序号 类别 解译特征 影像示例
1 车辆 形状规则,颜色为灰白色或褐色,主要集中分布在建筑物周围
2 材料区 形状为长条形个体且整体摆放规则,颜色为灰色,主要集中分布建筑物周围
3 废料区 形状不规则,表面有不规则纹理,颜色呈灰色,主要分布在待建设的区域
4 建筑物 形状为规则的矩形,颜色为灰白色,表面有浅色的纹理
5 道路 形状为线状,颜色为黑褐色,界限明显
6 湿地 形状不规则,表面呈淡绿色与周围的地表界限明显

4 结果及分析

4.1 生态环境影响监测

4.1.1 植被覆盖度变化监测
研究区域周边土地覆盖主要以沙地为主,在哈翔清洁能源电站西南方向分布有部分农场。利用像元二分法模型对获取的影像数据进行处理,提取出该区域的植被覆盖度（图3）,为便于分析,将研究区域的植被覆盖度在[0, 1]区间化划分为5个区间,并统计出各分区内的面积和占比情况（表4）。
图3 2016—2018年迪拜哈翔项目周边植被覆盖度变化

Fig. 3 Dynamic FVC changes around the Hassyan project in Dubai from 2016 to 2018

表4 2016—2018年迪拜哈翔项目植被覆盖变化情况

Tab. 4 Changes of land vegetation cover of the Hassyan project in Dubai from 2016 to 2018

时间 覆盖度区间 0~0.2 0.2~0.4 0.4~0.6 0.6~0.8 0.8~1.0
2016-08-11 面积/km2
占比/%		 70.48 3.28 0.66 0.38 0.63
93.44 4.35 0.88 0.50 0.83
2018-08-17 面积/km2
占比/%		 67.90 6.01 0.94 0.38 0.40
89.78 7.95 1.24 0.50 0.53
从表4可知,相比2016年植被覆盖情况,2018年覆盖度在区间[0, 0.2]和[0.8, 1]内植被面积分别减少了2.58 km2、0.23 km2,面积占比分别减少3.66%,0.3%;区间[0.6, 0.8]内的植被覆盖面积没有变化;区间[0.2, 0.4]和[0.4, 0.6]内的植被覆盖面积分别增加了2.73 km2、0.28 km2,面积占比分别增加了3.60%、0.36%。综上可知,项目建设后无大面积植被覆盖度降低的现象,植被覆盖度总体由低区间向高区间转化。结合当地政府的沙漠化治理进程分析可知,研究区固沙植被逐年生长,故产生植被覆盖度由低区间向高区间转化的现象。
4.1.2 生态空间占用遥感监测
利用0.5 mWorldView-2高分影像解译出沙地、耕地、建筑用地、湿地、水域5种土地覆被类型[25]。结合实地照片和125个随机样本点对解译结果进行评估,总体精度为96.8%,Kappa系数为0.85。利用2个时期的土地覆被类型图（图4）统计各个地类的面积,制作地类转移矩阵并分析建设过程中的生态空间占用情况（表5）。
图4 2016—2018年迪拜哈翔项目土地覆被变化

Fig. 4 Land cover changes of Hassyan project in Dubai from 2016 to 2018

表5 2016—2018年迪拜哈翔项目土地覆被类型转移矩阵

Tab. 5 Land cover type transfer matrix of Hassyan project in Dubai from 2016 to 2018 (km2)

