矿区生态环境定量遥感监测研究进展与展望

张成业 李 军 雷少刚 杨金中 杨 楠

(1.中国矿业大学(北京)地球科学与测绘工程学院，北京 100083;2.中国矿业大学环境与测绘学院，江苏 徐州 221116;3.中国自然资源航空物探遥感中心，北京 100083;4.中国地质环境监测院，北京 100081)

2012年，党的十八大将生态文明建设写入党章并作出阐述，更加明确了生态文明建设的战略地位[1]。2018年，十三届全国人大五次会议表决通过了《中华人民共和国宪法修正案》，生态文明被写入宪法，进一步推动了新时代生态文明建设的发展[2]。同年，全国生态环境保护大会在京召开，正式确立了习近平生态文明思想是新时代生态文明建设的根本遵循和最高准则[3]。近数十年来，煤炭、铁矿、稀土矿等矿产资源的持续大规模开发为我国经济社会的高速发展提供了重要的能源与物质条件，然而持续剧烈的矿产资源开采活动在矿区一定范围内引发了地表沉降、土地破坏、植被退化、土壤质量下降、水质污染、大气污染等一系列的生态环境问题[4-5]，引起了社会各界的广泛重视。在此背景下，未来的矿业开发活动越来越需要兼顾资源开采与生态环境保护治理，而对矿区生态环境的科学监测是保护与治理的前提条件。

当前矿区生态环境监测数据主要由人工实地调查与采样、地面传感器站点观测、遥感观测等手段获取。从时空尺度和分辨率来看，矿区生态环境演变现象的时间范围从数年到数十年不等，且高强度开采引发的生态环境变化更为剧烈;空间影响范围从数千米到数十千米，且具有连续性。换言之，矿区高强度开采背景下的生态环境监测需要大面积连续、长时间持续、高空间分辨率、高时间分辨率的观测数据。然而，从时间范围和分辨率来说，人工实地采样与调查数据、地面传感器站点观测数据的时间范围多为几年甚至近几个月数据，且大多时间分辨率比较低，仅个别传感器网络存在数年的高频次观测;从空间范围和分辨率来说，人工实地采样与调查数据、地面传感器站点观测数据的范围为百米级至千米级，且受观测位置制约，主要是空间点位离散数据。因此，人工实地采样与调查数据、地面传感器站点观测数据与矿区生态环境演变现象存在明显的时空尺度不匹配问题，无法有效满足矿区生态环境监测需求。

遥感技术自20世纪70年代应用以来持续积累了数十年的全球地表观测数据，时间分辨率和空间分辨率不断提升，成为矿区生态环境监测的重要手段[4-7]。近年来，遥感技术在数据、算法、算力等3个方面的迅速发展，为矿区生态环境定量遥感监测带来了新的机遇。从数据角度来说，新的卫星和传感器不断发射，持续提供新的遥感数据源。我国国产高分系列卫星实现组网，高分一号至高分七号形成了空间全覆盖、全天候、全天时的高分辨率对地观测系统。吉林一号系列、高景系列、珠海一号、五米光学星等卫星数据不断助力。从算法角度来说，新传感器、新数据正在引发新一轮的模型和算法革新，而深度学习的迅速崛起更为遥感影像的解译与反演开辟了新的思路，多传感器组合和模型算法的不断完善使得定量遥感的应用能力得到了进一步提升。从算力角度来说，遥感云计算服务平台(如航天宏图公司的PIE-Engine、谷歌公司的Google Earth Engine)为数十年的长时间序列海量遥感影像数据快速处理提供了十分强大的运算能力，极大地缩短了大规模遥感影像的处理时间，使得普通用户在短时间内完成矿区数十年遥感影像的处理成为现实。在这些遥感新数据、新技术、新平台的支持下，国内外矿区生态环境定量遥感监测得到了进一步的发展，涌现出了一系列的优秀成果[8]。

本研究从矿区地表要素类型遥感识别与分类、矿区植被要素定量遥感监测、矿区土壤要素定量遥感监测、矿区水体要素定量遥感监测、矿区大气环境定量遥感监测、矿区生态系统参数遥感监测6个方面回溯和总结近年来国内外矿区生态环境定量遥感监测的研究进展，深入剖析矿区生态环境定量遥感监测存在的不足，并展望未来的研究思路，为该领域后续研究提供参考。

1 矿区生态环境定量遥感监测研究进展

1.1 矿区地表要素类型遥感识别与分类

矿区是人类活动与自然环境相互作用、高度耦合的复杂场景，在这一场景中有多种地表要素类型[9]。矿区地表要素类型识别与分类是矿区生态环境遥感研究最为广泛的一个方向，主要的研究内容是对矿区各类地表要素类型进行识别与归类，进而监测区域范围内地表要素类型的变化，对矿区生态环境监测具有重要指示作用[10]。矿区各类地表要素类型的识别与分类是矿区植被、土壤、水体等生态环境要素参数反演与监测的前提，只有识别出具体要素，方可进行相应的参数反演与监测。

矿区地表要素类型可以划分为两大部分，即常见的普通地表要素类型和矿区特色地表要素类型。普通地表要素与其他行业遥感场景(如农业遥感、林业遥感、城市遥感等)的同类地表要素在遥感影像上具有相似的特征，因此对于这些地表要素的遥感识别与其他场景区别较小，在此不再赘述。需要重点关注的是具有矿区特色的地表要素类型，如表1所示。需要说明的是，由于不同文献采用的分类体系和对地表类型的名称表达及内涵都各有不同，所以本研究对各文献中内涵相似的地表要素类型进行了梳理和归并，因此表1中出现的不同地表类型并非同一分类体系得出。表1中，先按照地表要素类型进行划分，再按照所采用的遥感数据空间分辨率进行划分(30 m量级、10 m量级、米级或亚米级)，并将基于深度学习方法的研究成果单独列出。由表1可知:现有研究中应用最多的是米级或亚米级的高空间分辨率数据，其次是30 m分辨率的Landsat系列卫星多光谱影像，再次是10 m量级分辨率的Sentinel、SPOT等数据。受到空间分辨率限制，MODIS等空间分辨率较低的数据鲜有用于矿区地表要素识别研究。

表1 矿区特色地表要素类型识别Table 1 Identification of characteristic surface types in mining area

本研究对表1中各要素进行如下分析:

(1)露天采场。露天采场识别是对矿区特色地表类型识别最为广泛的一类研究，常见的数据识别方法主要是目视解译和机器学习方法。董伯山等[19]研究表明:利用面向对象的支持向量机方法和GF-2高分辨率遥感影像在特定场景下能够达到99.26%的识别精度，但是方法的普适性需要进一步提升。

(2)中转场地。对矿区中转场地的识别主要采用高分辨率遥感影像和目视解译方法[18，22，24，31-32]。个别研究采用Landsat数据和隶属度函数，能达到73.91%的精度[14]。

