遥感技术与应用, 2022, 37(5): 1043-1055 doi: 10.11873/j.issn.1004-0323.2022.5.1043

综述

矿山环境遥感监测研究进展

黄登冕,1, 张聪1, 姚晓军,1, 杨显华2, 刘娟3

1.西北师范大学 地理与环境科学学院，甘肃 兰州 730070

2.四川省地质调查院稀有稀土战略资源评价与利用四川省重点实验室，四川 成都 610081

3.甘肃省地质矿产勘查开发局第三地质矿产勘查院，甘肃 兰州 730050

Research Progress of Mine Environment Remote Sensing Monitoring

Huang Dengmian,1, Zhang Cong1, Yao Xiaojun,1, Yang Xianhua2, Liu Juan3

1.College of Geography and Environmental Science，Northwest Normal University，Lanzhou 730070，China

2.Sichuan Institute of Geological Survey，Chengdu 610081，China

3.The Third Institute of Geology and Minerals Exploration，Gansu Provincial Bureau of Geology and Minerals Exploration Development，Lanzhou 730050，China

通讯作者: 姚晓军（1980-），男，山西运城人，博士，教授,主要从事地理信息技术与冰冻圈变化研究。E⁃mail:yaoxj_nwnu@163.com

收稿日期: 2021-11-19   修回日期: 2022-05-23  

基金资助: 中国科学院“西部之光”人才培养引进计划项目“祁连山地区矿山遥感监测与生态恢复治理评价”
陇原青年创新创业人才个人项目“祁连山地区矿山环境遥感监测与生态恢复治理评价”资助

Received: 2021-11-19   Revised: 2022-05-23  

作者简介 About authors

黄登冕（1992-），男，甘肃白银人，硕士研究生,主要从事矿山环境遥感监测及深度学习目标检测方面的研究E⁃mail:huangdm_nwnu@163.com , E-mail：huangdm_nwnu@163.com

摘要

矿产资源是人类赖以生存和发展的重要生产资料，开展矿山监测对于矿产资源开发利用和矿区环境保护至关重要。由于具有大范围、多时相和综合性等优势，遥感技术已成为矿山监测的主要手段。针对矿山开发利用状况、地质灾害问题以及生态环境监测与质量评价等需求，系统总结了矿山环境遥感监测所用的数据源、方法和模型。目前遥感监测数据源已趋于多样化并覆盖矿山监测各方面，得益于云计算平台及人工智能技术快速发展，大数据分析和深度学习等方法在矿山环境遥感监测中逐渐发挥重要作用，而多源数据融合、地物智能化提取、三维形变监测和定量反演等是矿山环境遥感监测存在的主要问题与挑战。

关键词： 矿山 ; 遥感监测 ; 矿产资源 ; 地质灾害 ; 生态环境

Abstract

Mineral resources are important production materials for human survival and development， and the monitoring of mine environment is crucial for mineral resources exploitation and protection. Due to the advantages including large-scale， multi temporal and comprehensive， remote sensing technology has become the main means of mine monitoring. Aiming to the requirements of mine development and utilization， geological disasters， ecological environment monitoring and quality evaluation， we systematically summarized data sources， methods and models used in remote sensing monitoring of mine environment. Especially， data sources adopted in remote sensing monitoring of mine have tended to diversify and involve in all aspects of mine monitoring. Along with the rapid development of cloud computing platform and artificial intelligence technology， methods such as big data analysis and deep learning have gradually played an important role in remote sensing monitoring of mine environment， while multi-source data fusion， intelligent extraction of features， three-dimensional deformation monitoring and quantitative inversion are the main problems and challenges.

Keywords： Mine ; Remote sensing monitoring ; Mineral resources ; Geological hazards ; Ecological environment

PDF (646KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

黄登冕, 张聪, 姚晓军, 杨显华, 刘娟. 矿山环境遥感监测研究进展. 遥感技术与应用[J], 2022, 37(5): 1043-1055 doi:10.11873/j.issn.1004-0323.2022.5.1043

Huang Dengmian, Zhang Cong, Yao Xiaojun, Yang Xianhua, Liu Juan. Research Progress of Mine Environment Remote Sensing Monitoring. Remote Sensing Technology and Application[J], 2022, 37(5): 1043-1055 doi:10.11873/j.issn.1004-0323.2022.5.1043

1 引 言

矿产资源作为一种不可再生资源，是人类赖以生存和发展的重要物质基础［1-2］。在为人类生产生活提供服务的同时，矿产资源开发利用引起的环境问题日益严峻［3］，是制约矿山及周边区域可持续发展的关键因素［4-5］，如何实现矿产资源合理开发与环境协调发展已成为生态文明建设的重要议题［6-7］。2012年11月8日，党的十八大将生态文明建设写入党章，明确了新时代生态文明建设的战略地位，并大力鼓励绿色矿山建设，以实现社会、经济和环境的协同发展。截至2020年底，已建成绿色矿山1 254家。2021年10月27日，国务院印发《2030年前碳达峰行动方案》，将碳达峰、碳中和纳入生态文明建设总体布局，为我国矿产资源开发转型及生态环境保护指明方向。因此，促进矿产资源合理开发与矿山生态环境保护的协调发展，对于建立绿色矿山发展新模式及修复国土空间生态环境具有重要意义。

遥感因其具有快速、高效及综合等优势，已成为矿山环境监测的重要技术手段［8-10］。早期露天矿区占地要素识别的主要数据源以丰富的历史存档数据和开源易获取的Landsat系列卫星影像为主［11-12］。近十年高分辨率/甚高分辨率卫星传感器数量快速增加，为小尺度露天矿区土地利用精细分类带来新的机遇［13-14］，Pour等［15］汇总了用于矿区环境监测的多光谱和高光谱遥感数据。此外，微波遥感以高空间分辨率及高效测量实现了传统大地测量技术无法实现的极宽区域地表形变监测［16-17］和参数反演［18］，极大地提高了矿区地形信息获取能力。另一方面，遥控飞机及无人机遥感（Unmanned Aerial Vehicle Remote Sensing， UAVRS）使多时相调查更加灵活和容易进行，已成为矿山环境区域性、周期性监测的重要手段。

矿山环境遥感监测是一项紧密围绕国家需求，具有基础性、战略性、实用性和紧迫性的重要工作［15，19］，然而由矿山开挖、露天开采、运输及矿物加工等采矿活动引发的生态环境问题已成为成矿省及周边地区未来可持续发展和环境污染遥感监测需要解决的主要矛盾［20］。在露天矿区勘探、开发和选矿过程中，土地利用/覆盖变化分类是全面了解采矿活动对区域地质环境影响的关键［4，6，12］，Chen等［4］从露天矿区土地利用/覆盖变化分类主题、特征选择方法及分类算法、影响分类的因素三个角度论述分类进展，与多数学者一致认为应致力于使用更典型数据集和更高精度获得露天矿区土地利用信息［12，14］。考虑到矿区数据集要充分涵盖矿山类型、规模、开采方式和地理环境等特征［21］，因此输入数据集的有效特征对提高分类精度至关重要［22］。此外，分类精度还受分类算法本身参数选择和调整及混合像元等因素影响［23］，其中混合像元问题不仅影响矿区地物识别精度［13］，而且是遥感技术定量化发展的主要障碍［22］。采矿活动还会引发滑坡和地面沉降等一系列导致地表形变的地质灾害［4，24］。因此，利用干涉合成孔径雷达（Interferometric Synthetic Aperture Radar， InSAR）、激光雷达探测（Light Detection And Ranging， LiDAR）及UAVRS等技术通过形变建模［21］、采矿沉降演化过程解析［8］和地质灾害评估［25］对矿山地质环境监测至关重要。Yang等［26］全面回顾了近年来基于SAR/InSAR技术在1D/2D采矿形变监测、3D采矿位移重建、力学参数反演和前向预测方面的重要贡献。He等［27］总结了矿区无人机监测的现状，认为将卫星、UAVRS、矿场调查和井下数据相结合，实现“卫星—地表—井下”一体化监测具有广阔的前景。

遥感传感器能够快速获取目标光谱信息［28］，从而可以通过数据建模获得各种生态指标［28-29］，在矿区生态环境监测评价中的应用越来越频繁［30-31］。部分学者对深度学习技术在大气、植被及水文学等方面的环境遥感潜力进行了预测［32］。然而，目前主要研究仍集中于数据源［15］、露天矿区地物分类［4］、InSAR和无人机监测［26-27］等单一要素的孤立研究，对矿山环境遥感监测进展缺乏全面的总结。随着我国政府统筹推进山水林田湖草沙冰一体化保护和修复工程，矿山环境遥感监测研究迎来新的发展机遇。为全面推进矿山生态修复、绿色矿山和矿山公园的建设工作，实现碳达峰、碳中和目标，本研究对矿山环境遥感监测的数据源、矿产资源开发状况、矿山地质灾害和生态环境监测与质量评价等研究内容进行梳理、分析和总结，从而为矿山环境遥感监测相关研究提供科学依据。

