在当前的技术背景下，采矿仍然是人类从自然界获取材料和能源的重要途径之一（Maus & Werner, 2024）。采矿活动保障了人类的生存和发展，在某些地区是重要的经济来源（Svobodova et al., 2022）。然而，采矿活动通过地表挖掘、土地占用、塌陷和污染等过程（H. X. Yu, Zahidi, & Liang, 2023），对地表植被产生了直接或间接的影响（Dong et al., 2025）。在一些典型的采矿驱动型城市中，采矿作业被认为是植被覆盖率下降和生态状况恶化的主要原因（Xiao, Hu, Li, Zhang, & Hu, 2011; H. X. Yu et al., 2023; Zeng et al., 2024）。为应对采矿造成的植被破坏和影响，并解决可持续发展的挑战，世界各国实施了采矿环境政策（H. Yu, 2023），中国的绿色采矿政策就是一个典范（H. Yu, Li, Yu, & Wang, 2022）。在采矿区实现绿色生产的前提是建立有效的植被监测系统（P. Wu, Zhao, & Li, 2023）。通过对采矿区植被动态进行持续和长期的观察，可以准确捕捉在采矿影响下生态状况随时间的变化，从而为环境保护提供坚实的科学支持（Song, Song, Gu, & Li, 2020）。
利用遥感技术可以有效地监测采矿区的植被变化（J. Li et al., 2020）。基于卫星的遥感技术具有周期性、可访问性和丰富的信息，使得对采矿区植被进行长期、定期的分析成为可能（Zhao et al., 2017）。Landsat卫星数据因其良好的光谱特性和重访周期，常用于采矿区的生态监测（Williams, Goward, & Arvidson, 2006）。自20世纪70年代以来，Landsat影像一直被用于跟踪采矿区的植被动态（H. Xu, X. Wang, J. Zhou, L. Xu, & L. Yang, 2024），常见的方法是从多波段数据构建植被指数以反演地表植被特征（Zou, Su, Chen, Li, & Li, 2010）。为了分析地表植被在空间和时间上的变化，研究人员通常依赖多时相遥感对比（Karan & Samadder, 2016）或时间序列方法（Z. Yang, Shen, Li, Jiang, & Zhao, 2022）。时间序列分析因其全面性和信息丰富性，已成为采矿区植被监测的主流方法。趋势分析因其简单性、易用性和强解释性，成为分析时间数据的可靠方法。Yang等人使用趋势分析测试了评估干旱影响采矿区环境变化的新指数，并取得了良好的结果（Tian et al., 2013）。然而，趋势分析只能识别植被干扰和恢复的空间范围，在捕捉干扰的时间顺序方面效果较差（Jia, Wang, & Lei, 2018）。因此，能够提取干扰时间、范围、强度和速率等各种信息的连续变化监测算法，在采矿区的植被监测中得到广泛应用（J. T. Guo et al., 2022; Y. Wang et al., 2023; Hang Xu et al., 2024; Xu et al., 2023; M. X. Zhang et al., 2021）。常见的时间序列分析算法包括Landtrendr（Robert E. Kennedy et al., 2018）、CCDC（Z. Zhu & Woodcock, 2014）和Bfast（Verbesselt, Hyndman, Zeileis, & Culvenor, 2010）。由于其丰富的输出和强大的可行性（Pasquarella et al., 2022），Landtrendr在采矿区的植被变化监测中得到了广泛应用。Liu等人（Y. X. Liu, M. M. Xie, J. Y. Liu, H. H. Wang, & B. Chen, 2022）和Guo等人（J. T. Guo et al., 2022）使用Landtrendr算法构建了内蒙古煤炭开采引起的植被干扰和恢复的时间序列。Liu等人（Y. Liu & R. G. Zuo, 2024）结合随机森林算法和Landtrendr，识别了稀土矿区的生态破坏的时空特征。Yang等人（Y. J. Yang et al., 2018）识别了澳大利亚Curragh煤矿的生态破坏过程。Landtrendr可以为研究采矿区的植被破坏模式提供丰富的时空信息。将Landtrendr与机器学习方法结合，可以有效地分类采矿区的植被变化模式。Wang等人（Y. Wang et al., 2023）、Fonseca等人（A. Fonseca, M. T. Marshall, & S. Salama, 2024）和Ferraz等人（Ferraz & Vicens, 2025）都在这方面取得了成功。
随着遥感数据的不断增加，像Google Earth Engine（GEE）这样的大数据平台使得个人能够处理大量的时间序列遥感数据（Gorelick et al., 2017）。将Landtrendr集成到GEE中，使其成为最常用的时间序列算法之一（Robert E Kennedy et al., 2018）。通过GEE的集成API，研究人员可以轻松使用Landtrendr的预设指数进行分析（Robert E Kennedy et al., 2018）。
采矿区构成了复杂的系统，其中生产活动、人类生计和自然环境紧密耦合，导致植被动态既包括渐进的线性趋势，也包括突然的非线性变化。因此，与干扰和恢复相关的非线性过程在采矿环境中尤为重要。LandTrendr算法广泛用于通过时间分割来表征这种非线性植被变化。在其原始设计中，LandTrendr假设植被恢复在时间上连续地跟随干扰，这确保了森林生态系统内部的时间一致性（R. E. Kennedy et al., 2012）。然而，在采矿区，植被恢复往往是间断的，并且受到外部复垦措施的强烈影响。当使用基于分割的指标（如根据最快变化率识别干扰和恢复）解释LandTrendr的输出时，这种算法假设与采矿现实之间的差异可能导致时间解释的模糊性，包括恢复段被分配在干扰段之前。为了解决这个问题，本研究在基于LandTrendr的分析中加入了时间约束，提高了采矿景观中干扰-恢复时间识别的可靠性。
为了全面捕捉1997年至2020年石咀源矿区的这些动态，本研究在Google Earth Engine（GEE）平台上建立了一个分析框架。这项工作由三个具体目标指导，每个目标都与一个核心方法论组成部分相关：
(1)量化长期植被趋势的时空模式，并识别显著退化或绿化的区域。这一目标通过线性趋势分析和Mann-Kendall显著性检验来实现，应用于年度NDVI时间序列（第2.3.1节）。
(2)准确检测和表征突然的植被干扰和恢复事件，同时解决“干扰前恢复”的常见时间逻辑错误问题。这一目标通过实现一个具有生态有效事件序列的改进版LandTrendr算法并添加后处理规则来实现（第2.3.2节）。
(3)通过整合连续趋势和突然事件的指标来分类和绘制主导的植被变化模式。这一目标使用监督随机森林（RF）分类器来完成。该模型基于初步趋势和干扰结果选择的样本进行训练（第2.3.3节）。
这种综合方法的研究结果预计将为监测采矿景观中的植被动态提供一个稳健且可转移的工作流程，为环境可持续管理提供可行的见解。
