遙感技術在礦業領域的應用現狀及發展趨勢綜述

魏長婧

(河南省地質局地質災害防治中心,河南 鄭州 450012)

0 引言

礦產資源探尋、合理開采是地質礦產領域不懈追求的目標,傳統的找礦和開采監測方法費時費力,且危險性比較大,迫切需要高新技術的支持來提高工作效率,從而保障礦產開采的合理性、安全性。遙感技術的飛速發展為精確找礦、礦區安全監測、生態環境監測與評價等方面提供了新的方向。近年來,關于遙感技術在各大礦區的研究與應用層出不窮,但對于遙感技術目前在礦業領域的應用現狀及發展趨勢還沒有相關人士進行系統的歸納總結和分析。本文總結國內外學者利用遙感技術在礦業領域的探索情況,分析遙感技術在礦業領域的發展態勢,為礦業人員實際工作提供參考,也為后繼學者的研究提供方向。

1 遙感技術在礦業領域的應用現狀

1.1 找礦預測

在經濟高速發展的今天,礦產資源對人們的生活有著至關重要的影響,實現礦產資源準確、高效地探測,成為礦業領域不懈追求的目標[1]。目前的研究主要包括礦化蝕變信息提取、礦物精細識別、區域成礦背景研究、找礦預測等方面,具體情況見表1。

表1 找礦預測研究現狀

礦化蝕變信息是找礦預測的標志,因此,準確提取遙感異常蝕變信息就顯得非常重要。目前的研究大多是基于國外中低分辨率衛星數據,如美國陸地衛星系列數據(Landsat TM/ETM+/OLI/TIRS)、極地軌道環境遙感衛星Terra上搭載的高級星載熱發射和反射輻射儀(advanced spaceborne thermal emission and reflection radiometer,ASTER)獲取的數據等,通過波段比值法、主成分分析法(principal component analysis,PCA)增強蝕變信息,再利用基于像元的監督分類方法,如光譜角法(spectral angle mapper,SAM)、支持向量機(support vector machine,SVM)、最大似然法等,或者采用面向對象多尺度分割的方法提取蝕變信息。在該過程中,通過加入參數的自適應智能優化方法,解決參數的最優選擇問題,目前已經涉及的方法有布谷鳥算法、優化遺傳算法、網格搜索法、光譜能級匹配法等[2-4]。如吳一全等綜合利用波段比值法、PCA和布谷鳥算法優化SVM,從Landsat ETM+影像中提取出了鐵染和羥基蝕變信息[5]；唐淑蘭等結合PCA、多尺度分割及SVM利用ASTER影像提取出Al-OH基團等礦化蝕變信息[6]。另一種思路則是根據熱液成礦的原理,利用熱紅外影像進行地溫反演,以此識別出礦化蝕變帶,如曹海玲等將Landsat8 OLI/TIRS中的全色和熱紅外影像加權融合后進行地溫反演,依據地表熱異常識別出硅化蝕變帶[7]。數據源方面,中低分辨率遙感影像由于受到地面分辨率的限制,提取的精準度不夠高,高分辨率衛星數據,如高分一號(GF1)、高分二號(GF2)、WorldView等多光譜數據為提高礦化蝕變信息提取的精度提供了重要基礎,是該領域今后研究的重點內容。如2019年,張焜等利用比值法和PCA首次探索了國產高分辨率多光譜影像GF2提取鐵質礦物異常信息的情況,證明相較ETM數據,GF2能更好地將破碎蝕變帶的信息提取出來[8]。提取方法方面,現有方法存在處理過程繁雜、運算速度慢、不夠成熟有效等缺點。提取精度上,一般在80%～90%,但仍有較大的提升空間。

高光譜數據光譜分辨率的不斷提高為礦物精細識別提供了有利條件。目前國內外利用高光譜進行礦物識別的方法主要有三類,即窮舉法、光譜匹配法和模式識別法。其中,窮舉法是采用窮舉的方式基于整體形態和偏移范圍內局部吸收谷的位置進行識別[9],光譜匹配法以重建光譜與標準光譜相似性度量為基礎,模式識別法以光譜吸收譜帶參量為基礎[10]。數據源方面,以應用于地質領域為目的的機載高光譜傳感器以Hymap、機載可見光/紅外成像光譜儀(airborne visible infrared imaging spectrometer,AVIRIS)、CASI/SASI/TASI等為主；航天高光譜數據中,Hyperion和TG1具有較高的礦物識別精度,但具有幅寬窄等缺點,且已停止數據更新,數據不易獲得,國產高分五號(GF5)高光譜數據光譜分辨率高、幅寬大,成為新的研究對象。如2020年,董新豐等利用GF5超高光譜分辨率衛星影像,綜合光譜特征增強匹配度和特征參量,完成了礦物亞類的精細識別,正確率優于90%[10]；2021年,聶婧等利用機載高光譜熱紅外數據,采用光譜角度匹配法,成功提取了高嶺石信息[11]。此外,利用激光雷達的回波信息可對地下礦物含量信息進行估算,如國外學者Errington等利用三維激光掃描技術對接收到的礦區地表的漫反射率進行建模,并對地下黏土礦的含量進行了估算[12],而國內尚無該方面的研究。