2 矿山环境遥感监测数据源

选择合适的遥感影像数据源是矿山环境监测的基础，表1列出了矿山环境监测不同场景常用的遥感影像。在区域尺度上，中等空间分辨率遥感影像（如Landsat TM/ETM+）是更常用的数据。对Landsat TM和ETM+影像分别使用453、741波段组合及线性增强处理，可宏观观测矿山地质崩塌［33］。在大陆或全球尺度上，AVHRR和MODIS产品数据反演结果更为可取，如可使用MYD08_D3和MYD04_L2产品监测矿物粉尘气溶胶的运动、传播和沉降［19］。其他卫星如Worldview-3不仅具有更高的空间分辨率，还包含用于植被监测的8个可见光到近红外波段（0.42—1.04 µm）和8个短波红外波段（1.20—2.33 µm）［13］，并将短波红外波段分辨率提高到7.5 m，更适用于监测矿区碳氢化合物和反演植被及土壤污染指数［4，28］。由于矿区地形极其崎岖，山体阴影导致反射率值波动较大并限制遥感影像光谱值，已有研究集成DEM（如TanDEM-X/SRTM DEM）数据和Landsat光学影像提取矿区边界得到94.23%的精度，明显优于仅基于光学影像的提取方法［34］。此外，引入地形特征可增强建模和分类功能，在内蒙古富矿地区利用随机森林（Random Forest， RF）算法进行土地利用/覆被分类，结果显示RF袋外错误率对集成DEM方法仅为7.54%，而光学影像方法为12.70%［34］。但多云雨天气仍是获取高质量光学卫星传感器数据的主要障碍，目前已开发出ZY-3等卫星以同时提供地形和多光谱数据，并通过综合应用多时相、高空间分辨率信息实现高精度监测［35］。

表1   矿山环境遥感监测不同场景常用的数据源

Table 1  Data source commonly used in different scenarios of mine environment remote sensing monitoring

类型适用场景卫星/传感器/产品分辨率/波段
光学地表占地要素识别GeoEye-1, GF-1/2, IKONOS, QuickBird, Pleiades, SuperView, WorldView, ALOS-1, CBERS-2, SPOT, Rapid Eye, ZY-02C/3, Sentinel-2, Landsat亚米级/2.5 m/5 m/10 m/30 m
植被指数和生态指数计算GF-1/2, WorldView, HJ-02C, ZY-3, Sentinel-2, Landsat, Hyperion, AVHRR产品, MODIS产品, GLOPEM-CEVSA NPP 产品

亚米级/2 m/10 m/

30 m/250 m/1 km

土壤水分含量、侵蚀量及重金属浓度反演Hyperion, ASTER, MODIS产品30 m/1 km
气溶胶光谱特性及粉尘PM值反演Sentinel-2, Hyperion, Landsat, HyMap, AVHRR产品, MODIS产品

10 m/30 m/50 m/

1 km

酸性矿井水识别，沉陷区水深和水储量反演ZY-3, Rapid Eye, Sentinel-2, ASTER, Landsat, HJ-1A, Google Earth, MODIS产品, GRACE2 m/5 m/10 m/30 m/100 m/1 km/0.5°
微波沉降监测，三维重建TerraSAR-X, TanDEM-X, Sentinel-1, RadarSat-1X/C波段
表面位移和尾矿库固结沉降监测，污染监测Envisat, Sentinel-1, TerraSAR-X, Cosmo-Skymed, TanDEM-X, HJ-1CSC/X/S波段
形变监测，三维重建ERS, Sentinel-1, 地基雷达, ALOS, JERS-1, GNSSC/L波段

无人机

遥感

地形测量，岩坡分析，水土污染、生态修复、复垦期地面沉降监测DJI Phantom 2数据, 机载AISA Eagle II数据, Micasense RedEdge-MX Dual, 多光谱传感器, 热成像传感器, 声呐传感器, IMU数据根据载荷确定

新窗口打开| 下载CSV


合成孔径雷达（Synthetic Aperture Radar， SAR）是矿山环境遥感监测的重要补充数据源。SAR传感器多选用L、C、X和K波段，其中L波段可用于植被覆盖度较高矿区的地表信息监测［17］，C波段可用于微地表形变和尾矿固结沉降监测［16］，X波段可用于开采深陷监测［17］，K波段则用于地下水开采监测［7］。此外，LiDAR作为集成定位和惯性传感的新一代航空遥感系统，可直接生成原始DEM和正射影像数据，已成为一种准确快速的地表三维测量方式［8］。但是，矿山开采会使矿区土地覆盖在时间和空间上发生显著变化，而LiDAR和SRTM DEM等的空间分辨率较低且更新不及时，难以保证在规模、成本和高精度方面对矿区进行连续监测［34］。UAV技术具有传感器小型化和高可用性的优点，可结合运动结构恢复（Structure From Motion， SFM）摄影测量技术获得数字表面模型［9］，也可搭载光学和热成像传感器，已成为矿山勘探、开采和复垦阶段的重要监测手段［27］。

3 矿山环境遥感监测内容

3.1　地表占地要素识别

露天矿区土地利用/覆被分类是了解采矿活动对区域开发占地状况及环境影响评估的关键内容。矿区地表信息不仅包括矿山地表要素（如采场、固体废弃物、中转场地和采矿道路），还包括自然地表要素（如草场、林地和未利用地）。传统的地表信息解译方法以结合实地调查的目视解译为主，虽可提供区域范围内高精度占地信息，但由于矿山地形复杂、地物种类繁多及区域性强等特点，需解译人员有丰富判读经验，存在工作效率低且无法满足大范围调查需求缺点。

计算机自动提取方法可快速获取矿区信息，并经过基于像元、面向对象和面向场景等不同空间单元的发展阶段。基于像元方法在1970年开始应用于土地利用/覆被分类，如决策树（Decision Tree， DT）［12］、支持向量机（Support Vector Machine， SVM）［22］及人工神经网络（Artificial Neural Network， ANN）［6］等，此类方法主要基于地物光谱特征差异进行分类。其中，SVM和ANN需要多次训练确定参数，对特征选择更敏感，降低了分类过程的自动化程度［22］。在特征提取时，矿坑、矿石堆、废物堆和中转场在高分辨率影像中的光谱空间同质性较强，且风化效应加剧了相似度，复垦矿区的光谱特征与影像中的草地或牧场相似［4］，封闭尾矿和在采尾矿的光谱特征则会呈现差异性，导致出现“异物同谱”和“同物异谱”现象，在分类时相邻像元会出现较多不确定性，受到影像噪声影响使分类结果易产生“椒盐”现象［22］。RF作为一种单分类器多次集成的分类方法［23］，与SVM和ANN相比具有参数少、准确性高的特点，且能处理高度相关的地形特征，在矿藏潜力建模中非常重要。如Li等［6］基于ZY-3影像，以武汉市为研究区比较了RF、SVM和ANN分类性能，结果显示在地表开采和农业景观制图时RF最优（77.57%），其次是SVM和ANN；而地表采空区的分类则是SVM最优（87.34%），其次是RF和ANN，这与Chen等［4］的结论基本一致。Rodriguez等［23］通过对比ANN、RTs、RF和SVM针对矿产远景调查的性能，结果显示RF显示出更高的稳定性和鲁棒性，优于ANN等其他方法。此外，针对多源遥感数据在大空间尺度研究极有限的问题，利用像素级分类的全卷积网络（Fully Convolutional Network， FCN）［36］可实现大范围露天矿尾矿坝自动识别分类，是非法采矿和尾矿溃坝监测的最新方案。