2016年 2018年
建筑用地面积 耕地 沙地 水域 湿地 总计
建筑用地面积 0.3585 0 0 0 0 0.3585
耕地 0 8.5014 0 0 0 8.5014
沙地 1.4780 0 46.1817 0.0026 0 47.6623
水域 0.1246 0 0.0026 10.2367 0 10.3639
湿地 0.0604 0 0 0 0.6633 0.7238
总计 2.0215 8.5014 46.1843 10.2393 0.6633 67.6099
2016—2018年建筑用地面积变化较为明显（个5）,从0.3585 km2扩大到2.0215 km2。其中耕地面积基本没有变化,新占沙地面积为1.4780 km2,因项目沿海区域码头和港口建设需要,填海面积达0.1246 km2,因施工需要,0.0604 km2的湿地被改为施工沉淀池。综上可知,项目施工占用沙地面积较多,占用其它土地类型面积较少,且没有占用耕地面积。
4.1.3 自然保护区监测
由0.5 m分辨率高分辨率影像和基于遥感的全球保护区数据叠加结果可知,哈翔项目位于面积为77 km2的Jebel Ali海洋生态保护区,且紧邻阿联酋海洋环境组织（EMEG）基地（图5(a)）。为加强对生态区域环境的保护,确保疏浚期间的施工海域和周边的海域不会因为泥沙沉淀和水质污染等问题影响周边海域的珊瑚和水草的健康生长,将近10 km周长的施工海域分3个阶段围上防淤帘（图5(b)）,有效阻隔泥沙向周边的海域扩散;项目码头施工建设前,将泄湖区内的全部鱼类转移至大海,对区域内28 000株珊瑚进行移植和培养（图5(c)）;同时在海岸预留了海龟产卵通道,每年的海龟繁殖期,对海龟进行监控与保护（图5(d)）;在港口施工建设过程中,距离港口最近的湿地被征用为施工沉淀池,其面积为0.0604 km2（图5(e)—5(f)）。综上,一系列的保护措施有效地减少了该项目对Jebel Ali海洋生态保护区的影响。
图5 迪拜哈翔项目保护区范围及保护措施

Fig. 5 The scope of nature reserves and protection measures of the Hassyan Project in Dubai

4.2 工程建设进度监测

4.2.1 道路长度、建筑面积动态监测
通过6期0.5 m高分辨率影像对项目道路长度和建筑面积进行解译（图6）,为分析各个要素的具体变化情况,在ArcGIS中统计出各个要素的长度和面积（表6）。
图6 2016—2018年迪拜哈翔项目道路长度和建筑面积变化

Fig. 6 Changes of road length and building area of Hassyan project in Dubai from 2016 to 2018

表6 2016—2018年迪拜哈翔项目道路长度和建筑面积变化表

Tab. 6 Changes of road length and building area of Hassyan project in Dubai from 2016 to 2018

2016-12-01 2017-05-03 2017-07-26 2017-08-19 2017-12-29 2018-08-17
道路/km 11.22 11.689 11.689 11.689 11.264 11.264
建筑面积/km2 0 0.034 0.06 0.088 0.14 0.14
分析表6可知,项目建设过程中研究区道路长度无明显变化。在2017年,为方便施工运输,新建了一条连接厂房区与主干道路的道路,总长度为469 m,但因施工建设范围的扩大,长度约425 m的道路被占用。随着工程施工的推进,建筑面积不断扩大,截至2017年12月,已达0.14 km2。
4.2.2 港口建设变化监测
迪拜哈翔项目北临波斯湾,电站所需的燃料和设备需要通过港口转运,港口建设是项目的重要部分。通过遥感影像解译哈翔项目港口码头建设结果如图7所示。港口2017年7月开始建设,8月港口完成合龙,到2017年底港口工程基本完成,总计围堰长度达3.785 km。
图7 2017—2018年迪拜哈翔项目港口建设动态监测

Fig. 7 Dynamic monitoring of wharf construction of Hassyan project in Dubai from 2017 to 2018

4.2.3 工程车辆、材料、废弃物面积变化监测
由遥感影像解译结果（图8）和要素信息统计（表7）分析可知,以2017年12月为节点可将建设周期分为两个阶段。第一阶段,从2017年1月至2017年12月,项目处于土石施工阶段,工程进展明显,工程使用的车辆数目显著增加,至2017年12月,施工车辆总数达160辆,是施工初期的5倍;施工建设所需材料及施工废料堆放占地面积不断扩大,所需材料占地总面积达0.1846 km2,施工废料占地面积达0.2182 km2。第二阶段,从2017年12月至2018年8月,项目处于设备安装阶段,安装工程取得了阶段性进展,但施工车辆、材料、废料堆放占地总面积无明显变化。
图8 2016—2018年迪拜哈翔项目工程进展情况

