无人机在矿区表土特征及地质灾害监测中的应用

2022-01-04龙林丽张旭阳苏永东陈孝杨

煤田地质与勘探 2021年6期

龙林丽，刘英,2，张旭阳，苏永东，陈孝杨,2

龙林丽1，刘英1,2，张旭阳1，苏永东1，陈孝杨1,2

(1. 安徽理工大学地球与环境学院，安徽淮南 232001；2. 安徽省高潜水位矿区水土资源高效综合利用工程实验室，安徽淮南 232001)

随着无人机的出现和发展，各种传感器的小型化和智能化程度不断提高，装载传感器的无人机成为获得空间数据的高效工具。因其成本低、重访周期短、快速高效、质轻灵活、操作简便、影像获取时空精度高等特点，广泛应用于矿区土地损伤监测。以“无人机(UAV)、反演(Inversion)、土壤监测(Soil Monitoring)、地表塌陷(Surface Collapse)、地裂缝(Ground Fissure)”为关键词，通过总结Web of Science、知网、谷歌学术等检索系统中2010年1月—2021年5月发表的学术论文，对比分析无人机监测技术与其他监测技术的差别，综述无人机监测矿区重金属、土壤含水率、含盐量、地表塌陷、地裂缝及边坡稳定性的一般流程及数据处理方法，并概述无人机在矿区表土特征及地质灾害监测中的应用前景，认为未来可通过集成野外时序跟踪调查、高精度土壤质量监测技术、高空间分辨率无人机监测技术、数字模拟手段和典型工作面的试验监测与分析，研究工作面自开切眼至停采线动态推进中地质灾害与土壤质量演化耦合关系，构建采煤沉陷区土壤质量演化预测理论体系和时序演变模型。从而进一步探讨矿区土壤质量与地质灾害之间的关系，提出减缓、控制及提升矿区土壤质量的措施，为我国煤炭生产基地煤炭资源开采与生态环境的协调可持续发展提供技术支撑。

无人机；采煤矿区；土壤监测；地质灾害监测

矿产资源在国民经济发展中占有重要地位[1]，随着工业的快速发展，人们对矿产资源的需求量显著增加[2]。通常矿物的开采方式有露天开采和地下开采2种，这2种方式在开采过程中都会影响矿区生态环境，如地下开采会引起地表沉陷，形成大量地裂缝，破坏耕地，加剧水土流失、破坏植被等。露天开采产生的矸石、尾矿固体废物及直接剥离表层土壤、形成排土场压占土地等都会影响土地可持续利用[3]。因此，在采矿过程中，利用现代高新技术对矿区生态环境进行实时监测是合理规划可持续开采的关键。

矿区常用的监测技术包括野外现场监测技术、全球导航卫星技术(GNSS)、合成孔径雷达干涉测量技术(InSAR)、三维激光扫描技术、无人机航测技术[4]等。传统的野外现场监测的一般步骤都是野外考察，布设监测点，仪器监测，最后通过周期性的监测得到结果，其数据收集工作强度大，数据时效性差。GNSS虽然具有精度高、布网迅速、可全天候工作等特点，但易受卫星信号差的影响[5]。InSAR具有空间分辨率高、全天候、监测范围大等优点，然而受大气延迟的影响较大[6]。三维激光扫描技术存在的主要问题是数据质量不佳，点云数据匹配精度不高[7]等。与其他监测方法相比，无人机具有操作简单、高效快速、灵活方便、分辨率高、数据时效性强[8]等特点，在低空飞行时可快速获取到厘米级图像[9]。无人机航测作为动态、经济、连续的一种数据采集方法，可对采后风险源进行持续监测[10]，在矿区生态环境监测中有巨大的应用前景。目前，基于无人机数据的科学研究已经取得一定成果，但无人机在矿区生态监测中的应用拓展有待进一步研究。

笔者利用“无人机(UAV)、反演(Inversion)、土壤监测(Soil Monitoring)、地表塌陷(Surface Collapse)、地裂缝(Ground Fissure)”等检索词，在Web of Science、知网、谷歌学术中检索近十年的文献，通过无人机在矿区监测目的不同进行分类，对其进行综合分析，综述了无人机在矿区表土特征监测、地质灾害监测方面的应用，以期为无人机在矿区生态环境监测中的应用与推广提供借鉴与参考。

1 矿区表土特征监测

1.1 重金属元素

1) 无人机监测表土重金属及数据预处理方法

煤炭资源的开发、生产及运输过程中矿区污水的排放、酸性废水的淋滤、运输中的洒落矿物和煤矸石的堆放等，在风蚀、雨蚀、沉降等作用导致矿区及周边土壤中重金属大量富集，对土壤造成污染，而重金属不易被土壤微生物降解，却可以被动植物富集，某些重金属还能转化为毒性更严重的甲基化合物，通过食物链在人体内蓄积，严重影响人体健康[11]。因此，监测矿区土壤重金属元素是矿区生态环境监测的重要一环。目前研究重金属对土壤的污染的方法主要包括现场采样法和遥感监测法。传统的现场调查可从特定的时刻和位置提供有限的信息，无法提供重金属浓度分布时空动态变化[12]，而无人机遥感的反射光谱法通过电磁辐射反演可快速获取土壤重金属含量时空分布特征，是当前热门且主流的方法之一，一般可分为直接反演和间接反演，直接反演通常是利用无人机获取的光谱信息与实测重金属的相关性进行，监测流程是光谱数据获取、光谱预处理、提取特征波段、研究处理后的光谱与实测重金属浓度的相关性、构建反演模型；间接反演则是根据不同土壤组分之间的相关关系，构建间接反演模型。

光谱数据在监测时会受到试验条件与土壤自身条件的影响，需要对光谱数据进行预处理，从而有效提升光谱信息[13]。目前常用的预处理方法包括平滑处理[14]、包络线去除(CR)[15]、一阶导数(FD)[16]、微分校正(DR)[17]、连续小波变换(CWT)[17]、标准正态变量校正(SNV)[18]、多元散射校正(MSC)[19]等诸多方法。高光谱反演重金属含量的常用光谱波段是400～2 500 nm[20]，波段范围广，而且土壤光谱反射率不高。为了简化模型和提高反演精度，更好地解释土壤重金属与光谱数据的相关性，需要对光谱数据进行特征分析，分为特征选择、特征提取和特征增强[21]。特征选择主要是从特征中选择起主要作用的子集，方法有Pearson相关性分析、竞争性自适应重加权算法(CARS)、封装法、嵌入法等[22-24]。特征提取是在原来的特征中，产生一个新子集，也可以起空间降维作用，有主成分分析法(PCA)[25]、最小噪声分离(MNF)[25]、小波变换(WT)[26]等。特征增强，主要是利用已有变量通过综合分析而塑造出新变量，通常和预处理一起，特征提取后的光谱能够更好地捕获地面重金属浓度的信息。

利用以上光谱数据预处理方法，突出光谱特征，进而能求取与重金属最大相关波段，以得到土壤光谱中能表现重金属元素的敏感波段，如Zn的最大相关波段为515 nm[27]，Cr、As、Cu的敏感波段分别是379、1 778、2 018 nm[28]。在土壤重金属反演研究中，单一敏感波段数据所得到的特征表达能力有限；通过对多波段线性地组合会使特征表达能力得到提升，如宋练等[29]使用2 320 nm和1 755 nm、2 260 nm和2 210 nm、1 920 nm和480 nm的波段进行反演，发现As、Cd和Zn与上述6个波段没有很好的相关性，但将这６个波段进行组合可得到较好的相关性，预测模型相关系数2分别为0.80、0.71、0.61。需要指出的是，并不是所有重金属元素都有光谱响应，土壤中的黏土矿物、铁锰氧化物和有机质等对重金属离子有吸附作用，这些组分对光谱响应较强，故仍可通过监测其与土壤中其他光谱响应强的组分共同变化来监测光谱特征不明显的重金属[30]。