基于像元方法未对影像的纹理空间特征进行充分利用［32］，而面向对象分类方法弥补了这一缺点。基于多尺度分层次分割的面向对象分类方法首先利用分割尺度参数、空间统计和半自动优化等参数工具将影像分割成相对同质斑块，然后采用模糊函数、SVM、ANN和RF等方法对影像典型特征进行分类。如Chen等［13］通过遗传算法（Genetic Algorithm， GA）优化SVM参数获得矿区复垦草地81.77%的精度；Yang等［12］将基于DT的矿区占地信息分类精度提高到96.26%；蔡祥等［37］提出一种基于面向对象结合深度学习方法的矿区UAV影像地物提取方法。在分类时，露天矿区显著的三维地形特征（如勘探阶段表土被移除）、更强的特征可变性（规模随开采活动强度变化）和光谱特征同质性（复垦矿区与原生植被）增加了获取高精度分类结果的难度［4］，且不同学者对土地利用/覆被类型定义的差异进一步导致特征提取结果具有很强的可变性。此外，由于矿区地物的可分离性能力不同，使用太多特征会降低分类准确性［6］。因此，对于高分辨率影像的数百个特征参数而言，有效的特征选择方法不仅可以消除特征参数中的冗余信息［6］，还可以获得最佳组合的敏感特征［32］，是提高分类算法性能的重要保证。因此，特征选择方法应优先考虑综合互信息、条件互信息等评价指标，其次选择基于动态权重更新的特征选择方法，确保敏感特征参数组合中的所有特征相互关联和依存。

面向场景分类在多尺度和多层次特征提取方面具有分类快、精度高等优势［14，32］，能较好地解决面向对象分类特征难以确定的问题［32］。深度学习（Deep Learning， DL）技术是场景分类的重要研究方向［32，36］，通过对输入数据逐级特征提取，在复杂的矿区土地覆盖特征提取方面非常有效［36］。针对露天矿区土地利用/覆被分类的DL方法主要包括目标检测（如R-CNN、SSD、YOLO）和图像分割（如SegNet、U-Net、FCN）等。其中，CNN通过感受野和权值共享减少训练参数的个数，提取露天矿区开发占地类型总体精度可达91.85%［14］。YOLO实现了比CNN相似甚至更高的准确度，同时降低了计算复杂度，已实现尾矿库99.6%的高精度检测［38］。由于CNN在斑块尺度预测边缘和显著图时会导致输出对象的边缘模糊［14］，普遍采用语义分割方法进行抑制。如Dong等［20］提出边缘卷积约束方法逐像素预测显著图，并使用RATT-UNetR网络得到精度为88.76%的矿井道路；Xie等［39］则提出像素级语义分割DUSegNet网络，得到94%的露天矿区分割精度。ANN由于所有网络层同时参与计算，易导致非常高的时间复杂度［6］，而使用DBN逐层训练可有效降低时间复杂度，实现矿山植被95.95%的识别精度［10］。在DL方法分类时，借助谷歌云计算平台（Google Earth Engine， GEE）可极大提高运算效率，如使用2 860张（大小为201×201×12）的尾矿库影像在GEE Colab GPU上训练和测试FCN，用时大约仅需100 s，且分类精度高达96.85%［36］。为与传统方法对比提取效率，Lyu等［38］选择YOLO和RF提取尾矿库，结果表明YOLO使分类时间减少近99%；Sun等［40］则选择RF、SVM、ANN及CNN对矿产远景进行预测，CNN在总体准确率获得92.38%最好精度，其次是RF（87.62%）、SVM（85.71%）和ANN（85.24%），而RF在预测效率方面最优，可作为矿物前景预测的最佳模型。Camalan等［41］则利用监督（E-ReCNN）和半监督（SVM-STV）方法准确检测了亚马逊冲积金矿的变化。需强调的是，目前基于深度学习图像的分类任务主要通过监督学习进行研究，而监督学习所需的大样本量数据目前较难满足。因此，深度学习分类任务仍面临巨大的智能化发展压力。

3.2　矿山地质灾害监测

矿山地质灾害是在矿床采掘过程中周围岩体初始应力平衡遭到破坏，导致地貌和地质条件发生变化的灾害，主要有地裂缝、塌陷、沉降、滑坡、泥石流及煤自燃等，其中沉降、滑坡及尾矿库泥石流易引起严重的经济、工程和环境问题［33，42］。传统监测技术如实时差分定位（Real-time Kinematic， RTK）以其高精度、高自动化等特点逐渐发展成熟［9］，但易受卫星信号干扰［27］。通过综合运用卫星导航定位系统（Global Navigation Satellite System， GNSS）、光学摄影、红外扫描、多光谱扫描、LiDAR和InSAR等手段，可实现较大范围准确监测。

地裂缝是开采过程瓦解地表固有机体，影响地层平衡和稳定的灾害。地裂缝传统监测方式通过设置GPS测量站记录裂缝两侧的相对位移［43］，虽可直接观测，但测量结果在数据集内离散分布。InSAR通过剖面分析观察地裂缝两侧的位移差异［42］，近年来已开发更先进的多时相InSAR技术，如永久散射体干涉测量（Permanent Scatterer InSAR， PS-InSAR）［24］和短基线集干涉测量（Small Baseline Subset InSAR， SBAS-InSAR）［21］监测地裂缝并分析其机制。然而，当地面变形过大时，由于相位混叠，相位解包裹变得困难［43］。在我国西部，开采期间地表沉降可达数米并产生地裂缝和塌陷沟渠，给InSAR带来更多的空间去相关因素，进一步限制了InSAR在矿区地裂缝探测中的应用［26］。3D激光扫描技术基于扫描对象的表面点云数据使用3D数字模型重建裂缝，根据Battulwar等［44］的研究从三维模型中提取岩体不连续性特征的工作已取得显著进展。然而，3D激光扫描需扫描仪和物体之间的通视性，其扫描范围受地形限制，且在数据采集和处理时间方面成本较高，难以现场部署［45］。因此，迫切需要UAVRS来识别、表征和量化矿区地裂缝。Yang等［46］开发了基于高分辨率UAVRS的采煤沉陷地裂缝快速监测方法。但是，UAVRS搭载传感器多为可见光摄像机，无法全天候工作。红外热成像技术可将红外辐射转化为直观的图像，在无损检测中已得到广泛应用。如Zhao等［43］利用UAV、红外热像仪和可见光摄像机成功识别采矿引起的地裂缝，为UAV和红外热像仪在识别大面积地下开采诱发地裂缝的研究应用奠定了基础。除上述方法外，Zhang等［45］通过V-SVM、主成分分析和拉普拉斯锐化增强技术解决了矿区UAV影像高精度裂缝提取的方法精度和效率低下问题。

矿区沉降是开采区域周围岩体初始应力平衡遭到破坏，导致地貌形状和位置等在时空域发生变化的灾害。沉降传统监测技术如GPS和水准测量仅能监测线状形变。InSAR基于多轨和“先验模型+单轨”法获取矿区地表三维形变［25］，但InSAR信号在传播过程中会受到大气相位屏（Atmospheric Phase Screen， APS）［26］变化干扰。因此，开发了系列技术反演模型参数和基于InSAR的三维采矿位移前向预测［47］，如差分干涉测量（Differential InSAR， DInSAR）［16-17］可捕获cm/a级的地表形变信息［48］。DInSAR监测的有效性取决于雷达波段（波长），已有研究发现在沉陷矿区变形梯度的信号饱和度及时间去相关影响方面，L波段受影响较小并在数月内趋于稳定，而X波段受到强烈影响且可在一天内识别出沉降区域［17］。Wempen等［16］则利用C波段对12—72 d内开采沉降进行量化，监测到5 mm/d的最大速率。考虑到矿区的三维地形特征和特征可变性等因素极易削弱干涉相位质量，不易获得可靠的矿区沉降信息［24］，又研发了多时相干涉测量（Multi Temporal InSAR， MT-InSAR）技术，如SBAS-InSAR根据干涉相位重构SAR影像高相干点时间序列，专门用于量化开采面等人造特征约1—10 mm/a的移动［48］。但是，在大范围形变和目标地理配准的高精度方面，PS-InSAR通过辐射校正后分析时间序列，可获取更高的精度［24］。近年来，像素偏移追踪（Pixel Offset Tracking， POT）技术也已被用于大型采矿形变监测［26］。然而，POT位移观测精度取决于SAR图像像素间距，对于缺乏高分辨率SAR图像矿区，POT技术无法准确生成大型采矿位移测量值。为进一步提高监测精度，Wang等［49］提出改进的GA模型研究DInSAR与GNSS相结合的开采沉陷规律，通过降低GNSS点数要求和雷达失相干影响，为开采沉陷地表移动规律的研究提供了新的技术途径。Wu等［50］开发了变形检测网络DDNet以从SAR干涉图中自动识别快速下沉区域。为克服单一检测技术的局限性，Yan等［51］则构建了AHP-TOPSIS检测偏好模型，从而得到矿区综合沉降数据。

