礦區生態環境定量遙感監測研究進展與展望

張成業 李 軍 雷少剛 楊金中 楊 楠

(1.中國礦業大學(北京)地球科學與測繪工程學院，北京 100083;2.中國礦業大學環境與測繪學院，江蘇 徐州 221116;3.中國自然資源航空物探遙感中心，北京 100083;4.中國地質環境監測院，北京 100081)

2012年，黨的十八大將生態文明建設寫入黨章并作出闡述，更加明確了生態文明建設的戰略地位[1]。2018年，十三屆全國人大五次會議表決通過了《中華人民共和國憲法修正案》，生態文明被寫入憲法，進一步推動了新時代生態文明建設的發展[2]。同年，全國生態環境保護大會在京召開，正式確立了習近平生態文明思想是新時代生態文明建設的根本遵循和最高準則[3]。近數十年來，煤炭、鐵礦、稀土礦等礦產資源的持續大規模開發為我國經濟社會的高速發展提供了重要的能源與物質條件，然而持續劇烈的礦產資源開采活動在礦區一定范圍內引發了地表沉降、土地破壞、植被退化、土壤質量下降、水質污染、大氣污染等一系列的生態環境問題[4-5]，引起了社會各界的廣泛重視。在此背景下，未來的礦業開發活動越來越需要兼顧資源開采與生態環境保護治理，而對礦區生態環境的科學監測是保護與治理的前提條件。

當前礦區生態環境監測數據主要由人工實地調查與采樣、地面傳感器站點觀測、遙感觀測等手段獲取。從時空尺度和分辨率來看，礦區生態環境演變現象的時間范圍從數年到數十年不等，且高強度開采引發的生態環境變化更為劇烈;空間影響范圍從數千米到數十千米，且具有連續性。換言之，礦區高強度開采背景下的生態環境監測需要大面積連續、長時間持續、高空間分辨率、高時間分辨率的觀測數據。然而，從時間范圍和分辨率來說，人工實地采樣與調查數據、地面傳感器站點觀測數據的時間范圍多為幾年甚至近幾個月數據，且大多時間分辨率比較低，僅個別傳感器網絡存在數年的高頻次觀測;從空間范圍和分辨率來說，人工實地采樣與調查數據、地面傳感器站點觀測數據的范圍為百米級至千米級，且受觀測位置制約，主要是空間點位離散數據。因此，人工實地采樣與調查數據、地面傳感器站點觀測數據與礦區生態環境演變現象存在明顯的時空尺度不匹配問題，無法有效滿足礦區生態環境監測需求。

遙感技術自20世紀70年代應用以來持續積累了數十年的全球地表觀測數據，時間分辨率和空間分辨率不斷提升，成為礦區生態環境監測的重要手段[4-7]。近年來，遙感技術在數據、算法、算力等3個方面的迅速發展，為礦區生態環境定量遙感監測帶來了新的機遇。從數據角度來說，新的衛星和傳感器不斷發射，持續提供新的遙感數據源。我國國產高分系列衛星實現組網，高分一號至高分七號形成了空間全覆蓋、全天候、全天時的高分辨率對地觀測系統。吉林一號系列、高景系列、珠海一號、五米光學星等衛星數據不斷助力。從算法角度來說，新傳感器、新數據正在引發新一輪的模型和算法革新，而深度學習的迅速崛起更為遙感影像的解譯與反演開辟了新的思路，多傳感器組合和模型算法的不斷完善使得定量遙感的應用能力得到了進一步提升。從算力角度來說，遙感云計算服務平臺(如航天宏圖公司的PIE-Engine、谷歌公司的Google Earth Engine)為數十年的長時間序列海量遙感影像數據快速處理提供了十分強大的運算能力，極大地縮短了大規模遙感影像的處理時間，使得普通用戶在短時間內完成礦區數十年遙感影像的處理成為現實。在這些遙感新數據、新技術、新平臺的支持下，國內外礦區生態環境定量遙感監測得到了進一步的發展，涌現出了一系列的優秀成果[8]。

本研究從礦區地表要素類型遙感識別與分類、礦區植被要素定量遙感監測、礦區土壤要素定量遙感監測、礦區水體要素定量遙感監測、礦區大氣環境定量遙感監測、礦區生態系統參數遙感監測6個方面回溯和總結近年來國內外礦區生態環境定量遙感監測的研究進展，深入剖析礦區生態環境定量遙感監測存在的不足，并展望未來的研究思路，為該領域后續研究提供參考。

1 礦區生態環境定量遙感監測研究進展

1.1 礦區地表要素類型遙感識別與分類

礦區是人類活動與自然環境相互作用、高度耦合的復雜場景，在這一場景中有多種地表要素類型[9]。礦區地表要素類型識別與分類是礦區生態環境遙感研究最為廣泛的一個方向，主要的研究內容是對礦區各類地表要素類型進行識別與歸類，進而監測區域范圍內地表要素類型的變化，對礦區生態環境監測具有重要指示作用[10]。礦區各類地表要素類型的識別與分類是礦區植被、土壤、水體等生態環境要素參數反演與監測的前提，只有識別出具體要素，方可進行相應的參數反演與監測。

礦區地表要素類型可以劃分為兩大部分，即常見的普通地表要素類型和礦區特色地表要素類型。普通地表要素與其他行業遙感場景(如農業遙感、林業遙感、城市遙感等)的同類地表要素在遙感影像上具有相似的特征，因此對于這些地表要素的遙感識別與其他場景區別較小，在此不再贅述。需要重點關注的是具有礦區特色的地表要素類型，如表1所示。需要說明的是，由于不同文獻采用的分類體系和對地表類型的名稱表達及內涵都各有不同，所以本研究對各文獻中內涵相似的地表要素類型進行了梳理和歸并，因此表1中出現的不同地表類型并非同一分類體系得出。表1中，先按照地表要素類型進行劃分，再按照所采用的遙感數據空間分辨率進行劃分(30 m量級、10 m量級、米級或亞米級)，并將基于深度學習方法的研究成果單獨列出。由表1可知:現有研究中應用最多的是米級或亞米級的高空間分辨率數據，其次是30 m分辨率的Landsat系列衛星多光譜影像，再次是10 m量級分辨率的Sentinel、SPOT等數據。受到空間分辨率限制，MODIS等空間分辨率較低的數據鮮有用于礦區地表要素識別研究。

表1 礦區特色地表要素類型識別Table 1 Identification of characteristic surface types in mining area

本研究對表1中各要素進行如下分析:

(1)露天采場。露天采場識別是對礦區特色地表類型識別最為廣泛的一類研究，常見的數據識別方法主要是目視解譯和機器學習方法。董伯山等[19]研究表明:利用面向對象的支持向量機方法和GF-2高分辨率遙感影像在特定場景下能夠達到99.26%的識別精度，但是方法的普適性需要進一步提升。

(2)中轉場地。對礦區中轉場地的識別主要采用高分辨率遙感影像和目視解譯方法[18，22，24，31-32]。個別研究采用Landsat數據和隸屬度函數，能達到73.91%的精度[14]。