Fig. 8 Project progress of Hassyan project in Dubai from 2016 to 2018

表7 2016—2018年迪拜哈翔项目工程进度监测

Tab. 7 Project progress monitoring of Hassyan project in Dubai from 2016 to 2018

2016-12-01 2017-05-03 2017-07-26 2017-08-19 2017-12-29 2018-08-17
车辆数量/辆 0 32 32 87 160 160
材料面积/km2 0 0.0164 0.0688 0.0828 0.1846 0.1846
废料面积/km2 0 0.0794 0.1011 0.1670 0.2182 0.2182

5 结论与建议

5.1 结论

“一带一路”倡议的推进,我国境外重大工程项目数量逐年增加,由于境外项目难以获取地面调查数据,且缺乏掌握境外项目建设进度的主动手段,目前尚无系统性的面向商务部、发改委等政府部门的境外工程项目遥感监管方法。本文以迪拜哈翔项目为例,在“一带一路”境外工程项目监管方法方面做出初步的探索,主要结论如下：
（1）针对生态环境影响和工程建设进度是2项国内外关注的热点内容,本文提出了包含植被覆盖度变化、生态空间占用、自然保护区监测、工程设施建设、附属设施建设5项内容的境外工程监测指标体系,其中植被覆盖度变化主要反映工程建设对周边环境的影响,生态空间占用主要反映工程建设的生态资源占用情况,自然保护区监测则主要用于监测工程建设对保护区等敏感区的影响,工程设施建设反映工程主体设施的完工程度,附属设施建设则可以反映当前的施工强度。
（2）针对上述指标体系,本文采用像元二分模型进行工程建设前后的植被覆盖度变化监测;利用基于0.5 m WorldView-2高分辨率影像的土地覆盖变化进行工程生态空间的占用监测;通过工程施工范围与保护区叠加分析,分析工程对保护区的影响;采用时序WorldView-2影像,利用目视解译方法,监测工程设施、施工材料、废料、施工车辆等要素的变化来反映工程的建设进度。
（3）以迪拜哈翔清洁能源电站项目为例,采用上述监测指标体系和监测方法,对该项目的生态环境影响和建设进度进行了监测,结果表明该方法能反映工程在建设过程中对周围生态环境的影响,能准确地监测出迪拜哈翔清洁能源电站的建设进度,对“一带一路”其它境外项目建设的监管具有重要参考意义。
（4）迪拜哈翔电站项目监测结果表明：该项目对周边生态环境影响较小,项目建设后无大面积植被覆盖度降低的现象,植被覆盖度总体由低区间向高区间转化;项目施工占用沙地1.4780 km2,港口建设填海面积达0.1246 km2,0.0604 km2的湿地被改为施工沉淀池,没有占用耕地;占用了部分Jebel Ali海洋生态保护区,项目方采用转移海底珊瑚、设置防淤帘、预留海龟产卵通道等措施有效地减少了该项目对Jebel Ali海洋生态保护区的影响;工程建设进度明显,工程使用的车辆数目、施工材料占地面积、废料占地面积均有明显增加,施工道路长度无明显变化,而建筑面积增加了0.14 km2,港口工程围堰总长达3.785 km。

5.2 建议

本文通过构建新的指标体系,结合像元二分法、基态修正模型等技术为迪拜哈翔项目的生态和建设进度的监管提供了新的监管方法,但仍存在不足之处。
（1）监测实时性不足。目前所做的监测工作大多为事后监测,难以满足应急和管理的需求,应加强遥感数据准实时获取和处理技术的研究,实现准实时监测,及时发现项目建设潜在的问题,便于相关部门和单位及时采取防控措施,使监测更有实际价值。
（2）指标体系有待完善。首先由于遥感技术的限制,目前监测指标局限于自然保护区占用、生态空间占用、室外建筑变化情况等方面,建议进一步加强地面调查和监测数据的研究分析,拓展生物多样性保护、大气、水体、室内装潢等方面的相关监测指标。其次,社会经济影响也是工程项目监测的重要内容,可增加夜间灯光指数变化、人口数据变化、解决就业状况等指标来反映工程项目对当地社会经济的影响。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
柳钦火, 吴俊君, 李丽, 等. “一带一路”区域可持续发展生态环境遥感监测[J]. 遥感学报, 2018,22(4):686-708.