2) 土壤重金属反演模型

土壤重金属反演模型主要分为物理模型和数学经验模型。物理模型是通过确定的物理机理阐述光谱反射率与重金属含量之间的关系，但在实际应用中，建立物理模型所需的参数很难获得，且受环境因素影响很大，故通常利用数学经验模型对土壤重金属含量与光谱反射率进行模型拟合，常用的统计模型包括偏最小二乘回归(PLSR)[17-18]、多元逐步回归(MSR)[19]、多元线性回归(MLR)[31]等方法，MLR和MSR可以用于建立重金属含量与光谱特性之间的线性关系，当变量自相关的时候，则需要PLSR来解释，PLSR可以认为是回归分析、主成分分析、相关性分析的综合，通常应用于测量重金属丰度[32]。此外，一些非线性的数学统计方法如人工神经网络(ANN)[25]、支持向量机法(SVM)[33]、决策树法(DT)、超限学习机(ELM)[34]等，也被广泛应用于反演中。现将文献[19,27-28,34]中，利用无人机高光谱影像反演重金属含量成果总结见表1。

表1 单波段反演重金属文献总结

综上所述，通过构建重金属含量与光谱的相关关系模型反演重金属含量的方法可行。因为光谱数据的采集会受各种各样因素的影响，如大气吸收和散射、土壤含水量和粒径、植被覆盖、凋落物等[35]，利用光谱数据反演土壤重金属的含量具有很大的挑战性，因此，在进行反演时，选择合适的波段和建模方法至关重要。根据重金属的吸附和聚集过程，重金属的聚集受到多种因素综合影响，如氧化锰、二氧化硅、氧化铝、有机质和离子环境等，单一条件下的预测仍有其局限性。现有研究表明，随着地表类型的复杂化，重金属反演精度越来越低[25]，故在地形复杂地区的可行性还有待进一步研究。

1.2 土壤含水率

土壤含水率作为土壤重要的理化性质之一，直接影响作物生长，对土壤水分进行实时、准确监测，有利于农作物管理和提高水资源利用率。土壤水分监测方法主要有传统测定方法和遥感监测方法。传统测定方法有烘干称重法、张力计法、电阻法、中子法[36]等，需要在实验室测定，虽然精度高但测定范围有限，工作量大，难以满足大范围的监测要求[37]。遥感技术利用特定波段下土壤反射率与土壤水分的关系对土壤含水率进行估算。常用到的遥感波段有可见光–近红外[38]、热红外[39]和微波[40]。虽然上述方法能大范围监测土壤含水率，但存在精度低、时效性差、成本高等问题。无人机遥感技术具有灵活性强、分辨率高、采集数据速度快等优点，正好弥补了传统检测方法和卫星遥感监测的不足。

研究表明，土壤水分与土壤光谱反射率呈负相关关系，具有较高反射率的土壤较为干燥，而热红外反射率随土壤含水率的增加而增加，呈正相关关系[39]。无人机遥感监测方法一般有2种，其一是基于热红外影像通过热惯量法和土壤水分指数法反演土壤含水率。土壤热惯量是引起土壤表层温度变化的内在因素，与土壤含水量有着密切联系，同时又控制着土壤温度日较差的大小。土壤水分较大时，土壤具有较大的热惯量。在实际应用当中，热惯量常用ATI表示，公式如下[41]：

土壤水分指数法则是利用无人机搭载轻型热相机和RGB相机等，获得复合地表温度和彩色图像，得到地表–空气温差图、归一化红绿差值指数(NGRDI)、水分亏缺指数(WDI)等，建立土壤含水量预测模型，并用计算出的指数绘制水分缺失图，分析土壤水分分布情况[42]。上述参数的计算方法如下：

其二是直接利用土壤反射率与实测土壤含水率建立相关关系进行反演，或利用土壤光谱反射率提取的参数与实测土壤水分含量的相关关系来建立反演模型，如归一化光谱斜率吸收指数(NSSAI)[37]、增强性植被指数(EVI)[42]、垂直干旱指数(PDI)[43]等。张智韬等[44]、王海峰等[45]通过野外采样、室内理化分析、光谱数据的采集和处理等一系列工作，利用无人机搭载多光谱相机采集6个波段(490、550、680、720、800、900 nm)的土壤光谱反射率，每次拍摄完后使用称量法测量土壤含水率，再利用偏最小二乘回归法、逐步回归法和岭回归法的一元回归模型建立土壤含水率与光谱反射率的相关回归模型。也有学者使用Spequoia多光谱相机和ECH2O土壤水分传感器采集4个波段(550、660、735、790 nm)的土壤光谱反射率和土壤含水率数据，结合PLSR、岭回归法、BP神经网络3种方法建立土壤含水率反演模型[46]，为矿区地表土壤水分监测提供理论依据和实践应用参考。以上光谱参数的计算方法如下：

式中：为土壤基线的斜率，土壤基线是近红外和红波段范围内土壤光谱变化近似的曲线。

综上所述，无人机遥感监测技术获取土壤水分是基于土壤表面的遥感数据，通过研究遥感数据与土壤水分的关系，建立土壤水分与遥感数据的关系模型来反演土壤水分信息，近些年来应用无人机监测逐渐增多，但针对于矿区土壤含水率反演的研究还较少，并且对土壤水分进行估算时考虑的影响因素较少，如未考虑植被、土地利用类型等。

1.3 土壤含盐量

土壤盐渍化是指土壤底层或地下水的盐分随毛管上升到地表，水分蒸发后，使盐分积累在表层土壤中的过程，是自然因素和人为因素综合作用的结果。及时准确地获取土壤盐分的空间分布及时空演变规律对防止土壤盐渍化、提高农作物生产力具有指导意义。传统土壤含盐量的测定方法是测定土壤的电导率，需要现场定点采样和实验室分析。此类方法虽测量精度较高，但费时费力，难以实现大尺度、实时、动态地检测土壤盐分信息。近些年，随着遥感技术的快速发展，具有综合、宏观等特点的卫星遥感及便携式地物光谱仪等遥感技术已被广泛应用。但卫星遥感和便携式地物光谱仪自身存在缺点，如卫星遥感有重返周期长、分辨率分布不均匀等缺点[47]，便携式地物光谱仪只适用于小范围的土壤盐分含量监测。冯文哲等[48]将实测含盐量与无人机、GF-1卫星2种数据的光谱特征因子进行相关性分析，利用MLR、SR、RR分别对2种数据进行建模反演，验证了利用无人机数据进行反演精度高，效果好。无人机遥感技术同时避免了卫星遥感和便携式地物光谱仪的缺点，具有较大的覆盖面积和可观的数据，为土壤盐渍化监测提供了新的可能。

目前，土壤盐分反演模型常借助数学模型来构建，包括以下步骤：① 光谱波段的提取；②光谱指数的建立；③变量的确定；④定量反演模型的建立。由于土壤中化学元素的吸收光谱不同，一些主要盐离子(Na+、Cl–)与光谱反射率存在一定程度的相关关系，因此，利用可见光和近红外光谱可以在一定程度上反演土壤盐离子，得到土壤盐分信息。借助遥感光谱探测土壤盐度的方法有2种，在植被覆盖度低或盐渍化较为严重的裸土地区，可利用无人机与高光谱仪、多光谱相机获得的光谱影像，提取光谱信息，建立盐分指数，定量描述土壤盐度信息。常用于表征土壤盐渍化的盐分指数包括：盐度指数(Salinity Index, SI)[49]、归一化盐度指数(Normalized Difference Salinity Index, NDS)[50]等。盐渍化土壤因其盐分含量超过正常阈值进而影响植被的生理参数，因此出现红光波段反射率增加，近红外波段反射率降低的现象，鉴于此，有诸多学者在植被覆盖度较高的地区利用植被光谱信息，间接预测土壤中盐分含量。涉及的植被指数例如归一化植被指数(Normalized Difference Vegetation Index，NDVI)[51]、增强性植被指数(Enhanced Vegetation Index，EVI)[52]、土壤调节植被指数(Soil-Adjusted Vegetation Index，SAVI)[53]等，以上植被指数都已被证明可以有效地表征植被光谱与土壤含盐量的相关关系，具体盐分指数与植被指数计算方式见表2。

