Спектроскопия изображений VNIR-SWIR для горной промышленности: новые возможности применения гиперспектральных беспилотных летательных аппаратов

Friederike Koerting 1,* , Saeid Asadzadeh 2 Evlampia Kouzeli 4 , Justus Constantin Hildebrand 1, Ekaterina Savinova 3 , Konstantinos Nikolakopoulos 4 Simon J. Buckley 6 , David Lindblom 5, Nicole Koellner 2 , Miranda Lehman 7, Daniel Schläpfer 8 1 andStevenMicklethwaite 3
1 Norsk Elektro Optikk AS—HySpex Division, Østensjøvei 34, 0667 Oslo, Norway
2 Helmholtz Centre Potsdam, GFZ German Research Centre for Geosciences, 14473 Potsdam, Germany
3 Sustainable Minerals Institute, The University of Queensland, St. Lucia, QLD 4067, Australia
4 GIS and Remote Sensing Lab, Department of Geology, University of Patras, 26504 Patras, Greece
5 Prediktera AB, 907 36 Umeå, Sweden
6 Independent Researcher, 5008 Bergen, Norway
7 Center to Advance the Science of Exploration to Reclamation in Mining, Department of Geology and Geological Engineering, Colorado School of Mines, Golden, CO 80401, USA
8 ReSe Applications LLC., 9500 Wil, Switzerland
* Author to whom correspondence should be addressed.
Аннотация

Технология гиперспектральной съемки имеет большой потенциал для различных этапов жизненного цикла горнодобывающей промышленности, как в действующих, так и в заброшенных шахтах, от разведки до рекультивации. Однако эта технология еще не достигла широкомасштабного промышленного внедрения и принятия. Хотя гиперспектральные спутниковые снимки обеспечивают высокое спектральное разрешение, высокое отношение сигнал/шум (SNR) и глобальную доступность с такими прорывными системами, как EnMAP, EMIT, GaoFen-5, PRISMA и Tanager-1, ограниченное пространственное и временное разрешение создает проблемы для горнодобывающих секторов, которым требуется пространственное разрешение в масштабе от дециметра до сантиметра для таких приложений, как согласование и мониторинг окружающей среды, а также ежедневные временные повторные посещения, например, для оценок руды/отходов и геотехнических оценок.

Гиперспектральная съемка с беспилотников (беспилотные воздушные системы; UAS) предлагает данные с высоким пространственным разрешением, соответствующие масштабу карьера/рудника, с возможностью частого повторного посещения областей ограниченной протяженности по заданному пользователем времени.

Пользователь может определить области интереса и указать их в явном виде. Сбор данных в видимом и ближнем инфракрасном диапазонах (VNIR-SWIR) позволяет обнаруживать различные минералы и модели изменения поверхности, что потенциально позволяет получить важную информацию для разведки, добычи, повторной добычи, очистки отходов и восстановления. Это связано, но не ограничивается обнаружением вредных минералов для различных процессов (например, глины, оксидов железа, талька), вторичных оксидов железа, указывающих на утечку кислотного дренажа шахт для восстановления, разбухающих глин, потенциально влияющих на целостность и стабильность горных пород, и измененных минералов, используемых для направления в сторону экономической минерализации (например, диккит, ярозит, алунит).

В этой статье мы рассматриваем применимые приборы, программные компоненты и соответствующие исследования, в которых используются наборы данных гиперспектральной визуализации в горнодобывающем секторе или соответствующие ему, с особым акцентом на гиперспектральные БПЛА VNIR-SWIR.

Дополнительно мы опираемся на предыдущие идеи из систем получения изображений с воздуха, со спутника и наземного базирования. Мы также обсуждаем общие практики планирования обследования БПЛА и соображения по отбору проб на земле для помощи в интерпретации данных.

Ключевые слова: гиперспектральная съемка; дрон; БПЛА; добыча полезных ископаемых; видимый ближний инфракрасный диапазон; коротковолновый инфракрасный диапазон; мониторинг окружающей среды

1. Введение

Дистанционное зондирование (ДЗЗ), особенно спектроскопия изображений, предлагает крупномасштабные, неразрушающие и экономичные по времени средства для картографирования условий добычи полезных ископаемых, включая минералогию, литологию, почвы и виды растений на обширных пространственных площадях в масштабах месторождения, стоянки и обнажений. Визуализирующая спектроскопия основана на избирательном поглощении и отражении различных длин волн света различными материалами. В RS как “гиперспектральная визуализация” (HSI), так и “мультиспектральная визуализация” (MSI) являются распространенными методами, используемыми в приложениях для наблюдения Земли. При геологических исследованиях электромагнитное излучение (ЭМИ) часто фокусируется в видимой и ближней инфракрасной областях (400-1000 нм; VNIR), а коротковолновое инфракрасное излучение (1000-2500 нм; SWIR) [1] используется для определения особенностей поглощения, характерных для минералов. Обзоры основных принципов были опубликованы, например, Кларком [1], Ван дер Меером и др. [2], Хантом [3,4,5], Хекером и др. [6] и Манолакисом и др. [7].

Термин “добыча полезных ископаемых” широко используется в публичном дискурсе. В этой статье мы используем термин “добыча полезных ископаемых” для обозначения процесса разведки и добычи металлов или заполнителей горных пород в результате открытых горных работ и получения побочных продуктов и ландшафтов после добычи. Спутниковые данные RS вместе с полевыми системами зондирования (ближнего действия) (портативными гиперспектральными точечными спектрометрами) сыграли ключевую роль в программах разведки новых и незавершенных месторождений для добычи полезных ископаемых. С точки зрения геологоразведочных работ, спектральная визуализация является относительно совершенной технологией, используемой для картирования спектрально активных минералов, например, в зонах изменения гидротермальных минеральных систем. Однако, как только проект вступает в стадию эксплуатации, технология spectral RS не находит широкого применения для идентификации минералов и составления карт. На этом этапе обычная для RS надирная перспектива (вид с высоты птичьего полета), используемая бортовыми и спутниковыми датчиками, должна быть дополнена системами сканирования с беспилотных летательных аппаратов и наземного базирования для охвата крутых вертикальных стен, которые плохо отображаются орбитальными датчиками.

1.1. Беспилотные летательные аппараты в горнодобывающей промышленности

Термин беспилотный летательный аппарат (БПЛА) в основном описывает сам летательный аппарат, тогда как беспилотная воздушная система (БАС) используется в этом документе для обозначения полной системы летательного аппарата, включая модуль управления, навигационное оборудование, системы передачи, камеры, программное обеспечение, наземную станцию ​​и человека(ов), управляющих транспортным средством, которое в разговорной речи часто называют «дроном».

Универсальность развертывания БПЛА привела к его более широкому внедрению в горнодобывающем секторе. Это в значительной степени касается приложений, основанных на изображениях RGB и фотограмметрии, при обследовании объема запасов, инспекциях инфраструктуры участка и некотором мониторинге окружающей среды. Однако БПЛА имеет потенциал выступать в качестве совместимой технологии с широким спектром приложений, включая геологическое картирование карьеров [8], геотехнический анализ, геофизическую съемку, оценку устойчивости склонов горных пород, мониторинг качества воды, оценку эрозии и потери почвы, картирование дренажа кислых шахт (AMD), обнаружение проседаний и управление безопасностью (например, хвостохранилища, перевозки по дорогам и т. д.), а также мониторинг окружающей среды после добычи [9,10]. В сложных условиях в цепочке создания стоимости в горнодобывающей промышленности потребность в цифровых моделях рельефа (DTM) высокой точности и высокого пространственного разрешения может быть полностью удовлетворена с помощью БПЛА, оснащенного технологией обнаружения и определения дальности света (LiDAR) [11]. Эта возможность может применяться при картировании оползней [11,12,13,14,15,16,17,18,19], мониторинге склонов [20,21,22,23], моделировании проседаний [24]) и моделях поверхности [17,25,26,27]). Хотя LiDAR является важным инструментом, он сам по себе не дает информации о составе поверхности и в данной работе рассматривается лишь как дополнительный инструмент к HSI.

Благодаря передовой сенсорной технологии недавно появились относительно легкие гиперспектральные датчики, охватывающие все области VNIR и SWIR электромагнитного спектра. Сбор данных в этих областях длин волн с помощью беспилотных летательных аппаратов позволяет картировать различные материалы над участками добычи с высоким пространственным разрешением [28,29]. На сегодняшний день гиперспектральные камеры для беспилотных летательных аппаратов, охватывающие средневолновую инфракрасную область (MWIR; 3000–5000 нм) или длинноволновую инфракрасную область (LWIR; 7000–14 000 нм), недоступны. Хотя многочисленные статьи освещали использование технологии беспилотных летательных аппаратов в горнодобывающей промышленности, лишь немногие включали тематические исследования гиперспектральных беспилотных летательных аппаратов [30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45]. Хотя несколько обзоров были сосредоточены на применении гиперспектральной визуализации и RS в более широкой области геологии [2,4,5,30,31,32,33,34], наблюдается заметное отсутствие всестороннего обзора современных методов для HSI и их приложений в горнодобывающей промышленности, как в активных, так и в постдобывающих средах. Мы фокусируемся на применении новой технологии HSI на основе UAS, но мы также рассматриваем тематические исследования, проведенные с использованием бортовых и космических систем визуализации, чтобы понять весь потенциал UAS в горнодобывающей промышленности и распознать нишу, которую UAS могли бы заполнить.
Новые гиперспектральные космические миссии обеспечивают более высокое спектральное разрешение, чем когда-либо прежде. Одним из препятствий для спутниковых миссий является ограничение в пространственном разрешении данных, которое пока не превышает 30 м [35]. UAS, оснащенный спектральным инструментом визуализации, может преодолеть этот пробел и одновременно предоставлять данные с высоким спектральным и высоким пространственным разрешением. Например, хвостохранилища и поверхности, подверженные AMD, анализировались в основном с помощью данных HSI с борта самолета и бортовых беспилотных летательных аппаратов с высоким пространственным разрешением из-за управляемой пространственной протяженности этих поверхностей, пространственного разрешения связанных поверхностных узоров и необходимости мониторинга с более высокой временной частотой, чем позволяют спутники, например, после соответствующих осадков. Если требуется покрытие больших площадей, то бортовой HSI является методом выбора из-за ограниченного в настоящее время эфирного времени UAS HSI.

Мы считаем, что некоторые дополнительные факторы способствуют ограниченному использованию данных UAS HSI в горнодобывающей промышленности в настоящее время:

1.    Недостаточная доступность коммерческих готовых решений, помимо систем сканирования керна, охватывающих как сбор данных, так и анализ/интерпретацию.

2.    Сложности с зондированием вертикальных поверхностей шахты (которые в настоящее время решаются наземными и основанными на UAS системами). Хотя наземные решения (на основе штатива) предоставили данные о вертикальных поверхностях, их развертывание в условиях открытого карьера в лучшем случае является прототипическим. Были развернуты некоторые системы, установленные на грузовиках, что предполагает более безопасные методы работы на открытых карьерах.

3.    Неспособность систем программного обеспечения для 3D-моделирования (например, Datamine, MinePlan, Leapfrog, Vulcan) (по крайней мере, до недавнего времени) учитывать пространственные, (полу)количественные минералогические данные, работать со сложным цветовым кодированием и отображать легенды для 4D-спектральных данных.

4.    Опасения по поводу повторяемости данных на высокодинамичных участках добычи и сезонно изменчивых поверхностях (например, AMD). Согласованность данных с течением времени — это проблема, которую еще предстоит полностью решить.

5.    Методологические ограничения для сбора, визуализации и обработки данных, актуальных по времени. Текущие методы сбора и обработки данных по-прежнему трудоемки, дороги и требуют много времени и в значительной степени зависят от опыта интерпретатора.

6.    Отсутствие поставщиков услуг в сфере добычи полезных ископаемых, которые могли бы предложить, например, сбор и интерпретацию данных HSI на основе UAS для неопытных пользователей.

7.    Нехватка хорошо документированных и общедоступных тематических исследований с количественными, подтвержденными результатами и четкими ценностными предложениями

1.2. Современные методы и прогресс HSI на основе БПЛА в горнодобывающей промышленности

Мы считаем, что определение современного уровня техники в развертывании спектральной визуализации в горнодобывающей промышленности является первым шагом для этих проектов по выявлению оставшихся проблем и возможностей и поиску решений для полной интеграции гиперспектральной визуализации в горнодобывающей промышленности в качестве стандартного инструмента. В настоящее время правительственные и отраслевые проекты решают проблемы и разрабатывают решения для достижения более высоких уровней технологической готовности (TRL). Например, реализуются проекты, финансируемые ЕС и государством, по развертыванию БПЛА в контексте стратегии критически важных полезных ископаемых и Европейской сырьевой инициативы. Одним из таких проектов является проект M4Mining (Multi-scale, Multi-sensor Mapping and dynamic Monitoring for Sustainable Extraction and Safe Closeing in Mining Environments, www.m4mining.eu, дата обращения 1 февраля 2024 г.), финансируемый Европейским союзом. Целью этого проекта является разработка решений для HSI UAS, определение анализа данных и установление стандартов для горнодобывающей промышленности, чтобы обеспечить готовое для конечного пользователя аппаратное и программное решение. В то время как отдельные аппаратные блоки и подсистемы, которые должны быть интегрированы в систему мониторинга UAS, доступны в качестве коммерческих продуктов на уровне TRL 9 (системы, проверенные в рабочей среде), сама интеграция для получения косвенных данных и анализа в реальном времени еще не разработана.

Исследовательские проекты, такие как M4Mining, направлены на разработку решения, которое достигает уровня TRL 5 (технология, проверенная в соответствующей среде) или выше, чтобы гарантировать быструю интеграцию в горнодобывающую промышленность поставщиками услуг или самими майнерами. Предоставление этих систем майнерам позволяет им, среди прочего, принимать решения с большей уверенностью и обеспечивать еще один уровень безопасности для заинтересованных сторон, собирать пространственные данные по минералогии на интересующих участках, помогать в планировании горных работ и соблюдать руководящие принципы мониторинга окружающей среды.

В этой статье мы суммируем принципы спектральной визуализации (раздел 2) и рассмотрим существующие тематические исследования HSI, применяемые в горнодобывающем секторе, включая воздушные и космические платформы, чтобы выделить потенциальные приложения для гиперспектральных БПЛА (раздел 3). Мы представляем общие гиперспектральные системы БПЛА и обсуждаем разработку гиперспектральных кампаний БПЛА (раздел 4), включая стандарты отбора проб и проверки. Затем мы завершаем обсуждением возможных будущих применений технологии в цепочке создания стоимости в горнодобывающей промышленности (раздел 5). Обсуждая как преимущества, так и текущее состояние гиперспектральных VNIR-SWIR БПЛА, а также описывая передовой опыт планирования кампаний HSI БПЛА, мы надеемся предоставить практический отчет о потенциале и проблемах использования HSI БПЛА в горнодобывающей промышленности и оказать поддержку геоученым, заинтересованным в применении HSI БПЛА в своих проектах.


2. Принципы спектральной визуализации

Спектроскопия визуализации обычно упоминается, когда измерения и анализ проводятся с помощью гиперспектральных инструментов. В RS как «гиперспектральная визуализация» (HSI), так и «мультиспектральная визуализация» (MSI) являются распространенными методами, используемыми в приложениях наблюдения Земли. Здесь, обсуждая оба метода, мы будем использовать термин «спектральная визуализация». В геологических исследованиях электромагнитное излучение (ЭМИ), либо в VNIR, SWIR, MWIR, либо в тепловом инфракрасном (5500–15 000 нм; TIR), воспринимается пассивными системами камер. Диапазоны длин волн в SWIR, MWIR и TIR следуют определениям в [36]. Геологические исследования RS часто обозначают LWIR как часть TIR. Хотя LWIR дает преимущество обнаружения породообразующих минералов, таких как кварц и полевой шпат [36], основное внимание в обзоре уделяется области VNIR-SWIR с камерами, монтируемыми на БПЛА в этой области.

Геологическое дистанционное зондирование началось с внедрением аэрокосмического спектрометра видимого и инфракрасного излучения (AVIRIS) и других бортовых и космических приборов, таких как HyMap, Hyperion, Landsat series, ALI, ASTER и WorldView-2 и -3 [30,37,38,39,40,41,42,43,44]. Данные с этих платформ, особенно свободно доступные данные, стали популярными среди геологов-разведчиков как для новых, так и для существующих проектов, например, для удаленных обширных ландшафтов со средним (5 м) и низким (30 м) пространственным разрешением. Эти приборы собирали либо данные MSI (для вышеупомянутых приборов до 10 различных диапазонов длин волн, обеспечивающих низкое спектральное разрешение), либо данные HSI (сбор информации в сотнях узких последовательных диапазонов для разрешения узких спектральных характеристик).

Спутниковое дистанционное зондирование, использующее сверхвысокоразрешающие полноцветные RGB-изображения с пространственным разрешением в диапазоне см—дм, предлагает некоторую полезность для горнодобывающей промышленности, особенно при картировании изменений меньшего масштаба. Это включает в себя мониторинг изменений поверхности на поверхности хвостохранилищ, обнаружение поверхностных проявлений проседания и картирование следов и деятельности горнодобывающих предприятий [45,46,47,48]. Тем не менее, поскольку эти системы ограничены видимыми длинами волн, их нельзя использовать для различения поверхностной минералогии отдельно от видимого цвета.
HSI, благодаря высокому спектральному разрешению, может разрешать узкие особенности поглощения, характерные для различных минералов и материалов. Хотя определение «гиперспектрального» с точки зрения количества полос не является жестким, Ассоциация стандартов Института инженеров по электротехнике и электронике (IEEE) в 2018 году установила стандарт для устройств, которые охватывают спектральную область 0,25–2,50 мкм.

Чтобы система считалась гиперспектральной, она должна превышать 32 полосы в соответствии со стандартом IEEE P4001 — Стандартом для характеристики и калибровки ультрафиолетового через коротковолновое инфракрасное (от 250 Нм до 2500 Нм) гиперспектральных устройств визуализации. [49]. В этом контексте любой прибор, который захватывает менее 32 спектральных полос, считается мультиспектральным.

Спектроскопия изображений генерирует кубы данных, где каждый пиксель изображения представляет четырехмерную информацию с тремя измерениями в пространственных координатах x, y и z и спектральной информацией в четвертом измерении. Кубы данных создаются с использованием принципов спектроскопии, где свойства света захватываются по набору непрерывных спектральных полос для создания характерного спектра на основе каждого пикселя. Pushbroom RS использует массив детекторов для захвата данных спектральной визуализации поверхности Земли по мере движения платформы [50,51]. В отличие от систем whipbroom, которые сканируют сцену с помощью одного детектора, системы pushbroom захватывают целые строки данных одновременно, предлагая высокое пространственное и спектральное разрешение. Этот метод минимизирует размытость движения и обеспечивает эффективный сбор данных путем непрерывной записи данных вдоль пути платформы, захватывая несколько спектральных полос одновременно.