區域成礦背景研究是成礦預測的前提,利用遙感技術可以直觀地獲得蝕變礦物的位置、形態、范圍和分布特征的區域性優勢,目前中高分辨率多光譜影像、高光譜影像、雷達影像等都被廣泛地用于礦產地質特征解譯,進行區域成礦背景的初步研究。技術方法上,由于尚處于初步研究階段,缺乏自動化的方法,基本上都是對影像增強后進行目視解譯[13-16],獲取定性分析的結果。

成礦預測是遙感技術用于礦業領域的最終目的之一,但目前還沒有成熟的成礦預測方法,大部分的研究是基于成礦背景,結合同步提取的遙感蝕變信息,進行成礦規律研究,在此基礎上建立遙感找礦模型,依靠人工識別出與模型相類似的區域[17-23],該方面是今后礦業領域研究的重點。

1.2 生態環境監測與評價

礦產資源的開發利用在為社會帶來巨大經濟效益和便利的同時,也帶來了植被退化、水污染、土地破壞、地面沉降等一系列生態環境問題,對礦區生態環境進行科學的監測和評價,成為礦山合理開采和恢復治理的重要保障。礦區生態環境監測具有十分顯著的行業特色,表現為空間影響范圍大、時間跨度大、地表空間異質性強等,而遙感技術具有監測范圍大、時間序列長、多平臺、全天候等優點,因此成為礦區生態環境監測的一種有力手段,被廣泛應用于礦區生態環境監測與評價的研究中,具體應用情況見表2。

表2 生態環境監測與評價研究現狀

1.2.1單一生態環境要素監測

(1)植被。現有研究通過對植被覆蓋度進行反演,并對其變化趨勢進行分析,衡量礦區生態環境變化情況。數據源上,多采用長時序中低分辨率多光譜數據,如中分辨率成像光譜儀(moderate-resolution imaging spectroradiometer,MODIS)、Landsat等；近年來也出現了使用激光雷達(light detection and ranging,LiDAR)、無人機數據提取植被覆蓋度的研究[24-25]。方法上,傳統靜態多時相比較的方法難以科學揭示生態是否退化及生態退化的驅動因素；植被覆蓋度分級雖然能在一定程度上反映出區域植被變化特征,但定量表達的精度有限；采用像元二分模型或像元三分模型,將植被指數與植被覆蓋度相結合,通過回歸分析、轉移矩陣法、Sen趨勢度、 Sen+Mann-Kendall法等,將時序影像視為連續記錄的完整檔案,可以更為精確地獲取植被在時序上的變化趨勢和規律[26-29]。

(2)水體。遙感技術在礦區水體監測上的研究主要為地表水體識別提取和面積監測。提取方法比較成熟,大多采用水體指數法,包括歸一化差分水指數(normalized difference water Index，NDWI)、組合水體指數(new combined index of NDVI and NIR for water body indentification,NCIWI)、自動化水體提取指數(automated water extraction index,AWEInsh)及其改進算法、譜間關系法等,通過人為設置閾值,實現礦區地表水體信息的提取[30-36]；也有部分學者采用混合主成分變換[37]、小波變換[38]、集合卡爾曼濾波[39]、神經網絡[40]、支持向量機[41]等提取礦區積水信息。數據源上一般采用Landsat、MODIS等易獲得多年時序數據的中低分辨率遙感影像,便于進行時空演變分析。

(3)土壤。土壤水分含量和重金屬含量是目前礦區土壤監測的兩大方面。前者一部分采用雷達影像,利用土壤含水量對主動微波后向散射系數的影響[42],對土壤含水量進行反演和監測；一部分采用光學和熱紅外影像,應用溫度植被干旱指數(temperature vegetation dryness index,TVDI)模型,進行反演和監測[43-44]。多數研究僅進行了時空分析,未計算土壤含水量。后者主要通過將重金屬與其在遙感影像中的敏感光譜特征建立定量模型關系[45-47]來監測土壤中重金屬含量,應用較多的方法有偏最小二乘法、神經網絡法、多元線性回歸法等,數據源主要是地面光譜測量數據、機載高光譜數據。但由于目前研究主要是利用實測的光譜數據與重金屬含量之間的經驗模型進行反演,高光譜影像波段的選擇對最終結果精度的影響較大,所以這些方法缺乏一定的適用性。