表2 用于土壤含盐量监测的盐分指数与植被指数

注：、、、分别为绿光、红光、近红外和蓝光波段光谱反射率；为盖度背景调节因子，取0.5。

在利用光谱指数建立土壤反演预测模型过程中，会产生多余的信息，可利用变量选择的方法对冗余信息进行筛选，从而达到提高模型预测精度的目的。确定敏感变量的方法主要有变量投影重要性分析、灰度关联分析、逐步回归分析、连续投影算法等，其中变量投影重要性分析是基于PLSR法的一种变量筛选方法，通过计算VIP得分确定变量的重要性，实现自变量的排序[54]；灰度关联分析法根据各因素之间发展趋势的相似程度或差异程度来衡量各因素之间相关性的一种方法[55]；逐步回归分析是根据自变量对因变量的作用和显著程度，剔除无价值的波段[56]，这3种方法目前被证明可以有效筛选模型输入变量。包括PLSR在内的线性回归方程是目前常用于估算土壤含盐量的数理统计模型，但实际上，光谱变量与土壤含盐量很少线性相关，因此引入机器学习算法，如反向传播神经网络(BPNN)、支持向量回归(SVR)、随机森林(RF)、极限学习机(ELM)和多元混合回归模型等。魏广飞[54]、王海峰[56]、张智韬等[57]的研究发现，同一模型在不同变量筛选方法下，预测精度会相差很大，且选取的参数并不一定是适宜模型的最优参数。所以，在减少数据冗余度、降低模型复杂度、拓展模型普适性的基础上，提高模型的反演精度和运算效率等方面仍有很大的探索空间。

2 地质灾害监测

2.1 地表塌陷

煤炭地下开采破坏煤层覆岩原有的应力平衡状态，导致覆岩从下至上产生垮落、裂隙和弯曲下沉，表现为采空区上方地表发生大面积沉陷。目前，针对无人机监测采煤矿区地表沉陷的研究已取得很多成果。

地表沉陷的监测流程：首先根据煤矿的地形和地表沉陷特征确定测量点和控制点的布设方案，然后在研究区内均匀地布设地表沉陷监测标志点，外业采集及内业处理点云数据；其次进行地面数字模型的构建；最后对多期建模数据进行叠加分析，获取地表沉陷的精细特征，确定地表移动下沉情况[58]。通常在无人机上搭载激光雷达，对矿区地面的周期性扫描可得到采煤沉陷区高精度、高分辨率的点云数据，经过滤波和插值处理，得到数字高程模型(DEM)，通过对多期DEM进行叠加可得数字高程变化模型，即沉陷DEM。现常用的点云插值方法有专业化数字高程模型插值(ANU-DEM)、反距离权重插值(IDW)、克里金插值(Kriging)、自然邻域插值(NN)、样条函数插值(Spline)、改进谢别德插值算法(SPD)、径向基函数插值算法(RBF)、局部多项式插值算法等[59-61]。在构建DEM时，通常使用滤波技术分离点云地面点，理论依据是基于邻近脚点的高程突变。根据滤波的算法原理不同可以将其分成基于坡度、曲面拟合、分割、不规则三角网、形态学及机器学习的滤波算法6大类[62-64]。

无人机摄影测量技术和机载LiDAR技术作业时受仪器精度、地形特征、操作者经验等多种影响，获取的点云数据通常含有大量的噪声点，会严重影响滤波的准确性和分类结果。点云数据的去噪方法主要包含网格化去噪和模型去噪2种方法。网格化去噪是利用网格把点云数据进行分割，能提高去噪的效率，但是需要重建网格，并且在去噪过程中，需要重新建立网格的原有拓扑信息，极大地增加了算法的复杂度，在一定的程度上可能还会导致重建的网格出现拓扑信息错误。模型去噪是直接利用去噪方法对点云数据进行去噪，可以有效地防止网格出现拓扑信息错误的情况。对于点云去噪，现阶段还是以滤波为主。近年来，有许多学者在研究点云的基础上提出许多去噪方法，如对比高程均值离差去噪方法[65]、自适应移动盒子去噪算法[65]、基于法向量为特征向量的网格去噪方法[66]、基于小波阈值的沉陷模型去噪[67]、移动最小二乘曲面算法[72]、各向异性消噪算法[68]，以及统计滤波、半径滤波和快速双边滤波结合的去噪算法[69]等。

利用多期DEM的叠加分析，不仅能得到数字高程变化模型，计算出矿区的地表移动变形参数，还能提取出矿区开采沉陷边界，得到矿区地表沉陷的影响范围。Xu Xianlei等[70]介绍了一种确定采煤沉陷破坏耕地边界的新方法和评价准则，认为边界可以45 mm下沉线或大于0.5的附加坡度确定；侯恩科等[71]、高冠杰等[72]通过对比工作面采前和采后的地表高程差，进行地表沉降量计算与成图；Zhou Dawei等[73]也利用无人机摄影技术对开采引起的地表动态沉陷盆地进行监测并提出获得短期开采沉陷参数的方法，已经成功应用于内蒙古王家庄煤矿。

综上，无人机在监测矿区灾害方面对不易到达和飞行困难地区的高分辨率影像获取具有明显优势。随着无人机数据处理效率和精度的不断提高，无人机监测技术将成为矿山地表沉陷监测的新型主流监测技术，具有很好的推广价值。

2.2 地裂缝

采煤引起的地表塌陷是矿区地表移动变化的一种外在表现形式，而地裂缝是煤矿区最常见、最直观的一种地面塌陷形式之一。监测地表裂缝的手段包括早期的人工野外裂缝填图、布置观测线、观测点[74-75]、卫星遥感[76]、三维激光扫描[77]、InSAR/SAR[78]、无人机监测技术[79-80]等。相比于其他技术，无人机遥感具有成本低、效率高、精度较高、机动灵活等优点，已被多次应用于地面塌陷调查中。现阶段，利用无人机监测地裂缝的研究，主要集中在对地裂缝发育规律、分布特征的研究。侯恩科等[81]以羊场湾煤矿为研究区，总结分析该区地表裂缝发育规律、特征及其与采矿地质条件的关系；毛崔磊[82]采用谷歌遥感影像数据与无人机数据的结合，对平朔矿区历年地裂缝的分布情况进行提取，从时间维度分析采煤地裂缝的线密度和长度，从空间维度利用分形理论对采煤地裂缝进行分析，定量化描述地裂缝的发育情况。

基于无人机遥感影像提取地裂缝的处理流程为：影像预处理、地裂缝初提取、“非地裂缝”目标去除、地裂缝结果精处理以及地裂缝提取结果精度评定。地裂缝初提取常用方法有边缘检测算法、灰度阈值分割算法、影像分类算法[83]。边缘检测算法是一种采用把边缘检测算子增强影像中边缘信号的数字处理方法，可分为一阶边缘检测算法和二阶边缘检测算法[84]。典型的边缘检测算子包括Roberts算子、Sobel算子、Prewitt算子和Canny算子、拉普拉斯算子和高斯拉普拉斯算子等[85]。遥感影像分类是从光谱和纹理信息丰富，各个类别之间对比度存在较大差异的遥感影像中提取条带状线性目标的一种方法。影像分类方法有最大似然分类法、最小距离分类法、决策树分类法、均值分类法和ISODATA分类法等[86]。基于机器学习和神经网络等的遥感影像分类方法是近几年的研究热点。

对于有些非裂缝信息被误提取的问题，可采用针对遥感影像植被分类的算法如最邻近距离法、决策树法、随机森林法(Random Forests，RF)等生成掩膜文件，消除植被影响，实现裂缝的精提取。2015年，Feng Quanlong等[87]证明了结合纹理信息的随机森林算法能有效地对植被进行分类，其结果比最邻近距离、面向对象以及SVM等算法更优。故大部分研究采用RF算法制成掩膜文件，去除非地表裂缝信息。由于地裂缝的灰度值并不随地裂缝位置的变化而均匀变化，且地裂缝初提取和非地裂缝目标去除过程以单个像元为操作对象，因此，地裂缝的最终提取结果会存在一定的断续现象，除了明显的地裂缝图斑之外，结果中还含有一些面积远小于地裂缝的碎小图斑，影响提取精度和地裂缝的判别，故应对地裂缝提取结果进行精处理。数学形态学中的闭运算、击中击不中变换算法具有连接二值影像中断裂目标的功能[88-89]，开运算和面积滤波算法可进行碎小图斑去除[90]，可用于地裂缝精处理研究。