2.1. Анализ спектральных данных

С использованием диапазонов длин волн VNIR и SWIR можно исследовать горные породы со всех этапов цепочки создания стоимости в горнодобывающей промышленности, изучая характерные особенности поглощения, перегибы и наклоны сигнатуры отдельного (пиксельного) спектра, полученного системой визуализации. В геологических средах особенности поглощения, обнаруженные в VNIR, возникают из-за переходных элементов, включая железосодержащие минералы и редкоземельные элементы (РЗЭ), в то время как область SWIR обычно используется для идентификации ассоциаций минералов изменений, связанных с гидротермальными системами месторождений цветных и драгоценных металлов [52]. Группы минералов, которые можно обнаружить и картировать в диапазонах длин волн VNIR-SWIR, включают карбонаты, сульфаты, сульфосоли, глины, фосфаты и филлосиликаты, такие как хлорит, тальк и мусковит. Подробный отчет о причинах особенностей поглощения можно найти в [3,4,5].

Различные аналитические методы используются для характеристики, классификации и полуколичественной оценки спектральных характеристик минералов, горных пород или элементов. Ни один метод не дает абсолютного ответа; скорее, каждый метод выделяет различные закономерности или нюансы в спектральных данных, которые используются в качестве прокси для интерпретации и классификации. Для этого обзора мы воздерживаемся от любых обсуждений, связанных с преимуществами и недостатками этих методов для различных приложений и источников данных. Обзор методов спектральной обработки, доступных для геологического RS, представлен в [2,4,5,30,31,32,33,34]. В нем обсуждаются несколько преимуществ и недостатков, а также проблем в методах геологической спектральной характеристики и картирования, затрагивая такие темы, как перекрывающиеся спектральные характеристики, отсутствие четкой корреляции между глубиной абсорбционных характеристик и минеральным изобилием или проблемы различных геохимических и минералогических методов проверки для проверенной спектральной минералогии. Также стоит упомянуть, что данные HSI в геологии представляют проблемы из-за высокой корреляции и избыточности спектральных полос, что может усложнить статистическое моделирование и увеличить вычислительные требования. Для выявления и сохранения полос, наиболее чувствительных к ключевым спектральным областям, используются такие методы, как снижение размерности.

Обычные аналитические методы визуализации спектроскопических данных делятся на две широкие категории: (1) основанные на данных и (2) основанные на знаниях подходы [34].

Основанные на данных подходы полагаются только на данные и некоторые дополнительные справочные данные (спектры), обычно называемые учебными классами или наборами конечных членов, которые импортируются в данные изображения или выводятся из них.

Основанные на данных подходы подразделяются на попиксельные (жесткий классификатор) и субпиксельные (мягкий классификатор) подходы с одной и несколькими метками для каждого пикселя соответственно. Основанные на сравнении попиксельные подходы, такие как спектральное сопоставление с использованием эталонной спектральной библиотеки, включают основанные на сходстве методы, такие как Spectral Angle Mapper (SAM) [53,54,55], основанные на наименьших квадратах методы, такие как регрессия наименьших квадратов (PLSR), и основанные на обучении подходы, такие как искусственные нейронные сети (ANN) [56,57], случайный лес (RF) [58] или опорные векторные машины (SVM) [59,60]. Субпиксельные категории на основе смешивания включают методы частичного и полного разделения, такие как согласованная фильтрация с настройкой смеси (MTMF) и линейное спектральное разделение (LSU). Нелинейное смешивание данных рассматривается во многих публикациях, обычно заключая, что физические свойства материала являются причиной спектрального смешивания, в то время как аппаратное обеспечение играет аналогичную значимую роль [61,62,63,64,65,66,67]. Хотя пространственные смешивания могут быть решены с точки зрения аналитики, оптимизация оборудования играет равную роль в решении этой проблемы.

Пространственная нерегистрация в оборудовании вносит огромный вклад в нелинейное смешивание спектральных сигнатур и требует рассмотрения на всех этапах обработки. Подходы, основанные на знаниях, полагаются на знания пользователя о спектральном поведении цели без использования прямых справочных данных для извлечения значимой информации из спектра. Подходы, основанные на знаниях, направлены на оценку качества и/или количества любого из основных компонентов, составляющих спектр, включая следующее: (i) континуум, (ii) полосы поглощения и (iii) остатки или шум. Эти методы включают моделирование поглощения и спектральных признаков. Распространенным подходом к картированию признаков в этой категории является «картирование минимальной длины волны» (MWL). Этот подход на основе признаков извлекает глубину, минимальную длину волны, площадь, ширину и асимметрию отдельных признаков, известных как спектральные параметры, для идентификации и картирования материалов [6,36,68,69,70]. Выходные данные этого метода могут быть переданы в экспертные системы и структуры дерева решений (DT) для обеспечения попиксельной классификации. Примерами экспертных систем являются классический USGS Tetracorder и его современный интерфейс, называемый «Алгоритм идентификации и классификации материалов» (MICA) [71,72,73]. Методы моделирования частичного поглощения и кластеризации [74], а также различные арифметические операции с полосами (например, соотношения полос) также не требуют использования уже существующих справочных данных. Применение этих методов приводит к получению спектрального сходства и оценок изображений с различными величинами сопоставленных и выведенных значений и требует специализированных методов визуализации и контекстуализации для интерпретации полученных выходных карт.

2.2. Вспомогательный сбор данных

Сбор полевых данных включает много этапов и требует тщательного управления для гиперспектральных полевых кампаний, включая исследования с использованием БПЛА. Полевые данные обычно включают различные данные приборов, вспомогательные данные («метаданные»), географические координаты и изображения, что может привести к взаимосвязанным, но разрозненным наборам данных.

Терминология здесь соответствует терминологии Исследовательской сети наземных экосистем (TERN) «Эффективные методы калибровки и проверки полей» [75]. Данные считаются прямыми количественными измерениями рассматриваемого образца либо с помощью прибора, либо другим количественным методом (например, показания прибора, необработанные изображения). Вспомогательные данные считаются данными, собранными совместно с основным набором данных, такими как географические координаты, комментарии, дата и время, описательная информация, а также изображения и информация об используемых приборах. Метаданные считаются информацией, касающейся открытия и использования данных, такой как масштаб, единицы, географические и временные масштабы, хранители и лицензирование. Тщательный сбор этой информации важен для обеспечения того, чтобы различные исследователи и заинтересованные стороны могли повторно использовать данные в будущем.

Недавно были разработаны стратегии полевой калибровки и отбора проб для данных дистанционного зондирования для экологических приложений, которые обеспечивают некоторую полезность для геонаучных исследований [75]. Четко определенные стратегии важны, поскольку полевые исследования могут быть логистически сложными, особенно для HSI на основе БПЛА, что влияет на качество данных исследования и связанных с ними данных отбора проб и калибровки грунта. Основываясь на стратегиях, разработанных для экологических приложений, мы предлагаем следующие высокоуровневые соображения для геонаучных исследований дистанционного зондирования: Во-первых, сбор полевых данных может варьироваться в зависимости от условий доступа к участку и погодных условий. В результате этих факторов стратегии отбора проб часто изменяются. Во-вторых, оборудование в более крупных кампаниях может различаться, как и наблюдатели и уровень их опыта, что приводит к несоответствиям из-за предвзятости наблюдателя и различных целей.

Следовательно, мы предлагаем принцип, согласно которому все полевые методы должны обсуждаться до начала любой кампании, и должна применяться последовательная стратегия отбора проб (например, количество/плотность образцов, размеры области отбора проб и т. д.) и соответствующие протоколы (например, процедуры калибровки, повторы, бланки и т. д.). Мы рекомендуем использовать передовую практику, предложенную TERN, например: (1) использование инструментов ввода данных для минимизации ошибок, (2) предоставление достаточного объема данных для хранения с помощью доступной и надежной базы данных с четко установленными лицензиями на данные во время и после обследования, и (3) установление частого периода обзора (ежегодного) для выявления проблем, предоставления отзывов о полноте данных и выявления несбалансированного сбора данных на разных участках и потенциальной предвзятости данных.

3. Спектральная визуализация, применяемая в секторе ресурсов

Литература для этого обзора была выявлена ​​с помощью комплексного подхода, сочетающего как систематический поиск по ключевым словам, так и использование научных знаний и предыдущего опыта соавторов. Такие поисковые термины, как «гиперспектральный», «VNIR» и «SWIR», использовались в сочетании с «горнодобывающей промышленностью», «геологией», «разведкой», «отходами шахт» и «реабилитацией», чтобы гарантировать, что соответствующие исследования были идентифицированы в различных тематических областях. Эти термины были выбраны на основе их релевантности фокусу исследования на технологиях на основе БПЛА от разведки полезных ископаемых до управления отходами шахт. В результате в следующий обзор было включено 112 исследований.

На сегодняшний день данные HSI на основе БПЛА были представлены только в нескольких опубликованных тематических исследованиях. Тем не менее, существует множество исследований, основанных на наземной, воздушной и спутниковой спектроскопии изображений в горнодобывающем секторе, и их обзор может дать важные уроки для применения и интерпретации данных HSI на основе БПЛА, учитывая их близкую аналогию. В следующем разделе соответствующие исследования RS в горнодобывающем секторе рассматриваются и классифицируются на основе различных стадий жизненного цикла горнодобывающей промышленности от разведки до добычи полезных ископаемых и, наконец, закрытия и реабилитации.

Обратите внимание, что, хотя многие из упомянутых исследований основаны на платформах, отличных от UAS, общие перспективы в рассмотренных исследованиях включают следующее:

(1) Более высокое пространственное разрешение принесет пользу методу и интерпретации и добавит ценность, а перспективы опубликованных исследований часто напрямую говорят в пользу использования платформ БПЛА, как только они станут доступны.

(2) Использование БПЛА может обеспечить более безопасный сбор данных по сравнению с наземным сканированием и сбор данных в областях, которые не могут быть достигнуты другими методами

Поэтому мы считаем, что рассмотренные ниже методы и их выводы напрямую приносят пользу будущему применению гиперспектральных БАС в горнодобывающем секторе.

В публикации Бедини, 2017 [30], было рассмотрено использование гиперспектральных данных для разведки полезных ископаемых основных типов месторождений. Автор пришел к выводу, что в то время как магматические и гидротермальные рудные месторождения были широко изучены с использованием гиперспектральной технологии, гидротермальные рудные месторождения в осадочных средах, полосчатые железные формации, месторождения марганца, размещенные в осадочных породах, и другие рудные месторождения осадочных сред, а также супергенные руды, не имеют зарегистрированных гиперспектральных исследований о них или имеют лишь ограниченное количество исследований. Порфировые медь и молибден, а также эпитермальные золотые месторождения подробно характеризуются с использованием гиперспектральной технологии во многих исследованиях. Это, вероятно, связано с тем, что минералы гидротермального изменения, такие как определенные глины, филлосиликаты и сульфаты, спектрально активны в VNIR и SWIR и имеют отношение к вектору в сторону минерализованных зон в этих типах месторождений. Хотя предыдущая работа была сосредоточена на этих типах месторождений, будущие приложения не ограничиваются ими.

Уроки предыдущих исследований и предыдущих лабораторных и наземных исследований показывают, что различные критически важные операции по добыче сырья и минеральных агрегатов выигрывают от использования гиперспектральных БПЛА. Помимо исследований, упомянутых в [30], в разделе 4 рассматриваются дополнительные гиперспектральные изображения, применяемые при разведке, эксплуатационной добыче и извлечении, обнаружении AMD и мониторинге окружающей среды, реабилитации и ревальоризации. В этом обзоре мы ссылаемся исключительно на открытые горные работы и среды после открытых горных работ при обсуждении использования гиперспектральных БПЛА. Затем рассматриваются исследования, основанные на различных платформах (наземных, воздушных и спутниковых), если они показывают потенциал для применения знаний для HSI БПЛА.

Здесь мы подчеркиваем, что текущий обзор в первую очередь фокусируется на применении спектральных данных ДЗ в горнодобывающей промышленности и не охватывает изобразительные характеристики спутниковых данных высокого разрешения, обычно используемых в горнодобывающем секторе для логистических приложений, обнаружения изменений земель и картирования (включая топографическое картирование).

В Приложении A перечислены рассмотренные исследования и они помещены в контекст области применения, используемого датчика и платформы, а также основной цели картирования (таблица A1).

3.1. Использование HSI в разведке полезных ископаемых

Гиперспектральная ДЗ традиционно применялась в разведке полезных ископаемых, и сектор разведки несет ответственность за многие опубликованные тематические исследования за последние десятилетия [37,41,76,77,78]. Это было достигнуто в основном с использованием бортовых гиперспектральных и/или спутниковых мультиспектральных наборов данных в различных масштабах, при этом несколько исследований были сосредоточены на картировании полезных ископаемых в масштабе месторождения. Хорошо документированным примером является изучение третичных каналов железной руды в Rocklea Dome в регионе Хамерсли, Австралия, покрытых выветренными/перенесенными материалами. Воздушные, а также поверхностные и подземные буровые керны, гиперспектральные данные (VNIR—SWIR) использовались для трехмерного картирования полезных ископаемых [79,80]. Благодаря объединению данных о поверхности и подповерхности было продемонстрировано, что около 30% разведочных скважин были пробурены в бесплодной почве и их можно было бы потенциально избежать, если бы аэрофотосъемка HSI была проведена для планирования скважин с целью выявления поверхностных структур, указывающих на залежи минерализованных каналов. Более недавнее исследование [81] использовало аэрофотосъемку высокого разрешения (HyMap, пространственное разрешение 5 м) для картирования минералогии изменений на месторождении медно-порфировой руды в Иране с целью создания карты благоприятности бурения. HSI эффективно картировал типичные минералы изменений, такие как белая слюда, смектит, каолинит и железистые минералы, которые все имеют отношение к определению близости к металлической минерализации. Таблица A1 в Приложении A содержит список этих доступных в настоящее время исследований, включая область применения и целевые минералы или соответствующие конечные элементы, а также используемую систему визуализации, используемый метод и продукты данных. Новое поколение космических гиперспектральных методов визуализации, таких как PRISMA, EnMAP, EMIT и GaoFen-5 (GF-5), также хорошо оснащены и в основном используются для разведки полезных ископаемых и картирования изменений/литологии [76,82,83,84,85]. Тем не менее, высокое спектральное разрешение (<10 нм) и высокое отношение сигнал/шум (>400:1) этих систем визуализации могут найти многочисленные применения в горнодобывающем секторе.

Заметным преимуществом космической спектроскопии визуализации является ее обширное покрытие в глобальном масштабе. Например, одна сцена EnMAP охватывает приблизительно 1000 км2.

В отличие от наземной гиперспектральной съемки, которая все еще прокладывает свой путь в секторе разведки, HSI прочно обосновалась в технологии сканирования керна в новых и старых месторождениях и дала ценные уроки для картирования минералов с высоким разрешением.

Примеры того, где было применено гиперспектральное сканирование керна, включают месторождения порфира Cu [86,87], минералы изменения порфировых месторождений [88,89,90], исследования качества угля [91], минерализацию вулканогенных массивных сульфидов Au-Cu-Zn (VMS) [87,92,93,94], урановые месторождения, связанные с несогласием [95], анализ пород фундамента [96], характеристику минералов, содержащих РЗЭ [97], твердость материала для оптимизации процесса в добыче золота [98] и литологическое различение в месторождениях железной руды [99]. В дополнение к этим приложениям, гиперспектральное сканирование керна предлагает значительный потенциал для калибровки гиперспектрального дистанционного зондирования в более крупных масштабах. Связывая спектральные данные высокого разрешения, полученные при сканировании керна, которые можно проверить с помощью различных геохимических или минералогических методов, можно создавать маркированные, специфичные для участка спектральные библиотеки для целей классификации. Например, спектральные сигнатуры от идентифицированных минеральных фаз, текстурные вариации и закономерности изменений, наблюдаемые при сканировании керна, можно использовать в качестве основы для уточнения моделей дистанционного зондирования и для понимания влияния различий в масштабах между размерами пикселей сканирования керна <1 мм × 1 мм и размером забоя шахты 10 см × 10 см, а также размерами спутниковых пикселей до 30 м × 30 м.

3.2. Использование HSI на этапах оперативной добычи и извлечения

Данные HSI использовались в различных исследовательских работах на этапах добычи и активных этапах добычи. Наземная съемка HSI продемонстрировала, как находить потенциальные зоны отказа, связанные с данными неструктурных геологических факторов, путем картирования наличия и протяженности глинистых горизонтов, которые склонны к отказу и требуют мониторинга стабильности [100]. Спектроскопия изображений использовалась для обнаружения вредных выбросов летучих газов (включая, помимо прочего, CO2 и CH4) от промышленных процессов для обнаружения утечек [101,102], возможность, которая может быть естественным образом распространена на горнодобывающие предприятия и для планов рекультивации.

Немногие исследования с использованием HSI были проведены в активных горнодобывающих средах и интегрировали спектральные данные в процесс добычи на производственной основе. Большинство этих исследований опирались на сканирование гиперспектральных обнажений как на устоявшийся метод картирования поверхностной минералогии и литологии в естественных обнажениях горных пород и забоях карьеров. Хотя эта технология не принята в горнодобывающей промышленности в целом, она позволяет осуществлять идентификацию на основе данных, а также сортировку по качеству картирования (руда, отходы, загрязнения) до или после взрывных работ, а также перед погрузкой и транспортировкой горной массы. В настоящее время из-за отсутствия легко развертываемого HSI-UAS гиперспектральная камера, установленная на штативе, позволяет получать изображение с вертикальных забоев. Это часто называют «наземным» HSI. Обзор опубликованных в настоящее время тематических исследований по наземному сканированию забоев шахт дает представление о будущих исследованиях HSI на основе UAS [33]. Возможности данных VNIR-SWIR для литологического картирования в обнажениях были изучены для картирования минералов РЗЭ, сырой нефти и сланца в обнажениях и образцах с помощью воздушного HSI [103,104,105,106]. Обнаружение РЗЭ в обнажениях в комплексе FEN в Норвегии выполнялось путем определения узких особенностей поглощения РЗЭ с использованием методов шумоподавления [107] при горнодобывающих работах в этом районе. Сканирование обнажений на большом расстоянии (расстояние <1 км) было выполнено в восточной части Аляскинского хребта для картирования выходящих на поверхность порфировых месторождений [108,109]. Автоматическое картирование геологии забоя шахты было опубликовано в сочетании с 3D-моделированием поверхностей открытых карьеров на основе LiDAR [55,60,100,110]. Было протестировано литологическое и картирование железной руды в неуказанном открытом карьере в регионе Пилбара в спектральном диапазоне VNIR [60,111], а также картирование забоев шахты при добыче железной руды и золота с использованием наземного HSI [112]. Выступы на поверхности в литий-пегматитовой шахте в Северной Португалии были отсканированы с использованием наземного и основанного на UAS SWIR [113], а подземное картирование выступов HSI было выполнено в нескольких случаях, например, для картирования глинистых материалов для оценки герметизирующих свойств в швейцарской лаборатории горных пород Мон-Терри [114] и в подземной шахте Li в Циннвальде/Чиновеке [115]. Первая полностью скорректированная наклонная гиперспектральная съемка выступов на поверхности с помощью UAS была опубликована для литологии известняка [116]. Обзор наземных гиперспектральных исследований с близкого расстояния от 2019 года [33] подробно охватывает многие из этих исследований. Характеристика белой слюды с помощью средств HSI была рассмотрена в [117] применительно к различным типам месторождений, таким как сульфидные цветные металлы, эпитермальные, порфировые, орогенные золотые, золото, размещенное в осадочных породах, железооксидно-медное золото и урановые месторождения, связанные с несогласием. Химия белой слюды и комбинированная характеристика белой слюды 2200 нм имеют значимую связь.