(3)固體廢棄物。近年來，采用Landsat數據和高分辨率影像數據進行礦區固體廢棄物識別的研究成果較豐富，最高精度達到97.07%[13]。然而，采用Sentinel影像數據識別固體廢棄物涉及較少，以其優于Landsat數據的空間分辨率而言，理論上能夠應用于礦區固體廢棄物識別。

(4)礦區建筑。礦區建筑與城鎮場景的建筑在遙感影像上具有差異。礦區建筑的遙感解譯識別方法通常有最大似然法分類、目視解譯、決策樹分類法[18，22，24，26，31-32，34-35]，近年來出現了深度神經網絡法識別礦區建筑的相關成果[15]。

(5)矸石堆、煤堆。矸石堆、煤堆在米級/亞米級高分辨率遙感影像上和30m分辨率遙感影像上均可得到有效識別。例如，河南理工大學盧小平團隊[35]綜合機載LiDAR和0.5 m分辨率的光學高分辨率數據在特定場景中對矸石堆和煤堆的識別精度分別達到了99.66%、93.25%。HE等[36]采用 Landsat 8的30 m分辨率影像對矸石堆、煤堆進行識別，精度達到90.97%。

(6)尾礦庫。尾礦庫是金屬/非金屬礦山中常見的特色地表要素類型，由于尾礦庫是一個具有高勢能的危險源，目前遙感識別研究成果較豐富，根據表1分析，尾礦庫遙感識別精度達到80%～98.74%。

(7)礦山恢復治理區。近年來，主要采用米級/亞米級的高分辨率遙感數據識別礦山恢復治理區。在ZY-3數據支持下，目前目視解譯方法的識別精度可以達到90%～98%[31]。

(8)塌陷區。塌陷區并不是單一地物類型，是一個由多種地表要素類型組成的小尺度復雜場景，在光學影像上標志性特征不顯著，利用光學遙感影像對其進行準確識別存在一定的難度，因而研究成果較少。當前研究主要是綜合塌陷區在遙感影像上的色調、紋理等常規特征，采用高分辨率影像和目視解譯方法實現一定程度的識別[22，26，31]。很多學者應用遙感手段監測礦山開采導致的地表沉降或變形[48-51]，取得了豐富的成果。早在1996年，CARNEC等[52]使用DInSAR技術監測到法國Gardanne地區的煤礦最大沉降為42 mm。PERSKI等[53-54]使用D-InSAR對波蘭西里西亞礦區的地表沉陷情況進行了監測，論證了D-InSAR的技術優勢。在國內，吳立新等[55]對D-In-SAR監測礦區開采沉陷的技術特點和優勢進行了分析，提出了亟須解決的關鍵問題。中國礦業大學雷少剛團隊[56-58]利用D-InSAR技術監測山區重復采動引起的地表沉陷規律;針對我國西部礦區高強度采煤導致的大量級、大梯度的地表形變，采用InSAR與Pixel-tracking相結合的方法實現了精細化監測;基于SBAS和混沌理論實現了對大型露天煤礦的排土場沉降監測及預測，并提出了露天礦區排土場下沉系數的概念。中國礦業大學鄧喀中、范洪冬團隊[59-60]使用ERS2/1影像對某采區進行D-InSAR監測得到采區的下沉值，并用實測值對所得結果進行了修正;針對采空區上方地基穩定性評價缺乏地表變形監測資料等問題，研究了一種基于多軌道SAR影像的老采空區地表三維形變監測方法。2021年，師蕓等[61]使用SBAS-InSAR技術進行開采沉陷監測，提出了一種自適應遺傳算法優化的支持向量回歸算法。此外，Li-DAR、地面測量等技術也是礦區地表形變測量的常用手段。

從方法上來看(表1)，當前礦區特色地表要素識別所采用的方法主要有:①遙感影像目視解譯;②常規監督學習分類方法(例如最大似然法、支持向量機、隨機森林、決策樹等);③深度學習方法。對高空間分辨率影像進行目視解譯能夠獲得較高的識別精度，是目前國家部委業務部門對礦區特色地表類型業務化識別和產品生產的主要方法[22，26，31-32，42，47]。但是，該方法耗時、耗力、成本高。近年來，深度學習在礦區特色地表類型識別應用中嶄露頭角，表現出強大的識別能力。但是基于深度學習的礦區特色地表要素遙感識別的研究較薄弱，相關研究主要集中在露天采場(開采區域)和尾礦庫識別方面。主要包括:利用Sentinel-2衛星影像和深度學習卷積神經網絡CNN(Convolutional Neural Network)對采區和尾礦庫進行識別[15-16];利用國產米級高分辨率影像和CNN進行露天采場識別[27-30];利用高分辨率影像和CNN對尾礦庫開展目標檢測工作，主要是自動識別和標記尾礦庫位置，使用的算法主要有YOLO V4算法[43]和單次多框檢測器網絡算法(Single Shot Detector，SSD)[44-45]。本研究團隊利用深度學習U-net網絡模型和GF-6數據實現了尾礦庫空間范圍的識別，精確率顯著高于最大似然法、隨機森林、支持向量機等傳統方法[46]。總體來說，深度學習雖然在露天采場、尾礦庫遙感識別方面得到了應用，但是在礦區特色地表要素遙感識別方面，還有進一步提升的空間。

1.2 礦區植被要素定量遙感監測

植被是礦區生態環境監測研究中最受關注、研究最多的要素。當前利用定量遙感手段監測礦區植被要素的參數主要包括植被指數、植被覆蓋度、植被類型、植被葉綠素含量、重金屬含量、葉面積指數、植被凈初級生產力、植被生物量等。近年來，礦區植被要素定量遙感監測研究總結如表2所示。

表2 礦區植被要素定量遙感監測的主要研究Table 2 Major studies on quantitative remote sensing for monitoring vegetation in mining area

1.2.1 礦區植被指數遙感監測

植被指數是將遙感不同波段進行組合運算得到的一類指標，目前在礦區最為常用的是歸一化差值植被指數NDVI(Normalized Difference Vegetation Index)[107]。NDVI值的大小是目標區域植被狀態的綜合反映，受到多種因素影響。對于遙感純凈植被像元而言，葉綠素含量、葉片結構、植被水分、冠層結構等因素均會影響NDVI值;對于混合像元而言，除了上述因素外，植被的覆蓋比例也是影響像元NDVI的重要因素。當前對礦區植被NDVI指數的監測研究主要可以分為兩類:①直接采用現有的遙感NDVI產品，例如MODISNDVI產品、AVHRR NDVI3g產品以及GEE提供的Landsat衛星NDVI產品[62-65];但是，MODISNDVI產品和AVHRR NDVI3g產品的空間分辨率較低。②采用遙感影像數據直接進行波段運算，并對計算得到的NDVI結果根據應用需要在一定時間范圍內進行最大值合成[66-73]。此外，一些其他的遙感植被指數也被用于礦區植被監測[74]。