综上，无人机能全面准确地展现地表裂缝的分布特征与发育规律。但在后期的影像处理方面，地裂缝的提取受植被覆盖度及地裂缝阴影的影响，断续现象增加。为此，可结合采动裂缝发育规律及裂缝图像的灰度特征，构建断续裂缝的自动生成算法。同时，针对隐性地裂缝，其灰度差异性变小，可结合实地调查及这种裂缝的其他光谱特征进行解译，以实现采动裂缝的高效监测与自动获取。

2.3 边坡稳定性

露天矿开采过程中，矿山极易发生边坡失稳，导致滑坡、崩塌、泥石流等地质灾害，其形成原因主要是位于不稳定边坡上的岩土体在降雨、采煤扰动等条件下，受自身重力及其他应力的综合影响下沿着倾斜面发生滑动或崩塌。由于其分布广泛、发生频繁、形成原因以及变形机理复杂、很难进行人为调查，现常使用无人机监测边坡的稳定性，了解滑坡情况[91-92]。从工程塌方和山岭地区滑坡的防灾减灾角度，边坡的监测技术可以大致分为边坡的位移监测、加固体的支挡物监测、岩体破裂监测、水的监测和巡检5个主要类型。

国内外利用无人机对边坡稳定性的研究主要集中在边坡的位移监测和岩体破裂监测上。基于计算机视觉和图像处理技术对无人机获取的图像进行处理，探讨边坡斜体边缘的提取方法，可实现边坡稳定的可视化，从而评估边坡的位移情况[93]。利用无人机摄影测量技术获得边坡表面地形和裂隙图像，通过基于面向对象分析的滤波算法及滤波后图像的后处理技术，可对边坡裂缝发育和失稳趋势进行预测[89]。宋诚[94]通过无人机摄影测量技术实现对边坡地形高精度测量，并将其成功应用于边坡变形监测中，为边坡治理提供了依据。无人机监测主要是利用无人机摄影测量技术，获取矿区数据，利用三维点云处理软件对模型进行裁剪、去噪、平滑等处理，其次利用三维建模软件实现可视化，进而分析边坡稳定性。

目前，边坡稳定性分析的确定性分析常用方法主要有极限平衡法和数值模拟法2种，极限平衡法是以Mohr-Coulomb的抗剪强度理论为基础，根据斜坡上滑体的力学平衡原理分析斜坡的受力状态，以及斜坡抗滑力与下滑力之间的关系来评价斜坡的稳定性[95]。靳远成等[96]采用此方法从无人机飞行数据三维建模结果截取多个剖面后进行数值分析，结果表明：将无人机影像的边坡精细化建模技术应用于边坡稳定性分析，可以更快速地反映边坡稳定性情况。数值模拟方法主要是通过无人机影像后期处理获得的三维数据通过有限元软件ANSYS、ABAQUS、NASTRAN、FLAC3D等进行计算[97]。金爱兵等[98]利用无人机摄影测量技术，获得边坡测量数据，将DEM与FLAC数值模型结合，达到高精度高效率分析边坡稳定性的目的。

无人机摄影测量技术具有成本低、操作简便、精度高等优点，可作为边坡稳定性监测手段在矿区监测中进行推广使用。但目前所使用的位移测量方法，在精度的稳定性上仍存在不足，原因是无人机影像受风速影响，每次所拍摄的相片质量存在差异，因此，如何保证获取图像质量的稳定性是亟待解决的问题。

3 结论与展望

a.无人机因可操作性强，低成本和采集数据速度快，可以在人员难以进入的地区获取数据等优点在矿业领域有极大的研究潜力和应用前景。目前无人机在矿区生态环境中的监测应用仍处于初步阶段，设计符合监测需求的方案，选择合适的传感器，得到高分辨率图像，根据数据处理结果作出评价仍是未来研究的热点话题。

b.监测地表土壤特征时，虽然建模精度较高，但随着地表类型、植被种类、复垦管理方式等的不同，反演精度会发生较大变化，容易受到多种因素的综合影响，单一条件下反演预测仍有局限性。另外，上述模型大多基于平原、丘陵或县域等自然状态土壤进行模型开发，针对采煤矿区土壤质量演化趋势模型方面的研究较少，未来有待进一步研究。

c.在矿区地质灾害研究方面，由于无人机能高精度、高频率、多角度地持续动态监测地质灾害情况，被广泛应用于研究地表塌陷、地裂缝的形成机理与发育规律以及采矿扰动对土壤质量变化的影响规律等方面。但目前少有研究利用无人机监测不同程度地质灾害对土壤质量的影响，也未将这些变化与采矿参数、地表移动变形和地表裂缝分布联系起来，今后可从这方面寻求突破。

d.未来可通过集成野外时序跟踪调查、高精度土壤质量监测技术、高空间分辨率无人机监测技术、数字模拟手段和典型工作面的试验监测与分析，研究工作面自切眼至终采线动态推进中地质灾害与土壤质量演化耦合关系，构建采煤沉陷区土壤质量演化预测理论体系和时序演变模型，进一步探讨基于无人机高光谱影像的表土元素反演，提出减缓、控制及提升矿区土壤质量的措施，为我国煤炭生产基地煤炭资源开采与生态环境的协调可持续发展提供技术支撑。

[1] 胡振琪，肖武. 关于煤炭工业绿色发展战略的若干思考：基于生态修复视角[J]. 煤炭科学技术，2020，48(4)：35–42.

HU Zhenqi，XIAO Wu. Some thoughts on green development strategy of coal industry：From aspects of ecological restoration[J]. Coal Science and Technology，2020，48(4)：35–42.

[2] 文博杰，陈毓川，王高尚，等. 2035年中国能源与矿产资源需求展望[J]. 中国工程科学，2019，21(1)：68–73.

WEN Bojie，CHEN Yuchuan，WANG Gaoshang，et al. China’s demand for energy and mineral resources by 2035[J]. Engineering Sciences，2019，21(1)：68–73.

[3] 王丹爽. 无人机技术在施工现场安全评价中的应用研究[D]. 哈尔滨：哈尔滨工业大学，2017.

WANG Danshuang. Application of UAV technology in construction site safety evaluation[D]. Harbin：Harbin Institute of Technology，2017.

[4] 张凯，李全生，戴华阳，等. 矿区地表移动“空天地”一体化监测技术研究[J]. 煤炭科学技术，2020，48(2)：207–213.

ZHANG Kai，LI Quansheng，DAI Huayang，et al. Research on integrated monitoring technology and practice of “space-sky-ground” on surface movement in mining area[J]. Coal Science and Technology，2020，48(2)：207–213.

[5] 姚一飞. 基于北斗增强的实时PPP及在矿山地表监测的研究[D].徐州：中国矿业大学，2017.

YAO Yifei. Research on real-time precise point positioning based on Beidou augmentation and its application in mining surface monitoring[D]. Xuzhou：China University of Mining and Technology，2017.

[6] 仝云霄. InSAR矿区地表形变监测及大气延迟校正研究[D]. 徐州：中国矿业大学，2020.

TONG Yunxiao. Study on surface deformation monitoring in mining area and atmospheric delay correction of InSAR[D]. Xuzhou：China University of Mining and Technology，2020.

[7] 廉旭刚，蔡音飞，胡海峰. 我国矿山测量领域三维激光扫描技术的应用现状及存在问题[J]. 金属矿山，2019(3)：35–40.

LIAN Xugang，CAI Yinfei，HU Haifeng. Application status and existing problems of 3D laser scanning technique in mine surveying in China[J]. Metal Mine，2019(3)：35–40.

[8] 徐坤，屈莹，王宝山. 倾斜摄影测量技术在矿产资源监测中的应用[J]. 测绘工程，2020，29(4)：38–43.

XU Kun，QU Ying，WANG Baoshan. Application of oblique photogrammetry technology to the dynamic monitoring of mineral resources[J]. Engineering of Surveying and Mapping，2020，29(4)：38–43.