[ Liu Q H, Wu J J, Li L, et al. Ecological environment monitoring for sustainable development goals in the Belt and Road region[J]. Journal of Remote Sensing, 2018,22(4):686-708. ]

[2]
潜旭明. “一带一路”倡议背景下中国的国际能源合作[J]. 国际观察, 2017(3):129-146.

[ Qian X M. China's international energy cooperation under the background of the Belt and Road Initiative[J]. International Review, 2018(3):129-146. ]

[3]
Mulder VL, Bruin SD, Schaepman ME, et al. The use of remote sensing in soil and terrain mapping: A review[J] Geoderma, 2011,162(1):1-19.

DOI

[4]
Adami M, Bernardes S, Arai E, et al. Seasonality of vegetation types of South America depicted by moderate resolution imaging spectroradiometer (MODIS) time series[J]. International Journal of Applied Earth Observations and Geoinformation, 2018,69:148-163.

DOI

[5]
李健锋, 叶虎平, 张宗科, 等. 基于Landsat影像的斯里兰卡内陆湖库水体时空变化分析[J]. 地球信息科学学报, 2019,21(5):781-788.

DOI

[ Li J F, Ye H P, Zhang Z K, et al. Spatiotemporal change analysis of Sri Lanka Inland water based on landsat imagery[J]. Journal of Geo-information Science, 2019,21(5):781-788. ]

[6]
Zhu X L, Liu D S. Improving forest aboveground biomass estimation using seasonal Landsat NDVI time-series[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015,102:222-231.

DOI

[7]
牛铮, 李加洪, 高志海, 等. 《全球生态环境遥感监测年度报告》进展与展望[J]. 遥感学报, 2018,22(4):672-685.

[ Niu Z, Li J H, Gao Z H, et al. Progress and future of China's annual report on remote sensing monitoring of global ecosystem and environment[J]. Journal of Remote Sensing, 2018,22(4):672-685. ]

[8]
Wu B F, Zhang L, Yuan C, et al. Remote Sensing Monitoring in the Three Gorges Reservoir Area[C]. Chang'an University. Proceedings of 2011 International Symposium on Water Resource and Environmental Protection(ISWREP 2011) VOL.04. Xi’an: Chang'an University, 2011:2471-2474.

[9]
Ge Y, Chen Y H, Jia Y X, et al. Dynamic Monitoring the Infrastructure of Major Ports in Sri Lanka by Using Multi-temporal High Spatial Resolution Remote Sensing Images[J]. Journal of Geographical Sciences, 2018,28(7):973-984.

DOI

[10]
杨娟, 贾周云, 邵靖净. 基于BJ-1的环渤海区海岸工程变化遥感监测研究[J]. 科技与创新, 2016(9):12-13.

[ Yang J, Jia Z Y, Shao J J. Remote sensing monitoring of coastal engineering changes in Bohai rim region based on BJ-1[J]. Science and Technology & Innovation, 2016(9):12-13. ]

[11]
李序春, 徐惠民, 索安宁. 基于高空间分辨率遥感影像的港口区集约利用监测与评估——以渤海5个典型港区为例[J]. 应用海洋学学报, 2019,38(1):126-134.

[ Li X C, Xu H M, Suo A N. Monitoring and assessment of intensive utilization of port area based on high spatial resolution remote sensing image with case study of five typical ports in the Bohai Sea[J]. Journal of Applied Oceanography, 2019,38(1):126-134. ]

[12]
Alden M G. Remote sensing techniques for monitoring coal surface mining and reclamation in the powder river basin[D]. Columbus: Ohio University, 2009.

[13]
He D K, Le B T, Xiao D, et al. Coal mine area monitoring method by machine learning and multispectral remote sensing images[J]. Infrared Physics and Technology, 2019,103:1-6.