在應用植被指數分析礦區生態環境方面，中國礦業大學(北京)李晶團隊針對勝利礦區30 a來的時序NDVI指數建立了CV-max擾動識別模型，證明了利用NDVI和裸煤光譜特征提取開采擾動信息的可行性[70];在陳巴爾虎旗綜合運用多元線性回歸、空間相關關系、偏最小二乘回歸等方法分析了草原NDVI變化的驅動因子，并討論了采礦活動對草原植被變化的影響[108];在寶日希勒礦區利用NDVI提出了識別干旱半干旱區采煤擾動的新方法[109]。中國礦業大學張紹良團隊[68]利用NDVI證明了LandTrendr算法具備探測礦區地表植被擾動與恢復動態變化的能力。中國科學院生態環境研究中心付曉團隊[110]利用RCG(Rate of Change in Greenness)和CV(Coefficient of Variation)分析了錫林浩特市2001—2013年NDVI的時空特性以及采礦活動的影響。但是，NDVI等植被指數只是一個相對定量的遙感指標，并不是一個絕對的物理量，沒有物理單位，而且取值大小受到很多因素的綜合影響，因此僅依靠植被指數可能無法準確、客觀、詳細地反映礦區植被要素的狀態。

1.2.2 礦區植被覆蓋度遙感監測

遙感反演的植被覆蓋度FVC(Fractional Vegetation Cover)被定義為每個像元中植被(包括葉、莖、枝等)在地面的垂直投影面積占像元總面積的比例[111]。FVC值大小直接反映了目標區域內植被面積的多少，是礦區生態環境監測的關鍵指標。

當前在礦區植被覆蓋度遙感監測研究中，使用最為廣泛的方法是像元二分模型[75-76]。該模型假定地面像元以植被和土壤兩種地物按照線性混合的方式存在，且像元的NDVI值僅受植被覆蓋度影響，即純凈土壤像元的NDVI值最低，純凈植被像元的NDVI值最高，像元的NDVI值與植被覆蓋度線性相關。在數據方面，以 Landsat系列數據為主，MODIS、GF系列、NDVI3g產品數據也有使用，因此反演的FVC空間分辨率由30 m至8 km不等。在此水平的空間分辨率條件下，礦區地表FVC較強的空間異質性與像元二分模型簡單的地面場景假設之間存在矛盾，因此更多的數據源和方法也在礦區FVC遙感反演中得到了應用。例如，從數據源角度來說，北京林業大學水土保持學院在礦區利用高分辨率無人機光學遙感圖像避免了混合像元的影響，直接識別植被像素，獲取了區域范圍內的植被覆蓋情況[77-78]。從方法角度來說，中國地質大學(北京)白中科、周偉[79-80]在安太堡露天礦區分別建立了植被指數與植被覆蓋度的線性回歸模型，實現了植被覆蓋度反演;江西理工大學李恒凱團隊[81]利用線性光譜解混的方法實現了嶺北稀土礦區植被覆蓋度的反演。在應用植被覆蓋度分析礦區生態環境方面，中國礦業大學(北京)李晶團隊[112-115]分別運用一元線性回歸趨勢檢驗(T檢驗、F檢驗)和Sen+Mann-Kendall方法，在寶日希勒礦區、勝利礦區以及黃河流域礦區，對植被覆蓋度的時間變化趨勢和空間異質特性進行了分析，為科學認識采礦活動對植被覆蓋度的影響機理奠定了基礎。

1.2.3 礦區植被類型遙感監測

礦區不同的土質、水分、養分條件能夠生長不同的植被類型，因此植被類型能夠在一定程度上反映礦區生態環境驅動因素在空間上的差異性。當前，礦區植被類型遙感監測主要采用了兩類數據，即高空間分辨率影像數據和高光譜影像數據。對于高空間分辨率影像數據來說，不同的植被類型具有不同的空間紋理特征，例如WorldView-2和WorldView-3的米級高分辨率數據被用于礦區植被類型識別[82-84]，達到了較高的識別精度;對高光譜影像數據來說，不同植被類型的光譜反射率曲線存在差異，例如中國礦業大學雷少剛團隊[85]利用機載高光譜數據實現了礦區植被類型識別，與地面實際信息的匹配度總體達到77.41%。從文獻調研來看，中等空間分辨率的多光譜影像(例如Landsat系列)對礦區植被類型的識別鮮有報道，可能是該類數據的空間分辨率和光譜分辨率無法有效滿足礦區植被類型識別的需求。

1.2.4 礦區植被葉綠素含量遙感監測

目前，礦區植被葉綠素含量遙感監測研究較薄弱，采用的遙感數據主要是地面光譜測量數據和無人機多光譜遙感數據。江西理工大學李恒凱團隊[93-95]利用地面實測光譜數據對礦區復墾植被的葉綠素含量進行了反演，取得了較高的精度。胡振琪、肖武團隊[96]利用無人機多光譜遙感數據反演了高潛水位礦區沉陷地玉米葉綠素含量，精度達到83.4%。

1.2.5 礦區植被重金屬含量遙感監測

現階段，植被重金屬含量遙感監測還處在探索階段，吉林大學陳圣波團隊、中國地質大學(北京)劉湘南團隊、中國礦業大學(北京)楊可明團隊在機理和方法上均開展了大量的探索和研究，為該方向的發展奠定了很好的研究基礎[116-118]。具體到礦區植被重金屬含量定量反演而言，主要還停留在使用地面光譜測量數據階段[87-91]，衛星遙感定量反演有個別案例研究[92]，但是尚未完全展開。近年來，本研究團隊分析了重金屬銅脅迫下的植被光譜變化特征規律，發展了重金屬銅脅迫下的植被葉片光譜輻射傳輸模型[120]，針對窄波段光譜數據提出了銅脅迫植被指數CSVI(Copper-stressed Vegetation Index)[121]，并在江西德興銅礦的植被重金屬脅迫信息提取中實現了成功應用[122]，但是基于星載遙感數據的植被重金屬含量反演尚未實現。

1.2.6 礦區植被葉面積指數遙感監測

葉面積指數LAI(Leaf Area Index)[123]被廣泛定義為單位地表面積內葉片或光合作用截獲面積總和的1/2。近年來，礦區植被葉面積指數遙感監測研究較薄弱，代表性的成果有中國礦業大學雷少剛團隊[97]利用無人機遙感數據，基于葉面積指數LAI與植被指數的相關關系實現了排土場邊坡植被LAI的反演。