[9] 王昆，杨鹏，吕文生，等. 无人机遥感在矿业领域应用现状及发展态势[J]. 工程科学学报，2020，42(9)：1085–1095.

WANG Kun，YANG Peng，LYU Wensheng，et al. Current status and development trend of UAV remote sensing applications in the mining industry[J]. Chinese Journal of Engineering，2020，42(9)：1085–1095.

[10] 白洋，康会涛，张文超，等. 无人机在露天矿山监测中的应用[J]. 测绘通报，2020(9)：85–88.

BAI Yang，KANG Huitao，ZHANG Wenchao，et al. Application of UAV in open-pit mine monitoring[J]. Bulletin of Surveying and Mapping，2020(9)：85–88.

[11] 许吉仁，董霁红，杨源譞，等. 基于支持向量机的矿区复垦农田土壤–小麦镉含量高光谱估算[J]. 光子学报，2014，43(5)：1–8.

XU Jiren，DONG Jihong，YANG Yuanxuan，et al. Support vector machine model for predicting the cadmium concentration of soil-wheat system in mine reclamation farmland using hyperspectral data[J]. Acta Photonica Sinica，2014，43(5)：1–8.

[12] LIU Meiling，LIU Xiangnan，WU Ling，et al. Wavelet-based detection of crop zinc stress assessment using hyperspectral reflectance[J]. Computers and Geosciences，2011，37(9)：1254–1263.

[13] ROMAN M B，SERGEY V S. Variable selection in near-infrared spectroscopy：Benchmarking of feature selection methods on biodiesel data[J]. Analytica Chimica Acta，2011，692(1)：63–72.

[14] 叶元元. 多金属矿区土壤重金属的高光谱定量估算研究[D]. 徐州：中国矿业大学，2014.

YE Yuanyuan. Quantitative estimating of soil heavy metals with hyper-spectrum in polymetallic mining areas[D]. Xuzhou：China University of Mining and Technology，2014.

[15] 王惠敏. 基于光谱吸收特征的土壤有机质与重金属含量估算研究[D]. 徐州：中国矿业大学，2019.

WANG Huimin. Study on the estimation of soil organic matter and heavy metal contents based on spectral absorption characteristics[D]. Xuzhou：China University of Mining and Technology，2019.

[16] 谭琨，叶元元，杜培军，等. 矿区复垦农田土壤重金属含量的高光谱反演分析(英文)[J]. 光谱学与光谱分析，2014，34(12)：3317–3322.

TAN Kun，YE Yuanyuan，DU Peijun，et al. Estimation of heavy metal concentrations in reclaimed mining soils using reflectance spectroscopy(English)[J]. Spectroscopy and Spectral Analysis，2014，34(12)：3317–3322.

[17] ZHANG Shiwen，SHEN Qiang，NIE Chaojia，et al. Hyperspectral inversion of heavy metal content in reclaimed soil from a mining wasteland based on different spectral transformation and modeling methods[J]. Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2019，211：393–400.

[18] 邬登巍，吴昀昭，马宏瑞. 基于中红外漫反射光谱的土壤重金属元素含量预测研究[J]. 光谱学与光谱分析，2010，30(6)：1498–1502.

WU Dengwei，WU Yunzhao，MA Hongrui. Study on the prediction of soil heavy metal elements content based on mid-infrared diffuse reflectance spectra[J]. Spectroscopy and Spectral Analysis，2010，30(6)：1498–1502.

[19] 左玲. 黑土区土壤重金属高光谱遥感监测方法探究[D]. 北京：中国地质大学(北京)，2020.

ZUO Ling. Research on hyperspectral remote sensing monitoring method of heavy metals in black soil region[D]. Beijing：China University of Geosciences(Beijing)，2020.

[20] ARAÚJO S R，DEMATTÊ J A M，VICENTE S. Soil contaminated with chromium by tannery sludge and identified by vis-NIR-mid spectroscopy techniques[J]. International Journal of Remote Sensing，2014，35(10)：3579–3593.

[21] URSZULA S，LAKHMI C J. Feature selection for data and pattern recognition[M]. Heidelberg：Springer，2015.

[22] JAIN A，ZONGKER D. Feature selection：Evaluation，application，and small sample performance[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1997，19(2)：153–158.

[23] YU Lei，LIU Huan. Efficient feature selection via analysis of relevance and redundancy[J]. The Journal of Machine Learning Research，2004：1205–1224.

[24] 刘英. 半干旱煤矿区受损植被引导型恢复研究[D]. 徐州：中国矿业大学，2020.

LIU Ying. Study on guided restoration of damaged vegetation in semi-arid coal mine area[D]. Xuzhou：China University of Mining and Technology，2020.

[25] 胡忠正. 机载高光谱影像反演土壤重金属含量的经验模型选择与特征提取[D]. 北京：中国地质大学(北京)，2019.

HU Zhongzheng. Empirical model selection and feature extraction for retrieving soil heavy metal concentration from airborne hyperspectral imagery[D]. Beijing：China University of Geosciences(Beijing)，2019.

[26] BRUCE L M，KOGER C H，LI Jiang. Dimensionality reduction of hyperspectral data using discrete wavelet transform feature extraction[J]. IEEE Transactions on Geoscience and Remote Sensing，2002，40(10)：2331–2338.

[27] 宋婷婷. 土壤重金属含量反演与矿区环境遥感监测与评价研究[D]. 北京：北京化工大学，2017.

SONG Tingting. Study on inversion of heavy metal content in soil and remote sensing monitoring and evaluation of mine environment[D]. Beijing：Beijing University of Chemical Technology，2017.

[28] 徐良骥，李青青，朱小美，等. 煤矸石充填复垦重构土壤重金属含量高光谱反演[J]. 光谱学与光谱分析，2017，37(12)：3839–3844.

XU Liangji，LI Qingqing，ZHU Xiaomei，et al. Hyperspectral inversion of heavy metal content in coal gangue filling reclamation land[J]. Spectroscopy and Spectral Analysis，2017，37(12)：3839–3844.

[29] 宋练，简季，谭德军，等. 万盛采矿区土壤As，Cd，Zn重金属含量光谱测量与分析[J]. 光谱学与光谱分析，2014，34(3)：812–817.

SONG Lian，JIAN Ji，TAN Dejun，et al. Estimation of soil’s heavy metal concentrations(As，Cd and Zn)in Wansheng mining area with geochemistry and field spectroscopy[J]. Spectroscopy and Spectral Analysis，2014，34(3)：812–817.

[30] 徐明星，吴绍华，周生路，等. 重金属含量的高光谱建模反演：考古土壤中的应用[J]. 红外与毫米波学报，2011，30(2)：109–114.

XU Mingxing，WU Shaohua，ZHOU Shenglu，et al. Hyperspectral reflectance models for retrieving heavy metal content：Application in the archaeological soil[J]. Journal of Infrared and Millimeter Waves，2011，30(2)：109–114.

[31] FILZMOSER P，TODOROV V. Review of robust multivariate statistical methods in high dimension[J]. Analytica Chimica Acta，2011，705(1/2)：2–14.

[32] ZHANG Xia，HUANG Changping，LIU Bo，et al. Inversion of soil Cu concentration based on band selection of hyperspetral data[C]//2010 IEEE International Geoscience and Remote Sensing Symposium. New York：IEEE，2010：3680–3683.

[33] THISSEN U，PEPERS M，ÜSTÜN B，et al. Comparing support vector machines to PLS for spectral regression applications[J]. Chemometrics and Intelligent Laboratory Systems，2004，73(2)：169–179.

[34] 马伟波，谭琨，李海东，等. 基于超限学习机的矿区土壤重金属高光谱反演[J]. 生态与农村环境学报，2016，32(2)：213–218.

MA Weibo，TAN Kun，LI Haidong，et al. Hyperspectral inversion of heavy metals in soil of a mining area using extreme learning machine[J]. Journal of Ecology and Rural Environment，2016，32(2)：213–218.

[35] WANG Fenghe，GAO Jay，ZHA Yong. Hyperspectral sensing of heavy metals in soil and vegetation：Feasibility and challenges[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2018，136：73–84.

[36] MORTEZA S，SCOTT B J，WILLIAM D P. A linear physically-based model for remote sensing of soil moisture using short wave infrared bands[J]. Remote Sensing of Environment，2015，164：66–76.