Положение длины волны белой слюды в карьере Крессон на руднике Крипл-Крик и Виктор в Крипл-Крик, штат Колорадо, США, отображено на рисунке 1. Общая тенденция к более длинным позициям волн из-за более низкого содержания Al с увеличением глубины карьера соответствует увеличению близости к высокотемпературному причинному вторжению на глубине.
Рисунок 1. Карта минералов в масштабе обнажения с использованием данных HSI, собранных сотрудниками Геологической службы США в карьере Крессон. Регионы, исключенные из анализа (т. е. площадка выщелачивания и отвалы), обведены красным. Красные круги, обозначенные a, b и c, указывают на местоположения средних значений 3 × 3 пикселя, используемых для создания спектральной библиотеки конечных членов и отслеживания сдвигов в положениях длин волн белой слюды. Рисунок из [117], опубликован в открытом доступе (https://creativecommons.org/licenses/by/4.0/, дата обращения 1 марта 2024 г.).
Первое исследование HSI с использованием UAS и штатива было проведено в контексте геометаллургии на небольшом действующем медном руднике и операции по выщелачиванию. Оно пришло к выводу, что HSI может стать полезным инструментом для обнаружения распределения глин и карбонатов [118]. Глины хорошо различимы с помощью HSI и представляют интерес в активных горнодобывающих средах, поскольку они влияют на извлечение в циклах флотации и отвечают за более низкую проницаемость при выщелачивании, избыточные мелкие частицы при измельчении, повышенное пыление в хвостовых отвалах и ослабленную горную массу. Присутствие карбонатов представляет интерес, поскольку эти минералы являются основными краткосрочными потребителями кислоты в большинстве операций по выщелачиванию. Barton et al. (2021) [118] определили несколько критериев, которые не были выполнены на момент публикации для достижения масштабных требований к геометаллургическим приложениям: надежное оборудование и простота сбора данных, адекватное время выполнения с результатами, доступными в течение нескольких дней после сбора данных, постоянное качество данных при различных погодных условиях, надежные методы компенсации освещенности и надежные методы снижения влияния различного содержания воды и теней на данные.

3.3. Закрытие и восстановление

В следующем разделе рассматриваются исследования, связанные с закрытием и восстановлением шахт. Во-первых, рассматриваются исследования обнаружения AMD, поскольку мы обнаружили, что AMD представляет особый интерес для исследований на основе гиперспектральных БПЛА, в частности, поскольку в этой области исследований были развернуты легкие БПЛА, работающие только в диапазоне VNIR. В разделе 3.3.2 более широко рассматриваются исследования HSI, связанные с мониторингом окружающей среды, восстановлением и ревалоризацией.

3.3.1. Обнаружение AMD

Горнодобывающая деятельность часто связана с нанесением ущерба окружающей среде из-за размещения больших объемов горных пород, которые потенциально вредны для окружающей среды. Многочисленные заброшенные шахты оставили экологическое наследие в виде пустой породы и хвостов, производящих AMD и вносящих токсичные металлы в водоразделы ниже по течению с неблагоприятным воздействием на флору и фауну [119,120,121]. Многие из представленных исследований показали успех и ограничения использования космических и воздушных данных с более низким пространственным разрешением. Знания, полученные в этих исследованиях, очень многообещающи при применении к данным с более высоким пространственным разрешением, основанным на БПЛА, поскольку они позволяют более точно обнаруживать закономерности для усилий по реабилитации. Датчики HSI на БПЛА еще не используются для регулярного мониторинга материала хвостохранилищ, и только недавно были опубликованы рецензируемые исследования, документирующие развертывание БПЛА над участками хвостохранилищ. Использование БПЛА над хвостохранилищами (ХХ) было сосредоточено на мониторинге потенциального проседания [10], а не на идентификации материалов и/или регулярном мониторинге загрязнения окружающей среды и его воздействия. AMD обычно возникает из-за усиленного процесса гидроокисления сульфидов, происходящего из-за увеличенной эффективной поверхности дробленых/измельченных пород, отложенных в TSF, выщелачивающих площадках или шахтных отвалах после добычи и переработки полезных ископаемых. AMD обычно обнаруживается непосредственно в сбросе загрязненных вод из шахт и связанных с ними сульфатных минералов, отложенных в виде эвапоритов. Спектральная визуализация может эффективно идентифицировать загрязнения и определять их источники и воздействие на водный цикл и здоровье растительности [72,122]. Кроме того, HSI можно использовать для прогнозирования потенциальных источников сброса AMD, а также кислотной нейтрализующей способности природных геологических материалов, включая карбонатные минералы и минералы пропилитовой ассоциации изменений. Его можно использовать для картирования ключевых pH-чувствительных вторичных оксидов/гидроксидов/сульфатов железа (например, ярозита, копиапита, швертманнита, ферригидрита и гетита), что позволяет картировать RS pH областей, затронутых AMD [121,123,124,125,126,127,128,129,130,131,132,133,134,135,136,137].

Возможность картирования pH в гиперспектральных данных с воздуха (AVIRIS и HyMap) на основе регрессионного моделирования PLSR полевых pH и спектральных данных была продемонстрирована в [132,137]. Многовременное прогнозирование pH было выполнено для пирита Брукунга в Южной Австралии и в горнодобывающем районе Лидвилл, штат Колорадо [121,137]. Картирование минералов в зависимости от pH почвы также было изучено для озер открытой добычи полезных ископаемых в регионе Соколов в Чешской Республике [138,139,140,141]. Хотя был достигнут определенный успех в картировании особенностей железа с использованием космических мультиспектральных данных [142], большинство исследований подчеркивают необходимость гиперспектральных данных для эффективной дифференциации минеральных видов, чувствительных к pH. Однако это сильно зависит от пространственного разрешения данных [143]. Использование спутниковых и воздушных снимков того же дня, полученных над одним и тем же участком, было исследовано для понимания точности прокси-данных AMD карты на основе пространственного и спектрального разрешения [44]. Исследование включало изображения с Sentinel-2 (S2, 443–2190 нм, 4 полосы, 10 м2 пикселей, смоделированные), PlanetScope (PS, 464–888 нм, 4 полосы, 3 м2 пикселей) и изображения с UAS на основе Nano-Hyperspec (Nano, 400–1000 нм, 270 полос, <50 мм2 пикселей) в сочетании с наземными ручными точечными данными VNIR-SWIR.

Оксигидроксиды Fe (III) рассматриваются в качестве прокси для AMD. Соотношение полос трехвалентного железа (Fe (III) железо) (665/560 нм) исследуется в качестве прокси для AMD для сравнения значений отражательной способности RS Fe (III) с наземными значениями.

Связь между ними уменьшается с уменьшением пространственного разрешения сенсора (коэффициент корреляции между RS и наземным трехвалентным железом: Nano < PS < S2), в то время как смешанные пиксели между водой и поверхностью земли увеличиваются с уменьшением пространственного разрешения (встречаемость смешанных пикселей: Nano > PS > S2). Это демонстрирует различную степень успешности использования неинтрузивных инструментов съемки RS AMD. На рисунке 2 показаны карты соотношений полос Fe3+ для различных наборов данных из [44].
Рисунок 2. Индексы соотношения полос железа Fe (III) для смоделированного Sentinel-2 (a), PlanetScope 2.SD (b), UAV (c) и портативного спектрометра ASD Halo (d) и естественного RGB-изображения Уил-Мейда (e). Красные области указывают на высокое распределение пикселей железа Fe (III), темно-зеленые области обозначают растительные области. Модель для портативного точечного спектрометра была создана с помощью кригинга (d). Рисунок изменен из [143], опубликованного в открытом доступе (https://creativecommons.org/licenses/by/4.0/; доступ 1 марта 2024 г.). Первоначально опубликованные графики (f–h) были обрезаны.
Эффект пространственного разрешения при обнаружении AMD был рассмотрен в моделируемом исследовании, указывающем на то, что пространственное разрешение 30 м текущих (и будущих) гиперспектральных спутниковых систем будет достаточным для определения опасных зон вокруг мест добычи. Оптимальное разрешение для достижения этой цели было определено как 15 м [144]. Пример применения гиперспектральных данных EnMAP (пространственное разрешение 30 м) при картировании особенностей поглощения трехвалентного железа Fe (III), возникающих из оксидов железа (гематит-гетит) и сульфатов (в основном ярозит) вокруг медного рудника Чукикамата, показан на рисунке 3, созданном в рамках проекта M4Mining.
Рисунок 3. Пространственное распределение оксидов железа Fe (III) вокруг медно-порфирового рудника Чукикамата в Чили с использованием гиперспектральных спутниковых данных EnMAP, полученных 30 апреля 2023 года. На левой панели показаны композитные изображения в естественных цветах, на средней панели показано относительное содержание оксидов трехвалентного железа, а на правой панели показана минимальная длина волны трехвалентного элемента от 875 нм до 955 нм. Этот диапазон длин волн указывает на распространенность ярозита (голубоватого) и гетита (красноватого) в регионах. Эти данные были подготовлены в рамках проекта M4Mining для демонстрации возможностей картирования EnMap в крупном масштабе для горнодобывающей промышленности. Картографированные закономерности основаны только на спутниковых данных и не были проверены на месте.
Данные высокого разрешения, основанные на UAS, только VNIR, были получены вместе с физико-химическими полевыми данными и лабораторными анализами воды и отложений вдоль участка Тинтильо [124]. Кислотная река Тинтильо собирает дренаж из массивного месторождения сульфидов Рио-Тинто с кислой водой и растворенными металлами (Fe, Al, Cu и Zn, среди прочих) и переносит их в реку Одиель с известным нейтральным pH. Данные HSI VNIR, основанные на UAS, были собраны и использованы для картирования изменений pH в реке, а также любых минералогических тенденций на берегу реки, как показано на рисунке 4.
Рисунок 4. Графическая аннотация из [124], показывающая результаты прогнозирования случайной лесной регрессии для значений pH в речной воде реки Тинтильо (Испания), которая собирает стоки с западной части массивного сульфидного месторождения Рио-Тинто. Рисунок доступен по лицензии CC BY 4.0 (https://creativecommons.org/licenses/by/4.0; дата обращения 1 марта 2024 г.).
Действующий рудник Cu-Au-Pyrite Skouriotissa и прилегающая территория в Республике Кипр были изучены с помощью поверхностных образцов и спутниковых снимков. В рамках проекта REMON (дистанционный мониторинг хвостохранилищ с использованием спутников и беспилотников) [145] территория была проанализирована с использованием многоспектральных спутниковых данных (WorldView-2 и 3 и Sentinel-2) и наземных систем сканирования. Характерные минералы, связанные с различными значениями pH, нанесены на карту, представляя очень низкие (ярозит), низкие (гетит) и нейтральные (гематит) значения pH.
На рисунке 5 показана разница в картировании этих минералов с использованием данных, полученных с помощью WorldView-2 (4 м × 4 м пикселей, 16-полосный суперспектральный) и Sentinel-2 (20 м × 20 м пикселей, 9-полосный мультиспектральный) [146]. Аналогичным образом, забой шахты и окружающая территория заброшенной шахты Cu-Au-Py Apliki, к югу от шахты Skouriotissa, были проанализированы с использованием наземных данных HSI и WorldView-2 для картирования изменений штокверка на поверхности [147,148,149].
Рисунок 5. Карты вторичных железных минералов из шахты Скуриотисса, мониторинг кислотообразующего потенциала. Слева: минеральная карта на основе данных WorldView-2, предоставленных European Space Imaging® в рамках проекта ESA TPM 61058 (4 м × 4 м пикселей); справа: минеральная карта на основе данных Copernicus Sentinel-2 (20 м × 20 м пикселей). Из [146], лицензировано в соответствии с CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/; дата обращения 1 марта 2024 г.).
3.3.2. Экологический мониторинг, реабилитация и ревалоризация

Гидрохимические параметры горных озер можно контролировать с помощью спектральной визуализации [150]. Минералы, вызывающие опасность для окружающей среды, такие как асбест и тальк, из-за их волокнистой структуры, вреда для здоровья дыхательных путей и появления в ультраосновных горных комплексах и/или из антропогенных источников, таких как горнодобывающая деятельность, могут быть обнаружены с помощью космических данных HSI [123,151]. Кроме того, HSI может прогнозировать содержание тяжелых металлов, а также идентифицировать и картировать химическое/геохимическое содержание отходов и остатков [123,127,152,153,154,155,156,157,158]. HSI оказался полезным для количественных измерений выбросов пыли от горнодобывающей деятельности в близлежащих районах [159,160,161]. Кроме того, он используется для мониторинга содержания влаги в почве на поверхности хвостохранилищ и прогнозирования/предотвращения нежелательных выбросов пыли из окружающей среды горнодобывающей промышленности [162]. Движение кислотообразующих минералов с подветренной стороны также можно отслеживать с помощью данных HSI [130].

С экономической точки зрения, хвостохранилища могут содержать большое количество ценных металлов, которые могут быть оценены (в сочетании с данными in situ и лабораторными данными) для повторной добычи [125,163,164]. Несмотря на то, что данные HSI дали обнадеживающие результаты в картировании минералогии площадок выщелачивания, низкое пространственное разрешение существующих (и, вероятно, ближайших будущих) космических датчиков HSI может быть недостаточным для картографирования в масштабе площадок выщелачивания и, скорее всего, потребует беспилотных летательных аппаратов с высоким пространственным разрешением [165,166]. Spaceborne HSI также использовался для создания классификационных карт почвенно-растительного покрова вокруг мест добычи полезных ископаемых, направленных на понимание влияния горнодобывающей деятельности на ландшафт и геосреду в региональном масштабе [167]. Во время мелиорации и рекультивации земель эта технология может быть использована для мониторинга/оценки мелиорации и восстановления окружающей среды [29,129,168,169,170]. Он также может быть использован для мониторинга структуры ландшафта, изменения растительности и загрязнения почвы во время горных работ и закрытия [171]. Связав долю первопроходной растительности, полученную из аэрозольных гиперспектральных данных, с pH, авторы [172] разработали инструмент мониторинга для пространственной оценки форм рельефа после добычи полезных ископаемых. Несмотря на то, что спектральные спектрометры не используются, они успешно используются для определения присутствия солей и корок, формирующихся над хвостохранилищами, и распространения AMD в сочетании с данными спутниковых HSI во время полевых исследований. В качестве примера можно привести исследование хвостохранилища в Мексике [173]. Кроме того, картирование почв и хвостохранилищ из старых рудников в Новой Шотландии, Канада, было показано с помощью спутника HSI, проверено на земле с помощью гиперспектральных точечных спектрометров [174], что позволило успешно составить карту масштабов распространения хвостов, изобразив глины, хлорит и водный аморфный материал (кварц). HSI также предлагает инструменты для мониторинга масштабов произошедшего события, такого как прорыв дамбы хвостохранилища. Например, спутниковое исследование MSI помогло составить карту масштабов прорыва плотины Мариана в Бразилии в 2015 году и оценить экологические и социально-экономические последствия аварии [175]. HSI может стать ценным инструментом для оценки экологического ущерба в отдаленных районах и вблизи заброшенных шахт [176]. HSI может представлять интерес для предотвращения этих бедствий путем более тщательного мониторинга изменений минеральной поверхности, содержания воды и накопления водной поверхности, включая растительный покров вдоль фронта дамбы хвостохранилища и указания водораздела этих заброшенных дамб хвостохранилища. Несмотря на то, что опубликованные исследования по HSI отсутствуют, их потенциал, основанный на вышеупомянутых исследованиях, высок.

4. Передовые методы спектральной визуализации на основе беспилотных летательных аппаратов

В следующих разделах обсуждается современное оборудование гиперспектральных беспилотных летательных аппаратов и проекты обзоров, включая рекомендации по выборке во время полевых работ, чтобы помочь в интерпретации и проверке данных. Это включает в себя передовые методы сбора данных VNIR и SWIR на основе БАС для получения значимых высококачественных данных в горнодобывающей промышленности. Мы также включили документ по планированию полетной кампании в Приложение В, чтобы обеспечить более практический контекст. В то время как исторически полнокадровые датчики VNIR на основе БАС использовались для приложений геологического картирования, например, [159,176], включение диапазонов длин волн SWIR требует сбора данных с помощью метлы и только недавно стало возможным в промышленных приложениях из-за миниатюризации камер, небольших платформ, требований к мощности БАС и охлаждения (<−100 °C) детекторов. а также высокопроизводительные подвесы.

Включение диапазона длин волн SWIR дает ценную информацию для обнаружения минералов, но также усложняет планирование съемки и полета. Диапазон длин волн SWIR обеспечивает зависимость от точных измерений атмосферных условий, а также от геометрической и радиометрической коррекции и обработки данных. В настоящее время доступно лишь ограниченное количество публикаций с использованием камер SWIR, установленных на БАС (например, [116,118,177,178,179,180]), а это означает, что эта область исследований только зарождается, и наше понимание хороших методологий все еще находится в зачаточном состоянии. Аналогичным образом, рекомендации по получению и коррекции совмещенных наборов данных VNIR-SWIR, а также точная географическая привязка и геометрическая коррекция таких объединенных наборов данных остаются темой текущих исследований.

В таблице 1 приведены известные в настоящее время производители гиперспектральных камер с камерами, способными собирать данные, относящиеся к геологическим поверхностям. В список входят системы, использующие как pushbroom, так и полнокадровые камеры, а также камеры VNIR и VNIR-SWIR, оптимизированные для установки на беспилотные летательные аппараты.

Таблица 1. Список доступных в настоящее время готовых гиперспектральных камер, которые могут быть установлены или были установлены на платформы БАС. Список был составлен с использованием информации, находящейся в свободном доступе с веб-сайтов и пресс-релизов отдельных компаний (по состоянию на апрель 2024 года). Авторы не могут гарантировать, что информация на веб-сайтах поставщика оборудования является актуальной или полной.
4.1. Выбор гиперспектральных беспилотных летательных аппаратов

Гиперспектральный БАС обычно состоит из платформы корпуса, гиперспектральной камеры, инерциальной навигационной системы (INS) с одним или двумя инерциальными измерительными приборами (IMU) и приемника дифференциальной глобальной навигационной спутниковой системы (GNSS), подключенного к антенне GNSS (см. Пример настройки на рисунке 6). Планер обеспечивает платформу для всех компонентов, то есть соединяет кронштейны БПЛА с двигателями и несущими винтами, если используются мультироторные системы: шасси/опоры, источник энергии (например, аккумуляторы или топливо), адаптер для карданного подвеса или прямого крепления камеры, различные GNSS и радио антенны как для БПЛА, так и для камеры, светодиоды позиционирования и система автопилота самого БПЛА. Платформа содержит аккумуляторы и полезную нагрузку в виде карданного подвеса и камеры.