边坡滑坡是矿场四周倾斜表面发生位移或崩塌，对矿区工作人员生命安全构成严重威胁的灾害。边坡监测传统方法如钻孔测斜及应力监测等虽可实现局域范围内要点监测，但难以反映整体地质时空特征变化。地基合成孔径干涉测量（Ground-based InSAR， GBInSAR）无需进行影像配准和地形相位补偿［42］，且避免了相位解缠问题，已被证明是滑坡灾前实时监测预警的关键技术。刘斌等［52］利用GBInSAR监测到爆破作业对边坡稳定性的亚毫米级（±0.3 mm）形变影响。在判定滑坡前兆时确定滑坡的运动模式至关重要，通常集中于加速周期尤其是滑坡渐进变形的加速蠕变阶段监测。Carlà等［53］通过GBInSAR监测发现加速蠕变阶段会影响矿石边坡地质力学，为高质量硬岩体形变的地质力学模式提供了重要依据。DInSAR于1996年首次应用于采矿引起的滑坡监测［54］，但由于滑坡位移发生在三维空间［52］，而DInSAR只能检测到视线LOS（Line Of Sight）方向位移［18］，为解决此问题提出多孔径干涉测量（Multiple-Aperture Interferometry， MAI）技术。He等［21］结合MAI-SBAS和DInSAR-SBAS监测抚顺西露天矿斜坡（坡度28°—31°），观测表明组合方法可有效监测南北方向滑坡，但无法测量东西方向信息。基于此，有关学者又开发出M5Rules-GA边坡稳定性评估模型［55］及可从Sentinel-2图像中监测矿区的首个多光谱CNN模型［1］。然而，由于大型露天矿山地形复杂、观测条件困难，单一手段均难奏效。Necsoiu等［42］综合天—地技术首次清晰监测到边坡失稳源区滑坡前1 mm/d的加速蠕变行为。刘善军等［47］则认为大型露天矿边坡监测核心是包括时间、空间、参数协同和智能分析的天—空—地多平台多模式协同观测。

尾矿库是具有高势能泥石流的重大危险源［9］。由于尾矿孔隙压力会随着时间的推移逐渐消散，引起尾矿固结沉降并成为潜在威胁［56］，因此尾矿固结沉降的坝体稳定性评估是尾矿监测的重要内容［8］。以往主要利用光学仪器和现场形变传感器监测坝体稳定性，受到测量点密度低和采集时间不定等限制，近年主要利用InSAR［8，56］和“UAV+SFM”［9］技术进行尾矿监测。InSAR可为研究人员了解沉降机制提供研究方向，如Du等［56］利用InSAR时间序列方法通过更精确的像素测量成功绘制了尾矿位移图，并认为尾矿坝的总沉降过程是即时（弹性）沉降、一次固结和二次固结三个阶段的组合。Hu等［8］综合利用多时相InSAR、SRTM DEM、LiDAR DEM和水位数据研究尾矿库的固结沉降动力学，认为岩土固结模型可很好地解释InSAR测量结果，分析长期沉降衰减指数并预测近期的沉降过程。在模型进展方面，Liu等［33］建立了为预防尾矿料蠕变液化导致溃坝风险的动态模拟BN-RDS模型及一维平流扩散稳态水质模型，模拟重金属（Pb2+和Cd2+）的急性暴露过程和“压力源—受体—终点”风险路径，并将其与贝叶斯网络耦合，在流域尺度上演化并量化尾矿库的风险动态，为尾矿库意外污染风险评估提供了新的思路。在方法进展方面，通过尾矿沉积后的高光谱测量和图像分析，首次实现了光谱方法监测和评估尾矿活动和絮凝过程［57］；通过“UAV+SFM”生成DEM计算库容量，绘制尾矿库运动图并跟踪分米范围内的表面位移量［9］，是判断尾矿坝是否达到溃决临界值的最新技术。

煤炭自燃严重威胁煤矿安全，并会产生地面沉降和地裂缝灾害。初期煤火研究主要集中于机载热扫描仪的热异常原理探测，进行了亚像素热成像、基于发射率和煤火量化的地质成像等热分析。利用热异常探测煤火方法大多基于密度切片，根据像素相应温度是否高于或低于用户定义的阈值分为煤火或非煤火［31］。Mishra等［58］采用Landsat数据通过温度阈值方法对2001—2016年印度JCF煤矿场煤火进行热异常描绘，并将煤火自燃归因于浅埋煤层和开采不完全导致。除此之外，还有基于知识迭代模型和移动窗口等方法［31］。煤火热质迁移会使地裂缝与地表温差增大［58］，为利用UAV及红外成像技术监测自燃提供了可行性。与卫星遥感热红外相比，UAV图像可从时空维度对煤火区的地表温度（Land Surface Temperature， LST）进行超精细监测。然而，UAV与卫星遥感数据之间巨大的尺度差异，使基于两类数据的目标物体信息、分析结果、揭示规律和原理等往往表现出明显的尺度效应。基于此，Yuan等［31］将获取的无人机LST图像放大到不同的分辨率，以模拟不同观测尺度下的LST图像，为UAV热成像获得的LST图像准确性及煤火监测的尺度效应进行了有益研究。

3.3　矿山生态环境恢复治理与景观质量评价

矿山生态系统是人类活动与自然环境相互影响的有机整体，高强度开采会导致矿区生态环境发生剧烈变化，如植被破坏、土壤、大气及地下水污染等，且由于环境累积效应，集中的大露天矿比分散的小露天矿对生态环境的影响更为严重［10-11］。利用遥感影像监测“地貌重塑—植被覆盖—生态系统功能构建”等不同阶段，并利用像元值与生态要素理化参数值的数学关系进行反演，可为矿山生态环境恢复治理提供依据。

景观生态质量直接影响矿区生态系统功能的能量流动和传递，是矿区景观生态网络建设的重要因素［59-60］。早期研究主要以Landsat系列卫星遥感影像结合景观指数法进行评价，但景观指数法多停留在土壤、水体及大气等单一要素瞬间状态指数计算，对生态过程及其动力学关注不够，限制了景观格局与生态过程的耦合度。源汇景观理论可理解格局与过程的关系，但未考虑景观破碎化等因素对景观阻力的影响，难以表征多源压力下的风险状况。考虑到开采活动会增加矿区的景观生态风险，且生态风险越大越不利于区域间物种的迁移、扩散和交换。因此，如何将景观指数法与表征生态状况的指标相结合，以景观生态风险为阻力面模型构建景观生态网络，对维持矿区生态平衡和增加景观连通性具有重要意义。Xu等［61］采用最小累积阻力模型（Minimum Cumulative Resistance， MCR）构建了基于景观生态风险评估的景观生态网络，为露天煤矿区景观格局优化和生态安全格局建设提供科学依据。此外，遥感生态指数（Remote Sensing Ecology Index， RSEI）通过综合考虑生态指数权重、归一化系数设置、指标可及性及生态状况可视化等生态指标，已应用于矿区生态质量评价［59］，但RSEI的计算未考虑自然条件下生态环境影响的有限性。针对这一不足，Zhu等［60］提出基于移动窗口的遥感生态指数（Moving Window‐RSEI， MW-RSEI）评估露天矿区环境影响分布，结果显示，2009—2018年MW-RSEI平均值从0.668下降到0.611，生态环境恶化的主要原因是城市扩张和采矿。但是，上述研究缺乏对土壤参数、优势种群和群落状态之间影响机制的研究，Hou等［62］采用结构方程模型（Structural Equation Model， SEM）确定了露天采矿对青藏高原高寒草甸植物群落和土壤性质的影响机制。另一方面，需建立综合景观格局模拟景观演变，以促进资源开采和环境的可持续发展。

矿区不同植被类型之间的差异反映了植被异常，多数研究通过提取植被指数和生物量信息（如叶绿素）判断植被健康状况。植被指数是将不同波段遥感数据组合运算得到的植被状态指标，其中归一化植被指数（Normalized Difference Vegetation Index， NDVI）被认为是研究区域植被的最佳方法［34］，但NDVI在植被覆盖率高时饱和度高［11］。基于此，提出归一化差异植被指数来获取植被恢复的年际生态效应［11］。针对生物量信息的提取，遥感相比传统化学方法获得的植被异常信息并不完整，且提取效果与反演模型之间存在一定关系。目前，常用的反演模型包括回归方程模型、统计和物理模型、支持向量机、神经网络和其他经验模型。其中，回归方程模型广泛用于测量植被生物量与植被指数之间的相关性研究，如Bao等［28］通过Sentinel-1 SAR与Worldview-3融合数据，利用多元线性回归模型评估矿山修复区的植被状况。但是，传统监测修复成果的原位方法在空间和时间覆盖方面受到限制。因此，Moudrý等［63］评估了基于UAV图像摄影测量、光检测和LiDAR派生点云在废弃库的数字地形模型质量，发现机载LiDAR适用于监测所有季节和植被结构的地面缓解措施，但摄影测量只能在落叶条件下用于草原和落叶林监测，并建议在需要植被覆盖度或高度信息的应用中，采用来自叶生和叶落时期的UAV图像组合计算植被结构特征，以取代昂贵的机载LiDAR调查。Murray等［64］则利用机载LiDAR结合深度学习技术实现了矿山修复区域的快速监测。在过去十年中，多个地球观测和UAV传感器跨越不同研究地点，加深了研究人员对采矿后植被生长的理解，如Johansen等［2］开发出一种多时态监测方法，使用UAV派生的植被结构信息确定修复土地是否可用于后期采矿；Ma等［65］利用星载SAR和Landsat OLI对煤矿区地表植被定量分析，结果表明沉降中心NDVI值波动最大，植被退化趋势最强。但是，在图像采集时必须仔细考虑现场条件，因为方法的准确性高度依赖于植被垂直结构［63］。针对矿区植被重金属含量定量反演，Zhang等［29］利用地面光谱测量分析了重金属铜胁迫下的植被光谱变化特征规律，基于星载遥感数据的植被重金属含量反演则尚未实现。