[37] 郑小坡，孙越君，秦其明，等. 基于可见光–短波红外波谱反射率的裸土土壤含水量反演建模[J]. 光谱学与光谱分析，2015，35(8)：2113–2118.

ZHENG Xiaopo，SUN Yuejun，QIN Qiming，et al. Bare soil moisture inversion model based on visible-shortwave infrared reflectance[J]. Spectroscopy and Spectral Analysis，2015，35(8)：2113–2118.

[38] 郭辉，卜小东，黄可京，等. 基于热红外遥感影像的玉米田间土壤水分反演研究[J]. 中国农机化学报，2020，41(10)：203–210.

GUO Hui，BU Xiaodong，HUANG Kejing，et al. Inversion of soil moisture in corn field based on thermal infrared remote sensing image[J]. Journal of Chinese Agricultural Mechanization，2020，41(10)：203–210.

[39] 李伯祥，陈晓勇. 基于Sentinel多源遥感数据的河北省景县农田土壤水分协同反演[J]. 生态与农村环境学报，2020，36(6)：752–761.

LI Boxiang，CHEN Xiaoyong. Synergic use of Sentinel-1 and Sentinel-2 images for soil moisture retrieval in vegetation covered agricultural areas of Jingxian County of Hebei Province[J]. Journal of Ecology and Rural Environment，2020，36(6)：752–761.

[40] 夏军. 准东煤田土壤重金属污染高光谱遥感监测研究[D]. 乌鲁木齐：新疆大学，2014.

XIA Jun. Study on the monitoring of soil heavy metal pollution with hyperspectral remote sensing in the Eastern Junggar Coalfield[D]. Urumqi：Xinjiang University，2014.

[41] HOFFMANN H，JENSEN R，THOMSEN A，et al. Crop water stress maps for entire growing seasons from visible and thermal UAV imagery[J]. Biogeosciences Discussions，2016，13(24)：316.

[42] 夏权，夏萍，陈黎卿，等. 基于多光谱遥感的土壤含水量定量监测与分析[J]. 安徽农业大学学报，2015，42(3)：439–443.

XIA Quan，XIA Ping，CHEN Liqing，et al. Quantitative analysis of the soil moisture content based on multispectral remote sensing data[J]. Journal of Anhui Agricultural University，2015，42(3)：439–443.

[43] 冯珊珊，梁雪映，樊风雷，等. 基于无人机多光谱数据的农田土壤水分遥感监测[J]. 华南师范大学学报(自然科学版)，2020，52(6)：74–81.

FENG Shanshan，LIANG Xueying，FAN Fenglei，et al. Monitoring of farmland soil moisture based on unmanned aerial vehicle multispectral data[J]. Journal of South China Normal University(Natural Science Edition)，2020，52(6)：74–81.

[44] 张智韬，王海峰，韩文霆，等. 基于无人机多光谱遥感的土壤含水率反演研究[J]. 农业机械学报，2018，49(2)：173–181.

ZHANG Zhitao，WANG Haifeng，HAN Wenting，et al. Inversion of soil moisture content based on multispectral remote sensing of UAVs[J]. Transactions of the Chinese Society of Agricultural Machinery，2018，49(2)：173–181.

[45] 王海峰，张智韬，付秋萍，等. 低空无人机多光谱遥感数据的土壤含水率反演[J]. 节水灌溉，2018(1)：90–94.

WANG Haifeng，ZHANG Zhitao，FU Qiuping，et al. Inversion of soil moisture content based on multispectral remote sensing data of low altitude UAV[J]. Water Saving Irrigation，2018(1)：90–94.

[46] 王启元，赵艳玲，房铄东，等. 基于多光谱遥感的裸土土壤含水量反演研究[J]. 矿业科学学报，2020，5(6)：608–615.

WANG Qiyuan，ZHAO Yanling，FANG Shuodong，et al. Inversion of soil moisture in bare soil based on multi-spectral remote sensing[J]. Journal of Mining Science and Technology，2020，5(6)：608–615.

[47] 陈俊英，王新涛，张智韬，等. 基于无人机–卫星遥感升尺度的土壤盐渍化监测方法[J]. 农业机械学报，2019，50(12)：161–169.

CHEN Junying，WANG Xintao，ZHANG Zhitao，et al. Soil salinization monitoring method based on UAV-satellite remote sensing scale-up[J]. Transactions of the Chinese Society of Agricultural Machinery，2019，50(12)：161–169.

[48] 冯文哲，王新涛，韩佳，等. 基于卫星和无人机遥感数据尺度转换的土壤盐渍化监测研究[J]. 节水灌溉，2020(11)：87–93.

FENG Wenzhe，WANG Xintao，HAN Jia，et al. Research on soil salinization monitoring based on scale conversion of satellite and UAV remote sensing data[J]. Water Saving Irrigation，2020(11)：87–93.

[49] 边玲玲. 基于多源数据的黄河三角洲土壤盐分提取方法研究[D]. 淄博：山东理工大学，2020.

BIAN Lingling. Study on the methods of soil salt extraction in the Yellow River Delta based on multi-source data[D]. Zibo：Shandong University of Technology，2020.

[50] ZEWDU S，SURYABHAGAVAN K V，BALAKRISHNAN M. Geo-spatial approach for soil salinity mapping in Sego Irrigation Farm，South Ethiopia[J]. Journal of the Saudi Society of Agricultural Sciences，2017，16(1)：16–24.

[51] 王飞，丁建丽，伍漫春. 基于NDVI–SI特征空间的土壤盐渍化遥感模型[J]. 农业工程学报，2010，26(8)：168–173.

WANG Fei，DING Jianli，WU Manchun. Remote sensing monitoring models of soil salinization based on NDVI-SI feature space[J]. Transactions of the Chinese Society of Agricultural Engineering，2010，26(8)：168–173.

[52] LOBELL D B，LESCH S M，CORWIN D L，et al. Regional-scale assessment of soil salinity in the Red River Valley using multi-year MODIS EVI and NDVI[J]. Journal of Environmental Quality，2010，39(1)：35–41.

[53] AMAL A，LALIT K，YOUSEF Y A. Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries：Applications in a date palm dominated region[J]. Geoderma，2014(230/231)：1–8.

[54] 魏广飞. 基于无人机多光谱遥感的土壤盐渍化监测模型研究[D].咸阳：西北农林科技大学，2020.

WEI Guangfei. Research on monitoring model of soil salinization based on multispectral remote sensing of UAV[D]. Xianyang：Northwest A&F University，2020.

[55] SANTOS I C D L，SANTOS A D，OUMAR Z，et al. Remote sensing to detect nests of the leaf-cutting Ant Atta sexdens(Hymenoptera：Formicidae) in teak plantations[J]. Remote Sensing，2019，11(14)：1641.

[56] 王海峰. 基于高光谱遥感的土壤水盐监测模型研究：以河套灌区沙壕渠灌域沙壤土为例[D]. 咸阳：西北农林科技大学，2019.

WANG Haifeng. Hyperspectral remote sensing based models for soil moisture and salinity prediction：A case study from sandy loam soil in Shahaoqu district of Hetao irrigation area[D]. Xianyang：Northwest A&F University，2019.

[57] 张智韬，魏广飞，姚志华，等. 基于无人机多光谱遥感的土壤含盐量反演模型研究[J]. 农业机械学报，2019，50(12)：151–160.

ZHANG Zhitao，WEI Guangfei，YAO Zhihua，et al. Soil salt inversion model based on UAV multispectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Machinery，2019，50(12)：151–160.

[58] 张曦. 基于无人机摄影测量技术的矿区沉陷监测方法研究[D]. 邯郸：河北工程大学，2019.

ZHANG Xi. Study on the method of subsidence monitoring in mining areas based on UAV photogrammetry technology[D]. Handan：Hebei University of Engineering，2019.

[59] 芦家欣. 基于机载LiDAR点云的榆神矿区采煤沉陷建模[D]. 西安：西安科技大学，2020.

LU Jiaxin. Mining subsidence modeling based on airborne LIDAR point cloud in Yushen mining area[D]. Xi’an：Xi’an University of Science and Technology，2020.