Максимально разрешенная взлетная масса БАС (MTOM) и сертификация (обозначение C-класса) определяют, в каком классе, в каких условиях и районе может эксплуатироваться БАС, и зависят от юрисдикции, регистрации и лицензии пилота/пилотажной компании и оператора БАС. Это весьма существенно отличается у разных производителей беспилотных летательных аппаратов и их конфигураций, а также меняется в разных странах и юрисдикциях. В европейских странах необходимо соблюдать правила и предписания Агентства авиационной безопасности Европейского союза (EASA) [181,182,183], основанные на рекомендациях Международной организации гражданской авиации (ICAO) [184], включая местные нормативные акты в различных странах.
Рисунок 6. Обзор образцового беспилотного летательного аппарата, включая платформу октокоптера, подвес и полезную нагрузку камеры. В частности, речь идет о камере HySpex Mjolnir VS-620 (фирмы NEO, Осло, Норвегия) и лидаре от Velodyne VLC-32 (компании Mapix Technologies, Эдинбург, Великобритания), установленных на октокоптере BFD SE8 (компания BFD Systems, Пеннсокен, штат Нью-Джерси, США). Несмотря на то, что ИНС не указана на изображении, она жестко смонтирована в корпусе гиперспектральной камеры.
Несмотря на то, что существуют и другие системы (см. Таблицу 1), в качестве примера для создания рекомендаций по передовой практике в данной рукописи используется октокоптер BFD SE8, на котором установлена камера Mjolnir VS-620 от HySpex, и лидар от Velodyne (Рисунок 6). Приведенные ниже рекомендации относятся к аналогичным гиперспектральным БАС. Это хорошее представление современных гиперспектральных беспилотных летательных аппаратов, оснащенных как системой камер VNIR-SWIR, так и сканером LiDAR, установленным вместе. Общая взлетная масса системы составляет менее 25 кг в соответствии с EASA для полетов в категории A3/открытой категории §4 2019/947. Mjolnir VS-620 состоит из гиперспектральной камеры VNIR V-1240 и SWIR S-620, интегрированных в одно шасси по двум оптическим осям в совмещенном поле зрения, блока сбора данных, управляющего двумя датчиками, внутренней ИНС и радиосвязи с наземной станцией для удаленного доступа к Mjolnir (Transmission Control Protocol/Internet Protocol link (TCP/IP)). Технические характеристики камер и платформы БПЛА см. на веб-сайте поставщика оборудования. Сканер LiDAR установлен под камерой HSI (рис. 6) и подключен к тому же программному обеспечению. В то время как лидар работает независимо от гиперспектрального сканера HSI, он получает временные метки в виде сообщений NMEA (Национальная ассоциация морской электроники) и сигналов со скоростью импульса в секунду (PPS) от той же ИНС, что и камера HSI. На рисунке 6 показан схематический обзор беспилотного летательного аппарата. БАС приводится в движение двумя литий-полимерными высоковольтными (LiHV) батареями емкостью 25 Ач.

Сложные взаимодействия и компоненты БАС подробно описаны в [38] и выходят за рамки данного документа. Чтобы реконструировать три пространственные измерения решения с помощью щетки, необходимо с высокой точностью знать три оси, представляющие крен, тангаж и направление каждой средней экспозиции каждого кадра. Это движение преувеличено в БАС из-за легкой платформы и высокого пространственного разрешения [38]. Таким образом, это движение фиксируется дополнительным набором дифференциальных GNSS и IMU, специфичным для камеры, чтобы скорректировать движение камеры относительно планера [185,186]. Калибровка с помощью прицела учитывает угловое вращение между системой координат IMU и системой координат камеры, преобразуя данные INS в систему координат камеры. Это достигается с помощью полета по направлению полета над четко определенными наземными контрольными точками (GCP) или с помощью картографического ортофотоплана и цифровой модели поверхности (DSM). В качестве альтернативы, прицеливание на основе схемы перекрестного полета является установленным стандартом для достижения этой цели [185,186]. Использование карданных подвесов целесообразно, а некоторые могут сказать, что необходимо для мультироторного БАС с метлой, в первую очередь для стабилизации полезной нагрузки изображения. Это помогает поддерживать постоянную ориентацию относительно земли и особенно верно для систем с щетками, где каждая линия собирается в разное время, в то время как БАС движется в горизонтальном направлении и вибрирует сам. Мультироторные беспилотные летательные аппараты из-за присущей им неустойчивости, вызванной движениями ротора и факторами окружающей среды, такими как ветер, требуют карданных подвесов для противодействия этим движениям и поддержания стабильной полезной нагрузки изображения. Профессиональное аппаратное и программное обеспечение карданного подвеса только недавно стало доступно для мультироторных решений и является одной из причин, по которой системы с подметлой ранее не получили широкого распространения в беспилотных летательных аппаратах [37].

4.2. Подготовка гиперспектральной кампании по использованию БАС

Первым шагом в разработке исследования является определение области интереса, а также доступных временных рамок и необходимого времени в воздухе. На площадь, которую можно охватить, влияет количество доступных полевых дней, включая время на транспортировку оборудования. Транспортировка всего оборудования должна включать в себя транспортировку тяжелых технических компонентов, а также всех литиевых аккумуляторов, в район обследования.

Рекомендуется планировать все индивидуальные полеты по сбору и калибровке данных заранее, чтобы получить представление о местности и общем необходимом летном времени при идеальных условиях полета (скорость ветра, угол наклона солнца, атмосферные условия).

Однако, исходя из практического опыта, почти все планы полетов потребуют корректировки в полевых условиях в зависимости от условий на месте. Это особенно верно для горнодобывающей промышленности, где местоположения участков часто удалены, подвержены суровым условиям окружающей среды, расположены на больших высотах или близко к порту и, следовательно, подвержены различным ветровым условиям. Это может быть сопряжено с трудностями и требует выбора устойчивых платформ, сертифицированных для более высоких скоростей ветра и больших высот максимальной плотности, чтобы обеспечить полеты на большой высоте, высоком давлении и высоких температурах, таких как шахты в Латинской Америке. При планировании полета необходимо учитывать угол наклона солнца, доступное освещение, изменение уровня поверхности, предполагаемый расход аккумулятора, возможности и пределы движения по рельефу местности, а также местное законодательство и ограничения в отношении беспилотной авиации. Это особенно важно в горнодобывающей промышленности, где существуют очень изменчивые антропогенные условия местности. Забои в карьерах освещаются в разное время суток или, в худшем случае, обращены на север, а разрядка аккумуляторных батарей из-за динамических изменений рельефа представляет собой дополнительную проблему. Также необходимо учитывать изменчивость размеров линий полета после коррекции данных и любые возможные возникающие в результате этого пробелы в собранных данных. Поэтому авторы рекомендуют перекрывать отдельные линии полета на 25%, чтобы избежать потери данных во время мозаики. Цель съемки определит требуемый размер наземного пикселя или пространственное разрешение. Это, в свою очередь, диктует оптимальную высоту полета и требуемую функцию разброса точки выборки, совместимую с требованиями к размеру пикселя. Скорость полета регулируется для достижения максимального отношения сигнал/шум (SNR). Испытательный полет перед первым полетом для сбора данных может помочь оператору определить оптимальное время интеграции камеры VNIR и SWIR, чтобы избежать перенасыщения или недонасыщения светлых пикселей альбедо.

Это даст информацию о взаимосвязи между скоростью, высотой и отношением сигнал/шум и, вероятно, приведет к компромиссам с учетом цели исследования. Скорость работы различных систем будет зависеть от светочувствительности системы, т.е. F-числа линз, размера пикселя в данных о излучении (RAD) и спектральной выборки, и будет отличаться от системы к системе.

В качестве примера можно привести описанный выше беспилотный летательный аппарат, который был достигнут при полете на максимально допустимой высоте 120 м над уровнем земли (AGL), что привело к соответствующему размеру пикселя 6,48 см/пиксель при скорости у земли от 2 до 4 м/с. Это характерно для сенсора Mjolnir VS-620, поскольку он собирает в общей сложности 620 пикселей за кадр на полосе обзора на высоте 42,8 м при высоте 120 м над уровнем моря. Максимальная высота AGL для планирования полета будет отличаться в зависимости от сертификации БПЛА, квалификации пилота и правил страны.

Изменения угла наклона солнца и силы освещенности в течение дня определяют оптимальные временные рамки сбора данных. Наилучшее освещение доступно около полудня (солнце близко к полудню), и рекомендуется тщательно планировать съемки примерно в этот период времени, с углом солнечного зенита ниже 70° (оптимальный) или ниже 80° (приемлемый). Однако при работе на крутых склонах интересующие их участки могут быть освещены только в определенное время суток (что особенно важно для вертикальных измерений с помощью БАС или штатива). Погода является ключевым фактором, который необходимо учитывать на этапе планирования, а также в полевых условиях. Вопросы, которые необходимо задать, заключаются в следующем: Какая погода ожидается в месте проведения исследования? Как быстро он меняется? Каковы рабочие границы используемого БАС? Дождь представляет собой значительную угрозу для успеха кампании, а облачность пагубно влияет на качество данных HSI. В зависимости от производителя БАС и уверенности пилотов, также необходимо учитывать скорость ветра и вероятность порывов. В работе [38] рекомендуется использовать скорость ветра <5 м/с в качестве наилучшей практики для мультироторных систем.

Оптимальными граничными условиями для получения высококачественных данных являются зенитный угол Солнца ниже 70°, безоблачное небо и сухие поверхности горных пород.
Описанная здесь примерная система обеспечивает приблизительно 12 минут общего времени полета за полет, включая около 9 минут на сбор данных и два полета на выравнивание до и после сбора данных, а также взлета и посадки. На эти 12 минут дополнительно влияют температура воздуха, скорость ветра, изменения уровня поверхности местности и градиент этих изменений, скорость/ампер во время зарядки аккумулятора, положение взлета и его расстояние до интересующей территории, безотказные процедуры, вмешательство в дикую природу и уверенность пилота. С учетом времени подготовки до и после приземления, один полет составляет до 30 минут, включая 12 минут полетного времени. В зависимости от веса полезной нагрузки, т.е. установлен дополнительный лидар или нет, время полета может увеличиться до 25 минут.

4.3. Проведение гиперспектральной кампании по использованию БАС

Мы рекомендуем использовать первый полет дня в качестве испытательного полета для БАС для сбора данных и калибровки INS. Также рекомендуется калибровать магнитометр внутренней камеры IMU в соответствии с новым текущим местоположением. Всегда следуйте рекомендациям производителя БАС по приборам, необходимым для включения автопилота и навигации, т. е. правильно ли настроен AGL. Если точные DSM для планирования полета недоступны, можно выполнить полет только с помощью LiDAR для получения точной модели поверхности изучаемой территории. Это также может быть достигнуто с помощью меньшего по размеру беспилотного летательного аппарата, который предлагает 3D DSM реконструкцию поверхности с помощью фотограмметрии. Детальная DSM исследуемой территории позволяет точно планировать полет и корректировать предпочтительную высоту полета (например, для обеспечения сохранения AGL 120 м), постоянный размер пикселя и точные отказоустойчивые процедуры. Также необходимо точно мозаичить отдельные линии полетов от каждого рейса. В идеале, DSM должна быть доступна до начала опроса. В дополнение к получению гиперспектральных данных, обычно также собираются данные с различных датчиков, чтобы улучшить коррекцию HSI и помочь интерпретации собранных данных.

Вспомогательные данные, собранные во время полетной кампании, часто включают наземные данные для интерпретации (включая спектральные и/или физические образцы для физико-химических испытаний). Сбор дополнительных данных для калибровки данных на основе БАС на отражательную способность не является обязательным и зависит от общей цели исследования. В качестве примера можно привести сбор данных о излучении в условиях даунвеллинга, использование видеосъемки в небе для регистрации визуальных изменений атмосферных условий, а также размещение больших однородных (часто откалиброванных) референсных панелей в поле зрения (FOV) обзора БАС [38].

4.4. Коррекция и постобработка данных

Геокодирование гиперспектральных данных метлы осуществляется путем прямой трассировки лучей от положения датчика до легкодоступной ЦММ. Это может быть выполнено либо в растровом представлении, либо в проекции на сетку поверхности. Результатом такой коррекции является набор координат x/y/z для каждого пикселя гиперспектрального изображения, т.е. «гиперспектральное облако точек», стандартный выход, например, программного обеспечения PARGE версии 4.0 [187]. Начиная с этого представления, геометрия для каждого пикселя хорошо описывается и может быть использована непосредственно для визуализации, выпрямления по стандартной сетке или моделирования местности. Последнее важно для оценки освещенности в положении данных спектрального изображения.

В то время как поправка на абсолютную или относительную отражательную способность все еще является темой текущих исследований, она часто требует размещения одной или нескольких калибровочных панелей рядом с забоем шахты или обнажениями горных пород. Это традиционное требование создает определенные проблемы, такие как соображения охраны труда и безопасности, связанные с доступом к забою и доставкой людей в условия с преобладанием тяжелой техники. Это, а также отсутствие надежного оборудования для установки на действующем руднике может объяснить нежелание применять HSI на действующих рудниках. Стандартные методы получения и коррекции отражения для наземных HSI включают эмпирическую линейную коррекцию на основе наземных спектров, коррекцию рельефа местности и геометрическую коррекцию, а также коррекцию падающего света с использованием фотограмметрии или 3D-моделей на основе лиDAR для приложений на близком и дальнем расстоянии [35,43,115,116,117,118,119,120,121]. В настоящее время для сбора данных на основе надира создана сложная атмосферная и геометрическая коррекция на основе БАС. В то время как коррекция и анализ наземных, наземных HSI с треноги были изучены более широко [188,189,190,191,192,193,194], методы косого сканирования забоев мин с помощью БАС все еще разрабатываются [195], направленные на устранение необходимости доступа человека к забою мины с треногой.

Описанные здесь процедуры радиометрической коррекции и постобработки данных основаны на стандартной отраслевой системе атмосферной коррекции дронов (DROACOR, версия 2.0.1 от февраля 2023 г.) [195,196,197,198]. Ранее собранные вспомогательные данные могут быть включены в процесс коррекции и постобработки данных. Необходимой информацией для обработки данных с помощью DROACOR являются время суток, местоположение (LAT/LON), углы солнца и наблюдения, высота местности, высота платформы, а также внутренняя геометрия датчика. DROACOR использует процесс физической инверсии от излучения at-сенсора к отражательной способности земли на основе предварительно рассчитанных справочных таблиц (LUT) на основе кода переноса излучения Libradtran [198]. Таким образом, данные HSI должны быть откалиброваны прослеживаемо. В качестве альтернативы, для неоткалиброванных данных может быть выполнена калибровка в полете на основе откалиброванных целей отражения. Некоторая дополнительная информация собирается непосредственно из полученных изображений перед получением коэффициента отражения. Эта параметризация состоит из четырех этапов для HSI: (i) оценка оптической толщины аэрозоля на длине волны 550 нм, (ii) (опционально) радиометрическая калибровка в полете с использованием вышеупомянутой откалиброванной цели отражения, (iii) обнаружение и коррекция спектрального сдвига на основе характеристик атмосферного поглощения и адаптации таблиц поиска (СПОИ), и (iv) оценка общего столба атмосферного водяного пара. Оценка оптической толщины водяного пара и аэрозоля получена из среднего спектра изображения с помощью спектральной подгонки к смоделированным спектрам излучения на сенсоре. Специфичная для датчика атмосферная LUT может быть создана на основе спектральной рекалибровки в качестве подмножества более общей LUT [70].

Основным этапом обработки DROACOR является получение коэффициента отражения на основе откалиброванных данных о излучении датчика. При извлечении коэффициента отражения используются относительное расстояние между Землей и Солнцем, а также углы наблюдения для получения рассеянного излучения на трассе, прямого потока солнечного грунта, диффузного потока, а также коэффициента пропускания от земли к датчику вне надира и диффузного уровня на попиксельной основе. Эффект соседства от близлежащих объектов, создаваемый атмосферным рассеянием, актуален для получения данных на малых высотах, в частности, для периода излучения, который регулируется не только прямым освещением, но и аэрозольным рассеянием и непрямым рассеянием, на которое влияют соседние пиксели. Области длин волн, которые известны высоким уровнем поглощения атмосферных особенностей, могут быть удалены или интерполированы для сохранения непрерывного спектра. После (опциональной) полировки данных об отражении можно скорректировать переменную освещенность на местности и эффекты функции двунаправленного распределения отражения (BRDF). Целью коррекции топографической освещенности является преобразование нижней части атмосферного отражения первого порядка («масштабированное или кажущееся отражение») в значения спектрального альбедо («абсолютное отражение»). DROACOR справляется с этой задачей с помощью модифицированного подхода Миннаерта, который гарантирует, что эффект BRDF не будет чрезмерно скорректирован. Если используется система с большим углом обзора, может быть применен метод BREFCOR, который корректирует эффект BRDF с учетом угла наблюдения [197].

4.5. Отбор проб и валидация в геологических исследованиях дистанционного зондирования Земли

Широкий спектр геологических данных ДЗЗ в основном проверяется либо на основе физического отбора проб на месте для последующего лабораторного геохимического и минералогического анализа, либо на основе наблюдений и измерений in situ. К отбору проб обычно подходят с геохимической точки зрения. В то время как геохимический отбор проб для разведки или экологических исследований широко освещается в различных учебниках (например, [199]), основное внимание уделяется рандомизации отбора проб во избежание систематической ошибки. В результате, учет среды отбора проб (порода, почва или вода), интервала отбора проб, доли зерна, глубины отбора проб и вариаций фона, среди прочего, часто основываются на местах отбора проб, частоте и ранее существовавших знаниях о районе, таких как геологические карты. Этика отбора проб геологических участков обсуждается реже; см. [200]. Эти методы включают в себя следующее: подход «не оставлять следов», получение надлежащих разрешений на отбор проб от землеустроителей (государственных, племенных, частных), сведение к минимуму избыточного отбора проб и внедрение адекватного сбора метаданных, что приводит к организованному архиву образцов и связанных с ними данных, превышающему срок реализации проекта. В случаях использования в горнодобывающей промышленности подход «не оставлять следов» вряд ли вызовет беспокойство; Тем не менее, управление выборками и объем для валидации с помощью других средств должны быть тщательно продуманы в рамках планирования кампании. Отбор проб с целью спектральных геологических исследований редко преподается или рассматривается и обычно следует стандартным подходам к отбору проб, применяемым в области геологии.

Отбор проб для исследований РС часто продиктован требованием валидации и интерпретации наблюдаемых поверхностных спектральных картин. В отличие от стандартного отбора проб геологических месторождений, кампании по отбору спектральных проб для обследования HSI служат другим целям, которые включают в себя (i) спектральную валидацию пикселей в месте отбора проб для данных БАС и/или спутниковых данных, (ii) предоставление точек отбора проб спектральной поверхности с помощью портативных спектрометров в точных, соответствующих наземных контрольных точках (GCP) с географической привязкой, (iii) физический отбор проб для анализа в лаборатории, чтобы помочь геологическим, геохимическая, минералогическая или экологическая интерпретация данных HSI, а также (iv) создание опорного участка для проверки (и корректировки) атмосферной компенсации собранных данных о отражательной способности.