1.2.7 礦區植被凈初級生產力遙感監測

植被凈初級生產力(Net Primary Productivity，NPP)是指單位面積的綠色植被在單位時間內所積累的有機物質量(即植被除去自身呼吸所消耗有機物以后剩余的有機物質量)[100]。礦區植被凈初級生產力能夠在一定程度上反映礦區的生態系統功能。現有研究中，利用遙感手段監測礦區植被凈初級生產力主要有兩種思路:①直接采用現有的植被凈初級生產力遙感產品，例如 MODIS的 NPP數據產品[98]和GLOPEM-CEVSA NPP數據產品[99]。但是現有的NPP遙感產品空間分辨率較低，例如MODIS的NPP產品為1 km空間分辨率，對于礦區應用來說需要進行降尺度研究[98]。②利用高空間分辨率遙感影像和CASA模型對礦區植被NPP進行反演。例如，東北大學劉善軍團隊[100]利用GF-1衛星影像建立了小尺度的CASA-NPP估算模型，對伊敏露天礦的植被NPP進行了監測，取得了良好效果。中國科學院生態環境研究中心付曉團隊[124]在錫林浩特市利用普通最小二乘回歸和slope參數分析了MODIS的時序NPP產品數據，并從采礦活動影響角度對結果進行了解釋。譚琨團隊[101]融合 GF-1、ZY-1 02C、ZY-03等衛星影像對蔚縣礦區植被NPP進行了時空變化分析，但多源高分辨率數據的融合增加了礦區監測頻次。

1.2.8 礦區植被生物量遙感監測

植被生物量是指單位面積內植被有機物質總量(干重)[102]。礦區地表植被生物量是反映采礦活動對環境影響以及礦區生態修復質量的重要參數。目前，礦區生態系統的植被生物量遙感監測主要依賴經驗模型，即通過觀測數據建立遙感特征參數與生物量的定量關系模型，具體建模方法可以分為線性回歸模型[102-104]與人工智能方法(如神經網絡、隨機森林等)[103，105-106]。例如，東北大學劉善軍、包妮沙團隊[102，104]綜合利用 WorldView-3和 Sentinel-1影像基于回歸模型建立了礦區植被生物量高精度反演方法。胡振琪、肖武團隊[106]采用無人機影像基于隨機森林算法實現了井工礦區地表生物量估算與分析。中國礦業大學張紹良團隊[103]對上述兩類方法估算礦區植被生物量都進行了研究，取得了較高的精度。

1.3 礦區土壤要素定量遙感監測

礦區土壤要素定量遙感監測的主要研究歸納如表3所示，主要研究內容為反演和監測礦區土壤水分含量、土壤重金屬含量、土壤養分含量、土壤侵蝕量、土壤顆粒度、地表溫度等參數。事實上，地表溫度并不單指礦區土壤要素，為便于論述，本研究將其歸入土壤要素參數。

表3 礦區土壤要素定量遙感監測的主要研究Table 3 Major studies on quantitative remote sensing for monitoring soil in mining area

續表

1.3.1 礦區土壤水分含量遙感監測

土壤水分含量(又稱土壤濕度、土壤含水量)通常采用體積含水量或質量含水量來表示。體積含水量是指單位體積的土壤中所含有的水分體積(單位m3/m3);質量含水量是指單位質量的土壤中所含有的水分質量(單位g/g)。當前在礦區生態環境領域，利用遙感手段反演和監測土壤水分含量的方法可以分成3類:

(1)基于主動微波遙感輻射傳輸機理的方法。該方法主要機理是主動微波遙感觀測到的后向散射系數受到土壤介電常數影響，而土壤介電常數與土壤含水量高度相關，兩者存在模型關系。河南理工大學馬超團隊[125]利用Sentinel-1、Radarsat-2等微波遙感數據實現了神東礦區2012年和2016年逐月頻次的土壤含水量反演。本研究團隊[141]采用微波遙感土壤含水量降尺度方法實現了礦區長時間序列的土壤含水量反演與變化分析。

(2)基于光學遙感和熱紅外遙感的統計回歸法。這類方法主要原理是在相同的植被覆蓋條件下土壤含水量與地表溫度之間存在相關關系。近年來，在礦區土壤水分含量遙感監測中應用最為廣泛的是溫度植被干旱指數TVDI(Temperature Vegetation Dryness Index)模型，該指數基于光學遙感數據得到的NDVI和熱紅外遙感數據得到的地表溫度而構建，與土壤含水量高度相關[175]。在礦區，少數研究利用TVDI反演了礦區土壤水分含量，并給出了精度評價[128];多數研究直接采用TVDI數值進行相對的時空分析，但未進一步計算土壤水分含量[127，129-131]。近年來，吳立新團隊的劉英等[134-135]基于土壤濕度監測指數(Soil Moisture Monitoring Index，SMMI)構建了尺度化土壤濕度監測指數S-SMMI(Scaled SMMI)，在神東礦區土壤濕度遙感監測中取得了很好的應用效果。此外，山東科技大學王萍團隊[132]基于植被調整垂直干旱指數VAPDI(Vegetation Adjusted Perpendicular Vegetation Index)對會寶嶺鐵礦區和鳳凰山鐵礦區進行了土壤濕度監測。

(3)基于光學遙感數據和機器學習的方法。ARANCIBIA等[140]利用Sentinel-2光學遙感數據和人工神經網絡(Artificial Neural Network，ANN)、支持向量機(Support Vector Machine，SVM)、隨機森林(Random Forest，RF)對增厚的尾礦壩土壤濕度劃分了等級，但未計算土壤水分含量。

1.3.2 礦區土壤重金屬含量遙感監測

礦區土壤重金屬含量的定量遙感監測主要采用3類數據，即地面光譜測量數據、機載高光譜遙感影像數據、星載遙感影像數據。地面光譜測量數據是當前最常用的數據，其優勢在于較高的光譜分辨率和反射率測量精度[142-151]。其次是機載高光譜影像數據，盡管光譜分辨率和反射率精度不及地面光譜測量數據，但是仍然能夠滿足礦區土壤重金屬含量的反演要求[142，152-153，176]。相比之下，星載遙感影像數據對礦區土壤重金屬含量定量反演較為困難，但是仍有一些探索性研究成果問世[8，144，154]。

從方法角度來看，無論是星機地何種平臺的遙感數據，主要反演步驟可以分為兩大部分:①從反射率光譜曲線中提取對所反演的某種重金屬含量敏感的光譜特征，現有研究中常用的方法有一階微分法、主成分分析法等;②將提取的敏感光譜特征與重金屬含量建立定量模型關系，現有研究中常用的方法有偏最小二乘法、多元線性回歸、神經網絡等[145，177-178]。

長安大學韓玲團隊[177]于2019年對礦區土壤重金屬污染遙感反演研究進行了綜述，對當前的技術方法進行了很好地總結，并展望了今后的研究趨勢，具有很好的參考借鑒價值，本研究對此不再贅述。值得注意的是，對比礦區植被重金屬含量遙感監測(前文1.2.5節)與礦區土壤重金屬含量遙感監測(本節)的文獻調研結果，可以發現植被重金屬含量遙感監測難度更大，其原因可能在于重金屬的存在可以直接改變土壤光譜，而對植被而言可能是通過改變葉綠素含量、水分含量、葉片結構而間接改變植被光譜，礦區重金屬對土壤和植被光譜的影響機理尚未被有效厘清。