[60] 杨秋丽，魏建新，郑江华，等. 离散点云构建数字高程模型的插值方法研究[J]. 测绘科学，2019，44(7)：16–23.

YANG Qiuli，WEI Jianxin，ZHENG Jianghua，et al. Comparison of interpolation methods of digital elevation model using discrete point cloud data[J]. Science of Surveying and Mapping，2019，44(7)：16–23.

[61] MENG Xuelian，CURRIT N，ZHAO Kaiguang. Ground filtering algorithms for airborne LiDAR data：A review of critical issues[J]. Remote Sensing，2010，2(3)：833–860.

[62] YU Jinze，WEI Mingqiang，QIN Jing，et al. Feature-preserving mesh denoising via normal guided quadric error metrics[J]. Optics and Lasers in Engineering，2014，62：57–68.

[63] 胡达，黎永索，张可能，等. Kriging点云滤波改进算法及监测试验研究[J/OL]. 土木与环境工程学报(中英文)，2021：1–12 [2021-03-12]. https: //kns.cnki.net/kcms/detail/50.1218.TU. 20210312.0940.002.html

HU Da，LI Yongsuo，ZHANG Keneng，et al. Improved Kriging point cloud filtering algorithm and monitoring experiment[J]. Journal of Civil and Environmental Engineering，2021：1–12[2021-03-12]. https: //kns.cnki.net/kcms/detail/50.1218.TU. 20210312.0940.002.html

[64] 汪文琪，李宗春，付永健，等. 一种多尺度自适应点云坡度滤波算法[J/OL]. 武汉大学学报(信息科学版)，2021：1–8[2021-04-09]. https: //doi.org/10.13203/j.whugis20200016

WANG Wenqi，LI Zongchun，FU Yongjian，et al. A multi-scale adaptive slope filtering algorithm of point cloud[J]. Geomatics and Information Science of Wuhan University，2021：1–8 [2021-04-09]. https: //doi.org/10.13203/j.whugis20200016

[65] 李炼. 机载LiDAR点云滤波及分类算法研究[D]. 成都：成都理工大学，2014.

LI Lian. Researching the filtering and classification algorithms of airborne LiDAR point cloud[D]. Chengdu：Chengdu University of Technology，2014.

[66] 曲金博. 基于聚类算法的三维激光点云数据去噪方法研究[D]. 沈阳：沈阳建筑大学，2020.

QU Jinbo. Study on 3D laser point cloud data denoising method based on clustering algorithm[D]. Shenyang：Shenyang Jianzhu University，2020.

[67] 汤伏全，芦家欣，韦书平，等. 基于无人机LiDAR的榆神矿区采煤沉陷建模方法改进[J]. 煤炭学报，2020，45(7)：2655–2666.

TANG Fuquan，LU Jiaxin，WEI Shuping，et al. Improvement of mining subsidence modeling method based on UAV LiDAR in Yushen mining area[J]. Journal of China Coal Society，2020，45(7)：2655–2666.

[68] 戴士杰，任永潮，张慧博. 各向异性扩散滤波的三维散乱点云平滑去噪算法[J]. 计算机辅助设计与图形学学报，2018，30(10)：1843–1849.

DAI Shijie，REN Yongchao，ZHANG Huibo. Study on smooth denoising of 3D scattered point clouds with anisotropic diffusion filtering[J]. Journal of Computer Aided Design and Computer Graphics，2018，30(10)：1843–1849.

[69] 李鹏飞，吴海娥，景军锋，等. 点云模型的噪声分类去噪算法[J]. 计算机工程与应用，2016，52(20)：188–192.

LI Pengfei，WU Hai’e，JING Junfeng，et al. Noise classification denoising algorithm for point cloud model[J]. Computer Engineering and Applications，2016，52(20)：188–192.

[70] XU Xianlei，ZHAO Yanling，HU Zhenqi，et al. Boundary demarcation of the damaged cultivated land caused by coal mining subsidence[J]. Bulletin of Engineering Geology and the Environment，2014，73(2)：621–633.

[71] 侯恩科，首召贵，徐友宁，等. 无人机遥感技术在采煤地面塌陷监测中的应用[J]. 煤田地质与勘探，2017，45(6)：102–110.

HOU Enke，SHOU Zhaogui，XU Youning，et al. Application of UAV remote sensing technology in monitoring of coal mining-induced subsidence[J]. Coal Geology & Exploration，2017，45(6)：102–110.

[72] 高冠杰，侯恩科，谢晓深，等. 基于四旋翼无人机的宁夏羊场湾煤矿采煤沉陷量监测[J]. 地质通报，2018，37(12)：2264–2269.

GAO Guanjie，HOU Enke，XIE Xiaoshen，et al. The monitoring of ground surface subsidence related to coal seams mining in Yangchangwan coal mine by means of unmanned aerial vehicle with quad-rotors[J]. Geological Bulletin of China，2018，37(12)：2264–2269.

[73] ZHOU Dawei，QI Lizhuang，ZHANG Demin，et al. Unmanned Aerial Vehicle(UAV) photogrammetry technology for dynamic mining subsidence monitoring and parameter inversion：A case study in China[J]. IEEE Access，2020，8：16372–16386.

[74] 胡振琪，王新静，贺安民. 风积沙区采煤沉陷地裂缝分布特征与发生发育规律[J]. 煤炭学报，2014，39(1)：11–18.

HU Zhenqi，WANG Xinjing，HE Anmin. Distribution characteristic and development rules of ground fissures due to coal mining in windy and sandy region[J]. Journal of China Coal Society，2014，39(1)：11–18.

[75] 胡青峰，崔希民，袁德宝，等. 厚煤层开采地表裂缝形成机理与危害性分析[J]. 采矿与安全工程学报，2012，29(6)：864–869.

HU Qingfeng，CUI Ximin，YUAN Debao，et al. Formation mechanism of surface cracks caused by thick seam mining and hazard analysis[J]. Journal of Mining & Safety Engineering，2012，29(6)：864–869.

[76] 范立民，张晓团，向茂西，等. 浅埋煤层高强度开采区地裂缝发育特征：以陕西榆神府矿区为例[J]. 煤炭学报，2015，40(6)：1442–1447.

FAN Limin，ZHANG Xiaotuan，XIANG Maoxi，et al. Characteristics of ground fissure development in high intensity mining area of shallow seam in Yushenfu coal field[J]. Journal of China Coal Society，2015，40(6)：1442–1447.

[77] 施展宇. 地面三维激光扫描技术在开采沉陷应用研究[D]. 西安：西安科技大学，2014.

SHI Zhanyu. Terrestrial 3D laser scanning technology application in mining subsidence[D]. Xi’an：Xi’an University of Science and Technology，2014.

[78] 刘文涛. 基于时序InSAR技术的矿区地面沉降监测与分析[D]. 西安：西安科技大学，2020.

LIU Wentao. Monitoring and analysis of land subsidence in mining area based on time series InSAR technology[D]. Xi’an：Xi’an University of Science and Technology，2020.

[79] 谢晓深，侯恩科，高冠杰，等. 宁夏羊场湾煤矿浅埋煤层开采地面塌陷发育规律及形成机理[J]. 地质通报，2018，37(12)：2233–2240.

XIE Xiaoshen，HOU Enke，GAO Guanjie，et al. A study of the development regularity and formation mechanism of ground subsidence in shallow coal seam mining of Yangchangwan coal mine，Ningxia[J]. Geological Bulletin of China，2018，37(12)：2233–2240.

[80] 侯恩科，张杰，谢晓深，等. 无人机遥感与卫星遥感在采煤地表裂缝识别中的对比[J]. 地质通报，2019，38(2/3)：443–448.

HOU Enke，ZHANG Jie，XIE Xiaoshen，et al. Contrast application of unmanned aerial vehicle remote sensing and satellite remote sensing technology relating to ground surface cracks recognition in coal mining area[J]. Geological Bulletin of China，2019，38(2/3)：443–448.

[81] 侯恩科，谢晓深，徐友宁，等. 羊场湾煤矿采动地裂缝发育特征及规律研究[J]. 采矿与岩层控制工程学报，2020，2(3)：037038.