(3)固体废弃物。近年来，采用Landsat数据和高分辨率影像数据进行矿区固体废弃物识别的研究成果较丰富，最高精度达到97.07%[13]。然而，采用Sentinel影像数据识别固体废弃物涉及较少，以其优于Landsat数据的空间分辨率而言，理论上能够应用于矿区固体废弃物识别。

(4)矿区建筑。矿区建筑与城镇场景的建筑在遥感影像上具有差异。矿区建筑的遥感解译识别方法通常有最大似然法分类、目视解译、决策树分类法[18，22，24，26，31-32，34-35]，近年来出现了深度神经网络法识别矿区建筑的相关成果[15]。

(5)矸石堆、煤堆。矸石堆、煤堆在米级/亚米级高分辨率遥感影像上和30m分辨率遥感影像上均可得到有效识别。例如，河南理工大学卢小平团队[35]综合机载LiDAR和0.5 m分辨率的光学高分辨率数据在特定场景中对矸石堆和煤堆的识别精度分别达到了99.66%、93.25%。HE等[36]采用 Landsat 8的30 m分辨率影像对矸石堆、煤堆进行识别，精度达到90.97%。

(6)尾矿库。尾矿库是金属/非金属矿山中常见的特色地表要素类型，由于尾矿库是一个具有高势能的危险源，目前遥感识别研究成果较丰富，根据表1分析，尾矿库遥感识别精度达到80%～98.74%。

(7)矿山恢复治理区。近年来，主要采用米级/亚米级的高分辨率遥感数据识别矿山恢复治理区。在ZY-3数据支持下，目前目视解译方法的识别精度可以达到90%～98%[31]。

(8)塌陷区。塌陷区并不是单一地物类型，是一个由多种地表要素类型组成的小尺度复杂场景，在光学影像上标志性特征不显著，利用光学遥感影像对其进行准确识别存在一定的难度，因而研究成果较少。当前研究主要是综合塌陷区在遥感影像上的色调、纹理等常规特征，采用高分辨率影像和目视解译方法实现一定程度的识别[22，26，31]。很多学者应用遥感手段监测矿山开采导致的地表沉降或变形[48-51]，取得了丰富的成果。早在1996年，CARNEC等[52]使用DInSAR技术监测到法国Gardanne地区的煤矿最大沉降为42 mm。PERSKI等[53-54]使用D-InSAR对波兰西里西亚矿区的地表沉陷情况进行了监测，论证了D-InSAR的技术优势。在国内，吴立新等[55]对D-In-SAR监测矿区开采沉陷的技术特点和优势进行了分析，提出了亟须解决的关键问题。中国矿业大学雷少刚团队[56-58]利用D-InSAR技术监测山区重复采动引起的地表沉陷规律;针对我国西部矿区高强度采煤导致的大量级、大梯度的地表形变，采用InSAR与Pixel-tracking相结合的方法实现了精细化监测;基于SBAS和混沌理论实现了对大型露天煤矿的排土场沉降监测及预测，并提出了露天矿区排土场下沉系数的概念。中国矿业大学邓喀中、范洪冬团队[59-60]使用ERS2/1影像对某采区进行D-InSAR监测得到采区的下沉值，并用实测值对所得结果进行了修正;针对采空区上方地基稳定性评价缺乏地表变形监测资料等问题，研究了一种基于多轨道SAR影像的老采空区地表三维形变监测方法。2021年，师芸等[61]使用SBAS-InSAR技术进行开采沉陷监测，提出了一种自适应遗传算法优化的支持向量回归算法。此外，Li-DAR、地面测量等技术也是矿区地表形变测量的常用手段。

从方法上来看(表1)，当前矿区特色地表要素识别所采用的方法主要有:①遥感影像目视解译;②常规监督学习分类方法(例如最大似然法、支持向量机、随机森林、决策树等);③深度学习方法。对高空间分辨率影像进行目视解译能够获得较高的识别精度，是目前国家部委业务部门对矿区特色地表类型业务化识别和产品生产的主要方法[22，26，31-32，42，47]。但是，该方法耗时、耗力、成本高。近年来，深度学习在矿区特色地表类型识别应用中崭露头角，表现出强大的识别能力。但是基于深度学习的矿区特色地表要素遥感识别的研究较薄弱，相关研究主要集中在露天采场(开采区域)和尾矿库识别方面。主要包括:利用Sentinel-2卫星影像和深度学习卷积神经网络CNN(Convolutional Neural Network)对采区和尾矿库进行识别[15-16];利用国产米级高分辨率影像和CNN进行露天采场识别[27-30];利用高分辨率影像和CNN对尾矿库开展目标检测工作，主要是自动识别和标记尾矿库位置，使用的算法主要有YOLO V4算法[43]和单次多框检测器网络算法(Single Shot Detector，SSD)[44-45]。本研究团队利用深度学习U-net网络模型和GF-6数据实现了尾矿库空间范围的识别，精确率显著高于最大似然法、随机森林、支持向量机等传统方法[46]。总体来说，深度学习虽然在露天采场、尾矿库遥感识别方面得到了应用，但是在矿区特色地表要素遥感识别方面，还有进一步提升的空间。

1.2 矿区植被要素定量遥感监测

植被是矿区生态环境监测研究中最受关注、研究最多的要素。当前利用定量遥感手段监测矿区植被要素的参数主要包括植被指数、植被覆盖度、植被类型、植被叶绿素含量、重金属含量、叶面积指数、植被净初级生产力、植被生物量等。近年来，矿区植被要素定量遥感监测研究总结如表2所示。

表2 矿区植被要素定量遥感监测的主要研究Table 2 Major studies on quantitative remote sensing for monitoring vegetation in mining area

1.2.1 矿区植被指数遥感监测

植被指数是将遥感不同波段进行组合运算得到的一类指标，目前在矿区最为常用的是归一化差值植被指数NDVI(Normalized Difference Vegetation Index)[107]。NDVI值的大小是目标区域植被状态的综合反映，受到多种因素影响。对于遥感纯净植被像元而言，叶绿素含量、叶片结构、植被水分、冠层结构等因素均会影响NDVI值;对于混合像元而言，除了上述因素外，植被的覆盖比例也是影响像元NDVI的重要因素。当前对矿区植被NDVI指数的监测研究主要可以分为两类:①直接采用现有的遥感NDVI产品，例如MODISNDVI产品、AVHRR NDVI3g产品以及GEE提供的Landsat卫星NDVI产品[62-65];但是，MODISNDVI产品和AVHRR NDVI3g产品的空间分辨率较低。②采用遥感影像数据直接进行波段运算，并对计算得到的NDVI结果根据应用需要在一定时间范围内进行最大值合成[66-73]。此外，一些其他的遥感植被指数也被用于矿区植被监测[74]。