1.3.3 礦區土壤養分含量遙感監測

礦區土壤養分含量遙感監測對象可以細分為礦區土壤有機質含量、土壤全氮含量、土壤速效磷含量、土壤有效鉀含量。從數據源來看，主要是地面光譜測量數據[155-157]、星載多光譜和高光譜遙感數據[158-162]。從方法上來說與土壤重金屬含量反演相似，主要是由提取光譜特征和構建定量模型兩個步驟組成。值得注意的是，吉林大學陳圣波團隊[162]利用星載Hyperion高光譜影像數據在較為復雜的礦區場景下實現了江西德興銅礦土壤有機質含量的反演，取得了良好的效果。新疆大學夏楠等[158]利用Landsat 8多光譜遙感影像在荒漠礦區實現了土壤有機質反演，荒漠礦區地表均一性強，相對于江西德興銅礦而言場景較為簡單，因此通過多光譜遙感可以實現土壤有機質反演。

1.3.4 礦區土壤侵蝕量遙感監測

土壤侵蝕量一般指一定時間內的土壤流失量，是礦區生態環境的關鍵指標。在礦區土壤侵蝕量遙感監測研究中，描述土壤侵蝕量的參數并不統一，例如土壤侵蝕強度、土壤侵蝕模數等。目前代表性成果有:中國礦業大學卞正富、雷少剛團隊[97]利用無人機影像實現了勝利礦區土壤侵蝕的定量遙感提取;國家能源集團和中國礦業大學(北京)相關學者參照《全國土壤侵蝕遙感調查技術規程》對神華呼倫貝爾礦區土壤侵蝕強度進行了變化分析[163];此外，也有學者采用土壤侵蝕模數(即每年每公頃的土壤流失量)對礦區土壤侵蝕進行了監測[164-165]。

1.3.5 礦區土壤顆粒度遙感監測

目前，礦區土壤顆粒度遙感監測方面的研究尚處在起步探索階段。東北大學劉善軍、包妮沙團隊[166]利用地面實測熱紅外光譜數據對呼倫貝爾礦區復墾區域的土壤顆粒度(particle-size)建立了定量預測模型，預測精度較理想，為礦區土壤顆粒度遙感監測奠定了基礎，對后續研究有較好的參考價值。

1.3.6 礦區地表溫度遙感監測

地表溫度是表征地表過程變化的重要特征物理量，綜合反映了土壤—植被—大氣系統的能量流動與物質交換結果，是研究地表生態環境的關鍵參數，被國際地圈生物圈計劃(International Geosphere-Biosphere Programme，IGBP)列為“優先測定的參數”之一，而熱紅外遙感是高時效準確獲取區域或全球尺度地表溫度的唯一手段[179]。中國礦業大學卞正富、雷少剛團隊[167]利用MODIS地表溫度產品數據對神東礦區地表溫度突變進行了監測和影響分析。江西理工大學李恒凱團隊[168-169]針對礦區場景對比分析了單窗算法、單通道算法、Artis算法、輻射傳輸方程法等熱紅外遙感反演地表溫度的主流方法，并根據試驗結果推薦單窗算法作為稀土礦區地表溫度反演方法。此外，近年來一些學者利用Landsat系列數據和輻射傳輸方程法，以及降尺度等手段對礦區地表溫度開展了監測分析[171-174]，取得了良好效果。

1.4 礦區水體要素定量遙感監測

礦區生態環境監測中的水體要素可以分為兩類，一是礦區的地表水體，二是礦區的地下水體。對于地表水體而言，又可分為兩種，一種是礦區開采前就已經存在的地表水體，另一種是礦產資源開采造成的地表水體，即采礦過程中直接排出的水資源形成的地表水體或者是開采過程中地表沉陷造成的地表積水。礦區水體要素定量遙感監測研究總結如表4所示。

表4 礦區水體要素定量遙感監測的主要研究Table 4 Major studies on quantitative remote sensing for monitoring water in mining area

1.4.1 礦區地表水體定量遙感監測

在礦區地表水體要素定量遙感監測方面，當前研究最多的是利用遙感手段對礦區地表水體進行識別與面積監測。

在礦區地表水體識別中，應用最為廣泛的方法是水體指數法。先計算NDWI(Normalized Difference Water Index)[180，182]、MNDWI(Modified NDWI)[181，184]、NCIWI(New Combined Index of NDVI and NIR for Water body Identification)[183]、AWEInsh(Automated Water Extraction Index)[183]、E-MNDWI(Enhanced MNDWI)[185]等水體指數，通過設置水體指數的閾值實現礦區地表水體像元的識別與提取。在水體指數方法中，人為設置水體指數的閾值是影響水體識別精度的關鍵因素。

近年來也有一些其他方法用于礦區地表水體識別。安徽理工大學王月等[186]利用神經網絡方法在15 a的時間尺度上對淮南礦區沉陷區積水進行了遙感監測。劉虎等[187]利用支持向量機實現了30多年來礦區水體面積逐年的變化分析，時間跨度大、頻次高，為南四湖生態環境保護提供了重要的科學依據。此外需要特別注意的是，在礦區水體遙感識別中，將沉陷引發的積水與其他水體進行區分的問題得到了進一步解決。MILLAN等[188]采用星載遙感數據目視解譯和機載高光譜遙感數據光譜角分類相結合的方法實現了對采礦活動引發沉陷積水的監測。肖武團隊[189-190]充分發揮GEE云計算平臺的優勢，提出了基于AWFI(Annual Water Frequency Index)軌跡的沉陷積水識別方法。

除了礦區地表水體識別與面積監測以外，近年來一些學者也對礦區地表水體的煤粉濃度[191]、熱異常[192]、沉陷區積水水深[193]、水污染等級[194-195]、水質參數[196-197]、礦井水酸性[198]等其他屬性參數開展了探索性研究，推動了礦區水體定量遙感監測技術的進步。尤其是，東北大學劉善軍團隊[191]利用實驗室實測光譜對水體中的煤粉濃度建立了反演模型，為后續利用遙感影像反演礦區水體煤粉濃度奠定了基礎。中國礦業大學吳侃團隊[193]基于Landsat 5衛星數據實現了礦區積水區水深反演，取得了較高精度，證明了多光譜遙感影像監測礦區積水深度的可行性。值得關注的是，2019年國際頂級期刊——《美國科學院院報》(Proceedings of the National Academy of Sciences of the United States of America，PNAS)介紹了金礦開采對熱帶雨林河流懸沙的影響，并采用長時序(34 a)的Landsat系列數據反演了河流水體懸沙濃度[197]。

1.4.2 礦區地下水定量遙感監測

礦產資源開采對礦區地下水可能存在擾動影響。雖然大多遙感技術主要是對礦區地表生態環境進行監測，但是仍有少量礦區地下水方面的研究采用了遙感手段。中國礦業大學(北京)蔣金豹團隊[199]利用GRACE(Gravity Recovery and Climate Experiment)重力衛星數據對鄂爾多斯、山西以及陜西北部地區的高強度煤炭開采條件下的地下水儲量變化進行了驅動分析。中國礦業大學李文平團隊[200]對植被遙感數據與地下水埋深數據進行了定量分析。ADIAT等[201]基于衛星遙感等多源數據，利用邏輯回歸法對尼日利亞Ilesa金礦的地下水理化參數進行了預測分析。