HOU Enke，XIE Xiaoshen，XU Youning，et al. Prediction of ground cracks induced by coal mining in Yangchangwan coal mine[J]. Journal of Mining and Strata Control Engineering，2020，2(3)：037038.

[82] 毛崔磊. 黄土丘陵区采煤塌陷地裂缝分布特征研究[D]. 北京：中国地质大学(北京)，2018.

MAO Cuilei. Study on fracture distribution characteristics of coal mining collapse in loess hilly area[D]. Beijing：China University of Geosciences(Beijing)，2018.

[83] 韦博文. 基于改进的MF–FDOG算法和无人机影像提取黄土地区地裂缝[D]. 成都：西南交通大学，2018.

WEI Bowen. Extracting ground fissures in loess landform area using modified MF-FDOG algorithm and UAV images[D]. Chengdu：Southwest Jiaotong University，2018.

[84] JAIN R，KASTURI R，SCHUNCK B G. Machine vision[M]. New York：McGraw Hill，1995.

[85] 赵毅鑫，许多，孙波，等. 基于无人机红外遥感和边缘检测技术的采动地裂缝辨识[J]. 煤炭学报，2021，46(2)：624–637.

ZHAO Yixin，XU Duo，SUN Bo，et al. Investigation on ground fissure identification using UAV infrared remote sensing and edge detection technology[J]. Journal of China Coal Society，2021，46(2)：624–637.

[86] SHRUTHI R B V，KERLE N，JETTEN V. Object-based gully feature extraction using high spatial resolution imagery[J]. Geomorphology，2011，134(3/4)：260–268.

[87] FENG Quanlong，LIU Jiantao，GONG Jianhua. UAV remote sensing for urban vegetation mapping using random forest and texture analysis[J]. Remote Sensing，2015，7(1)：1074–1094.

[88] HARALICK R M，STERNBERG S R，ZHUANG Xinhua. Image analysis using mathematical morphology[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1987，9(4)：532–550.

[89] ANDRÉ S，JEAN-PHILIPPE M，NORMAN K，et al. Image-based mapping of surface fissures for the investigation of landslide dynamics[J]. Geomorphology，2013，186：12–27.

[90] BRUCE G B. Machine Vision Handbook[M]. London：Springer，2012.

[91] FRANCIONI M，SALVINI R，STEAD D，et al. An integrated remote sensing-GIS approach for the analysis of an open pit in the Carrara marble district，Italy：Slope stability assessment through kinematic and numerical methods[J]. Computers and Geotechnics，2015，67：46–63.

[92] MA Guotao，HU Xiewen，YIN Yueping，et al. Failure mechanisms and development of catastrophic rockslides triggered by precipitation and open-pit mining in Emei，Sichuan，China[J]. Recent Landslides，2018，15(7)：1401–1414.

[93] LI Qing，MIN Gaochen，CHEN Peng，et al. Computer vision-based techniques and path planning strategy in a slope monitoring system using unmanned aerial vehicle[J]. International Journal of Advanced Robotic Systems，2020，17(2)：172988142090430.

[94] 宋诚. 数字摄影测量法在边坡监测中的应用研究[D]. 广州：广州大学，2014.

SONG Cheng. The application research of digital photogrammetry method in slope monitoring[D]. Guangzhou：Guangzhou University，2014.

[95] 吕爱钟，贾晓阳. 边坡危险滑动面及稳定安全系数的力学解析方法[J/OL]. 工程地质学报，2021：1–7[2021-05-13]. https: //doi.org/10.13544/j.cnki.jeg.2020-568

LYU Aizhong，JIA Xiaoyang. Mechanical analysis method for dangerous sliding surface and factor of safety[J]. Journal of Engineering Geology，2021：1–7[2021-05-13]. https: //doi.org/10. 13544/j.cnki.jeg.2020-568

[96] 靳远成，赵鹏辉，薄雾，等. 基于无人机影像的边坡精细化建模及稳定性分析[J]. 水利与建筑工程学报，2020，18(6)：178–183.

JIN Yuancheng，ZHAO Penghui，BO Wu，et al. Refined modeling and stability analysis of slope based on UAV images[J]. Journal of Water Resources and Architectural Engineering，2020，18(6)：178–183.

[97] 岳西蒙，伍法权，沙鹏，等. 基于三维点云建模的矿山边坡稳定性分析[J]. 中国矿业，2021，30(4)：89–95.

YUE Ximeng，WU Faquan，SHA Peng，et al. Stability analysis of mine slope based on 3D point cloud modeling[J]. China Mining Magazine，2021，30(4)：89–95.

[98] 金爱兵，陈帅军，赵安宇，等. 基于无人机摄影测量的露天矿边坡数值模拟[J]. 岩土力学，2021，42(1)：255–264.

JIN Aibing，CHEN Shuaijun，ZHAO Anyu，et al. Numerical simulation of open-pit mine slope based on unmanned aerial vehicle photogrammetry[J]. Rock and Soil Mechanics，2021，42(1)：255–264.

Application of unmanned aerial vehicle in surface soil characterization and geological disaster monitoring in mining areas

LONG Linli1，LIU Ying1,2，ZHANG Xuyang1，SU Yongdong1，CHEN Xiaoyang1,2

(1. School of Earth and Environment, Anhui University of Science and Technology, Huainan 232001, China; 2. Anhui Engineering Laboratory for Comprehensive Utilization of Water and Soil Resources and Ecological Protection in High Water Level Mining Areas, Huainan 232001, China)

With the emergence and development of UAVs and the improvement of the miniaturization and intelligence of various sensor, UAVs equipped with sensors have become an efficient tool for obtaining spatial data. Because UAVs are low cost, short revisit period, fast and efficient, light and flexible, simple operation, and high temporal and spatial accuracy of image acquisition, it is widely used in mining land damage monitoring.Using “UAV, Inversion, Soil Monitoring, Surface Collapse, Ground Fissure” as keywords, this paper summarizes the academic papers of the search system in the web of science, CNKI, and Google Scholar from January 2010 to May 2021. Through comparing and analyzing the differences between drone monitoring technology and other detection technologies, the drone monitoring of heavy metals, soil moisture content, and salt content in mining areas is reviewed. The general process and data processing methods of the measurement, surface subsidence, ground fissures and slope stability, and the application prospects of UAVs in surface soil characteristics and geological disaster monitoring in mining areas are summarized.It is believed that in the future, it is possible to integrate field time series tracking investigation, high-precision soil quality monitoring technology, high-spatial resolution drone monitoring technology, digital simulation methods, and test monitoring and analysis of typical working faces to study the coupling relationship between geohazards and soil quality evolution in the dynamic advancement of the working face from the open-off cut to the stop of mining. The coupled relationship is to construct a theoretical system and time series evolution model for the prediction of soil quality evolution in coal mining subsidence areas. This will further explore the relationship between soil quality in mining areas and geological disasters, and propose measures to mitigate, control and improve soil quality in mining areas, providing technical support for the coordinated and sustainable development of coal resource mining and ecological environment in China's coal production bases.

UAV; coal mining area; soil monitoring; geological disaster monitoring

语音讲解

TD167

1001-1986(2021)06-0200-12

2021-05-28；

2021-08-05

国家自然科学基金项目(4157020161)；安徽理工大学校级重点项目(自然科学类)(xjzd2020-04)

龙林丽，1998年生，女，四川自贡人，硕士研究生，从事矿山生态环境修复研究. E-mail：long6_6@163.com

陈孝杨，1976年生，男，安徽肥西人，博士，教授，博士生导师，从事矿山环境治理与场地污染控制研究. E-mail：chenxy@aust.edu.cn

龙林丽，刘英，张旭阳，等. 无人机在矿区表土特征及地质灾害监测中的应用[J]. 煤田地质与勘探，2021，49(6)：200–211. doi: 10.3969/j.issn.1001-1986.2021.06.024

LONG Linli，LIU Ying，ZHANG Xuyang，et al. Application of unmanned aerial vehicle in surface soil characterization and geological disaster monitoring in mining areas[J]. Coal Geology & Exploration，2021，49(6)：200–211. doi: 10.3969/j.issn.1001-1986.2021.06.024