矿区水污染监测主要通过应用短波红外图像经验模型计算波段合成系数，提取水中悬浮物或结合水样点测量数据反演污染状况，也可通过污染浓度指数快速了解矿区重污染水体的空间分布［30］。目前，研究主要集中在污染物单系迁移规律引起的地下水问题，如利用FEFLOW系统数学模型和溶质运移模型［30］研究有排水和无排水矿区多源污染物的迁移规律。针对矿区复杂的含水层系统，可通过低空热红外成像调查，确定含水层与天然地表水体的关系［66］。尽管如此，光谱特征很少用于矿区水质状况监测，通过将图像光谱值与水质实测数据拟合，可以准确反演水污染信息［7-8］。另一方面，金属矿采会使矿区产生严重的环境遗产，其中酸性矿山排水（Acid Mine Drainage， AMD）因组成复杂，很少有研究通过水化学浓度定量建模进行监测。Pyankov等［67］基于Sentinel-2图像，利用氧化铁指数和酸性矿井水指数估计AMD相关地表水污染的年际和季节性变化，认为Sentinel-2在监测与AMD相关的地表水污染方面潜力巨大，但仅适用于宽度超过20 m的污染河流。Isgró等［66］研究表明UAV多光谱数据和经验模型方法对空间分辨率低而无法通过卫星进行AMD监测的小型水体更有价值。针对沉陷内涝空间信息声呐现场测量获取成本高，经验公式难以获取的问题。Zhu等［68］提出了一种基于遥感和地表沉降预测方法的沉降内涝空间信息计算方法，以辅助生态环境治理决策。针对矿区地下水储量（Ground Water Storage， GWS）监测，近年来多基于GRACE数据水文模型进行反演。如Xie等［7］综合利用GRACE数据、水文模型和煤矿数据，评估采矿活动增强对地下水位及植被覆盖度影响，认为长期干旱可能会导致不可逆转的植被退化和荒漠化风险。Bateson等［18］利用DInSAR数据绘制Pennines煤田地下水位变化图，并预测地表流量以缓解植被退化。综上，在生态系统高度依赖GWS的干旱和半干旱地区，如何减少大规模采矿活动对陆地蓄水的影响，维持植被发育与GWS的自然平衡是一个重要研究课题。

采矿活动造成退化的土壤具有高石含量、高有害元素浓度以及低养分和水分含量，会引起土壤酸化和金属毒性等环境问题。传统的实验分析虽精确可靠，但价格昂贵且费力。通过土壤光谱（700—2 400 nm）的反射率与重金属浓度之间的强相关性定量反演污染物浓度或推断土壤理化性质（如有机质含量、力学性能等）被广泛应用［29，69］，基于实测的土壤光谱反射率数据建立重金属含量反演模型，常用反演模型包括单变量分析、偏最小二乘回归和逐步多元线性回归等。由于污染物具有持久性和较长的生物半衰期，因此与土壤活性有机质光谱（如有机碳、铁—氧化物/氢氧化物和粘土等）的相关性至关重要。Wang等［69］基于二阶导数和数据增强方法，采用SVM、K-近邻和深度神经网络建模，为遥感结合深度学习的大尺度快速监测土壤污染提供了新的思路。由于遥感影像中植被信息的干扰，以及土壤理化性质对植物生长的不同输出，严重影响了光谱模型的预测性能，因此遥感反演土壤重金属浓度依然困难，未来研究可通过增加样品数量、使用更高光谱分辨率的光谱仪和先进的光谱增强方法分析重金属元素对土壤光谱特性的影响，并侧重于利用土壤光谱的吸收特征参数（如波长位置、深度、对称度和面积等）开发新的预测模型。

矿区开采会产生化学气体及物理粉尘污染，当风蚀速度超过临界摩擦速度（0.5 m/s）时矿物粉尘会从地面上升［70］，并通过平流、对流、扩散和湍流过程输送数千公里，因此准确预测矿物粉尘气溶胶（Mineral Dust Aerosol， MDA）对评估空气污染程度至关重要。由于地面站测量仪器价格昂贵，目前采用遥感结合气溶胶跟踪扩散的三维数值模型反演气溶胶单次散射反照率（Single-scattering Albedos， SSA）、气溶胶光学厚度（Aerosol Optical Depth， AOD）及吸收埃指数（Absorption Angstrom Exponent， AAE）等光学特性参数来确定MDA的来源和输送路径。研究表明MDA的SSA通常在440—1 020 nm之间表现出强烈的波长依赖性，当AAE>1.10表明吸收气溶胶主要来自矿物粉尘［70］。遗传算法、自回归滑动平均及长短期记忆等模型也已广泛应用于MDA预测。Li等［5］基于长短期记忆网络的混合模型对总悬浮颗粒物浓度进行预测，发现矿区上方的逆温层分布会影响粉尘浓度。基于大部分研究未考虑输入变量的不同权重关系对预测结果准确性的影响，Najafpour等［19］综合考虑湍流、布朗扩散、重力沉降和表面粗糙度效应预测MDA移动，研究表明由于矿物粉尘的存在，高空层通过吸收反射短波温度升高，进入地面的太阳辐射通量减少，使考虑了辐射强迫效应的大气预测温度较高。由于辐射强迫对辐射收支量起支配作用，而全球辐射收支量又受到短波太阳辐射和长波地面辐射直接影响，因此MDA的辐射强迫是理解区域气候变化的关键因素。近年来，配备有空气分析仪和气溶胶光学传感器的多旋翼UAV已被用于矿区空气质量监测［71］，此类空气分析仪可监测CO、SO2、O3及NOx等气体，数据结果可准确拟合PM2.5、PM10和粉尘浓度。有学者研究UAV下洗湍流的存在是否会对UAV的浓度测量值造成显著变化，结果表明，湍流未产生足够影响测量浓度的压差，UAV非常适合测量传统成本高昂且难以量化的露天矿气体浓度［71］。

4 问题与挑战

矿山环境遥感监测已随着遥感数据源的不断丰富进入定量遥感时代，深度学习方法的应用为矿山地物高精度提取提供了更多的选择，InSAR、红外扫描、LiDAR、及UAV等技术实现了矿山地质灾害的常规监测与预警，矿区污染物定量反演及生态环境恢复监测也已取得部分研究成果。但是，矿山环境遥感监测依然存在诸多问题及挑战，集中体现在以下4个方面：

（1）专用于矿山定量遥感监测的卫星数量仍不足，限制了高光谱图像数据识别尾矿和分析矿区污染的应用；部分卫星传感器存在误差校正和大气衰减消除困难、信噪比不足和光谱覆盖不完整等问题；迫切需要进一步开放国产GF-6/7等卫星数据政策和研究应用更短重访周期和立体测量能力的高空间/光谱分辨率星载成像传感器，以提供更有效的敏感特征，实现不同高度、不同角度的区域调查；利用多源、多时相数据表征矿区土地利用/覆被分类特征可变性依然充满挑战；如何将多时相、高空间分辨率信息融合到光学遥感数据是提高分类精度的另一挑战。

（2）监督分类研究目前依然采用单时相遥感数据，多源、多时相数据表征地物可变性的能力应用不足，所需的大样本量由于不同矿区数据集的形状、大小、背景和色调差异很大，对矿山地物大型公共数据集的建立提出较大挑战；半监督、弱监督分类研究不足；针对多源数据融合算法研究依然不足，开发针对新传感器的混合光谱分解技术仍充满挑战；如何解决网络模型训练数据时可能会出现的欠拟合、过拟合问题及确定模型训练迭代次数和网络深度是难点；目前自动化、智能化方法已取得部分进展，但露天矿区土地利用/覆被分类的算法依然缺乏，实际应用中仍以人工目视解译为主，如何提高自动化方法的精度和可信度仍需大量研究。