在应用植被指数分析矿区生态环境方面，中国矿业大学(北京)李晶团队针对胜利矿区30 a来的时序NDVI指数建立了CV-max扰动识别模型，证明了利用NDVI和裸煤光谱特征提取开采扰动信息的可行性[70];在陈巴尔虎旗综合运用多元线性回归、空间相关关系、偏最小二乘回归等方法分析了草原NDVI变化的驱动因子，并讨论了采矿活动对草原植被变化的影响[108];在宝日希勒矿区利用NDVI提出了识别干旱半干旱区采煤扰动的新方法[109]。中国矿业大学张绍良团队[68]利用NDVI证明了LandTrendr算法具备探测矿区地表植被扰动与恢复动态变化的能力。中国科学院生态环境研究中心付晓团队[110]利用RCG(Rate of Change in Greenness)和CV(Coefficient of Variation)分析了锡林浩特市2001—2013年NDVI的时空特性以及采矿活动的影响。但是，NDVI等植被指数只是一个相对定量的遥感指标，并不是一个绝对的物理量，没有物理单位，而且取值大小受到很多因素的综合影响，因此仅依靠植被指数可能无法准确、客观、详细地反映矿区植被要素的状态。

1.2.2 矿区植被覆盖度遥感监测

遥感反演的植被覆盖度FVC(Fractional Vegetation Cover)被定义为每个像元中植被(包括叶、茎、枝等)在地面的垂直投影面积占像元总面积的比例[111]。FVC值大小直接反映了目标区域内植被面积的多少，是矿区生态环境监测的关键指标。

当前在矿区植被覆盖度遥感监测研究中，使用最为广泛的方法是像元二分模型[75-76]。该模型假定地面像元以植被和土壤两种地物按照线性混合的方式存在，且像元的NDVI值仅受植被覆盖度影响，即纯净土壤像元的NDVI值最低，纯净植被像元的NDVI值最高，像元的NDVI值与植被覆盖度线性相关。在数据方面，以 Landsat系列数据为主，MODIS、GF系列、NDVI3g产品数据也有使用，因此反演的FVC空间分辨率由30 m至8 km不等。在此水平的空间分辨率条件下，矿区地表FVC较强的空间异质性与像元二分模型简单的地面场景假设之间存在矛盾，因此更多的数据源和方法也在矿区FVC遥感反演中得到了应用。例如，从数据源角度来说，北京林业大学水土保持学院在矿区利用高分辨率无人机光学遥感图像避免了混合像元的影响，直接识别植被像素，获取了区域范围内的植被覆盖情况[77-78]。从方法角度来说，中国地质大学(北京)白中科、周伟[79-80]在安太堡露天矿区分别建立了植被指数与植被覆盖度的线性回归模型，实现了植被覆盖度反演;江西理工大学李恒凯团队[81]利用线性光谱解混的方法实现了岭北稀土矿区植被覆盖度的反演。在应用植被覆盖度分析矿区生态环境方面，中国矿业大学(北京)李晶团队[112-115]分别运用一元线性回归趋势检验(T检验、F检验)和Sen+Mann-Kendall方法，在宝日希勒矿区、胜利矿区以及黄河流域矿区，对植被覆盖度的时间变化趋势和空间异质特性进行了分析，为科学认识采矿活动对植被覆盖度的影响机理奠定了基础。

1.2.3 矿区植被类型遥感监测

矿区不同的土质、水分、养分条件能够生长不同的植被类型，因此植被类型能够在一定程度上反映矿区生态环境驱动因素在空间上的差异性。当前，矿区植被类型遥感监测主要采用了两类数据，即高空间分辨率影像数据和高光谱影像数据。对于高空间分辨率影像数据来说，不同的植被类型具有不同的空间纹理特征，例如WorldView-2和WorldView-3的米级高分辨率数据被用于矿区植被类型识别[82-84]，达到了较高的识别精度;对高光谱影像数据来说，不同植被类型的光谱反射率曲线存在差异，例如中国矿业大学雷少刚团队[85]利用机载高光谱数据实现了矿区植被类型识别，与地面实际信息的匹配度总体达到77.41%。从文献调研来看，中等空间分辨率的多光谱影像(例如Landsat系列)对矿区植被类型的识别鲜有报道，可能是该类数据的空间分辨率和光谱分辨率无法有效满足矿区植被类型识别的需求。

1.2.4 矿区植被叶绿素含量遥感监测

目前，矿区植被叶绿素含量遥感监测研究较薄弱，采用的遥感数据主要是地面光谱测量数据和无人机多光谱遥感数据。江西理工大学李恒凯团队[93-95]利用地面实测光谱数据对矿区复垦植被的叶绿素含量进行了反演，取得了较高的精度。胡振琪、肖武团队[96]利用无人机多光谱遥感数据反演了高潜水位矿区沉陷地玉米叶绿素含量，精度达到83.4%。

1.2.5 矿区植被重金属含量遥感监测

现阶段，植被重金属含量遥感监测还处在探索阶段，吉林大学陈圣波团队、中国地质大学(北京)刘湘南团队、中国矿业大学(北京)杨可明团队在机理和方法上均开展了大量的探索和研究，为该方向的发展奠定了很好的研究基础[116-118]。具体到矿区植被重金属含量定量反演而言，主要还停留在使用地面光谱测量数据阶段[87-91]，卫星遥感定量反演有个别案例研究[92]，但是尚未完全展开。近年来，本研究团队分析了重金属铜胁迫下的植被光谱变化特征规律，发展了重金属铜胁迫下的植被叶片光谱辐射传输模型[120]，针对窄波段光谱数据提出了铜胁迫植被指数CSVI(Copper-stressed Vegetation Index)[121]，并在江西德兴铜矿的植被重金属胁迫信息提取中实现了成功应用[122]，但是基于星载遥感数据的植被重金属含量反演尚未实现。

1.2.6 矿区植被叶面积指数遥感监测

叶面积指数LAI(Leaf Area Index)[123]被广泛定义为单位地表面积内叶片或光合作用截获面积总和的1/2。近年来，矿区植被叶面积指数遥感监测研究较薄弱，代表性的成果有中国矿业大学雷少刚团队[97]利用无人机遥感数据，基于叶面积指数LAI与植被指数的相关关系实现了排土场边坡植被LAI的反演。