4.6. Наземный отбор проб

Ниже приведено руководство по выборке во время кампаний гиперспектральных беспилотных летательных аппаратов.

Идентификация точки отбора проб: Расположение соответствующих пунктов отбора проб должно соответствовать прагматичному подходу. Точки выборки должны находиться в пределах поля зрения обзора БАС и представлять собой области, достаточно большие, чтобы их можно было считать спектрально однородными в пределах достаточного числа собранных пикселей изображения. Эталонная цель или наземная точка отбора проб должны, по крайней мере, иметь диаметр, в 5 × 5 раз превышающий пространственное разрешение используемой системы, чтобы гарантировать, что на ее центральное наблюдение не влияют какие-либо окружающие компоненты. Запас необходим для покрытия оптической функции расширения точки (PSF), которая по оптическим причинам проникает далеко в соседние пиксели, а также для предотвращения влияния потенциального геометрического размытия из-за движения сенсора во время сбора данных, которое в основном влияет на соседние пиксели. Точки отбора проб должны быть четко обозначены до начала обследования, чтобы визуально определить местоположения отбора проб в поле зрения БАС. Точка отбора проб должна быть оставлена нетронутой между маркировкой точки, во время обследования и сбора данных, а также до завершения физического или спектрального отбора проб.

Местоположение точки отбора проб относительно масштаба исследования должно быть выбрано на основе известных геологических особенностей в районе (на основе исторического или недавнего геологического картирования, известных разломов и т.д.), известной антропогенной деятельности (например, расположение отвалов отходов в районе старой добычи), ожидаемых пространственных и спектральных изменений в районе и других факторов, влияющих на минералогический или геохимический состав поверхности, представляющей интерес в целевом районе. Кроме того, спутниковые или существующие аэрофотосъемки в этом районе могут быть проанализированы для выявления спектрально однородных областей для отбора проб до начала съемки. Количество точек отбора проб и частота отбора проб в районе будут зависеть от масштаба исследования, доступности района, связанных с ним мер безопасности в районе, временных рамок, в течение которых необходимо начать отбор проб, времени доступа к целевому району, наличия землевладельцев, бюджета на последующую соответствующую геохимию или минералогию, выполненную на основе проб. и, наконец, ожидаемая частота спектральных изменений на поверхности. Образцы следует брать для анализа только для того, чтобы помочь в интерпретации спектральных данных и местности. Мы настоятельно рекомендуем проводить валидацию образцов и анализ в лаборатории, чтобы облегчить интерпретацию данных, а не полагаться только на спектральную выборку и качественную проверку.

Маркеры точек выборки: Образцы должны быть помечены таким образом, чтобы их можно было идентифицировать в разрешении данных, полученных с помощью БАС. Для этого необходимо отметить место отбора проб соответствующего размера с помощью VNIR- и SWIR-active, в идеале с помощью неперманентной краски или маркера. Например, если размер пикселя изображения составляет от 10 см до 10 см × 10 см, область выборки должна превышать 1 пиксель, в идеале более 8 пикселей, например, квадратная область от 50 см × 50 см в этом сценарии (25 пикселей) (см. рис. 7). В некоторых исследованиях обсуждается использование легко растворимой краски на основе мела для обозначения точек отбора проб («подход «не оставлять следов»). Также обсуждается использование оранжевых пластиковых конусов, например, для инфраструктурных проектов. Как пластик, так и мел видны в VNIR и имеют отчетливую особенность в SWIR, а маркеры достаточно крупные, чтобы их можно было идентифицировать с точкой отбора проб.
Рисунок 7. Пример точек отбора проб из кампании БПЛА M4Mining (www.m4mining.eu; по состоянию на 1 апреля 2024 года) в Квинсленде, Австралия, в сентябре 2023 года. Справа: участки отбора проб обозначаются контуром 50 см × 50 см с помощью белого мела. Отбору проб подвергается только непосредственная поверхность образца. Слева: расположение маркеров размером 50 см × 50 см в данных БАС с разрешением около 12 см × 12 см пикселей, полученных с помощью HySpex Mjolnir-VS620. Красные стрелки указывают и выделяют местоположение и небольшой размер областей выборки по отношению ко всей области исследования. Это изображение в истинных цветах RGB, основанное на собственном пространственном разрешении HSI, собранном с помощью беспилотного летательного аппарата.
Измерение положения образца с помощью приемника GNSS должно быть тщательно продумано, так как сигнал GNSS как от БАС, так и от наземного измерительного устройства, скорее всего, покажет отклонение/погрешность в положении от нескольких сантиметров до метров, что делает прямое совпадение местоположения образца в данных БАС нетривиальным. Рекомендуется иметь визуальные маркеры, которые могут быть идентифицированы в данных БАС и позволять маркировать тех, кто использует положение приемника GNSS в точках отбора проб. Чтобы точно обозначить точки, они должны быть выбраны в значимых областях и расставлены на достаточном расстоянии, чтобы их можно было отличить друг от друга.

Метаданные: Сбор метаданных для каждой из точек выборки имеет решающее значение. Это включает в себя точное положение каждой точки, фотографию области отбора проб и описание области отбора проб. Он может включать данные с дополнительных портативных устройств для предварительного описания образца, таких как портативные точечные спектрометры для сбора спектральной информации или портативные рентгенофлуоресцентные (XRF) или лазерно-индуцированные пробивные спектроскопии (LIBS) для сбора относительной элементной информации. Физический отбор проб поверхности в пределах отмеченной зоны отбора проб начинается после успешного сбора данных с БПЛА. В идеале дискретизируется только та поверхность, которая вносит свой вклад в спектральный сигнал. Это означает, что отбор проб осуществляется только с самой верхней поверхности в соответствующем объеме, что позволяет разделить образец для рентгеновской дифракции (XRD), XRF и других анализов, а также для получения гиперспектральных данных в лабораторных условиях. Для этого поверхности образцов с большими размерами зерен (например, размером с булыжник или валун по шкале Уддена-Вентворта), видимые в данных БАС (направленные вверх), должны быть помечены для последующей идентификации. Это также означает, что выветренные и вторичные поверхности изменения, скорее всего, являются основным источником спектрального сигнала, который собирается камерами, но не обязательно являются основным фактором химического или минералогического состава соответствующего объемного образца.

5. Выводы и перспективы

5.1. Будущее гиперспектральной визуализации на основе беспилотных летательных аппаратов

Технология гиперспектральной ДЗ имеет значительную привлекательность для горнодобывающей промышленности, потому что в отличие от мультиспектральных данных ДЗ, которые отображают только группы минералов в совокупности, гиперспектральные данные обладают способностью идентифицировать отдельные минералы и, кроме того, могут характеризовать вариации в химическом составе конкретных минералов, тем самым выделяя минеральную зональность и литологические границы. В данной публикации обобщены современные исследования в области ОТ, ПБ и ООС, связанные с различными звеньями производственно-сбытовой цепочки в горнодобывающей промышленности. Это включает в себя разведку, эксплуатацию, последобычу полезных ископаемых и связанные с этим воздействия на окружающую среду. Мы также представляем остающиеся проблемы и возможности для HSI с высоким разрешением на основе БАС в горнодобывающей промышленности.

В настоящее время горнодобывающая промышленность в основном основана на выборках и полагается на интерполяцию обычно измеряемых в лаборатории параметров для получения 2D/3D информации о минералогии, литологии и геохимии месторождения или хвостохранилища. Гиперспектральная ДЗ может закрыть этот пробел, обеспечивая непрерывное покрытие данных, дополняя существующие возможности картографирования. Это делает гиперспектральные данные ДЗ незаменимыми для широкого спектра приложений, включая мониторинг изменений почвенного покрова, качества воды, мелиоративных и восстановительных работ, обнаружение и количественную оценку эрозии почвы, управление отходами и хвостохранилищами, оценку восстановления растительности и экосистем, выявление районов, подверженных ВМД и загрязнению. а также обнаружение шлейфов загрязняющих веществ и неорганизованных выбросов газов с горнодобывающих предприятий.

К областям в ресурсном секторе, которые еще не получили выгод от регулярного использования HSI, относятся картирование запасов, качество сырья для геометаллургии и переработки руды, оценка повторной добычи или ревалоризации хвостохранилищ и отходов, непосредственная сортировка для содействия распределению и транспортировке ресурсов, поверхностное минералогическое картирование для помощи в моделировании блоков и месторождениях, мониторинг озер открытым способом. и активный мониторинг хвостохранилища. Возможно, это связано с различными факторами, упомянутыми в качестве проблем HSI для горнодобывающей промышленности в начале, а именно с текущей скоростью оборота результатов, которая несовместима со сроками принятия решений по горнодобывающей промышленности, и в настоящее время отсутствует бесшовная интеграция с существующим программным обеспечением для планирования горных работ. Несомненно, многомасштабные данные ДЗ могут создавать синергетические эффекты, обеспечивая полную картину добываемого товара, облегчая наше понимание изменчивости полезных ископаемых от микроскопического масштаба (критичного для переработки полезных ископаемых) до регионального масштаба (значимого для разработки, эксплуатации и последующего закрытия рудников). Исходя из этого, ожидается, что космические гиперспектральные данные дополнят многоспектральные данные с высоким пространственным и/или временным разрешением, а также данные БАС с высоким пространственным и высоким спектральным разрешением для целей картографирования и мониторинга.

5.2. Инвентаризация выявленных проблем

Гиперспектральные беспилотные летательные аппараты обеспечивают получение изображений с высоким пространственным разрешением при меньших затратах, чем гиперспектральные аэрофотоснимки. Данные HSI на основе БАС могут собираться с временной частотой, что позволяет горным инженерам и поставщикам услуг повторно собирать данные по запросу. Это обеспечивает более быстрое выполнение работ и меньшие затраты на планирование по сравнению с текущими воздушными кампаниями HSI. Несмотря на то, что гиперспектральная визуализация на основе беспилотных летательных аппаратов является катализатором для возобновления потенциала в горнодобывающей промышленности, эта технология создает свои проблемы:

1.В настоящее время время от полета до легкодоступных продуктов данных занимает > 8 часов, что непрактично в рамках типичной системы рабочих смен на руднике.

2.Коммерчески доступные БПЛА SWIR работают только в режиме надира и не могут регулировать угол обзора для сканирования крутой местности или наклонных поверхностей.

3.Еще одна существенная проблема для RS HSI связана с изменениями рельефа местности, особенно при эксплуатационной добыче, где колебания освещенности и смежного света, присущие открытым горным работам, могут повлиять на качество данных дистанционного зондирования. Кроме того, добыча полезных ископаемых в регионах с небольшим количеством дней ясного неба для обеспечения достаточного солнечного освещения для сбора данных в SWIR создает дополнительные проблемы (например, в районах с сильными сезонными сдвигами, такими как влияние сезона муссонов или снежного покрова). Поверхности, которые часто бывают влажными или насыщенными водой, например, в хвостохранилищах и на площадках выщелачивания, создают еще один набор специфических трудностей. Этот вопрос решается в активных исследованиях [165].

4.Аналогичным образом, извлечение отражения для косых углов сканирования (т. е. забоев шахт или крутой местности) является активной темой исследований, как и коррекция эффектов атмосферы, геометрии и освещения в режиме, близком к реальному времени (в течение одной рабочей смены, около 4 часов). Коррекция данных в режиме реального времени, анализ и визуализация данных гиперспектральных беспилотных летательных аппаратов в настоящее время невозможны, но являются целью нескольких исследовательских проектов, финансируемых ЕС, таких как M4Mining.

5.Текущее время работы беспилотных летательных аппаратов SWIR не удовлетворяет потребности горнодобывающей промышленности, особенно при крупномасштабных горных работах. При весе БАС менее 25 кг время полета составляет около 10–12 минут. Когда вес БАС превышает 25 кг, сообщалось о времени полета около 20–30 минут, но полевые испытания более крупных систем еще не опубликованы.

6.Настройка, подготовка и эксплуатация гиперспектрального БАС, хотя и готовы к исследованиям, еще не соответствуют стандартам простого применения для неопытных пользователей.

7.Открытым вопросом в геологической ДЗ является эффект масштабирования и то, как сигнал эволюционирует от микроскопического масштаба к масштабу обнажения и, в конечном итоге, к региональному масштабу, например, фиксируется спутниковыми данными с умеренным пространственным разрешением. Несмотря на то, что в литературе по этому вопросу проводились спорадические исследования [109,201,202,203,204], эффект масштабирования на картирование минералов до конца не изучен и является активной темой исследований.

8.В настоящее время в сообществе гиперспектральных беспилотных летательных аппаратов существует ограниченное взаимодействие между поставщиками оборудования и людьми, отвечающими за обработку данных. С появлением гиперспектральных беспилотных летательных аппаратов, наводнивших рынок, в том числе в горнодобывающем секторе, поставщикам спектрального оборудования рекомендуется предоставлять отчеты о тестах, отчеты о калибровке и необходимые рекомендации для своих систем, чтобы можно было эффективно оценить как потенциал, так и ограничения каждого собранного набора данных, а также рассмотреть точность и надежность полученных результатов и карт. Часто недооцениваемый факт заключается в том, что системы могут демонстрировать большое количество пространственных и спектральных неправильных регистраций, что приводит к наблюдению спектральных и пространственных смесей. Вместо того, чтобы аналитики данных решали вопрос о наличии нелинейных спектральных смесей с точки зрения программных ограничений, возникает потребность в аппаратной оптимизации. Ранее было высказано предположение, что поддерживается только <10% пространственной неправильной регистрации пикселей спектральной точности каждого пикселя [204,205].

9.И, наконец, анализ данных HSI нетривиален, а продукты данных трудно создавать, интерпретировать или воспроизводить, требуя участия экспертов.

Мы считаем, что выявление существующих недостатков является первым шагом к поиску структурированного и системного подхода к исследованию путей их преодоления. Открытый сбор, изучение и публикация результатов прогресса гарантируют, что горнодобывающая промышленность получит выгоду от дистанционного зондирования на основе БАС в краткосрочной перспективе и более целостно интегрирует эту технологию на этапах разведки и эксплуатации. Основываясь на текущих аппаратных и программных комплексах, представленных на рынке, и существующих исследованиях, выделенных в разделе обзора, мы считаем, что технология близка к преодолению стадии выхода на рынок и более часто применяется на промышленном уровне.

5.3. Трудности и шансы

В ходе проведения этого обзора мы пришли к следующим выводам высокого уровня.
Несмотря на то, что наш обзор охватывает сбалансированное количество исследований по различным фазам добычи (разведка: 22; оперативная добыча: 21; драм РА: 32; Экологический мониторинг/реабилитация: 28), фаза разведки исторически привлекала наибольшее внимание, в частности, благодаря свободно доступным спутниковым данным. Этот интерес, по-видимому, возобновился с недавним добавлением гиперспектральных спутников, таких как EnMap и PRISMA. Обеспечивая низкое спектральное разрешение (30 м), EnMap и аналогичные данные более актуальны для крупномасштабных исследований, таких как геологоразведка, и не могут обеспечить достаточное разрешение для небольших открытых горных работ. Поскольку оперативные решения часто принимаются блоками длиной от 15 ×до 15 метров, спутниковые данные HSI вряд ли помогут в оперативной добыче на данном этапе.

К счастью, мы считаем, что БАС HSI особенно подходят для небольших операций на уровне рудника (10 с километра), а не для крупномасштабной разведки (100 секунд километра) из-за ограниченного в настоящее время времени в воздухе. Преимущества, которые мы видим для БАС, включают в себя как оперативную добычу полезных ископаемых, так и добычу, а также мониторинг после закрытия таких территорий, как хвостохранилища и перерабатывающие предприятия. Возможность предоставления подробных пространственных данных идеально подходит для тех областей применения, где требуется точность, а БАС можно безопасно и часто эксплуатировать в четко определенных зонах. По мере появления все более миниатюрных систем мы ожидаем, что беспилотные летательные аппараты будут все чаще использоваться в эксплуатационной добыче. Кроме того, с повышением осведомленности об экологическом надзоре, вероятно, будет расти спрос на БАС для мониторинга окружающей среды, особенно для обеспечения соответствия горнодобывающей деятельности нормативным требованиям и привлечения компаний к ответственности за их воздействие на окружающую среду, включая мониторинг потенциального воздействия подземных работ на поверхность.

В то время как некоторые проблемы, такие как погодные условия и сезонные изменения, являются общими для всех этапов жизненного цикла добычи, операционная добыча выделяется как самая сложная фаза из-за своего динамичного характера. Постоянный оборот породы и изменения рельефа местности создают эксплуатационные проблемы для планирования полетов БАС, а потребность в стабильных результатах делает операционную добычу особенно сложной. Тем не менее, мы считаем, что этот этап также обладает наибольшим потенциалом для создания стоимости, поскольку частое картирование имеет решающее значение для планирования горных работ и принятия технологических решений, влияющих на планирование горных работ далеко за пределами операционной стадии. Использование гиперспектральных беспилотных летательных аппаратов в активной фазе эксплуатации, вероятно, положительно повлияет на планирование хвостохранилищ и отходов горнодобывающей промышленности и будущую реабилитацию [206,207].
Несмотря на трудности, HSI на основе БАС имеет явное преимущество перед традиционными методами ДЗЗ. Ни одна другая система не предлагает всестороннего обзора минералогии на больших площадях. В горнодобывающей промышленности существует широкий спектр применений, в которых HSI может улучшить процессы, мониторинг и характеристику материала, и мы считаем, что при непрерывных исследованиях и разработках эти инновации приведут к более эффективным и точным методам добычи полезных ископаемых.

Вклад авторов

Концептуализация, Ф.К. и С.А.; курирование данных, E.K., K.N., D.L. и J.C.H.; написание — подготовка оригинального проекта, F.K., S.A., S.J.B. и E.S.; написание — рецензирование и редактирование, N.K., M.L., D.S., S.M., S.A. и F.K. Все авторы ознакомились и согласились с опубликованным вариантом рукописи.

Финансирование

Данная рукопись подготовлена в рамках задачи 9.2 «Обзор внедрения гиперспектральных и спутниковых данных в текущую горнодобывающую деятельность» в рамках проекта M4Mining. M4Mining финансируется в рамках программы Европейского Союза Horizon Europe в рамках Грантового соглашения ID 101091462. Тем не менее, выраженные взгляды и мнения принадлежат только автору (авторам) и не обязательно отражают точку зрения Европейского исполнительного агентства по здравоохранению и цифровым технологиям (HADEA) Европейской комиссии. Ни Европейский союз, ни Европейское исполнительное агентство по здравоохранению и цифровым технологиям (HADEA) Европейской комиссии не могут нести за них ответственность. Проект получил финансирование от Государственного секретариата Швейцарии по образованию, исследованиям и инновациям (SERI) под номером финансирования 22.00530.