[14]
Mendonça D C R, Fabian S C. Urban vegetation loss and ecosystem services: The influence on climate regulation and noise and air pollution[J]. Environmental pollution (Barking, Essex : 1987), 2019,245:844-852.

DOI

[15]
Ricardo F B E, Alexandre R D S, Eduardo M P J, et al. Space-time analysis of vegetation trends and drought occurrence in domain area of tropical forest[J]. Journal of environmental management, 2019,246:384-396.

DOI PMID

[16]
Beurs K M D, Henebry G M. A land surface phenology assessment of the northern polar regions using MODIS reflectance time series[J]. Canadian Journal of Remote Sensing, 2010,36(sup1):87-110.

[17]
Testa S, Soudani K, Boschetti L, et al. MODIS-derived EVI, NDVI and WDRVI time series to estimate phenological metrics in French deciduous forests[J]. International Journal of Applied Earth Observations and Geoinformation, 2018,64:132-144.

DOI

[18]
刘广峰, 吴波, 范文义, 等. 基于像元二分模型的沙漠化地区植被覆盖度提取——以毛乌素沙地为例[J]. 水土保持研究, 2007(2):268-271.

[ Liu G F, Wu B, Fan W Y, et al. Extraction of vegetation coverage in desertification regions based on the dimidiate pixel model: A case study in Maowusu Sandland[J]. Research of Soil and Water Conservation, 2007(2):268-271. ]

[19]
Leprieur C, Verstraete M M, Pinty B. Evaluation of the performance of various vegetation indices to retrieve vegetation cover from AVHRR data[J]. Remote Sensing Review, 1994,10:265-284.

DOI

[20]
陈晋, 陈云浩, 何春阳, 等. 基于土地覆盖分类的植被覆盖率估算亚像元模型与应用[J]. 遥感学报, 2001,5(6):416-422.

DOI

[ Chen J, Chen Y H, He C Y, et al. Sub-pixel model for vegetation fraction estimation based on land cover classification[J]. Journal of Remote Sensing, 2001,5(6):416-422. ]

[21]
Zribi M, Le He Garat-mascle S, Taconet O D, et al. Derivation of wild vegetation cover density in semi-arid regions: ERS2 SAR evaluation[J]. International Journal of Remote Sensing, 2003,(24):1335-1352.

[22]
Carlson T N, Ripley D A. On the relation between NDVI, fractional vegetation cover and leaf area index[J]. Remote Sensing of Environment, 1997,62(3):241-252.

DOI

[23]
Rundquist B C. The influence of canopy green vegetation fraction on spectral measurements over native tall grass prairie[J]. Remote Sensing of Environment, 2002,81(1):129-135.

DOI

[24]
李苗苗, 吴炳方, 颜长珍, 等. 密云水库上游植被覆盖度的遥感估算[J]. 资源科学, 2004,26(4):153-159.

[ Li M M, Wu B F, Yan C Z, et al. Estimation of vegetation fraction in the upper basin of Miyun reservoir by remote sensing[J]. Resources Science, 2004,26(4):153-159. ]

[25]
Toure S I, Stow D A, Shih H C, et al. Land cover and land use change analysis using multi-spatial resolution data and object-based image analysis[J]. Remote Sensing of Environment, 2018,210:259-268.

DOI

[26]
Wang L, Li C C, Ying Q, et al. China's urban expansion from 1990 to 2010 determined with satellite remote sensing[J]. Chinese Science Bulletin, 2012,57(22):2802-2812.

DOI

[27]
徐凯健, 田庆久, 杨闫君, 等. 遥感土地覆被分类的空间尺度响应研究[J]. 地球信息科学学报, 2018,20(2):246-253.

DOI

[ Xu K J, Tian Q J, Yang Y J, et al. Response of spatial scale for land cover classification of remote sensing[J]. Journal of Geo-information Science, 2018,20(2):246-253. ]

[28]
Hu Y B, Wu H R, Zhu H J. The application of base state with amendments model in land survey data management. In: Bian F., Xie Y. (eds) Geo-Informatics in Resource Management and Sustainable Ecosystem. Berlin, Heidelberg: Springer, 2015:715-723.

Options
Outlines

/

〈 〉