1.2.7 矿区植被净初级生产力遥感监测

植被净初级生产力(Net Primary Productivity，NPP)是指单位面积的绿色植被在单位时间内所积累的有机物质量(即植被除去自身呼吸所消耗有机物以后剩余的有机物质量)[100]。矿区植被净初级生产力能够在一定程度上反映矿区的生态系统功能。现有研究中，利用遥感手段监测矿区植被净初级生产力主要有两种思路:①直接采用现有的植被净初级生产力遥感产品，例如 MODIS的 NPP数据产品[98]和GLOPEM-CEVSA NPP数据产品[99]。但是现有的NPP遥感产品空间分辨率较低，例如MODIS的NPP产品为1 km空间分辨率，对于矿区应用来说需要进行降尺度研究[98]。②利用高空间分辨率遥感影像和CASA模型对矿区植被NPP进行反演。例如，东北大学刘善军团队[100]利用GF-1卫星影像建立了小尺度的CASA-NPP估算模型，对伊敏露天矿的植被NPP进行了监测，取得了良好效果。中国科学院生态环境研究中心付晓团队[124]在锡林浩特市利用普通最小二乘回归和slope参数分析了MODIS的时序NPP产品数据，并从采矿活动影响角度对结果进行了解释。谭琨团队[101]融合 GF-1、ZY-1 02C、ZY-03等卫星影像对蔚县矿区植被NPP进行了时空变化分析，但多源高分辨率数据的融合增加了矿区监测频次。

1.2.8 矿区植被生物量遥感监测

植被生物量是指单位面积内植被有机物质总量(干重)[102]。矿区地表植被生物量是反映采矿活动对环境影响以及矿区生态修复质量的重要参数。目前，矿区生态系统的植被生物量遥感监测主要依赖经验模型，即通过观测数据建立遥感特征参数与生物量的定量关系模型，具体建模方法可以分为线性回归模型[102-104]与人工智能方法(如神经网络、随机森林等)[103，105-106]。例如，东北大学刘善军、包妮沙团队[102，104]综合利用 WorldView-3和 Sentinel-1影像基于回归模型建立了矿区植被生物量高精度反演方法。胡振琪、肖武团队[106]采用无人机影像基于随机森林算法实现了井工矿区地表生物量估算与分析。中国矿业大学张绍良团队[103]对上述两类方法估算矿区植被生物量都进行了研究，取得了较高的精度。

1.3 矿区土壤要素定量遥感监测

矿区土壤要素定量遥感监测的主要研究归纳如表3所示，主要研究内容为反演和监测矿区土壤水分含量、土壤重金属含量、土壤养分含量、土壤侵蚀量、土壤颗粒度、地表温度等参数。事实上，地表温度并不单指矿区土壤要素，为便于论述，本研究将其归入土壤要素参数。

表3 矿区土壤要素定量遥感监测的主要研究Table 3 Major studies on quantitative remote sensing for monitoring soil in mining area

续表

1.3.1 矿区土壤水分含量遥感监测

土壤水分含量(又称土壤湿度、土壤含水量)通常采用体积含水量或质量含水量来表示。体积含水量是指单位体积的土壤中所含有的水分体积(单位m3/m3);质量含水量是指单位质量的土壤中所含有的水分质量(单位g/g)。当前在矿区生态环境领域，利用遥感手段反演和监测土壤水分含量的方法可以分成3类:

(1)基于主动微波遥感辐射传输机理的方法。该方法主要机理是主动微波遥感观测到的后向散射系数受到土壤介电常数影响，而土壤介电常数与土壤含水量高度相关，两者存在模型关系。河南理工大学马超团队[125]利用Sentinel-1、Radarsat-2等微波遥感数据实现了神东矿区2012年和2016年逐月频次的土壤含水量反演。本研究团队[141]采用微波遥感土壤含水量降尺度方法实现了矿区长时间序列的土壤含水量反演与变化分析。

(2)基于光学遥感和热红外遥感的统计回归法。这类方法主要原理是在相同的植被覆盖条件下土壤含水量与地表温度之间存在相关关系。近年来，在矿区土壤水分含量遥感监测中应用最为广泛的是温度植被干旱指数TVDI(Temperature Vegetation Dryness Index)模型，该指数基于光学遥感数据得到的NDVI和热红外遥感数据得到的地表温度而构建，与土壤含水量高度相关[175]。在矿区，少数研究利用TVDI反演了矿区土壤水分含量，并给出了精度评价[128];多数研究直接采用TVDI数值进行相对的时空分析，但未进一步计算土壤水分含量[127，129-131]。近年来，吴立新团队的刘英等[134-135]基于土壤湿度监测指数(Soil Moisture Monitoring Index，SMMI)构建了尺度化土壤湿度监测指数S-SMMI(Scaled SMMI)，在神东矿区土壤湿度遥感监测中取得了很好的应用效果。此外，山东科技大学王萍团队[132]基于植被调整垂直干旱指数VAPDI(Vegetation Adjusted Perpendicular Vegetation Index)对会宝岭铁矿区和凤凰山铁矿区进行了土壤湿度监测。

(3)基于光学遥感数据和机器学习的方法。ARANCIBIA等[140]利用Sentinel-2光学遥感数据和人工神经网络(Artificial Neural Network，ANN)、支持向量机(Support Vector Machine，SVM)、随机森林(Random Forest，RF)对增厚的尾矿坝土壤湿度划分了等级，但未计算土壤水分含量。

1.3.2 矿区土壤重金属含量遥感监测

矿区土壤重金属含量的定量遥感监测主要采用3类数据，即地面光谱测量数据、机载高光谱遥感影像数据、星载遥感影像数据。地面光谱测量数据是当前最常用的数据，其优势在于较高的光谱分辨率和反射率测量精度[142-151]。其次是机载高光谱影像数据，尽管光谱分辨率和反射率精度不及地面光谱测量数据，但是仍然能够满足矿区土壤重金属含量的反演要求[142，152-153，176]。相比之下，星载遥感影像数据对矿区土壤重金属含量定量反演较为困难，但是仍有一些探索性研究成果问世[8，144，154]。

从方法角度来看，无论是星机地何种平台的遥感数据，主要反演步骤可以分为两大部分:①从反射率光谱曲线中提取对所反演的某种重金属含量敏感的光谱特征，现有研究中常用的方法有一阶微分法、主成分分析法等;②将提取的敏感光谱特征与重金属含量建立定量模型关系，现有研究中常用的方法有偏最小二乘法、多元线性回归、神经网络等[145，177-178]。

长安大学韩玲团队[177]于2019年对矿区土壤重金属污染遥感反演研究进行了综述，对当前的技术方法进行了很好地总结，并展望了今后的研究趋势，具有很好的参考借鉴价值，本研究对此不再赘述。值得注意的是，对比矿区植被重金属含量遥感监测(前文1.2.5节)与矿区土壤重金属含量遥感监测(本节)的文献调研结果，可以发现植被重金属含量遥感监测难度更大，其原因可能在于重金属的存在可以直接改变土壤光谱，而对植被而言可能是通过改变叶绿素含量、水分含量、叶片结构而间接改变植被光谱，矿区重金属对土壤和植被光谱的影响机理尚未被有效厘清。