Заявление о доступности данных

В этом исследовании не было создано или проанализировано никаких новых данных. Обмен данными не распространяется на данную статью.

Подтверждения

Мы выражаем благодарность Роберту Майклу Кларку и Эдмонду Хансену из норвежского исследовательского центра NORCE за обеспечение управления проектом и поддержку в рамках проекта M4Mining. Мы также благодарим Тронда Лёке из Norsk Elektro Optikk AS за предоставление идей и знаний о технических аспектах гиперспектральных беспилотных летательных аппаратов.

Конфликт интересов

Следующие авторы заявляют о потенциально предполагаемом конфликте интересов. Юстус Константин Хильдебранд и Фридерике Кёртинг являются сотрудниками Norsk Elektro Optikk AS. Даниэль Шлепфер является индивидуальным предпринимателем в компании, находящейся в его собственности: ReSe Applications LLC. Давид Линдблом работает в компании Prediktera A.B. Миранда Леман получила частичное финансирование для своей докторской диссертации от консорциума (CASERM), ассоциированным членом которого является Norsk Elektro Optikk AS. Остальные авторы заявляют об отсутствии конфликта интересов. Спонсоры не играли никакой роли в разработке исследования; при сборе, анализе или интерпретации данных; в написании рукописи; или в решении о публикации результатов.

Приложение А
Таблица А1. В настоящее время доступны публикации по гипер- или мультиспектральному дистанционному зондированию, развернутому в горнодобывающей промышленности, с перечислением общей области применения, целевых минералов или конечных компонентов, системы визуализации, основной методологии анализа и полученных данных.
Ссылки

1.    Clark, R.N. Spectroscopy of Rocks and Minerals, and Principles of Spectroscopy. Remote Sens. Earth Sci. Man. Remote Sens. 1999, 3, 3–58. [Google Scholar]
2.van der Meer, F.D.; van der Werff, H.M.A.; van Ruitenbeek, F.J.A.; Hecker, C.A.; Bakker, W.H.; Noomen, M.F.; van der Meijde, M.; Carranza, E.J.M.; de Smeth, J.B.; Woldai, T. Multi- and Hyperspectral Geologic Remote Sensing: A Review. Int. J. Appl. Earth Obs. Geoinf. 2012, 14, 112–128. [Google Scholar] [CrossRef]
3.Hunt, G.R. Spectroscopic Properties of Rocks and Minerals. In Practical Handbook of Physical Properties of Rocks and Minerals; Carmichael, R.S., Ed.; CRC Press: Boca Raton, FL, USA, 1982; pp. 599–669. ISBN 0-8493-3703-8. [Google Scholar]
4.Hunt, G.R. Spectral Signatures of Particulate Minerals in the Visible and near Infrared. Geophysics 1977, 42, 501–513. [Google Scholar] [CrossRef]
5.Hunt, G.R.; Ashley, R.P. Spectra of Altered Rocks in the Visible and near Infrared. Econ. Geol. 1979, 74, 1613–1629. [Google Scholar] [CrossRef]
6.Hecker, C.; van Ruitenbeek, F.J.A.; van der Werff, H.M.A.; Bakker, W.H.; Hewson, R.D.; van der Meer, F.D. Spectral Absorption Feature Analysis for Finding Ore: A Tutorial on Using the Method in Geological Remote Sensing. IEEE Geosci. Remote Sens. Mag. 2019, 7, 51–71. [Google Scholar] [CrossRef]
7.Manolakis, D.; Lockwood, R.; Cooley, T. Hyperspectral Imaging Remote Sensing: Physics, Sensors, Algorithms; Cambridge University Press: Cambridge, UK, 2016; ISBN 978-1-107-08366-0. [Google Scholar]
8.Thiele, S.T.; Lorenz, S.; Kirsch, M.; Cecilia Contreras Acosta, I.; Tusa, L.; Herrmann, E.; Möckel, R.; Gloaguen, R. Multi-Scale, Multi-Sensor Data Integration for Automated 3-D Geological Mapping. Ore Geol. Rev. 2021, 136, 104252. [Google Scholar] [CrossRef]
9.    Jackisch, R. Drone-Based Surveys of Mineral Deposits. Nat. Rev. Earth Environ. 2020, 1, 187. [Google Scholar] [CrossRef]
10.Park, S.; Choi, Y. Applications of Unmanned Aerial Vehicles in Mining from Exploration to Reclamation: A Review. Minerals 2020, 10, 663. [Google Scholar] [CrossRef]
11.Mallet, C.; David, N. Digital Terrain Models Derived from Airborne LiDAR Data. In Optical Remote Sensing of Land Surface; Elsevier: Amsterdam, The Netherlands, 2016; pp. 299–319. [Google Scholar]
12.Wheaton, J.M.; Brasington, J.; Darby, S.E.; Sear, D.A. Accounting for Uncertainty in DEMs from Repeat Topographic Surveys: Improved Sediment Budgets. Earth Surf. Process. Landf. 2010, 35, 136–156. [Google Scholar] [CrossRef]
13.James, M.R.; Robson, S. Straightforward Reconstruction of 3D Surfaces and Topography with a Camera: Accuracy and Geoscience Application. J. Geophys. Res. Earth Surf. 2012, 117, F03017. [Google Scholar] [CrossRef]
14.Travelletti, J.; Delacourt, C.; Allemand, P.; Malet, J.-P.; Schmittbuhl, J.; Toussaint, R.; Bastard, M. Correlation of Multi-Temporal Ground-Based Optical Images for Landslide Monitoring: Application, Potential and Limitations. ISPRS J. Photogramm. Remote Sens. 2012, 70, 39–55. [Google Scholar] [CrossRef]
15.Barbarella, M.; Fiani, M. Monitoring of Large Landslides by Terrestrial Laser Scanning Techniques: Field Data Collection and Processing. Eur. J. Remote Sens. 2013, 46, 126–151. [Google Scholar] [CrossRef]
16. Barbarella, M.; Fiani, M.; Lugli, A. Uncertainty in Terrestrial Laser Scanner Surveys of Landslides. Remote Sens. 2017, 9, 113. [Google Scholar] [CrossRef]
17.Giordan, D.; Hayakawa, Y.; Nex, F.; Remondino, F.; Tarolli, P. Review Article: The Use of Remotely Piloted Aircraft Systems (RPASs) for Natural Hazards Monitoring and Management. Nat. Hazards Earth Syst. Sci. 2018, 18, 1079–1096. [Google Scholar] [CrossRef]
18.Godone, D.; Giordan, D.; Baldo, M. Rapid Mapping Application of Vegetated Terraces Based on High Resolution Airborne LiDAR. Geomat. Nat. Hazards Risk 2018, 9, 970–985. [Google Scholar] [CrossRef]
19.Rossi, G.; Tanteri, L.; Tofani, V.; Vannocci, P.; Moretti, S.; Casagli, N. Multitemporal UAV Surveys for Landslide Mapping and Characterization. Landslides 2018, 15, 1045–1052. [Google Scholar] [CrossRef]
20.Glenn, N.F.; Streutker, D.R.; Chadwick, D.J.; Thackray, G.D.; Dorsch, S.J. Analysis of LiDAR-Derived Topographic Information for Characterizing and Differentiating Landslide Morphology and Activity. Geomorphology 2006, 73, 131–148. [Google Scholar] [CrossRef]
21.Lucieer, A.; de Jong, S.M.; Turner, D. Mapping Landslide Displacements Using Structure from Motion (SfM) and Image Correlation of Multi-Temporal UAV Photography. Prog. Phys. Geogr. Earth Environ. 2014, 38, 97–116. [Google Scholar] [CrossRef]
22.Ciurleo, M.; Cascini, L.; Calvello, M. A Comparison of Statistical and Deterministic Methods for Shallow Landslide Susceptibility Zoning in Clayey Soils. Eng. Geol. 2017, 223, 71–81. [Google Scholar] [CrossRef]
23.Mora, O.; Lenzano, M.; Toth, C.; Grejner-Brzezinska, D.; Fayne, J. Landslide Change Detection Based on Multi-Temporal Airborne LiDAR-Derived DEMs. Geosciences 2018, 8, 23. [Google Scholar] [CrossRef]
24.Zheng, J.; Yao, W.; Lin, X.; Ma, B.; Bai, L. An Accurate Digital Subsidence Model for Deformation Detection of Coal Mining Areas Using a UAV-Based LiDAR. Remote Sens. 2022, 14, 421. [Google Scholar] [CrossRef]
25.Trevisani, S.; Cavalli, M.; Marchi, L. Surface Texture Analysis of a High-Resolution DTM: Interpreting an Alpine Basin. Geomorphology 2012, 161–162, 26–39. [Google Scholar] [CrossRef]
26.Colomina, I.; Molina, P. Unmanned Aerial Systems for Photogrammetry and Remote Sensing: A Review. ISPRS J. Photogramm. Remote Sens. 2014, 92, 79–97. [Google Scholar] [CrossRef]
27.Pellicani, R.; Argentiero, I.; Manzari, P.; Spilotro, G.; Marzo, C.; Ermini, R.; Apollonio, C. UAV and Airborne LiDAR Data for Interpreting Kinematic Evolution of Landslide Movements: The Case Study of the Montescaglioso Landslide (Southern Italy). Geosciences 2019, 9, 248. [Google Scholar] [CrossRef]
28.Lee, S.; Choi, Y. Reviews of Unmanned Aerial Vehicle (Drone) Technology Trends and Its Applications in the Mining Industry. Geosystem Eng. 2016, 19, 197–204. [Google Scholar] [CrossRef]
29.Ren, H.; Zhao, Y.; Xiao, W.; Hu, Z. A Review of UAV Monitoring in Mining Areas: Current Status and Future Perspectives. Int. J. Coal Sci. Technol. 2019, 6, 320–333. [Google Scholar] [CrossRef]
30.Bedini, E. The Use of Hyperspectral Remote Sensing for Mineral Exploration: A Review. J. Hyperspectral Remote Sens. 2017, 7, 189–211. [Google Scholar] [CrossRef]
31.Fox, N.; Parbhakar-Fox, A.; Moltzen, J.; Feig, S.; Goemann, K.; Huntington, J. Applications of Hyperspectral Mineralogy for Geoenvironmental Characterisation. Miner. Eng. 2017, 107, 63–77. [Google Scholar] [CrossRef]
32.Buckley, S.J.; Kurz, T.H.; Howell, J.A.; Schneider, D. Terrestrial Lidar and Hyperspectral Data Fusion Products for Geological Outcrop Analysis. Comput. Geosci. 2013, 54, 249–258. [Google Scholar] [CrossRef]
33.Krupnik, D.; Khan, S. Close-Range, Ground-Based Hyperspectral Imaging for Mining Applications at Various Scales: Review and Case Studies. Earth Sci. Rev. 2019, 198, 102952. [Google Scholar] [CrossRef]
34.Asadzadeh, S.; de Souza Filho, C.R. A Review on Spectral Processing Methods for Geological Remote Sensing. Int. J. Appl. Earth Obs. Geoinf. 2016, 47, 69–90. [Google Scholar] [CrossRef]
35.Kruse, F.; Boardman, J.; Huntington, J. Comparison of Airborne and Satellite Hyperspectral Data for Geologic Mapping; SPIE: Bellingham, WA, USA, 2002; Volume 4725. [Google Scholar]
36.Laukamp, C.; Rodger, A.; LeGras, M.; Lampinen, H.; Lau, I.C.; Pejcic, B.; Stromberg, J.; Francis, N.; Ramanaidou, E. Mineral Physicochemistry Underlying Feature-Based Extraction of Mineral Abundance and Composition from Shortwave, Mid and Thermal Infrared Reflectance Spectra. Minerals 2021, 11, 347. [Google Scholar] [CrossRef]
37.Bedini, E. Mineral Mapping in the Kap Simpson Complex, Central East Greenland, Using HyMap and ASTER Remote Sensing Data. Adv. Space Res. 2011, 47, 60–73. [Google Scholar] [CrossRef]
38.Cudahy, T.; Jones, M.; Thomas, M.; Laukamp, C.; Caccetta, M.; Hewson, R.; Rodger, A.; Verral, M. Next Generation Mineral Mapping: Queensland Airborne HyMap and Satellite ASTER Surveys 2006–2008; Report Number: CSIRO Report P2007/364; CSIRO: Perth, Australia, 2008. [Google Scholar]
39.Maroufi Naghadehi, K.; Hezarkhani, A.; Asadzadeh, S. Mapping the Alteration Footprint and Structural Control of Taknar IOCG Deposit in East of Iran, Using ASTER Satellite Data. Int. J. Appl. Earth Obs. Geoinf. 2014, 33, 57–66. [Google Scholar] [CrossRef]
40.Hubbard, B.E.; Crowley, J.K. Mineral Mapping on the Chilean–Bolivian Altiplano Using Co-Orbital ALI, ASTER and Hyperion Imagery: Data Dimensionality Issues and Solutions. Remote Sens. Environ. 2005, 99, 173–186. [Google Scholar] [CrossRef]
41.Kruse, F.A. Mineral Mapping with AVIRIS and EO-1 Hyperion. In Proceedings of the Summaries of the 12th Annual Jet Propulsion Laboratory Airborne Geoscience Workshop, Pasadena, CA, USA, February 2003. [Google Scholar]
42.Clark, R.N.; Swayze, G.A.; Gallagher, A. Mapping the Mineralogy and Lithology of Canyonlands, Utah with Imaging Spectrometer Data and the Multiple Spectral Feature Mapping Algorithm. In Proceedings of the Summaries of the Third Annual JPL Airborne Geoscience Workshop, Volume 1: AVIRIS Workshop, Pasadena, CA, USA, 1–5 June 1992; pp. 11–13. [Google Scholar]
43.Clark, R.N.; Swayze, G.A. Mapping Minerals, Amorphous Materials, Environmental Materials, Vegetation, Water, Ice and Snow, and Other Materials: The USGS Tricorder Algorithm. In Proceedings of the JPL, Summaries of the Fifth Annual JPL Airborne Earth Science Workshop, Volume 1: AVIRIS Workshop, Pasadena, CA, USA, 23–26 January 1995; pp. 39–40. [Google Scholar]
44.Cardoso-Fernandes, J.; Santos, D.; de Almeida, C.R.; Vasques, J.T.; Mendes, A.; Ribeiro, R.; Azzalini, A.; Duarte, L.; Moura, R.; Lima, A.; et al. The INOVMineral Project’s Contribution to Mineral Exploration—A WebGIS Integration and Visualization of Spectral and Geophysical Properties of the Aldeia LCT Pegmatite Spodumene Deposit. Minerals 2023, 13, 961. [Google Scholar] [CrossRef]
45.Tang, L.; Werner, T.T. Global Mining Footprint Mapped from High-Resolution Satellite Imagery. Commun. Earth Environ. 2023, 4, 134. [Google Scholar] [CrossRef]
46.    Rana, N.M.; Ghahramani, N.; Evans, S.G.; McDougall, S.; Small, A.; Take, W.A. A Comprehensive Global Database of Tailings Flows. 2021. Available online: https://borealisdata.ca/dataset.xhtml?persistentId=doi:10.5683/SP2/NXMXTI (accessed on 1 February 2024).
47.Rana, N.M.; Ghahramani, N.; Evans, S.G.; McDougall, S.; Small, A.; Take, W.A. Catastrophic Mass Flows Resulting from Tailings Impoundment Failures. Eng. Geol. 2021, 292, 106262. [Google Scholar] [CrossRef]
48.Torres-Cruz, L.A.; O’Donovan, C. Public Remotely Sensed Data Raise Concerns about History of Failed Jagersfontein Dam. Sci. Rep. 2023, 13, 4953. [Google Scholar] [CrossRef]
49. IEEE Geosciences and Remote Sensing Society, Standard P4001—Standard for Characterization and Calibration of Ultraviolet Through Shortwave Infrared (250 Nm to 2500 Nm) Hyperspectral Imaging Devices, Characterization and Calibration of Hyperspectral Imaging Devices Working Group (P4001). Available online: https://www.grss-ieee.org/technical-committees/standards-for-earth-observations/working-group-standards-for-earth-observations/characterization-and-calibration-of-hyperspectral-imaging-devices-working-group-p4001/ (accessed on 20 November 2024).
50.Schowengerdt, R.A. Remote Sensing Models and Methods for Image Processing, 3rd ed.; Elsevier Inc.: Amsterdam, The Netherlands, 2006; ISBN 9780080480589. [Google Scholar]
51.Gupta, R.P. Remote Sensing Geology, 3rd ed.; Springer: Berlin/Heidelberg, Germany, 2017; ISBN 978-3662558744. [Google Scholar]
52.Rodger, A.; Ramanaidou, E.; Laukamp, C.; Lau, I. A Qualitative Examination of the Iron Boomerang and Trends in Spectral Metrics across Iron Ore Deposits in Western Australia. Appl. Sci. 2022, 12, 1547. [Google Scholar] [CrossRef]
53.Kruse, F.A.; Lefkoff, A.B.; Boardman, J.W.; Heidebrecht, K.B.; Shapiro, A.T.; Barloon, P.J.; Goetz, A.F.H. The Spectral Image Processing System (SIPS)-Interactive Visualization and Analysis of Imaging Spectrometer Data. Remote Sens. Environ. 1993, 44, 145–163. [Google Scholar] [CrossRef]
54.Yuhas, R.H.; Goetz, A.F.H.; Boardman, J.W. Discrimination among Semi-Arid Landscape Endmembers Using the Spectral Angle Mapper (SAM) Algorithm. In Proceedings of the In JPL, Summaries of the Third Annual JPL Airborne Geoscience Workshop, Volume 1: AVIRIS Workshop (SEE N94-16666 03-42), Pasadena, CA, USA, 1–5 June 1992; pp. 147–149. [Google Scholar]
55.Schneider, S.; Murphy, R.J.; Melkumyan, A.; Nettleton, E. Autonomous Mapping of Mine Face Geology Using Hyperspectral Data. In Proceedings of the 35th APCOM Symposium—Application of Computers and Operations Research in the Minerals Industry, Proceedings, Wollongong, Australia, 24–30 September 2011; pp. 865–876. [Google Scholar]
56.Hu, W.; Huang, Y.; Wei, L.; Zhang, F.; Li, H. Deep Convolutional Neural Networks for Hyperspectral Image Classification. J. Sens. 2015, 2015, 258619. [Google Scholar] [CrossRef]
57.Dämpfling, H.L.C. DeepGeoMap: A Deep Learning Convolutional Neural Network Architecture for Geological Hyperspectral Classification and Mapping. Master’s Thesis, University of Potsdam, Potsdam, Germany, 2021. [Google Scholar]
58.Santos, D.; Cardoso-Fernandes, J.; Lima, A.; Müller, A.; Brönner, M.; Teodoro, A.C. Spectral Analysis to Improve Inputs to Random Forest and Other Boosted Ensemble Tree-Based Algorithms for Detecting NYF Pegmatites in Tysfjord, Norway. Remote Sens. 2022, 14, 3532. [Google Scholar] [CrossRef]
59.De Boissieu, F.; Sevin, B.; Cudahy, T.; Mangeas, M.; Chevrel, S.; Ong, C.; Rodger, A.; Maurizot, P.; Laukamp, C.; Lau, I.; et al. Regolith-Geology Mapping with Support Vector Machine: A Case Study over Weathered Ni-Bearing Peridotites, New Caledonia. Int. J. Appl. Earth Obs. Geoinf. 2018, 64, 377–385. [Google Scholar] [CrossRef]
60.Murphy, R.J.; Monteiro, S.T.; Schneider, S. Evaluating Classification Techniques for Mapping Vertical Geology Using Field-Based Hyperspectral Sensors. IEEE Trans. Geosci. Remote Sens. 2012, 50, 3066–3080. [Google Scholar] [CrossRef]
61.Boardman, J.W. Geometric Mixture Analysis of Imaging Spectrometry Data. In Proceedings of the IGARSS’94—1994 IEEE International Geoscience and Remote Sensing Symposium, Pasadena, CA, USA, 8–12 August 1994; pp. 2369–2371. [Google Scholar]
62.Boardman, J.W. Automating Spectral Unmixing of AVIRIS Data Using Convex Geometry Concepts. In Proceedings of the JPL, Summaries of the 4th Annual JPL Airborne Geoscience Workshop, Volume 1: AVIRIS Workshop, Washington, DC, USA, 25–29 October 1993; pp. 11–14. [Google Scholar]
63.    Heylen, R.; Parente, M.; Gader, P. A Review of Nonlinear Hyperspectral Unmixing Methods. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2014, 7, 1844–1868. [Google Scholar] [CrossRef]
64.Borsoi, R.A.; Imbiriba, T.; Bermudez, J.C.M.; Richard, C.; Chanussot, J.; Drumetz, L.; Tourneret, J.-Y.; Zare, A.; Jutten, C. Spectral Variability in Hyperspectral Data Unmixing: A Comprehensive Review. IEEE Geosci. Remote Sens. Mag. 2021, 9, 223–270. [Google Scholar] [CrossRef]
65.Halimi, A.; Dobigeon, N.; Tourneret, J.-Y. Unsupervised Unmixing of Hyperspectral Images Accounting for Endmember Variability. IEEE Trans. Image Process. 2015, 24, 4904–4917. [Google Scholar] [CrossRef]
66. Bioucas-Dias, J.M.; Plaza, A.; Dobigeon, N.; Parente, M.; Du, Q.; Gader, P.; Chanussot, J. Hyperspectral Unmixing Overview: Geometrical, Statistical, and Sparse Regression-Based Approaches. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2012, 5, 354–379. [Google Scholar] [CrossRef]
67.Thompson, D.R.; Mandrake, L.; Gilmore, M.S.; Castano, R. Superpixel Endmember Detection. IEEE Trans. Geosci. Remote Sens. 2010, 48, 4023–4033. [Google Scholar] [CrossRef]
68.van Ruitenbeek, F.J.A.; Bakker, W.H.; van der Werff, H.M.A.; Zegers, T.E.; Oosthoek, J.H.P.; Omer, Z.A.; Marsh, S.H.; van der Meer, F.D. Mapping the Wavelength Position of Deepest Absorption Features to Explore Mineral Diversity in Hyperspectral Images. Planet. Space Sci. 2014, 101, 108–117. [Google Scholar] [CrossRef]
69.van der Meer, F.; Kopačková, V.; Koucká, L.; van der Werff, H.M.A.; van Ruitenbeek, F.J.A.; Bakker, W.H. Wavelength Feature Mapping as a Proxy to Mineral Chemistry for Investigating Geologic Systems: An Example from the Rodalquilar Epithermal System. Int. J. Appl. Earth Obs. Geoinf. 2018, 64, 237–248. [Google Scholar] [CrossRef]
70.Asadzadeh, S.; de Souza Filho, C.R. Iterative Curve Fitting: A Robust Technique to Estimate the Wavelength Position and Depth of Absorption Features From Spectral Data. IEEE Trans. Geosci. Remote Sens. 2016, 54, 5964–5974. [Google Scholar] [CrossRef]
71. Kokaly, R.F. PRISM: Processing Routines in IDL for Spectroscopic Measurements (Installation Manual and User’s Guide, Version 1.0); US Geological Survey: Reston, VA, USA, 2011.
72.Clark, R.N. Imaging Spectroscopy: Earth and Planetary Remote Sensing with the USGS Tetracorder and Expert Systems. J. Geophys. Res. 2003, 108, 1–2. [Google Scholar] [CrossRef]
73.Swayze, G.A.; Clark, R.N.; Goetz, A.F.H.; Chrien, T.G.; Gorelick, N.S. Effects of Spectrometer Band Pass, Sampling, and Signal-to-noise Ratio on Spectral Identification Using the Tetracorder Algorithm. J. Geophys. Res. 2003, 108, 5105. [Google Scholar] [CrossRef]
74.Rodarmel, C.; Shan, J. Principal Component Analysis for Hyperspectral Image Classification. Surv. Land Inf. Sci. 2002, 62, 115–122. [Google Scholar]