1.5 礦區大氣環境定量遙感監測

礦區大氣要素定量遙感監測的主要研究歸納內容如表5所示。由表5可知:礦區大氣要素定量遙感監測要素相對于礦區其他生態環境要素來說較少，主要是反演和監測礦區大氣的氣溶膠光學厚度AOD(Aerosol Optical Depth，AOD)、PM2.5 與 PM10、粉塵。

表5 礦區大氣環境定量遙感監測的主要研究Table 5 Major studies on quantitative remote sensing for monitoring atmospheric environment in mining areas

1.5.1 礦區大氣AOD與PM2.5、PM10定量遙感監測

大氣中懸浮的固液態細小顆粒物所形成的膠體分散系統統稱為氣溶膠，其顆粒物直徑為0.001～100 μm[202-203]。氣溶膠光學厚度AOD是指垂直方向輻射傳輸路徑上氣溶膠消光系數的積分[203]。煤炭等礦產資源在開采和加工過程中，能夠產生顆粒物，對大氣環境造成一定的影響[205]。礦區氣溶膠光學厚度AOD能夠反映礦區大氣環境污染情況，是監測礦區大氣環境質量的重要指標之一。當前，在礦區大氣AOD反演與監測方面，主要有兩種思路:

(1)直接采用現有的大氣氣溶膠數據產品。郭華東院士團隊和中國地質大學(北京)周偉團隊分別采用MODIS的MOD04_L2產品和MCD19A2產品對礦區的大氣AOD進行了時空分析[202-203]。

(2)利用多光譜遙感數據對礦區大氣AOD進行自行反演。安徽大學吳艷蘭團隊[205]利用GF-1衛星數據對礦區大氣AOD進行了反演，主要方法為暗目標法和深藍算法。基于MODIS的AOD產品數據，新疆大學郭婉臻等[204]反演了準東礦區的PM2.5和PM10，并進行了時空分析。

直接采用大氣氣溶膠數據產品的優勢在于數據充足，可以進行長時序、高頻次的礦區大氣AOD、PM2.5、PM10的時空分析，但是現有數據產品的空間分辨率較低(1～10 km)。自行反演的思路可以達到較高的空間分辨率，但是受到數據源限制，在長時序、高頻次監測方面存在不足。

1.5.2 礦區粉塵遙感監測

與礦區大氣AOD監測不同，礦區粉塵監測是從另一個角度反映礦產資源開采加工過程中產生的顆粒物對環境的污染。中國礦業大學雷少剛團隊[211]在煤礦粉塵環境監測方面開展了深入研究，分析了煤礦粉塵的來源，介紹了實地測量、數值模擬、高光譜遙感監測等方法，揭示了粉塵運移規律，為礦區粉塵環境研究提供了參考。僅從遙感角度來看，當前利用遙感手段對礦區粉塵進行監測大致有2種思路:

(1)通過多光譜或高光譜遙感監測植被光譜變化實現對粉塵的間接監測。礦區植被受到粉塵污染脅迫后，其生理特性變化會導致光譜特征變化[211]。在此原理的基礎上，東北大學馬保東等[208-209]基于Landsat衛星數據，利用反射率特征以及NDVI等植被指數對河北露天礦區粉塵進行了監測，取得了較好效果。KAYET等[210]基于 Hyperion高光譜數據和Landsat數據，利用NDVI等植被指數對露天鐵礦粉塵進行了監測。GORAZD等[207]基于HyMap機載高光譜遙感數據，利用植被紅邊位置REP(Red Edge Position)和expSIPI(exponential transformation of the Structure Insensitive Pigment Index)指數對礦區粉塵影響進行了監測。

(2)通過混合像元分解方法對揚塵風積物進行直接監測。中國地質大學(武漢)張志團隊[206]假定地物光譜是由“揚塵風積物—植被—陰影和水體”混合而成，采用線性混合像元分解方法對礦區粉塵進行了監測。從文獻調研結果來看，無論是光譜變化特征還是光譜混合模型，都存在多解性問題，當前礦區粉塵的遙感監測尚處在起步探索階段。

1.6 礦區生態系統參數遙感監測

礦區生態系統參數是包括植被、土壤、水體、大氣等多個要素在內的生態系統狀態或功能的綜合體現[212]，目前對礦區生態系統參數遙感監測的研究主要關注生態系統固碳功能量、生態系統服務價值、遙感生態指數(Remote Sensing Ecology Index，RSEI)、景觀指數等。礦區生態系統參數定量遙感監測研究內容如表6所示。

表6 礦區生態系統參數定量遙感監測的主要研究Table 6 Major studies on quantitative remote sensing for monitoring ecosystem parameters in mining areas

1.6.1 礦區生態系統固碳功能量遙感監測

固碳功能量是指單位時間單位面積上生態系統凈吸收二氧化碳的量，是生態系統最具環境效益的功能之一。在“碳中和”“碳達峰”的政策背景下，開展礦區生態系統固碳功能量監測對礦區的碳源碳匯量化研究具有重要意義[235]。當前，針對礦區生態系統固碳量的研究主要是分別計算植被碳匯量和土壤碳匯量。對于植被碳匯量的計算，一些研究采用CASA模型先計算NPP再換算為碳匯量[213]，也可以直接采用碳密度法[213-215]進行計算。土壤碳匯量一般采用碳密度法[213-215]進行計算。此外，也有學者[216]綜合機載LiDAR數據、Planet Dove影像、Sentinel-1 SAR等多源數據，利用深度學習技術對礦區地表二氧化碳排放也開展了探索性研究。

1.6.2 礦區生態系統服務價值遙感監測

生態系統具有生產有機質、固碳釋氧、物質循環、涵養水源等多種服務功能，為了對多種服務功能進行統一量化和對比分析，需要將各類服務功能折算為資產價值。礦區生態系統價值是對礦區生態環境的服務功能較為全面的定量評估結果，能夠綜合反映生態系統服務功能的狀態。肖武團隊[217-218]采用生態系統生產總值(Gross Ecosystem Product，GEP)核算的基本思路對神東礦區、神府礦區的生態系統服務價值進行了計算，揭示了礦區生態系統服務價值的時空變化規律。此外，Costanza方法是目前在礦區生態系統價值計算中應用較多的方法之一，該方法與GEP核算的思路基本相似，近年來有多個團隊采用該方法對礦區生態系統價值進行了計算和分析，對礦區生態系統價值變化取得了一定的新認識[219-222]。

1.6.3 礦區遙感生態指數(RSEI)

自福建大學徐涵秋[236]提出遙感生態指數RSEI以來，該指數在礦區生態環境質量監測中得到了較為廣泛應用。一部分研究在礦區直接計算RSEI，并進行礦區RSEI值的時空變化分析，從而監測礦區生態環境質量的變化[187，224-227]，驗證了RSEI在礦區生態環境監測中的可行性。中國地質大學(武漢)陳濤團隊[222-223]考慮礦區生態環境的區域性差異，對RSEI進行了改進，提出了移動窗口遙感生態指數(Moving Window-based RSEI，MWRSEI)，結果表明，改進的指數能夠獲取更多的礦區周邊生態環境漸變信息。胡振琪、李晶團隊[237]利用長時序遙感得到的RSEI對采煤生態累積效應進行了定量分析。