1.3.3 矿区土壤养分含量遥感监测

矿区土壤养分含量遥感监测对象可以细分为矿区土壤有机质含量、土壤全氮含量、土壤速效磷含量、土壤有效钾含量。从数据源来看，主要是地面光谱测量数据[155-157]、星载多光谱和高光谱遥感数据[158-162]。从方法上来说与土壤重金属含量反演相似，主要是由提取光谱特征和构建定量模型两个步骤组成。值得注意的是，吉林大学陈圣波团队[162]利用星载Hyperion高光谱影像数据在较为复杂的矿区场景下实现了江西德兴铜矿土壤有机质含量的反演，取得了良好的效果。新疆大学夏楠等[158]利用Landsat 8多光谱遥感影像在荒漠矿区实现了土壤有机质反演，荒漠矿区地表均一性强，相对于江西德兴铜矿而言场景较为简单，因此通过多光谱遥感可以实现土壤有机质反演。

1.3.4 矿区土壤侵蚀量遥感监测

土壤侵蚀量一般指一定时间内的土壤流失量，是矿区生态环境的关键指标。在矿区土壤侵蚀量遥感监测研究中，描述土壤侵蚀量的参数并不统一，例如土壤侵蚀强度、土壤侵蚀模数等。目前代表性成果有:中国矿业大学卞正富、雷少刚团队[97]利用无人机影像实现了胜利矿区土壤侵蚀的定量遥感提取;国家能源集团和中国矿业大学(北京)相关学者参照《全国土壤侵蚀遥感调查技术规程》对神华呼伦贝尔矿区土壤侵蚀强度进行了变化分析[163];此外，也有学者采用土壤侵蚀模数(即每年每公顷的土壤流失量)对矿区土壤侵蚀进行了监测[164-165]。

1.3.5 矿区土壤颗粒度遥感监测

目前，矿区土壤颗粒度遥感监测方面的研究尚处在起步探索阶段。东北大学刘善军、包妮沙团队[166]利用地面实测热红外光谱数据对呼伦贝尔矿区复垦区域的土壤颗粒度(particle-size)建立了定量预测模型，预测精度较理想，为矿区土壤颗粒度遥感监测奠定了基础，对后续研究有较好的参考价值。

1.3.6 矿区地表温度遥感监测

地表温度是表征地表过程变化的重要特征物理量，综合反映了土壤—植被—大气系统的能量流动与物质交换结果，是研究地表生态环境的关键参数，被国际地圈生物圈计划(International Geosphere-Biosphere Programme，IGBP)列为“优先测定的参数”之一，而热红外遥感是高时效准确获取区域或全球尺度地表温度的唯一手段[179]。中国矿业大学卞正富、雷少刚团队[167]利用MODIS地表温度产品数据对神东矿区地表温度突变进行了监测和影响分析。江西理工大学李恒凯团队[168-169]针对矿区场景对比分析了单窗算法、单通道算法、Artis算法、辐射传输方程法等热红外遥感反演地表温度的主流方法，并根据试验结果推荐单窗算法作为稀土矿区地表温度反演方法。此外，近年来一些学者利用Landsat系列数据和辐射传输方程法，以及降尺度等手段对矿区地表温度开展了监测分析[171-174]，取得了良好效果。

1.4 矿区水体要素定量遥感监测

矿区生态环境监测中的水体要素可以分为两类，一是矿区的地表水体，二是矿区的地下水体。对于地表水体而言，又可分为两种，一种是矿区开采前就已经存在的地表水体，另一种是矿产资源开采造成的地表水体，即采矿过程中直接排出的水资源形成的地表水体或者是开采过程中地表沉陷造成的地表积水。矿区水体要素定量遥感监测研究总结如表4所示。

表4 矿区水体要素定量遥感监测的主要研究Table 4 Major studies on quantitative remote sensing for monitoring water in mining area

1.4.1 矿区地表水体定量遥感监测

在矿区地表水体要素定量遥感监测方面，当前研究最多的是利用遥感手段对矿区地表水体进行识别与面积监测。

在矿区地表水体识别中，应用最为广泛的方法是水体指数法。先计算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]等水体指数，通过设置水体指数的阈值实现矿区地表水体像元的识别与提取。在水体指数方法中，人为设置水体指数的阈值是影响水体识别精度的关键因素。

近年来也有一些其他方法用于矿区地表水体识别。安徽理工大学王月等[186]利用神经网络方法在15 a的时间尺度上对淮南矿区沉陷区积水进行了遥感监测。刘虎等[187]利用支持向量机实现了30多年来矿区水体面积逐年的变化分析，时间跨度大、频次高，为南四湖生态环境保护提供了重要的科学依据。此外需要特别注意的是，在矿区水体遥感识别中，将沉陷引发的积水与其他水体进行区分的问题得到了进一步解决。MILLAN等[188]采用星载遥感数据目视解译和机载高光谱遥感数据光谱角分类相结合的方法实现了对采矿活动引发沉陷积水的监测。肖武团队[189-190]充分发挥GEE云计算平台的优势，提出了基于AWFI(Annual Water Frequency Index)轨迹的沉陷积水识别方法。

除了矿区地表水体识别与面积监测以外，近年来一些学者也对矿区地表水体的煤粉浓度[191]、热异常[192]、沉陷区积水水深[193]、水污染等级[194-195]、水质参数[196-197]、矿井水酸性[198]等其他属性参数开展了探索性研究，推动了矿区水体定量遥感监测技术的进步。尤其是，东北大学刘善军团队[191]利用实验室实测光谱对水体中的煤粉浓度建立了反演模型，为后续利用遥感影像反演矿区水体煤粉浓度奠定了基础。中国矿业大学吴侃团队[193]基于Landsat 5卫星数据实现了矿区积水区水深反演，取得了较高精度，证明了多光谱遥感影像监测矿区积水深度的可行性。值得关注的是，2019年国际顶级期刊——《美国科学院院报》(Proceedings of the National Academy of Sciences of the United States of America，PNAS)介绍了金矿开采对热带雨林河流悬沙的影响，并采用长时序(34 a)的Landsat系列数据反演了河流水体悬沙浓度[197]。

1.4.2 矿区地下水定量遥感监测

矿产资源开采对矿区地下水可能存在扰动影响。虽然大多遥感技术主要是对矿区地表生态环境进行监测，但是仍有少量矿区地下水方面的研究采用了遥感手段。中国矿业大学(北京)蒋金豹团队[199]利用GRACE(Gravity Recovery and Climate Experiment)重力卫星数据对鄂尔多斯、山西以及陕西北部地区的高强度煤炭开采条件下的地下水储量变化进行了驱动分析。中国矿业大学李文平团队[200]对植被遥感数据与地下水埋深数据进行了定量分析。ADIAT等[201]基于卫星遥感等多源数据，利用逻辑回归法对尼日利亚Ilesa金矿的地下水理化参数进行了预测分析。