1.2.2土地利用動態監測

算法作為智能投顧業務的核心，算法編碼的正確與否影響著投資者的投資策略和目標。我國智能投顧業務尚未建立起完善的算法檢測機制，有必要盡快彌補該類空白。第一，平臺需要全方位了解和把握智能投顧算法背后假設、原理、局限等；第二，記錄算法相關設計規則和要素等，設置專門的文檔用以儲存，便于后續監管部門監督管理；第三，對智能投顧算法及時監測、改進和完善，實時更新；第四，如果算法出現錯誤，需要有及時止損設置，做到及時終止投資服務，盡可能避免投資者損失。

對礦區地表要素進行識別與分類,監測各地類的變化情況,對礦區生態環境的改善具有重要的指導作用。現有研究多是采用米級或亞米級的高空間分辨率數據通過目視解譯來獲取礦區地類信息,這是目前精度最高的識別礦區地類的方法,但是費時費力、成本高。其次是利用中等分辨率的遙感影像,采用監督學習的分類方法(如支持向量機、決策樹、最大似然等)進行分類,如2018年張偉等基于長時間序列的Landsat遙感影像,采用支持向量機的分類方法獲取礦區土地利用信息,進而通過地理信息系統(geographic information system,GIS)空間分析功能對研究區土地利用類型的時空變化特征和規律進行了分析[48]；2015年于頌等使用決策樹分類法對平朔煤礦20年期間的4個時期遙感影像進行了分類和監測[49]。目前,深度學習卷積神經網絡(convolutional neural network,CNN)在礦區土地利用動態監測方面初步有所研究,主要是將其應用于高分辨率影像,進行露天采場和尾礦庫的識別[50-52]。

1.2.3地表三維形變監測[53-65]

地下礦產資源開采不可避免地帶來了地表形變問題,最初學者們引入差分合成孔徑雷達干涉測量技術(differential interferometric synthetic aperture radar,D-InSAR)進行地表形變監測,監測精度可以達到厘米級,取得了一定的成功。但由于礦區地表變形速度快、植被覆蓋度高,容易造成相位失相干等問題,且D-InSAR獲取的形變結果并不是真實的地表三維形變,而僅是地表形變在雷達視線向上的投影。于是,學者們進一步拓展出多時相InSAR(multi-temporal InSAR,MT-InSAR)、多孔徑雷達干涉測量(multi-aperture InSAR,MAI-InSAR)、像素偏移量追蹤(offset tracking,OT)等技術,用以解決相位失相干、大梯度變形、相位解纏等問題,近年來針對大梯度形變又提出了基于概率積分預計模型和D-InSAR聯合解算、融合累積D-InSAR和子像元偏移、LiDAR點云數據與InSAR融合等方法；另一方面,通過多軌道D-InSAR、多軌道D-InSAR+MAI/OT/全球導航衛星系統(global navigation satellite system,GNSS)、先驗模型+單軌道InSAR、多尺度多平臺時間序列SAR影像沉降融合等方法獲得礦區地表真實三維信息。目前,相位失相干仍是礦區InSAR地表三維形變監測的難點。

未來,礦區多源SAR數據融合、InSAR數據與多源異質數據(如三維激光掃描數據、GNSS、水準等)融合,以實現多源數據之間的優勢互補。

1.2.4綜合評價區域生態環境質量

遙感生態指數(remote sensing ecology index,RSEI)和景觀指數是目前礦區生態環境整體評價的主流方法。其中,RESI是2013年徐涵秋提出的,它將合成的綠度、濕度、干度和熱度四個生態指標進行主成分分析,并根據各指標對各主分量的貢獻來綜合分析礦區的生態環境質量狀況；景觀指數是指能夠高度濃縮景觀格局信息,反映其結構組成和空間配置等特征的定量指標,利用景觀指數可以分析礦區景觀格局的時空變化。目前,RSEI的研究包括直接利用RSEI對不同礦區生態環境質量進行分析,增加綜合評價內容或改進RSEI方法。如文獻[66-67]分別將RSEI應用于南四湖地區和遷安市礦區,對研究區內的生態環境質量進行變化監測和定量分析,文獻[68]將植被凈出生產力引入到RSEI,評價神府礦區16年間的生態環境時空變化,文獻[69]基于移動窗口,根據礦區生態環境與周圍地物的聯系,排除較遠區域對研究區生態環境評價的影響,進而對研究區生態環境質量進行評價。景觀指數方面,絕大多數研究采用Landsat系列衛星影像,通過計算景觀指數,分析研究區的景觀格局動態變化[70-72]；少數研究采用了高分辨率光學遙感數據,如文獻[73]利用ZY-3、GF-2等高分辨率遙感影像,將移動窗口法與景觀指數相結合,分析了昆明某露天礦區的景觀格局時空演變模式。