（3）如何防止波长较短的SAR数据可能使基于InSAR的矿区地表三维形变监测方法失效是难点；准确获取LST仍然是煤火监测与防治研究中的难点；在考虑矿区地表时序形变高度非线性的前提下，确定矿区多源观测数据融合权重，并设计合理可行的融合方案，实现矿区地表多量级三维形变高精度监测仍有待深入研究；水流动性、渗透性和气体扩散性阻碍了矿区环境监测，以至对水和空气污染的研究相对较少；植被信息的干扰及土壤理化性质严重影响了目前光谱模型的预测性能，使得遥感难以反演土壤重金属浓度；如何分析重金属元素对土壤光谱吸收特征参数的影响，开发新的预测模型依然困难；对尾矿库中絮凝剂对沉降速率和脱水性能影响的监测仍充满挑战。

（4）针对景观生态多样性的研究比较成熟，对于矿区生态系统功能、复原力和物种组成等复杂主题的研究相对较少，而对动物和微生物的监测还处于起步阶段，相对较高成本在很大程度上限制了微生物的监测；很多业务化需求如矿区水体和大气污染监测方法尚不完善，UAV下洗效应对污染监测的影响机制缺乏研究，矿区定量反演受分辨率及成本限制难以满足中小尺度矿区生态环境定量评价需求，景观格局指数受区域面积、制图精度和空间分辨率影响随机性大，利用复杂网络分析大型露天矿景观生态网络研究尚显不足；如何将复杂加权网络与景观生态网络相适应，将生态节点和生态廊道整合到复杂网络的节点和权重中，更好地分析关键生态要素的影响状况，是矿区环境质量评价的难点。

5 结 论

本文通过对矿山环境遥感监测的数据源、矿山开发利用状况、地质灾害问题以及生态环境监测与质量评价研究进展的回顾，对目前矿山环境遥感监测进行综合评述。随着遥感技术的快速发展，矿山环境遥感监测数据源已经从低分辨率发展到高分辨率，趋于多样化且能部分满足矿山监测需求，但亟需多平台、多波段综合协同式观测以获得更密集的时间数据集，实现多源遥感数据对矿区环境的综合立体化监测。

自动选取最佳分割尺度与参数的研究是多尺度分割的一个重要研究方向，在此基础上可通过选择和优化地物特征参数，提高自然复杂场景矿山地物识别精度，实现地理大数据支持的深度学习模型轻量化，提高矿山监测的效率和精度及可信度，促进深度学习与UAV结合的地物识别及动态监测技术在矿山监测领域的大规模应用。

深入挖掘海量形变数据在开采沉陷学理论研究、沉降机理解译、形变演化建模、地质灾害风险评估及矿区土地复垦和再利用等方面的潜在应用仍需加强。未来需进一步将地面和UAV摄影测量与多光谱、高光谱、热红外及微波成像等相结合，以实现露天矿区天空地网一体化监测。

目前对矿山生态环境的遥感监测评价多为定性或相对定量研究，未来需提升基于高分辨率影像的定量遥感在矿区生态环境监测中的应用，开发更有效的反演算法提高矿区污染要素评估的准确性，并将5G网络、工业互联网及大数据等技术与地球物理探测和地面测量采样相融合，为矿区的复垦复绿及环境遥感监测提供更多技术支持。

参考文献

Gallwey J， Robiati C， Coggan J， et al.

A Sentinel-2 based multispectral convolutional neural network for detecting artisanal small-scale mining in Ghana： Applying deep learning to shallow mining

［J］. Remote Sensing of Environment， 2020， 248： 111970-111984. DOI： 10.1016/j.rse.2020.111970 .

[本文引用: 2]

Johansen K， Erskine P， Mccabe M.

Using unmanned aerial vehicles to assess the rehabilitation performance of open cut coal mines

［J］. Journal of Cleaner Production， 2019， 209： 819-833. DOI： 10.1016/j.jclepro.2018.10.287 .

[本文引用: 2]

Yang Jinzhong， Nie Hongfeng， Jing Qingqing.

Preliminary analysis of mine geo-environment status and existing problems in China

［J］. Remote Sensing for Land and Resources， 2017， 29（2）： 1-7.

[本文引用: 1]

杨金中， 聂洪峰， 荆青青.

初论全国矿山地质环境现状与存在问题

［J］. 国土资源遥感， 2017， 29（2）： 1-7.

[本文引用: 1]

Chen W， Li X， He H， et al.

A review of fine-scale land use and land cover classification in open-pit mining areas by remote sensing techniques

［J］. Remote Sensing， 2017， 10（2）： 10010015-10010033. DOI： 10.3390/rs10010015 .

[本文引用: 9]

Li L， Zhang R， Sun J， et al.

Monitoring and prediction of dust concentration in an open-pit mine using a deep-learning algorithm

［J］. Journal of Environmental Health Science and Engineering， 2021， 19（1）： 401-414. DOI： 10.1007/s40201-021-00613-0 .

[本文引用: 2]

Li X， Chen W， Cheng X， et al.

A comparison of machine learning algorithms for mapping of complex surface-mined and agricultural landscapes using ZiYuan-3 stereo satellite imagery

［J］. Remote Sensing， 2016， 8（6）： 8060514-8060540. DOI： 10.3390/rs8060514 .

[本文引用: 7]

Xie X， Xu C， Wen Y， et al.

Monitoring groundwater storage changes in the Loess Plateau using GRACE satellite gravity data， hydrological models and coal mining data

［J］. Remote Sensing， 2018， 10（4）： 605-623. DOI： 10.3390/rs10040605 .

[本文引用: 4]

Hu X， Oommen T， Lu Z， et al.

Consolidation settlement of salt lake county tailings impoundment revealed by time-series InSAR observations from multiple radar satellites

［J］. Remote Sensing of Environment， 2017， 202： 199-209. DOI： 10.1016/j.rse.2017.05.023 .

[本文引用: 7]

Rauhala A， Tuomela A， Davids C， et al.

UAV remote sensing surveillance of a mine tailings impoundment in sub-arctic conditions

［J］. Remote Sensing， 2017， 9（12）： 1318-1331. DOI： 10.3390/rs9121318 .

[本文引用: 5]

Gong B， Shu C， Han S， et al.

Mine vegetation identification via ecological monitoring and deep belief network

［J］. Plants， 2021， 10（6）： 10061099-10061120. DOI： 10.3390/plants10061099 .

[本文引用: 3]

Wang W， Liu R， Gan F， et al.

Monitoring and evaluating restoration vegetation status in mine region using remote sensing data： Case study in Inner Mongolia， China

［J］. Remote Sensing，2021，13（7）：13071350-13071372. DOI： 10.3390/rs 13071350 .

[本文引用: 4]

Yang C， Wu G， Ding K， et al.

Improving land use/land cover classification by integrating pixel unmixing and decision tree methods

［J］. Remote Sensing， 2017， 9（12）： 9121222-9121237. DOI： 10.3390/rs9121222 .

[本文引用: 5]

Chen W， Li X， Wang L.

Fine land cover classification in an open pit mining area using optimized support vector machine and WorldView-3 imagery

［J］.Remote Sensing，2019，12（1）： 12010082-12010097. DOI： 10.3390/rs12010082 .

[本文引用: 4]

Hu Naixun， Chen Tao， Zhen Na， et al.

Object-oriented open pit extraction based on convolutional neural network

［J］. Remote Sensing Technology and Application， 2021， 36（2）： 265-274.

[本文引用: 5]

胡乃勋， 陈涛， 甄娜， 等.

基于卷积神经网络的面向对象露天采场提取

［J］. 遥感技术与应用， 2021， 36（2）： 265-274.

[本文引用: 5]

Pour A， Zoheir B， Pradhan B， et al.

Editorial for the special issue： multispectral and hyperspectral remote sensing data for mineral exploration and environmental monitoring of mined areas

［J］. Remote Sensing， 2021， 13（3）： 519-524. DOI： 10.3390/rs13030519 .

[本文引用: 3]

Wempen J.

Application of DInSAR for short period monitoring of initial subsidence due to longwall mining in the mountain west United States

［J］. International Journal of Mining Science and Technology， 2020， 30（1）： 33-37. DOI： 10.1016/j.ijmst.2019.12.011 .

[本文引用: 4]

Wempen J， Mccarter M.

Comparison of L-band and X-band differential interferometric synthetic aperture radar for mine subsidence monitoring in central Utah

［J］. International Journal of Mining Science and Technology， 2017， 27（1）： 159-163. DOI： 10.1016/j.ijmst.2016.11.012 .