1.5 矿区大气环境定量遥感监测

矿区大气要素定量遥感监测的主要研究归纳内容如表5所示。由表5可知:矿区大气要素定量遥感监测要素相对于矿区其他生态环境要素来说较少，主要是反演和监测矿区大气的气溶胶光学厚度AOD(Aerosol Optical Depth，AOD)、PM2.5 与 PM10、粉尘。

表5 矿区大气环境定量遥感监测的主要研究Table 5 Major studies on quantitative remote sensing for monitoring atmospheric environment in mining areas

1.5.1 矿区大气AOD与PM2.5、PM10定量遥感监测

大气中悬浮的固液态细小颗粒物所形成的胶体分散系统统称为气溶胶，其颗粒物直径为0.001～100 μm[202-203]。气溶胶光学厚度AOD是指垂直方向辐射传输路径上气溶胶消光系数的积分[203]。煤炭等矿产资源在开采和加工过程中，能够产生颗粒物，对大气环境造成一定的影响[205]。矿区气溶胶光学厚度AOD能够反映矿区大气环境污染情况，是监测矿区大气环境质量的重要指标之一。当前，在矿区大气AOD反演与监测方面，主要有两种思路:

(1)直接采用现有的大气气溶胶数据产品。郭华东院士团队和中国地质大学(北京)周伟团队分别采用MODIS的MOD04_L2产品和MCD19A2产品对矿区的大气AOD进行了时空分析[202-203]。

(2)利用多光谱遥感数据对矿区大气AOD进行自行反演。安徽大学吴艳兰团队[205]利用GF-1卫星数据对矿区大气AOD进行了反演，主要方法为暗目标法和深蓝算法。基于MODIS的AOD产品数据，新疆大学郭婉臻等[204]反演了准东矿区的PM2.5和PM10，并进行了时空分析。

直接采用大气气溶胶数据产品的优势在于数据充足，可以进行长时序、高频次的矿区大气AOD、PM2.5、PM10的时空分析，但是现有数据产品的空间分辨率较低(1～10 km)。自行反演的思路可以达到较高的空间分辨率，但是受到数据源限制，在长时序、高频次监测方面存在不足。

1.5.2 矿区粉尘遥感监测

与矿区大气AOD监测不同，矿区粉尘监测是从另一个角度反映矿产资源开采加工过程中产生的颗粒物对环境的污染。中国矿业大学雷少刚团队[211]在煤矿粉尘环境监测方面开展了深入研究，分析了煤矿粉尘的来源，介绍了实地测量、数值模拟、高光谱遥感监测等方法，揭示了粉尘运移规律，为矿区粉尘环境研究提供了参考。仅从遥感角度来看，当前利用遥感手段对矿区粉尘进行监测大致有2种思路:

(1)通过多光谱或高光谱遥感监测植被光谱变化实现对粉尘的间接监测。矿区植被受到粉尘污染胁迫后，其生理特性变化会导致光谱特征变化[211]。在此原理的基础上，东北大学马保东等[208-209]基于Landsat卫星数据，利用反射率特征以及NDVI等植被指数对河北露天矿区粉尘进行了监测，取得了较好效果。KAYET等[210]基于 Hyperion高光谱数据和Landsat数据，利用NDVI等植被指数对露天铁矿粉尘进行了监测。GORAZD等[207]基于HyMap机载高光谱遥感数据，利用植被红边位置REP(Red Edge Position)和expSIPI(exponential transformation of the Structure Insensitive Pigment Index)指数对矿区粉尘影响进行了监测。

(2)通过混合像元分解方法对扬尘风积物进行直接监测。中国地质大学(武汉)张志团队[206]假定地物光谱是由“扬尘风积物—植被—阴影和水体”混合而成，采用线性混合像元分解方法对矿区粉尘进行了监测。从文献调研结果来看，无论是光谱变化特征还是光谱混合模型，都存在多解性问题，当前矿区粉尘的遥感监测尚处在起步探索阶段。

1.6 矿区生态系统参数遥感监测

矿区生态系统参数是包括植被、土壤、水体、大气等多个要素在内的生态系统状态或功能的综合体现[212]，目前对矿区生态系统参数遥感监测的研究主要关注生态系统固碳功能量、生态系统服务价值、遥感生态指数(Remote Sensing Ecology Index，RSEI)、景观指数等。矿区生态系统参数定量遥感监测研究内容如表6所示。

表6 矿区生态系统参数定量遥感监测的主要研究Table 6 Major studies on quantitative remote sensing for monitoring ecosystem parameters in mining areas

1.6.1 矿区生态系统固碳功能量遥感监测

固碳功能量是指单位时间单位面积上生态系统净吸收二氧化碳的量，是生态系统最具环境效益的功能之一。在“碳中和”“碳达峰”的政策背景下，开展矿区生态系统固碳功能量监测对矿区的碳源碳汇量化研究具有重要意义[235]。当前，针对矿区生态系统固碳量的研究主要是分别计算植被碳汇量和土壤碳汇量。对于植被碳汇量的计算，一些研究采用CASA模型先计算NPP再换算为碳汇量[213]，也可以直接采用碳密度法[213-215]进行计算。土壤碳汇量一般采用碳密度法[213-215]进行计算。此外，也有学者[216]综合机载LiDAR数据、Planet Dove影像、Sentinel-1 SAR等多源数据，利用深度学习技术对矿区地表二氧化碳排放也开展了探索性研究。

1.6.2 矿区生态系统服务价值遥感监测

生态系统具有生产有机质、固碳释氧、物质循环、涵养水源等多种服务功能，为了对多种服务功能进行统一量化和对比分析，需要将各类服务功能折算为资产价值。矿区生态系统价值是对矿区生态环境的服务功能较为全面的定量评估结果，能够综合反映生态系统服务功能的状态。肖武团队[217-218]采用生态系统生产总值(Gross Ecosystem Product，GEP)核算的基本思路对神东矿区、神府矿区的生态系统服务价值进行了计算，揭示了矿区生态系统服务价值的时空变化规律。此外，Costanza方法是目前在矿区生态系统价值计算中应用较多的方法之一，该方法与GEP核算的思路基本相似，近年来有多个团队采用该方法对矿区生态系统价值进行了计算和分析，对矿区生态系统价值变化取得了一定的新认识[219-222]。

1.6.3 矿区遥感生态指数(RSEI)

自福建大学徐涵秋[236]提出遥感生态指数RSEI以来，该指数在矿区生态环境质量监测中得到了较为广泛应用。一部分研究在矿区直接计算RSEI，并进行矿区RSEI值的时空变化分析，从而监测矿区生态环境质量的变化[187，224-227]，验证了RSEI在矿区生态环境监测中的可行性。中国地质大学(武汉)陈涛团队[222-223]考虑矿区生态环境的区域性差异，对RSEI进行了改进，提出了移动窗口遥感生态指数(Moving Window-based RSEI，MWRSEI)，结果表明，改进的指数能够获取更多的矿区周边生态环境渐变信息。胡振琪、李晶团队[237]利用长时序遥感得到的RSEI对采煤生态累积效应进行了定量分析。