1.6.4 礦區景觀指數遙感監測

景觀格局指各景觀組成單元的類型、數目及空間分布與配置情況，景觀指數是指能夠高度濃縮景觀格局信息并反映景觀格局的組成結構、空間配置等特征的定量指標[228-229]。基于遙感數據計算礦區的景觀指數，進而分析礦區景觀格局的時空變化受到了廣泛關注。景觀指數有多種，能夠從不同的角度量化景觀格局。當前在礦區生態環境研究中使用的景觀指數有近30種，如表6所示。絕大多數研究均采用了Landsat系列影像數據:康薩如拉等[230]基于Landsat5數據計算了黑岱溝露天煤礦1987年以來的景觀指數，分析了采礦導致的景觀格局動態變化。劉軒等[231]基于Landsat 7/8數據計算了陽泉一礦2000年和2004年的景觀指數，并分析了其景觀綜合穩定性。張艷等[232]基于 Landsat 5數據計算了兗州煤田1987—2014年的景觀指數，并對其景觀格局的變化趨勢進行了分析。李保杰等[233]以Landsat系列為數據源，確定了賈汪礦區景觀指數的最佳分析粒度為60 m。李恒凱等[81]基于Landsat 5/7/8數據對嶺北稀土礦區進行了景觀指數計算和景觀格局分析。常小燕等[228]基于Landsat 5/8數據對微山縣采煤塌陷區的19個景觀指數進行了計算，分析了其景觀格局的尺度效應及變化特征。中國礦業大學雷少剛團隊[229]基于Landsat 5/8數據計算了錫林浩特市勝利礦區的景觀指數，分析了其景觀格局的演變。個別研究采用了高分辨率光學遙感數據，例如梅昭容等[234]基于CBERS-02B、ZY-3、GF-2等高分辨率數據計算了昆明某露天礦區的景觀指數，結合移動窗口法分析了采礦背景下的區域景觀格局時空演變模式。

2 礦區生態環境定量遙感監測研究不足與展望

通過上述文獻歸納與分析可以發現，近年來礦區生態環境定量遙感監測取得了長足的進步:國產GF-6、珠海一號衛星、無人機遙感數據等新興遙感數據得到了較為廣泛的應用，提升了監測的時空分辨率;礦區地表要素識別以及生態環境要素參數的反演方法和監測技術得到了優化改進，提升了識別和反演的精度;一些定量遙感反演和監測難度較高的參數得到了有益的探索;深度學習和遙感云計算平臺(GEE)在礦區應用中嶄露頭角。但是，在取得這些成果的同時，也需認識到礦區生態環境定量遙感監測領域仍有較大的發展和提升空間。

2.1 現有研究存在的不足

2.1.1 礦區地表要素遙感識別的自動化和智能化程度較低

近年來，盡管在礦區地表要素類型遙感識別與分類方面涌現出不少成果，但是相較于遙感在其他行業場景中的應用來說，在礦區場景應用的自動化與智能化程度較低。具體表現在以下3個方面:

(1)深度學習在礦區地表要素遙感識別中未完全展開應用。當前針對礦區地表要素類型遙感識別與分類基本停留在目視解譯和常規的自動化解譯算法階段(如支持向量機、隨機森林等)，識別精度不高、模型泛化能力差。以深度學習為代表的前沿智能識別技術在礦區地表要素類型識別中仍然處于起步階段，這些少量的研究只涉及個別地表要素類型，很多特色地表要素類型如煤堆、矸石堆、排土場、復墾區等，鮮見深度學習識別的應用研究成果報道。

(2)缺乏不同遙感影像分辨率條件下的礦區地表要素分類體系標準。遙感影像的空間分辨率不同，其對礦區地表要素的區分能力也不相同;對于相同分辨率的遙感影像而言，礦區地表要素的可分性應該相似。但是在當前礦區地表要素類型遙感識別與分類的研究中，在相同空間分辨率的遙感影像數據條件下，其識別與分類的類別體系各不相同。此外，相同內涵的地表要素在不同文獻研究中名稱不同，例如:露天采場與露天開采區;或者相同名稱的地表要素在不同文獻研究中具有不同的內涵，例如:開采區域(Mining Area)在不同文獻中的定義有所區別。綜上，在礦區遙感領域，礦區地表要素的名稱與內涵定義具有一定的隨意性，缺乏不同遙感影像分辨率條件下的礦區地表要素分類體系標準以及各個類別名稱的內涵定義。

(3)缺少礦區場景下典型地表要素類型的大規模高分辨率影像樣本庫。當前，國內外有很多公開的高分辨率影像樣本庫，例如WHU-RS(Wuhan University-Remote Sensing)數據集、DOTA(A Large-scale Dataset for Object Detection in Aerial Images)數據集、GF-2 Dataset for 3DFGC(3D FCN with Global Pooling Module and Channel Attention Module)等，以及近期中科院空天信息創新研究院發布的百萬級遙感圖像細粒度目標識別數據。上述高分辨率影像樣本集涵蓋了城市、農田、機場等多個場景，在多個行業領域的地物識別中發揮了關鍵作用。然而，在礦區場景下，由于缺少典型地表要素的大規模高分辨率影像樣本庫，現有研究進行地表要素遙感識別仍然依賴于人工選擇樣本、自行構建一個很小的訓練樣本數據集，嚴重制約了礦區地表要素識別精度以及算法在不同研究區不同影像上的泛化能力，限制了前沿先進智能算法(例如深度學習)的大規模應用。

2.1.2 定量遙感在礦區生態環境監測中的應用廣度和深度有待提升

相較于定量遙感在農業、林業領域的廣泛且深入的應用而言，在礦區生態環境監測中定量遙感的應用廣度和深度還有差距。具體表現在以下兩個方面:

(1)若干重要的生態要素參數鮮見礦區定量遙感研究。當前，定量遙感技術在農業、林業等領域中已經成功反演了很多生態要素參數，但是現有的礦區生態環境遙感研究只對一部分要素參數開展了反演與監測分析，仍有一部分重要的生態要素參數很少在礦區定量遙感研究中出現。例如，對于植被而言，礦區植被覆蓋度研究較多，而礦區植被葉綠素含量、葉面積指數只有少量個案研究，礦區植被水分含量、氮素含量的遙感反演與監測更是鮮見研究報道。然而這些參數在農業、林業等行業場景的定量遙感反演已經比較常見，且對礦區生態環境監測同樣具有重要意義。此外，還有一些礦區生態環境監測所需的關鍵參數，利用遙感進行高精度、高空間分辨率的反演比較困難，例如植被重金屬含量、大氣PM2.5與PM10，需要在礦區場景下進一步深入研究。綜上所述，現階段礦區生態要素參數的遙感反演與監測研究還不夠廣泛。