[本文引用: 5]

Gee D， Bateson L， Grebby S， et al.

Modelling groundwater rebound in recently abandoned coalfields using DInSAR

［J］. Remote Sensing of Environment， 2020， 249： 112021-112039. DOI： 10.1016/j.rse.2020.112021 .

[本文引用: 3]

Najafpour N， Afshin H， Firoozabadi B.

The 20-22 february 2016 mineral dust event in Tehran， Iran： Numerical modeling， remote sensing， and in situ measurements

［J］. Journal of Geophysical Research： Atmospheres， 2018， 123（10）： 5038-5058. DOI： 10.1029/2017jd027593 .

[本文引用: 3]

Xiao D， Yin L， Fu Y.

Open-Pit mine road extraction from high-resolution remote sensing images using RATT-UNet

［J］. IEEE Geoscience and Remote Sensing Letters， 2021： 1-5. DOI： 10.1109/LGRS.2021.3065148 .

[本文引用: 2]

He L， Wu L， Liu S， et al.

Mapping two-dimensional deformation field time-series of large slope by coupling DInSAR-SBAS with MAI-SBAS

［J］. Remote Sensing， 2015， 7（9）： 12440-12458. DOI： 10.3390/rs70912440 .

[本文引用: 4]

Maulik U， Chakraborty D.

Remote sensing image classification： a survey of support-vector-machine-based advanced techniques

［J］. IEEE Geoscience and Remote Sensing Magazine， 2017， 5（1）： 33-52. DOI： 10.1109/mgrs.2016.2641240 .

[本文引用: 5]

Rodriguez V Sanchez M， Chica M， et al.

Machine learning predictive models for mineral prospectivity： An evaluation of neural networks， random forest， regression trees and support vector machines

［J］. Ore Geology Reviews， 2015， 71： 804-818. DOI： 10.1016/j.oregeorev.2015.01.001 .

[本文引用: 3]

Ou D， Tan K， Du Q， et al.

Decision fusion of D-InSAR and pixel offset tracking for coal mining deformation monitoring

［J］. Remote Sensing， 2018， 10（7）： 10071055-10071073. DOI： 10.3390/rs10071055 .

[本文引用: 4]

Zhu Jianjun， Yang Zefa， Li Zhiwei.

Recent progress in retrieving and predicting mining-induced 3D displacements using InSAR

［J］. Acta Geodaetica et Cartographica Sinica， 2019， 48（2）： 135-144.

[本文引用: 2]

朱建军， 杨泽发， 李志伟.

InSAR矿区地表三维形变监测与预计研究进展

［J］. 测绘学报， 2019， 48（2）： 135-144.

[本文引用: 2]

Yang Z， Li Z， Zhu J， et al.

Use of SAR/InSAR in mining deformation monitoring， parameter inversion， and forward predictions： A review

［J］. IEEE Geoscience and Remote Sensing Magazine，2020，8（1）：71-90. DOI：10.1109/mgrs. 2019. 2954824 .

[本文引用: 5]

Ren H， Zhao Y， Xiao W， et al.

A review of UAV monitoring in mining areas： Current status and future perspectives

［J］. International Journal of Coal Science & Technology， 2019， 6（3）： 320-333. DOI： 10.1007/s40789-019-00264-5 .

[本文引用: 4]

Bao N， Li W， Gu X， et al.

Biomass Estimation for semiarid vegetation and mine rehabilitation using Worldview-3 and Sentinel-1 SAR Imagery

［J］. Remote Sensing， 2019， 11（23）： 2855-2874. DOI： 10.3390/rs11232855 .

[本文引用: 4]

Zhang C， Ren H， Dai X， et al.

Spectral characteristics of copper-stressed vegetation leaves and further understanding of the copper stress vegetation index

［J］. International Journal of Remote Sensing， 2019， 40（12）： 4473-4488. DOI： 10.1080/01431161.2018.1563842 .

[本文引用: 3]

Zeng B， Zhang Z， Yang M.

Risk assessment of groundwater with multi-source pollution by a long-term monitoring programme for a large mining area

［J］. International Biodeterioration & Biodegradation， 2018， 128： 100-108. DOI： 10.1016/j.ibiod.2017.01.002 .

[本文引用: 3]

Yuan G， Wang Y， Zhao F， et al.

Accuracy assessment and scale effect investigation of UAV thermography for underground coal fire surface temperature monitoring

［J］. International Journal of Applied Earth Observation and Geoinformation，2021，102：102426-102442. DOI： 10.1016/j.jag.2021. 102426 .

[本文引用: 4]

Yuan Q， Shen H， Li T， et al.

Deep learning in environmental remote sensing： Achievements and challenges

［J］. Remote Sensing of Environment， 2020， 241： 111716-111740. DOI： 10.1016/j.rse.2020.111716 .

[本文引用: 6]

Liu J， Liu R， Zhang Z， et al.

A Bayesian Network-based risk dynamic simulation model for accidental water pollution discharge of mine tailings ponds at watershed-scale

［J］. Journal of Environmental Management， 2019， 246： 821-831. DOI： 10.1016/j.jenvman.2019.06.060 .

[本文引用: 3]

Wu Q， Song C， Liu K， et al.

Integration of TanDEM-X and SRTM DEMs and spectral imagery to improve the large-scale detection of opencast mining areas

［J］. Remote Sensing， 2020， 12（9）： 1451-1470. DOI： 10.3390/rs12091451 .

[本文引用: 4]

Wang J， Li L， Yu H.

Application of domestic High-Resolution satellite data in remote sensing geological survey of the metallogenic belt in Zhejiang Province

［J］. Sustainability， 2022， 14（8）： 4397-4416. DOI： 10.3390/su14084397 .

[本文引用: 1]

Balaniuk R， Isupova O， Reece S.

Mining and tailings dam detection in satellite imagery using deep learning

［J］. Sensors， 2020， 20（23）： 6936-6968. DOI： 10.3390/s20236936 .

[本文引用: 4]

Cai Xiang， Li Qi， Luo Yan， et al.

Surface features extraction of mining area image based on object-oriented and deep-learning method

［J］.Remote Sensing for Land and Resources， 2021， 33（1）： 63-71.

[本文引用: 1]

蔡祥， 李琦， 罗言， 等.

面向对象结合深度学习方法的矿区地物提取

［J］. 国土资源遥感， 2021， 33（1）： 63-71.

[本文引用: 1]

Lyu J， Hu Y， Ren S， et al.

Extracting the tailings ponds from high spatial resolution remote sensing images by integrating a deep learning-based model

［J］. Remote Sensing， 2021， 13（4）： 743-759. DOI： 10.3390/rs13040743 .

[本文引用: 2]

Xie H， Pan Y， Luan J， et al.

Open-pit mining area segmentation of remote sensing images based on DUSegNet

［J］. Journal of the Indian Society of Remote Sensing， 2021（12）： 1-14. DOI： 10.1007/s12524-021-01312-x .

[本文引用: 1]

Sun T， Li H， Wu K， et al.

Data-Driven predictive modelling of mineral prospectivity using machine learning and deep learning methods： A case study from Southern Jiangxi Province， China

［J］. Minerals， 2020， 10（2）： 102-129. DOI： 10.3390/min10020102 .

[本文引用: 1]

Camalan S， Cui K， Pauca V P， et al.

Change detection of amazonian alluvial gold mining using deep learning and Sentinel-2 imagery

［J］. Remote Sensing， 2022， 14（7）： 1746-1768. DOI： 10.3390/rs14071746 .

[本文引用: 1]

Carlà T， Farina P， Intrieri E， et al.

Integration of ground-based radar and satellite InSAR data for the analysis of an unexpected slope failure in an open-pit mine

［J］. Engineering Geology，2018，235：39-52. DOI：10.1016/j.enggeo.2018.01.021 .

[本文引用: 4]

Zhao Y， Sun B， Liu S， et al.

Identification of mining induced ground fissures using UAV and infrared thermal imager： Temperature variation and fissure evolution

［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2021， 180： 45-64. DOI： 10.1016/j.isprsjprs.2021.08.005 .

[本文引用: 3]

Battulwar R， Zare-Naghadehi M， Emami E， et al.

A state-of-the-art review of automated extraction of rock mass discontinuity characteristics using three-dimensional surface models

［J］.Journal of Rock Mechanics and Geotechnical Engineering，2021，13（4）：920-936. DOI：10.1016/j.jrmge.2021.01.008 .

[本文引用: 1]

Zhang F， Hu Z， Fu Y， et al.