75.Terrestrial Ecosystem Research Network. A TERN Landscape Assessment Initiative Effective Field Calibration and Validation Practices, Version 1.3; Terrestrial Ecosystem Research Network: St. Lucia, Australia, 2018. [Google Scholar]
76.Schodlok, M.C.; Frei, M.; Segl, K. Implications of New Hyperspectral Satellites for Raw Materials Exploration. Miner. Econ. 2022, 35, 495–502. [Google Scholar] [CrossRef]
77. Sabins, F.F. Remote Sensing for Mineral Exploration. Ore Geol. Rev. 1999, 14, 157–183. [Google Scholar] [CrossRef]
78. Swayze, G.A.; Clark, R.N.; Goetz, A.F.H.; Livo, K.E.; Breit, G.N.; Kruse, F.A.; Sutley, S.J.; Snee, L.W.; Lowers, H.A.; Post, J.L.; et al. Mapping Advanced Argillic Alteration at Cuprite, Nevada, Using Imaging Spectroscopy. Econ. Geol. 2014, 109, 1179–1221. [Google Scholar] [CrossRef]
79. Laukamp, C. Rocklea Dome C3DMM. V1. CSIRO. Data Collection. 2020. Available online: https://data.csiro.au/collection/csiro:44783v1?redirected=true (accessed on 1 February 2024).
80.Laukamp, C.; Haest, M.; Cudahy, T. The Rocklea Dome 3D Mineral Mapping Test Data Set. Earth Syst. Sci. Data 2021, 13, 1371–1383. [Google Scholar] [CrossRef]
81.Asadzadeh, S.; Chabrillat, S.; Cudahy, T.; Rashidi, B.; de Souza Filho, C.R. Alteration Mineral Mapping of the Shadan Porphyry Cu-Au Deposit (Iran) Using Airborne Imaging Spectroscopic Data: Implications for Exploration Drilling. Econ. Geol. 2023, 119, 139–160. [Google Scholar] [CrossRef]
82.Bedini, E.; Chen, J. Prospection for Economic Mineralization Using PRISMA Satellite Hyperspectral Remote Sensing Imagery: An Example from Central East Greenland. J. Hyperspectral Remote Sens. 2022, 12, 124–130. [Google Scholar] [CrossRef]
83.Chirico, R.; Mondillo, N.; Laukamp, C.; Mormone, A.; Di Martire, D.; Novellino, A.; Balassone, G. Mapping Hydrothermal and Supergene Alteration Zones Associated with Carbonate-Hosted Zn-Pb Deposits by Using PRISMA Satellite Imagery Supported by Field-Based Hyperspectral Data, Mineralogical and Geochemical Analysis. Ore Geol. Rev. 2023, 152, 105244. [Google Scholar] [CrossRef]
84.Dong, X.; Gan, F.; Li, N.; Zhang, S.; Li, T. Mineral Mapping in the Duolong Porphyry and Epithermal Ore District, Tibet, Using the Gaofen-5 Satellite Hyperspectral Remote Sensing Data. Ore Geol. Rev. 2022, 151, 105222. [Google Scholar] [CrossRef]
85.Ye, B.; Tian, S.; Cheng, Q.; Ge, Y. Application of Lithological Mapping Based on Advanced Hyperspectral Imager (AHSI) Imagery Onboard Gaofen-5 (GF-5) Satellite. Remote Sens. 2020, 12, 3990. [Google Scholar] [CrossRef]
86.Lypaczewski, P.; Rivard, B.; Lesage, G.; Byrne, K.; D’angelo, M.; Lee, R.G. Characterization of Mineralogy in the Highland Valley Porphyry Cu District Using Hyperspectral Imaging, and Potential Applications. Minerals 2020, 10, 473. [Google Scholar] [CrossRef]
87.Lypaczewski, P.; Rivard, B.; Gaillard, N.; Perrouty, S.; Piette-Lauzière, N.; Bérubé, C.L.; Linnen, R.L. Using Hyperspectral Imaging to Vector towards Mineralization at the Canadian Malartic Gold Deposit, Québec, Canada. Ore Geol. Rev. 2019, 111, 102945. [Google Scholar] [CrossRef]
88.Tusa, L.; Andreani, L.; Khodadadzadeh, M.; Contreras, C.; Ivascanu, P.; Gloaguen, R.; Gutzmer, J. Mineral Mapping and Vein Detection in Hyperspectral Drill-Core Scans: Application to Porphyry-Type Mineralization. Minerals 2019, 9, 122. [Google Scholar] [CrossRef]
89.Tuşa, L.; Khodadadzadeh, M.; Contreras, C.; Rafiezadeh Shahi, K.; Fuchs, M.; Gloaguen, R.; Gutzmer, J. Drill-Core Mineral Abundance Estimation Using Hyperspectral and High-Resolution Mineralogical Data. Remote Sens. 2020, 12, 1218. [Google Scholar] [CrossRef]
90. Acosta, I.C.C.; Khodadadzadeh, M.; Tusa, L.; Ghamisi, P.; Gloaguen, R. A Machine Learning Framework for Drill-Core Mineral Mapping Using Hyperspectral and High-Resolution Mineralogical Data Fusion. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2019, 12, 4829–4842. [Google Scholar] [CrossRef]
91.Rodrigues, S.; Fonteneau, L.; Esterle, J. Characterisation of Coal Using Hyperspectral Core Scanning Systems. Int. J. Coal Geol. 2023, 269, 104220. [Google Scholar] [CrossRef]
92.Laakso, K.S.; Haavikko, S.; Korhonen, M.; Köykkä, J.; Middleton, M.; Nykänen, V.; Rauhala, J.; Torppa, A.; Torppa, J.; Törmänen, T. Applying Self-Organizing Maps to Characterize Hyperspectral Drill Core Data from Three Ore Prospects in Northern Finland. In Proceedings of the Earth Resources and Environmental Remote Sensing/GIS Applications XIII, Berlin, Germany, 5–7 September 2022; Schulz, K., Nikolakopoulos, K.G., Michel, U., Eds.; SPIE: Bellingham, WA, USA, 2022; p. 39. [Google Scholar]
93.Körting, F.; Hernandez, J.E.; Koirala, P.; Lehman, M.; Monecke, T.; Lindblom, D. Development of the HySpex Hyperspectral Drill Core Scanner: Case Study on Exploration Core from the Au-Rich LaRonde-Penna Volcanogenic Massive Sulfide Deposit, Quebec, Canada. In Proceedings of the Hyperspectral Imaging and Applications II, Birmingham, UK, 6–7 December 2022; Barnett, N.J., Gowen, A.A., Liang, H., Eds.; SPIE: Bellingham, WA, USA, 2023; p. 5. [Google Scholar]
94.De La Rosa, R.; Khodadadzadeh, M.; Tusa, L.; Kirsch, M.; Gisbert, G.; Tornos, F.; Tolosana-Delgado, R.; Gloaguen, R. Mineral Quantification at Deposit Scale Using Drill-Core Hyperspectral Data: A Case Study in the Iberian Pyrite Belt. Ore Geol. Rev. 2021, 139, 104514. [Google Scholar] [CrossRef]
95.Mathieu, M.; Roy, R.; Launeau, P.; Cathelineau, M.; Quirt, D. Alteration Mapping on Drill Cores Using a HySpex SWIR-320m Hyperspectral Camera: Application to the Exploration of an Unconformity-Related Uranium Deposit (Saskatchewan, Canada). J. Geochem. Explor. 2017, 172, 71–88. [Google Scholar] [CrossRef]
96.Körting, F. Development of a 360° Hyperspectral Drill Core Scanner: Test of Technical Conditions and Validation of High-Resolution near-Field Analysis of Crystalline Basement Rocks Using COSC-1 Core Samples. Master’s Thesis, University of Potsdam, Potsdam, Germany, 2019. [Google Scholar]
97.Turner, D.; Rivard, B.; Groat, L. Rare Earth Element Ore Grade Estimation of Mineralized Drill Core from Hyperspectral Imaging Spectroscopy. In Proceedings of the 2014 IEEE Geoscience and Remote Sensing Symposium, Quebec City, QC, Canada, 13–18 July 2014; IEEE: Piscataway, NJ, USA, 2014; pp. 4612–4615. [Google Scholar]
98.van Duijvenbode, J.R.; Cloete, L.M.; Shishvan, M.S.; Buxton, M.W.N. Material Fingerprinting as a Tool to Investigate between and within Material Type Variability with a Focus on Material Hardness. Miner. Eng. 2022, 189, 107885. [Google Scholar] [CrossRef]
99.Silversides, K.L.; Murphy, R.J. Identification of Marker Shale Horizons in Banded Iron Formation: Linking Measurements of Downhole Natural Gamma-ray with Measurements from Reflectance Spectrometry of Rock Cores. Near Surf. Geophys. 2017, 15, 141–153. [Google Scholar] [CrossRef]
100.Murphy, R.J.; Taylor, Z.; Schneider, S.; Nieto, J. Mapping Clay Minerals in an Open-Pit Mine Using Hyperspectral and LiDAR Data. Eur. J. Remote Sens. 2015, 48, 511–526. [Google Scholar] [CrossRef]