1.3 礦區三維可視化

為有效提高決策指揮者對礦山布局信息的掌握和空間分析能力,實現數字礦山的精準管理,目前研究一方面利用三維激光掃描技術進行礦山實景復制,通過高密度激光點云數據建立數字礦山三維模型,供相關人員瀏覽分析[74]；另一方面,利用無人機對礦區航測成像,通過光束法平差生成數字正射影像圖、數字高程模型等,對露天礦區進行三維重構,實現礦區實景空間信息的展示與量測[75-78]，礦區三維可視化研究現狀見圖1。

圖1 礦區三維可視化研究現狀

2 發展態勢分析

2.1 優勢和提升

(1)地質找礦方面。遙感礦化識別方法不夠智能化,提取結果受人為因素的影響大,提取速度和精度還有待進一步提高；國產衛星及其他高分辨率衛星應用研究較少,沒有充分發揮其優勢；地下礦物含量定量研究不足；缺乏區域成礦背景及成礦預測的系統性研究。

(2)生態環境監測與評價方面。礦區生態環境要素監測不夠廣泛,一些重要的生態要素參數還未曾涉及；遙感識別自動化及智能化不足,多數研究仍采用的是常規自動化解譯方法,智能識別技術少有研究；缺乏礦區地表典型地物樣本庫,限制了算法在不同地區的泛化能力；大梯度形變、相位失相干仍是制約礦區地表三維形變監測精度的重要因素。

目前,遙感技術向著“多尺度、多頻率、高分辨率、高效快速”的方向發展。遙感衛星重訪周期越來越短,國產衛星傳感器空間分辨率越來越高,無人機遙感光譜分辨率不斷提高,為提高礦化蝕變信息提取精度、利用遙感影像進行地質找礦、多源多尺度長時序高精度生態環境監測等提供了有利條件；合成孔徑雷達技術研究如火如荼,新技術、新方法解決了相位解纏等眾多技術難題,雷達影像空間分辨率也不斷提高,為利用遙感技術進行地質構造解譯、獲取更為精確的地表三維變形信息提供了可能；技術方法上,機器學習、人工智能、深度學習等自動化技術不斷取得突破,為更加自動化智能化地進行地質構造解譯、礦化蝕變信息提取、礦區生態環境監測等提供了基礎。

2.2 發展方向

經過分析,未來遙感在礦業領域的研究將朝著以下方向發展:

(1)遙感礦化識別由定性研究向定量研究轉變,充分利用機器學習、人工智能等方法,減少人為干預,提高提取精度和效率；提高航空高光譜遙感、國產衛星遙感數據及其他高分辨率衛星進行地質找礦的應用性和廣泛性；利用高分辨率SAR影像進行地質構造解譯；地質構造解譯方法從目視解譯向自動化提取方向發展；對區域成礦背景、成礦預測的方法和機理進行更加深入的研究。

(2)礦區生態環境監測目標由單一生態要素向多個生態要素同步觀測與協同分析發展,促進礦產資源開采對生態環境要素影響機理的研究；監測方法進一步向自動化和智能化方向發展,如新興的深度學習方法等；綜合采用多源多尺度遙感影像進行監測,并建立相應的礦區地表典型要素樣本庫；多尺度多平臺時序SAR影像融合、SAR數據與其他多源數據(如GNSS、LiDAR、無人機數據)融合獲取地表三維變形信息。

3 結束語

隨著遙感技術的飛速發展,遙感在礦業領域的應用研究越來越廣泛和深入,但其目前具體已應用于哪些方面,在各方面的應用如何,并未有人進行系統的歸納總結和分析。本文對其近年來在礦業領域的具體應用進行了歸納總結,并對未來的發展趨勢進行分析,為相關研究提供了方向。

找礦預測、生態環境監測和評價、礦區三維可視化是目前遙感技術在礦業領域廣泛應用的三大方向。找礦預測的研究主要集中在利用各種遙感數據進行礦化蝕變信息提取、礦物精細識別、礦產地質特征解譯、成礦預測等方面；生態環境監測和評價的研究集中在單一生態要素監測、生態環境綜合評價、土地利用動態監測和地表三維形變監測等方面；礦區三維可視化主要是建立礦山地質環境管理系統。

盡管遙感技術在礦業領域取得了一定的成就,但仍存在智能化程度低、定量研究不足、缺乏系統性研究、監測范圍不夠廣泛、樣本庫不全面等不足,實際應用中還需重點解決許多技術難題,仍有不少挑戰。

本文研究較為寬泛,細化程度不夠,后續將就具體某一領域展開詳細研究。