A new identification method for surface cracks from UAV images based on machine learning in coal mining areas

［J］. Remote Sensing， 2020， 12（10）： 1571-1590. DOI： 10.3390/rs12101571 .

[本文引用: 2]

Yang K， Hu Z， Liang Y， et al.

Automated extraction of ground fissures due to coal mining subsidence based on UAV photogrammetry

［J］. Remote Sensing， 2022， 14（5）： 1071-1090. DOI： 10.3390/rs14051071 .

[本文引用: 1]

Liu Shanjun， Wu Lixin， Mao Yachun， et al.

Spaceborne-airborne-ground collaborated intelligent monitoring on openpit slope and its typical applications

［J］. Journal of China Coal Society， 2020， 45（6）： 2265-2276.

[本文引用: 2]

刘善军， 吴立新， 毛亚纯， 等.

天—空—地协同的露天矿边坡智能监测技术及典型应用

［J］. 煤炭学报， 2020， 45（6）： 2265-2276.

[本文引用: 2]

Necsoiu M， Walter R.

Detection of uranium mill tailings settlement using satellite-based radar interferometry

［J］. Engineering Geology， 2015， 197： 267-277. DOI： 10.1016/j.enggeo.2015.09.002 .

[本文引用: 2]

Wang G， Wu Q， Li P， et al.

Mining subsidence prediction parameter inversion by combining GNSS and DInSAR deformation measurements

［J］. IEEE Access， 2021， 9： 89043-89054. DOI： 10.1109/access.2021.3089820 .

[本文引用: 1]

Wu Z， Wang T， Wang Y， et al.

Deep learning for the detection and phase unwrapping of mining-induced deformation in large-scale interferograms

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： 1-18. DOI： 10.1109/tgrs.2021.3121907 .

[本文引用: 1]

Yan Y， Li M， Dai L， et al.

Construction of “Space-Sky-Ground” integrated collaborative monitoring framework for surface deformation in mining area

［J］. Remote Sensing， 2022， 14（4）： 840-866. DOI： 10.3390/rs14040840 .

[本文引用: 1]

Liu Bin， Ge Daqing， Li Man， et al.

Using ground-based InSAR to evaluate the stability of an open-pit slope under blasting operation

［J］.Journal of Remote Sensing，2018，22（Sup.1）： 139-145.

[本文引用: 2]

刘斌， 葛大庆， 李曼， 等.

地基InSAR评估爆破作业对露天采矿边坡的稳定性影响

［J］. 遥感学报， 2018， 22（）： 139-145.

[本文引用: 2]

Carlà T， Farina P， Intrieri E， et al.

On the monitoring and early-warning of brittle slope failures in hard rock masses： Examples from an open-pit mine

［J］. Engineering Geology， 2017， 228： 71-81. DOI： 10.1016/j.enggeo.2017.08.007 .

[本文引用: 1]

Carnec C， Massonnet D， King C.

Two examples of the use of SAR interferometry on displacement fields of small spatial extent

［J］. Geophysical Research Letters， 1996， 23（24）： 3579-3582. DOI： 10.1029/96gl03042 .

[本文引用: 1]

Bui X， Nguyen H， Choi Y， et al.

Prediction of slope failure in open-pit mines using a novel hybrid artificial intelligence model based on decision tree and evolution algorithm

［J］. Scientific Reports， 2020， 10（1）： 9939-9959. DOI： 10.1038/s41598-020-66904-y .

[本文引用: 1]

Du Z， Ge L， Ng A， et al.

Risk assessment for tailings dams in Brumadinho of Brazil using InSAR time series approach

［J］. Science of the Total Environment， 2020， 717： 137125-137137. DOI： 10.1016/j.scitotenv.2020.137125 .

[本文引用: 3]

Entezari I， Rivard B， Vajihinejad V， et al.

Monitoring tailings flocculation performance using hyperspectral imagery

［J］. The Canadian Journal of Chemical Engineering， 2019， 97（9）： 2465-2471. DOI： 10.1002/cjce.23493 .

[本文引用: 1]

Mishra R K， Pandey J K， Pandey J， et al.

Detection and analysis of coal Fire in Jharia Coalfield （JCF） using Landsat remote sensing data

［J］. Journal of the Indian Society of Remote Sensing， 2019， 48（2）： 181-195. DOI： 10.1007/s12524-019-01067-6 .

[本文引用: 2]

Wei Lihui， Wan Dajuan， Bi Junping， et al.

Dynamic monitoring and assessment of ecologic environment in Xikuangshan antimony mining area based on remote sensing

［J］. Environmental Science & Technology， 2020， 43（6）：230-236.

[本文引用: 2]

魏力辉， 万大娟， 毕军平， 等.

锡矿山锑矿区生态环境质量遥感动态监测与评价

［J］. 环境科学与技术， 2020， 43（6）：230-236.

[本文引用: 2]

Zhu D， Chen T， Zhen N， et al.

Monitoring the effects of open-pit mining on the eco-environment using a moving window-based remote sensing ecological index

［J］. Environmental Science and Pollution Research， 2020， 27（13）： 15716-15728. DOI： 10.1007/s11356-020-08054-2 .

[本文引用: 2]

Xu W， Wang J， Zhang M， et al.

Construction of landscape ecological network based on landscape ecological risk assessment in a large-scale opencast coal mine area

［J］. Journal of Cleaner Production， 2021， 286： 125523-125534. DOI： 10.1016/j.jclepro.2020.125523 .

[本文引用: 1]

Hou X， Liu S， Zhao S， et al.

The alpine meadow around the mining areas on the Qinghai-Tibetan Plateau will degenerate as a result of the change of dominant species under the disturbance of open-pit mining

［J］. Environmental Pollution， 2019， 254（Pt2）：113111-113125. DOI：10.1016/j.envpol. 2019. 113111 .

[本文引用: 1]

Moudrý V， Gdulová K， Fogl M， et al.

Comparison of leaf-off and leaf-on combined UAV imagery and airborne LiDAR for assessment of a post-mining site terrain and vegetation structure： Prospects for monitoring hazards and restoration success

［J］. Applied Geography， 2019， 104： 32-41. DOI： 10.1016/j.apgeog.2019.02.002 .

[本文引用: 2]

Murray X， Apan A， Deo R， et al.

Rapid assessment of mine rehabilitation areas with airborne LiDAR and deep learning： Bauxite strip mining in Queensland， Australia

［J］. Geocarto International，2022：1-30. DOI：10.1080/10106049.2022. 2048902 .

[本文引用: 1]

Ma D， Zhao S.

Quantitative analysis of land subsidence and its effect on vegetation in Xishan coalfield of Shanxi Province

［J］. ISPRS International Journal of Geo-Information， 2022， 11（3）： 154-167. DOI： 10.3390/ijgi11030154 .

[本文引用: 1]

Isgró M， Basallote M， Barbero L.

Unmanned aerial system-based multispectral water quality monitoring in the Iberian Pyrite Belt （SW Spain）

［J］. Mine Water and the Environment， 2022，41（1）：30-41. DOI：10.1007/s10230-021-00837-4 .

[本文引用: 2]

Pyankov S， Maximovich N， Khayrulina E， et al.

Monitoring acid mine Drainage’s effects on surface water in the Kizel coal basin with Sentinel-2 satellite images

［J］. Mine Water and the Environment， 2021， 40（3）： 606-621. DOI： 10.1007/s10230-021-00761-7 .

[本文引用: 1]

Zhu X， Ning Z， Cheng H， et al.

A novel calculation method of subsidence waterlogging spatial information based on remote sensing techniques and surface subsidence prediction

［J］. Journal of Cleaner Production， 2022， 335： 130366-130381. DOI： 10.1016/j.jclepro.2022.130366 .

[本文引用: 1]

Wang Y， Ma H， Wang J， et al.

Hyperspectral monitor of soil chromium contaminant based on deep learning network model in the Eastern Junggar coalfield

［J］. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2021， 257： 119739-119748. DOI： 10.1016/j.saa.2021.119739 .

[本文引用: 2]

Che H， Qi B， Zhao H， et al.

Aerosol optical properties and direct radiative forcing based on measurements from the China Aerosol Remote Sensing Network （CARSNET） in Eastern China

［J］. Atmospheric Chemistry and Physics， 2018， 18（1）： 405-425. DOI： 10.5194/acp-18-405-2018 .

[本文引用: 2]

Brinkman J， Johnson C.

Effects of downwash from a 6-Rotor Unmanned Aerial Vehicle （UAV） on gas monitor concentrations

［J］. Mining， Metallurgy & Exploration， 2021， 38（4）： 1789-1800. DOI： 10.1007/s42461-021-00436-5 .

[本文引用: 2]

/

〈 〉