(2)礦區生態要素參數的定量遙感反演與監測方法有待深入改進。隨著定量遙感算法的不斷深入發展，很多生態要素參數都有較為成熟且前沿的算法，然而當前礦區生態要素參數的定量遙感反演方法還比較傳統且簡單，制約了反演精度與普適性的提升。例如，對于礦區植被參數而言，葉綠素含量和葉面積指數反演大多采用簡單的經驗統計模型，鮮見基于植被輻射傳輸物理模型的反演成果。土壤含水量以TVDI的相對定量監測或者經驗統計模型反演為主，礦區主被動微波遙感協同的土壤含水量本地化高精度反演成果鮮有報道。然而，無論是植被輻射傳輸模型，還是主被動微波遙感土壤含水量模型，其物理機理清楚、模型的穩定性與普適性好，是不容忽視的礦區生態要素參數高精度反演方法。因此，現有的礦區生態要素參數的定量遙感反演與監測方法有待深入改進。

2.1.3 缺乏中高分辨率、長時序、高頻次的多要素參數同步觀測與協同研究

當前中高分辨率、長時序、高頻次的多要素參數同步觀測與協同分析的研究比較少，不利于發現礦產資源開采活動對生態環境影響的過程機理。具體表現在以下兩個方面:

(1)多關注單一要素參數，少有多要素參數同步觀測與協同分析。礦產資源開采活動對生態環境的影響存在多參數耦合機制，例如井工開采活動引起的地表裂縫可能會導致土壤水分含量降低，進而導致植被參數變化。因此，礦區生態環境定量遙感監測研究需要多要素參數的同步觀測與協同分析。然而，現有研究大多關注于單一要素參數的遙感反演與變化分析，對多個要素參數開展同步反演與協同變化分析的相關成果很少，不利于進一步研究礦產資源開采活動對生態環境演變中多要素參數之間的影響鏈條和驅動機理。

(2)很少做到中高分辨率、長時序、高頻次的定量監測。礦區生態環境定量遙感與其他行業領域(如農業、林業等)相比具有十分顯著的行業特色，表現為:研究區域范圍小(通常僅為數平方千米到數十平方千米)、地表空間異質性強、時間跨度大(多為20～30 a)、參數變化劇烈、生態累積效應顯著。因此，礦區生態環境監測需要進行中高空間分辨率(區域范圍小且空間異質性強)、長時間序列(采礦時間跨度大)、高頻次(參數變化劇烈且生態累積效應顯著)的參數定量遙感反演。然而，通過本研究的文獻調研與歸納可以發現(表2至表6)，現有研究很少同時滿足這3個要求，同樣不利于進一步研究礦產資源開采活動對生態環境影響的規律與機理。中高空間分辨率、長時序、高頻次的礦區生態環境要素參數定量反演與遙感產品生產，仍是亟待解決的問題。

2.2 研究機遇與展望

在剖析現有研究存在不足的基礎上，可以發現遙感在定量化與智能化方面的迅速發展為礦區生態環境監測研究帶來了諸多機遇。結合上述分析的不足，本研究認為在未來需要把握的研究機遇包括以下3個方面:

(1)礦區典型要素的大規模高分樣本庫構建與深度學習高精度識別。深入分析不同的遙感空間分辨率水平下礦區典型地表要素類型的可分性，建立不同分辨率條件下的礦區地表要素分類體系，并從遙感影像分類的角度界定各類典型地表要素名稱與內涵范圍。在此基礎上，針對不同的典型地表要素類型分別建立大規模的高分影像樣本庫，實現可共享使用的礦區場景地表要素分類公共數據集。在大規模樣本庫的支持下，不斷跟蹤最前沿的深度學習目標檢測和語義分割網絡模型，建立礦區地表要素類型的高精度識別模型，并結合計算機人工智能技術的前沿發展成果，持續更新和提升精度。

(2)礦區場景下的定量遙感物理建模與廣泛深入應用。在礦區生態要素參數定量遙感反演方面，應該根據礦區特色場景和我國不同氣候條件下礦區常見的植被類型，有針對性地建立植被輻射傳輸模型、土壤微波遙感機理模型等礦區場景下的定量遙感物理模型。在此基礎上，拓展礦區定量遙感反演的生態參數對象，進一步反演和監測分析礦區植被葉綠素含量、葉面積指數、水分含量、氮素含量等關鍵參數，并從遙感機理模型出發，綜合利用空天地多平臺遙感數據，探索一些高難度參數的反演;在礦區場景下的定量遙感物理模型支持下，進一步深入優化和改進反演方法，提升礦區生態要素參數定量反演的精度水平和長時序穩定性。

(3)中高分辨率、長時序、高頻次的礦區生態要素參數體系化同步監測。融合光學遙感數據、熱紅外遙感數據、主被動微波遙感數據、無人機航空數據、地面觀測數據等礦區多源大數據，構建礦區植被、土壤、水體、大氣、生態系統參數的遙感同步反演與監測技術體系，形成礦區生態環境多要素參數的中高分辨率、長時序、高頻次的“礦區生態遙感時空數據群”。通過“純數據驅動”的大數據挖掘方法，不依賴先驗知識的采礦對生態環境的影響模式，直接分析開采及修復過程中生態環境要素參數的協同演變規律，有助于發現礦產資源開采活動對生態環境影響的驅動鏈條和影響過程機理，為現有的礦區生態環境變化研究思路提供有效的補充。

3 結 論

遙感是礦區生態環境監測的重要手段之一，從礦區地表要素識別與變化遙感監測、礦區植被要素定量遙感監測、礦區土壤要素定量遙感監測、礦區水體要素定量遙感監測、礦區大氣環境定量遙感監測、礦區生態系統參數遙感監測6個方面分析了國內外礦區生態環境定量遙感監測的研究進展，重點歸納和總結了不同礦區地表要素識別和生態要素參數反演所使用的遙感數據及其空間分辨率、識別或反演方法、時間跨度與監測頻次、所能夠達到的精度水平。所得結論如下:

(1)通過文獻調研、歸納與分析，發現近年來礦區生態環境定量遙感研究在新數據、新方法、新技術等方面取得了長足的進步和豐碩的成果。但也存在著明顯不足:包括礦區地表要素遙感識別的自動化和智能化不足，定量遙感在礦區生態環境監測中的應用廣度和深度有待提升，缺乏中高分辨率、長時序、高頻次的多要素參數同步觀測與協同研究等。未來研究方向有:礦區典型要素的大規模高分樣本庫構建與深度學習高精度識別、礦區場景下的定量遙感物理建模與廣泛深入應用、礦區多要素參數同步反演與監測技術體系等。

(2)礦區生態環境遙感監測是一個研究內容十分豐富的領域。本研究主要針對礦區地表要素識別和參數定量反演開展了文獻調研與綜述，每一部分相對來說概括性較強，一些重要的研究細節讀者可以參閱列出的相關文獻。對D-InSAR與LiDAR技術監測礦區地表沉降與形變、礦區生態環境質量指標構建與評價等方面未有詳細涉及，這些技術方法對于礦區生態環境監測也很重要，未來建議相關領域的研究者對其進行必要的綜述分析。