1.6.4 矿区景观指数遥感监测

景观格局指各景观组成单元的类型、数目及空间分布与配置情况，景观指数是指能够高度浓缩景观格局信息并反映景观格局的组成结构、空间配置等特征的定量指标[228-229]。基于遥感数据计算矿区的景观指数，进而分析矿区景观格局的时空变化受到了广泛关注。景观指数有多种，能够从不同的角度量化景观格局。当前在矿区生态环境研究中使用的景观指数有近30种，如表6所示。绝大多数研究均采用了Landsat系列影像数据:康萨如拉等[230]基于Landsat5数据计算了黑岱沟露天煤矿1987年以来的景观指数，分析了采矿导致的景观格局动态变化。刘轩等[231]基于Landsat 7/8数据计算了阳泉一矿2000年和2004年的景观指数，并分析了其景观综合稳定性。张艳等[232]基于 Landsat 5数据计算了兖州煤田1987—2014年的景观指数，并对其景观格局的变化趋势进行了分析。李保杰等[233]以Landsat系列为数据源，确定了贾汪矿区景观指数的最佳分析粒度为60 m。李恒凯等[81]基于Landsat 5/7/8数据对岭北稀土矿区进行了景观指数计算和景观格局分析。常小燕等[228]基于Landsat 5/8数据对微山县采煤塌陷区的19个景观指数进行了计算，分析了其景观格局的尺度效应及变化特征。中国矿业大学雷少刚团队[229]基于Landsat 5/8数据计算了锡林浩特市胜利矿区的景观指数，分析了其景观格局的演变。个别研究采用了高分辨率光学遥感数据，例如梅昭容等[234]基于CBERS-02B、ZY-3、GF-2等高分辨率数据计算了昆明某露天矿区的景观指数，结合移动窗口法分析了采矿背景下的区域景观格局时空演变模式。

2 矿区生态环境定量遥感监测研究不足与展望

通过上述文献归纳与分析可以发现，近年来矿区生态环境定量遥感监测取得了长足的进步:国产GF-6、珠海一号卫星、无人机遥感数据等新兴遥感数据得到了较为广泛的应用，提升了监测的时空分辨率;矿区地表要素识别以及生态环境要素参数的反演方法和监测技术得到了优化改进，提升了识别和反演的精度;一些定量遥感反演和监测难度较高的参数得到了有益的探索;深度学习和遥感云计算平台(GEE)在矿区应用中崭露头角。但是，在取得这些成果的同时，也需认识到矿区生态环境定量遥感监测领域仍有较大的发展和提升空间。

2.1 现有研究存在的不足

2.1.1 矿区地表要素遥感识别的自动化和智能化程度较低

近年来，尽管在矿区地表要素类型遥感识别与分类方面涌现出不少成果，但是相较于遥感在其他行业场景中的应用来说，在矿区场景应用的自动化与智能化程度较低。具体表现在以下3个方面:

(1)深度学习在矿区地表要素遥感识别中未完全展开应用。当前针对矿区地表要素类型遥感识别与分类基本停留在目视解译和常规的自动化解译算法阶段(如支持向量机、随机森林等)，识别精度不高、模型泛化能力差。以深度学习为代表的前沿智能识别技术在矿区地表要素类型识别中仍然处于起步阶段，这些少量的研究只涉及个别地表要素类型，很多特色地表要素类型如煤堆、矸石堆、排土场、复垦区等，鲜见深度学习识别的应用研究成果报道。

(2)缺乏不同遥感影像分辨率条件下的矿区地表要素分类体系标准。遥感影像的空间分辨率不同，其对矿区地表要素的区分能力也不相同;对于相同分辨率的遥感影像而言，矿区地表要素的可分性应该相似。但是在当前矿区地表要素类型遥感识别与分类的研究中，在相同空间分辨率的遥感影像数据条件下，其识别与分类的类别体系各不相同。此外，相同内涵的地表要素在不同文献研究中名称不同，例如:露天采场与露天开采区;或者相同名称的地表要素在不同文献研究中具有不同的内涵，例如:开采区域(Mining Area)在不同文献中的定义有所区别。综上，在矿区遥感领域，矿区地表要素的名称与内涵定义具有一定的随意性，缺乏不同遥感影像分辨率条件下的矿区地表要素分类体系标准以及各个类别名称的内涵定义。

(3)缺少矿区场景下典型地表要素类型的大规模高分辨率影像样本库。当前，国内外有很多公开的高分辨率影像样本库，例如WHU-RS(Wuhan University-Remote Sensing)数据集、DOTA(A Large-scale Dataset for Object Detection in Aerial Images)数据集、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创新研究院发布的百万级遥感图像细粒度目标识别数据。上述高分辨率影像样本集涵盖了城市、农田、机场等多个场景，在多个行业领域的地物识别中发挥了关键作用。然而，在矿区场景下，由于缺少典型地表要素的大规模高分辨率影像样本库，现有研究进行地表要素遥感识别仍然依赖于人工选择样本、自行构建一个很小的训练样本数据集，严重制约了矿区地表要素识别精度以及算法在不同研究区不同影像上的泛化能力，限制了前沿先进智能算法(例如深度学习)的大规模应用。

2.1.2 定量遥感在矿区生态环境监测中的应用广度和深度有待提升

相较于定量遥感在农业、林业领域的广泛且深入的应用而言，在矿区生态环境监测中定量遥感的应用广度和深度还有差距。具体表现在以下两个方面:

(1)若干重要的生态要素参数鲜见矿区定量遥感研究。当前，定量遥感技术在农业、林业等领域中已经成功反演了很多生态要素参数，但是现有的矿区生态环境遥感研究只对一部分要素参数开展了反演与监测分析，仍有一部分重要的生态要素参数很少在矿区定量遥感研究中出现。例如，对于植被而言，矿区植被覆盖度研究较多，而矿区植被叶绿素含量、叶面积指数只有少量个案研究，矿区植被水分含量、氮素含量的遥感反演与监测更是鲜见研究报道。然而这些参数在农业、林业等行业场景的定量遥感反演已经比较常见，且对矿区生态环境监测同样具有重要意义。此外，还有一些矿区生态环境监测所需的关键参数，利用遥感进行高精度、高空间分辨率的反演比较困难，例如植被重金属含量、大气PM2.5与PM10，需要在矿区场景下进一步深入研究。综上所述，现阶段矿区生态要素参数的遥感反演与监测研究还不够广泛。

(2)矿区生态要素参数的定量遥感反演与监测方法有待深入改进。随着定量遥感算法的不断深入发展，很多生态要素参数都有较为成熟且前沿的算法，然而当前矿区生态要素参数的定量遥感反演方法还比较传统且简单，制约了反演精度与普适性的提升。例如，对于矿区植被参数而言，叶绿素含量和叶面积指数反演大多采用简单的经验统计模型，鲜见基于植被辐射传输物理模型的反演成果。土壤含水量以TVDI的相对定量监测或者经验统计模型反演为主，矿区主被动微波遥感协同的土壤含水量本地化高精度反演成果鲜有报道。然而，无论是植被辐射传输模型，还是主被动微波遥感土壤含水量模型，其物理机理清楚、模型的稳定性与普适性好，是不容忽视的矿区生态要素参数高精度反演方法。因此，现有的矿区生态要素参数的定量遥感反演与监测方法有待深入改进。

2.1.3 缺乏中高分辨率、长时序、高频次的多要素参数同步观测与协同研究

当前中高分辨率、长时序、高频次的多要素参数同步观测与协同分析的研究比较少，不利于发现矿产资源开采活动对生态环境影响的过程机理。具体表现在以下两个方面:

(1)多关注单一要素参数，少有多要素参数同步观测与协同分析。矿产资源开采活动对生态环境的影响存在多参数耦合机制，例如井工开采活动引起的地表裂缝可能会导致土壤水分含量降低，进而导致植被参数变化。因此，矿区生态环境定量遥感监测研究需要多要素参数的同步观测与协同分析。然而，现有研究大多关注于单一要素参数的遥感反演与变化分析，对多个要素参数开展同步反演与协同变化分析的相关成果很少，不利于进一步研究矿产资源开采活动对生态环境演变中多要素参数之间的影响链条和驱动机理。

(2)很少做到中高分辨率、长时序、高频次的定量监测。矿区生态环境定量遥感与其他行业领域(如农业、林业等)相比具有十分显著的行业特色，表现为:研究区域范围小(通常仅为数平方千米到数十平方千米)、地表空间异质性强、时间跨度大(多为20～30 a)、参数变化剧烈、生态累积效应显著。因此，矿区生态环境监测需要进行中高空间分辨率(区域范围小且空间异质性强)、长时间序列(采矿时间跨度大)、高频次(参数变化剧烈且生态累积效应显著)的参数定量遥感反演。然而，通过本研究的文献调研与归纳可以发现(表2至表6)，现有研究很少同时满足这3个要求，同样不利于进一步研究矿产资源开采活动对生态环境影响的规律与机理。中高空间分辨率、长时序、高频次的矿区生态环境要素参数定量反演与遥感产品生产，仍是亟待解决的问题。

2.2 研究机遇与展望

在剖析现有研究存在不足的基础上，可以发现遥感在定量化与智能化方面的迅速发展为矿区生态环境监测研究带来了诸多机遇。结合上述分析的不足，本研究认为在未来需要把握的研究机遇包括以下3个方面:

(1)矿区典型要素的大规模高分样本库构建与深度学习高精度识别。深入分析不同的遥感空间分辨率水平下矿区典型地表要素类型的可分性，建立不同分辨率条件下的矿区地表要素分类体系，并从遥感影像分类的角度界定各类典型地表要素名称与内涵范围。在此基础上，针对不同的典型地表要素类型分别建立大规模的高分影像样本库，实现可共享使用的矿区场景地表要素分类公共数据集。在大规模样本库的支持下，不断跟踪最前沿的深度学习目标检测和语义分割网络模型，建立矿区地表要素类型的高精度识别模型，并结合计算机人工智能技术的前沿发展成果，持续更新和提升精度。

(2)矿区场景下的定量遥感物理建模与广泛深入应用。在矿区生态要素参数定量遥感反演方面，应该根据矿区特色场景和我国不同气候条件下矿区常见的植被类型，有针对性地建立植被辐射传输模型、土壤微波遥感机理模型等矿区场景下的定量遥感物理模型。在此基础上，拓展矿区定量遥感反演的生态参数对象，进一步反演和监测分析矿区植被叶绿素含量、叶面积指数、水分含量、氮素含量等关键参数，并从遥感机理模型出发，综合利用空天地多平台遥感数据，探索一些高难度参数的反演;在矿区场景下的定量遥感物理模型支持下，进一步深入优化和改进反演方法，提升矿区生态要素参数定量反演的精度水平和长时序稳定性。

(3)中高分辨率、长时序、高频次的矿区生态要素参数体系化同步监测。融合光学遥感数据、热红外遥感数据、主被动微波遥感数据、无人机航空数据、地面观测数据等矿区多源大数据，构建矿区植被、土壤、水体、大气、生态系统参数的遥感同步反演与监测技术体系，形成矿区生态环境多要素参数的中高分辨率、长时序、高频次的“矿区生态遥感时空数据群”。通过“纯数据驱动”的大数据挖掘方法，不依赖先验知识的采矿对生态环境的影响模式，直接分析开采及修复过程中生态环境要素参数的协同演变规律，有助于发现矿产资源开采活动对生态环境影响的驱动链条和影响过程机理，为现有的矿区生态环境变化研究思路提供有效的补充。

3 结 论

遥感是矿区生态环境监测的重要手段之一，从矿区地表要素识别与变化遥感监测、矿区植被要素定量遥感监测、矿区土壤要素定量遥感监测、矿区水体要素定量遥感监测、矿区大气环境定量遥感监测、矿区生态系统参数遥感监测6个方面分析了国内外矿区生态环境定量遥感监测的研究进展，重点归纳和总结了不同矿区地表要素识别和生态要素参数反演所使用的遥感数据及其空间分辨率、识别或反演方法、时间跨度与监测频次、所能够达到的精度水平。所得结论如下:

(1)通过文献调研、归纳与分析，发现近年来矿区生态环境定量遥感研究在新数据、新方法、新技术等方面取得了长足的进步和丰硕的成果。但也存在着明显不足:包括矿区地表要素遥感识别的自动化和智能化不足，定量遥感在矿区生态环境监测中的应用广度和深度有待提升，缺乏中高分辨率、长时序、高频次的多要素参数同步观测与协同研究等。未来研究方向有:矿区典型要素的大规模高分样本库构建与深度学习高精度识别、矿区场景下的定量遥感物理建模与广泛深入应用、矿区多要素参数同步反演与监测技术体系等。

(2)矿区生态环境遥感监测是一个研究内容十分丰富的领域。本研究主要针对矿区地表要素识别和参数定量反演开展了文献调研与综述，每一部分相对来说概括性较强，一些重要的研究细节读者可以参阅列出的相关文献。对D-InSAR与LiDAR技术监测矿区地表沉降与形变、矿区生态环境质量指标构建与评价等方面未有详细涉及，这些技术方法对于矿区生态环境监测也很重要，未来建议相关领域的研究者对其进行必要的综述分析。