101.Thompson, D.R.; Thorpe, A.K.; Frankenberg, C.; Green, R.O.; Duren, R.; Guanter, L.; Hollstein, A.; Middleton, E.; Ong, L.; Ungar, S. Space-based Remote Imaging Spectroscopy of the Aliso Canyon CH 4 Superemitter. Geophys. Res. Lett. 2016, 43, 6571–6578. [Google Scholar] [CrossRef]
102.Knapp, M.; Scheidweiler, L.; Külheim, F.; Kleinschek, R.; Necki, J.; Jagoda, P.; Butz, A. Spectrometric Imaging of Sub-Hourly Methane Emission Dynamics from Coal Mine Ventilation. Environ. Res. Lett. 2023, 18, 044030. [Google Scholar] [CrossRef]
103.Feng, J.; Rogge, D.; Rivard, B. Comparison of Lithological Mapping Results from Airborne Hyperspectral VNIR-SWIR, LWIR and Combined Data. Int. J. Appl. Earth Obs. Geoinf. 2018, 64, 340–353. [Google Scholar] [CrossRef]
104.Rogge, D.; Rivard, B.; Segl, K.; Grant, B.; Feng, J. Mapping of NiCu-PGE Ore Hosting Ultramafic Rocks Using Airborne and Simulated EnMAP Hyperspectral Imagery, Nunavik, Canada. Remote Sens. Environ. 2014, 152, 302–317. [Google Scholar] [CrossRef]
105.Scafutto, R.D.P.M.; de Souza Filho, C.R.; Rivard, B. Characterization of Mineral Substrates Impregnated with Crude Oils Using Proximal Infrared Hyperspectral Imaging. Remote Sens. Environ. 2016, 179, 116–130. [Google Scholar] [CrossRef]
106.Entezari, I.; Rivard, B.; Geramian, M.; Lipsett, M.G. Predicting the Abundance of Clays and Quartz in Oil Sands Using Hyperspectral Measurements. Int. J. Appl. Earth Obs. Geoinf. 2017, 59, 1–8. [Google Scholar] [CrossRef]
107.Bösche, N.K. Detection of Rare Earth Elements and Rare Earth Oxides with Hyperspectral Spectroscopy. Dr. rer. nat Thesis, University of Potsdam, Potsdam, Germany, 2015. [Google Scholar]
108.Kokaly, R.F.; Graham, G.E.; Hoefen, T.M.; Kelley, K.D.; Johnson, M.R.; Hubbard, B.E. Hyperspectral Surveying for Mineral Resources in Alaska; US Geological Survey: Reston, VA, USA, 2016; 2p. [CrossRef]
109.Kokaly, R.F.; Hoefen, T.M.; Graham, G.E.; Kelley, K.D.; Johnson, M.R.; Hubbard, B.E.; Goldfarb, R.J.; Buchhorn, M.; Prakash, A. Mineral Information at Micron to Kilometer Scales: Laboratory, Field, and Remote Sensing Imaging Spectrometer Data from the Orange Hill Porphyry Copper Deposit, Alaska, USA. In Proceedings of the 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Beijing, China, 10–15 July 2016; pp. 5418–5421. [Google Scholar] [CrossRef]
110.Monteiro, S.T.; Nieto, J.; Murphy, R.; Ramakrishnan, R.; Taylor, Z. Combining Strong Features for Registration of Hyperspectral and Lidar Data from Field-Based Platforms. In Proceedings of the International Geoscience and Remote Sensing Symposium (IGARSS), Melbourne, Australia, 21–26 July 2013. [Google Scholar]
111.Murphy, R.J.; Monteiro, S.T. Mapping the Distribution of Ferric Iron Minerals on a Vertical Mine Face Using Derivative Analysis of Hyperspectral Imagery (430–970 nm). ISPRS J. Photogramm. Remote Sens. 2013, 75, 29–39. [Google Scholar] [CrossRef]
112.Austin, K.; Choros, K.; Job, A.; McAree, R. Real-Time Mining Face Grade Determination Using Hyperspectral Imaging Techniques. MRIWA Project M0518; MRIWA: Brisbane, Australia, 2021.
113.Cardoso-Fernandes, J.; Teodoro, A.C.; Lima, A.; Mielke, C.; Korting, F.; Roda-Robles, E.; Cauzid, J. Multi-Scale Approach Using Remote Sensing Techniques for Lithium Pegmatite Exploration: First Results. In Proceedings of the IGARSS 2020—2020 IEEE International Geoscience and Remote Sensing Symposium, Waikoloa, HI, USA, 26 September–2 October 2020; IEEE: Piscataway, NJ, USA, 2020; pp. 5226–5229. [Google Scholar]
114.Kurz, T.H.; Buckley, S.J.; Becker, J.K. Hyperspectral Imaging: A Novel Geological Mapping Technique for Subsurface Construction Sites. In Proceedings of the Proceedings of the World Tunnel Congress 2017—Surface Challenges—Underground Solutions, Bergen, Norway, 9–15 June 2017; p. 10. [Google Scholar]
115.Kirsch, M.; Mavroudi, M.; Thiele, S.; Lorenz, S.; Tusa, L.; Booysen, R.; Herrmann, E.; Fatihi, A.; Möckel, R.; Dittrich, T.; et al. Underground Hyperspectral Outcrop Scanning for Automated Mine-face Mapping: The Lithium Deposit of Zinnwald/Cínovec. Photogramm. Rec. 2023, 38, 408–429. [Google Scholar] [CrossRef]
116.Thiele, S.T.; Bnoulkacem, Z.; Lorenz, S.; Bordenave, A.; Menegoni, N.; Madriz, Y.; Dujoncquoy, E.; Gloaguen, R.; Kenter, J. Mineralogical Mapping with Accurately Corrected Shortwave Infrared Hyperspectral Data Acquired Obliquely from UAVs. Remote Sens. 2022, 14, 5. [Google Scholar] [CrossRef]
117.Meyer, J.M.; Kokaly, R.F.; Holley, E. Hyperspectral Remote Sensing of White Mica: A Review of Imaging and Point-Based Spectrometer Studies for Mineral Resources, with Spectrometer Design Considerations. Remote Sens. Environ. 2022, 275, 113000. [Google Scholar] [CrossRef]
118.Barton, I.F.; Gabriel, M.J.; Lyons-Baral, J.; Barton, M.D.; Duplessis, L.; Roberts, C. Extending Geometallurgy to the Mine Scale with Hyperspectral Imaging: A Pilot Study Using Drone- and Ground-Based Scanning. Min. Metall. Explor. 2021, 38, 799–818. [Google Scholar] [CrossRef]
119.Dold, B. Acid Rock Drainage Prediction: A Critical Review. J. Geochem. Explor. 2017, 172, 120–132. [Google Scholar] [CrossRef]
120.Lottermoser, B. Mine Wastes, 3rd ed.; Springer: Berlin/Heidelberg, Germany, 2010; ISBN 978-3-642-12418-1. [Google Scholar]
121.Swayze, G.A.; Smith, K.S.; Clark, R.N.; Sutley, S.J.; Pearson, R.M.; Vance, J.S.; Hageman, P.L.; Briggs, P.H.; Meier, A.L.; Singleton, M.J.; et al. Using Imaging Spectroscopy To Map Acidic Mine Waste. Environ. Sci. Technol. 2000, 34, 47–54. [Google Scholar] [CrossRef]
122.Kemper, T.; Sommer, S. Use of Airborne Hyperspectral Data to Estimate Residual Heavy Metal Contamination and Acidification Potential in the Guadiamar Floodplain Andalusia, Spain after the Aznacollar Mining Accident. In Proceedings of the Remote sensing for environmental monitoring, GIS applications, and geology IV, Maspalomas, Spain, 14–16 September 2004; Ehlers, M., Posa, F., Kaufmann, H.J., Michel, U., De Carolis, G., Eds.; SPIE: Bellingham, WA, USA, 2004; p. 224. [Google Scholar]
123.Chevrel, S.; Kuosmanen, V.; Grösel, K.; Marsh, S.; Tukiainen, T.; Schäffer, U.; Quental, L.; Vosen, P.; Fischer, C.; Loudjani, P.; et al. Assessing and Monitoring the Environmental Impact of Mining Activities in Europe Using Advanced Earth Observation Techniques; European Community: Luxembourg, 2003. [Google Scholar]
124.Flores, H.; Lorenz, S.; Jackisch, R.; Tusa, L.; Contreras, I.; Zimmermann, R.; Gloaguen, R. UAS-Based Hyperspectral Environmental Monitoring of Acid Mine Drainage Affected Waters. Minerals 2021, 11, 182. [Google Scholar] [CrossRef]
125.Gascueña, A.B. Mineral Exploration of Rock Wastes from Sulfide Mining Using Airborne Hyperspectral Imaging. Master’s Thesis, Universidad de Granada, Granada, Spain, 2020. [Google Scholar]
126.Zabcic, N.; Rivard, B.; Ong, C.; Mueller, A. Using Airborne Hyperspectral Data to Characterize the Surface PH and Mineralogy of Pyrite Mine Tailings. Int. J. Appl. Earth Obs. Geoinf. 2014, 32, 152–162. [Google Scholar] [CrossRef]
127.Quental, L.; Sousa, A.J.; Marsh, S.; Brito, G.; Abreu, M.M. Imaging Spectroscopy Answers to Acid Mine Drainage Detection at S. Domingos, Iberian Pyrite Belt, Portugal. Comun. Geol. 2011, 98, 61–71. [Google Scholar]
128.Riaza, A.; Müller, A. Hyperspectral Remote Sensing Monitoring of Pyrite Mine Wastes: A Record of Climate Variability (Pyrite Belt, Spain). Environ. Earth Sci. 2010, 61, 575–594. [Google Scholar] [CrossRef]
129.Richter, N.; Staenz, K.; Kaufmann, H. Spectral Unmixing of Airborne Hyperspectral Data for Baseline Mapping of Mine Tailings Areas. Int. J. Remote Sens. 2008, 29, 3937–3956. [Google Scholar] [CrossRef]
130.Rockwell, B.W.; McDougal, R.R.; Gent, C.A. Remote Sensing for Environmental Site Screening and Watershed Evaluation in Utah Mine Lands—East Tintic Mountains, Oquirrh Mountains, and Tushar Mountains; U.S. Geological Survey Scientific Investigations Report 2004-5241; U.S. Geological Survey: Reston, VA, USA, 2005.
131.Shang, J.; Morris, B.; Howarth, P.; Lévesque, J.; Staenz, K.; Neville, B. Mapping Mine Tailing Surface Mineralogy Using Hyperspectral Remote Sensing. Can. J. Remote Sens. 2009, 35, S126–S141. [Google Scholar] [CrossRef]
132.Ong, C.; Cudahy, T.J.; Swayze, G. Predicting Acid Drainage Related PhysicochemicalMeasurements Using Hyperspectral Data. In Proceedings of the 3rd EARSeL Workshop on Imaging Spectroscopy, Herrsching, Germany, 13–16 May 2003; pp. 363–373. [Google Scholar]
133.Buzzi, J.; Riaza, A.; García-Meléndez, E.; Carrère, V.; Holzwarth, S. Monitoring of River Contamination Derived From Acid Mine Drainage Using Airborne Imaging Spectroscopy (HyMap Data, South-West Spain). River Res. Appl. 2016, 32, 125–136. [Google Scholar] [CrossRef]
134.Riaza, A.; Buzzi, J.; García-Meléndez, E.; Carrère, V.; Müller, A. Monitoring the Extent of Contamination from Acid Mine Drainage in the Iberian Pyrite Belt (SW Spain) Using Hyperspectral Imagery. Remote Sens. 2011, 3, 2166–2186. [Google Scholar] [CrossRef]
135.Farrand, W.H.; Bhattacharya, S. Tracking Acid Generating Minerals and Trace Metal Spread from Mines Using Hyperspectral Data: Case Studies from Northwest India. Int. J. Remote Sens. 2021, 42, 2920–2939. [Google Scholar] [CrossRef]
136.Ferrier, G.; Rumsby, B.; Pope, R. Application of Hyperspectral Remote Sensing Data in the Monitoring of the Environmental Impact of Hazardous Waste Derived from Abandoned Mine Sites. Geol. Soc. Lond. Spec. Publ. 2007, 283, 107–116. [Google Scholar] [CrossRef]
137.Ong, C.C.H.; Cudahy, T.J. Mapping Contaminated Soils: Using Remotely-sensed Hyperspectral Data to Predict PH. Eur. J. Soil Sci. 2014, 65, 897–906. [Google Scholar] [CrossRef]
138.Jackisch, R.; Lorenz, S.; Zimmermann, R.; Möckel, R.; Gloaguen, R. Drone-Borne Hyperspectral Monitoring of Acid Mine Drainage: An Example from the Sokolov Lignite District. Remote Sens. 2018, 10, 385. [Google Scholar] [CrossRef]
139.Notesco, G.; Kopačková, V.; Rojík, P.; Schwartz, G.; Livne, I.; Dor, E. Ben Mineral Classification of Land Surface Using Multispectral LWIR and Hyperspectral SWIR Remote-Sensing Data. A Case Study over the Sokolov Lignite Open-Pit Mines, the Czech Republic. Remote Sens. 2014, 6, 7005–7025. [Google Scholar] [CrossRef]
140.Kopačková, V. Using Multiple Spectral Feature Analysis for Quantitative PH Mapping in a Mining Environment. Int. J. Appl. Earth Obs. Geoinf. 2014, 28, 28–42. [Google Scholar] [CrossRef]
141.Kopackova, V.; Chevrel, S.; Bourguignon, A.; Rojik, P. Mapping Hazardous Low-PH Material in Mining Environment: Multispectral and Hyperspectral Aproaches. In Proceedings of the 2012 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Munich, Germany, 22–27 July 2012; pp. 2695–2698. [Google Scholar] [CrossRef]
142.Mielke, C.; Boesche, N.; Rogass, C.; Kaufmann, H.; Gauert, C.; de Wit, M. Spaceborne Mine Waste Mineralogy Monitoring in South Africa, Applications for Modern Push-Broom Missions: Hyperion/OLI and EnMAP/Sentinel-2. Remote Sens. 2014, 6, 6790–6816. [Google Scholar] [CrossRef]
143.Chalkley, R.; Crane, R.A.; Eyre, M.; Hicks, K.; Jackson, K.-M.; Hudson-Edwards, K.A. A Multi-Scale Feasibility Study into Acid Mine Drainage (AMD) Monitoring Using Same-Day Observations. Remote Sens. 2022, 15, 76. [Google Scholar] [CrossRef]
144.Davies, G.E.; Calvin, W.M. Mapping Acidic Mine Waste with Seasonal Airborne Hyperspectral Imagery at Varying Spatial Scales. Environ. Earth Sci. 2017, 76, 432. [Google Scholar] [CrossRef]
145.Koellner, N. ReMon—Remote Monitoring of Tailings Using Satellites and Drones. Available online: https://www.gfz-potsdam.de/en/section/remote-sensing-and-geoinformatics/projects/remon/ (accessed on 27 April 2020).
146.Hildebrand, J.C. Acid Mine Drainage and Tailing Monitoring Using Satellite Imagery for VMS-Type Deposits in the Republic of Cyprus; Scientific Technical Report STR; 22/08; Humboldt University: Berlin, Germany, 2022. [Google Scholar]
147.Koerting, F.M. Hybrid Imaging Spectroscopy Approaches for Open Pit Mining—Applications for Virtual Mine Face Geology. Ph.D. Thesis, University of Potsdam, Potsdam, Germany, 2021. [Google Scholar]
148.Koerting, F.; Rogass, C.; Koellner, N.; Horning, M.; Altenberger, U. Mineral Spectra and Chemistry of 37 Copper-Bearing Surface Samples from Apliki Copper-Gold-Pyrite Mine in the Republic of Cyprus; GFZ Data Services: Potsdam, Germany, 2019. [Google Scholar]
149.Koerting, F.; Koellner, N.; Mielke, C.; Rogass, C.; Kuras, A.; Altenberger, U.; Kaestner, F.; Hildebrand, C. Hyperspectral Imaging Data of the Northern Mine Face and of Laboratory Samples of the Copper-Gold-Pyrite Mine Apliki, Nicosia District, Republic of Cyprus; GFZ Data Services: Potsdam, Germany, 2021. [Google Scholar]
150.Gläßer, C.; Groth, D.; Frauendorf, J. Monitoring of Hydrochemical Parameters of Lignite Mining Lakes in Central Germany Using Airborne Hyperspectral Casi-Scanner Data. Int. J. Coal Geol. 2011, 86, 40–53. [Google Scholar] [CrossRef]
151.Swayze, G.A.; Kokaly, R.F.; Higgins, C.T.; Clinkenbeard, J.P.; Clark, R.N.; Lowers, H.A.; Sutley, S.J. Mapping Potentially Asbestos-Bearing Rocks Using Imaging Spectroscopy. Geology 2009, 37, 763–766. [Google Scholar] [CrossRef]
152.Bruno, R.; Kasmaeeyazdi, S.; Tinti, F.; Mandanici, E.; Balomenos, E. Spatial Component Analysis to Improve Mineral Estimation Using Sentinel-2 Band Ratio: Application to a Greek Bauxite Residue. Minerals 2021, 11, 549. [Google Scholar] [CrossRef]
153.Pfitzner, K.S.; Harford, A.J.; Whiteside, T.G.; Bartolo, R.E. Mapping Magnesium Sulfate Salts from Saline Mine Discharge with Airborne Hyperspectral Data. Sci. Total Environ. 2018, 640–641, 1259–1271. [Google Scholar] [CrossRef]
154.Yin, F.; Wu, M.; Liu, L.; Zhu, Y.; Feng, J.; Yin, D.; Yin, C.; Yin, C. Predicting the Abundance of Copper in Soil Using Reflectance Spectroscopy and GF5 Hyperspectral Imagery. Int. J. Appl. Earth Obs. Geoinf. 2021, 102, 102420. [Google Scholar] [CrossRef]
155.Mars, J.C.; Crowley, J.K. Mapping Mine Wastes and Analyzing Areas Affected by Selenium-Rich Water Runoff in Southeast Idaho Using AVIRIS Imagery and Digital Elevation Data. Remote Sens. Environ. 2003, 84, 422–436. [Google Scholar] [CrossRef]
156.Kasmaeeyazdi, S.; Dinelli, E.; Braga, R. Mapping Co–Cr–Cu and Fe Occurrence in a Legacy Mining Waste Using Geochemistry and Satellite Imagery Analyses. Appl. Sci. 2022, 12, 1928. [Google Scholar] [CrossRef]
157.Kasmaeeyazdi, S.; Braga, R.; Tinti, F.; Mandanici, E. Mapping Bauxite Mining Residues Using Remote Sensing Techniques. Mater. Proc. 2021, 5, 91. [Google Scholar]
158.Choe, E.; van der Meer, F.; van Ruitenbeek, F.; van der Werff, H.; de Smeth, B.; Kim, K.-W. Mapping of Heavy Metal Pollution in Stream Sediments Using Combined Geochemistry, Field Spectroscopy, and Hyperspectral Remote Sensing: A Case Study of the Rodalquilar Mining Area, SE Spain. Remote Sens. Environ. 2008, 112, 3222–3233. [Google Scholar] [CrossRef]
159.Kayet, N.; Pathak, K.; Chakrabarty, A.; Kumar, S.; Chowdary, V.M.; Singh, C.P.; Sahoo, S.; Basumatary, S. Assessment of Foliar Dust Using Hyperion and Landsat Satellite Imagery for Mine Environmental Monitoring in an Open Cast Iron Ore Mining Areas. J. Clean. Prod. 2019, 218, 993–1006. [Google Scholar] [CrossRef]
160.Ong, C.C.H.; Cudahy, T.J.; Caccetta, M.S.; Piggott, M.S. Deriving Quantitative Dust Measurements Related to Iron Ore Handling from Airborne Hyperspectral Data. Min. Technol. 2003, 112, 158–163. [Google Scholar] [CrossRef]
161.Pascucci, S.; Belviso, C.; Cavalli, R.M.; Palombo, A.; Pignatti, S.; Santini, F. Using Imaging Spectroscopy to Map Red Mud Dust Waste: The Podgorica Aluminum Complex Case Study. Remote Sens. Environ. 2012, 123, 139–154. [Google Scholar] [CrossRef]
162.Maurais, J.; Orban, F.; Dauphinais, E.; Ayotte, P. Monitoring Moisture Content and Evaporation Kinetics from Mine Slurries through Albedo Measurements to Help Predict and Prevent Dust Emissions. R. Soc. Open Sci. 2021, 8, 210414. [Google Scholar] [CrossRef]
163.Ogen, Y.; Denk, M.; Glaesser, C.; Eichstaedt, H. A Novel Method for Predicting the Geochemical Composition of Tailings with Laboratory Field and Hyperspectral Airborne Data Using a Regression and Classification-Based Approach. Eur. J. Remote Sens. 2022, 55, 453–470. [Google Scholar] [CrossRef]
164.Merrill, J.; Voisin, L. Application of the HyLogger-3 to the Characterization of Mineral and Metallurgical Residues. In Proceedings of the APCOM 2015, Fairbanks, AK, USA, 23–27 May 2015. [Google Scholar]
165.He, J.; DuPlessis, L.; Barton, I. Heap Leach Pad Mapping with Drone-Based Hyperspectral Remote Sensing at the Safford Copper Mine, Arizona. Hydrometallurgy 2022, 211, 105872. [Google Scholar] [CrossRef]
166.He, J.; Barton, I. Hyperspectral Remote Sensing for Detecting Geotechnical Problems at Ray Mine. Eng. Geol. 2021, 292, 106261. [Google Scholar] [CrossRef]
167.Guan, R.; Li, Z.; Li, T.; Li, X.; Yang, J.; Chen, W. Classification of Heterogeneous Mining Areas Based on ResCapsNet and Gaofen-5 Imagery. Remote Sens. 2022, 14, 3216. [Google Scholar] [CrossRef]
168.Zhang, B.; Wu, D.; Zhang, L.; Jiao, Q.; Li, Q. Application of Hyperspectral Remote Sensing for Environment Monitoring in Mining Areas. Environ. Earth Sci. 2012, 65, 649–658. [Google Scholar] [CrossRef]
169.Buczyńska, A.; Blachowski, J.; Bugajska-Jędraszek, N. Analysis of Post-Mining Vegetation Development Using Remote Sensing and Spatial Regression Approach: A Case Study of Former Babina Mine (Western Poland). Remote Sens. 2023, 15, 719. [Google Scholar] [CrossRef]
170.Weiersbye, I.; Margalit, N.; Feingersh, T.; Revivo, G.; Stark, R.; Zur, Y.; Heller, D.; Braun, O.; Cukrowska, E. Use of Airborne Hyper-Spectral Remote Sensing (HSRS) to Focus Remediation and Monitor Vegetation Processes on Gold Mining Landscapes in South Africa. In Proceedings of the First International Seminar on Mine Closure, Perth, Australia, 13–15 September 2006; pp. 601–611. [Google Scholar]
171.Song, W.; Song, W.; Gu, H.; Li, F. Progress in the Remote Sensing Monitoring of the Ecological Environment in Mining Areas. Int. J. Environ. Res. Public Health 2020, 17, 1846. [Google Scholar] [CrossRef]
172.Götze, C.; Beyer, F.; Gläßer, C. Pioneer Vegetation as an Indicator of the Geochemical Parameters in Abandoned Mine Sites Using Hyperspectral Airborne Data. Environ. Earth Sci. 2016, 75, 613. [Google Scholar] [CrossRef]
173.Pi-Puig, T.; Solé, J.; Gómez Cruz, A. Mineralogical Study and Genetic Model of Efflorescent Salts and Crusts from Two Abandoned Tailings in the Taxco Mining District, Guerrero (Mexico). Minerals 2020, 10, 871. [Google Scholar] [CrossRef]
174.Fernandes, G.W.; Goulart, F.F.; Ranieri, B.D.; Coelho, M.S.; Dales, K.; Boesche, N.; Bustamante, M.; Carvalho, F.A.; Carvalho, D.C.; Dirzo, R.; et al. Deep into the Mud: Ecological and Socio-Economic Impacts of the Dam Breach in Mariana, Brazil. Nat. Conserv. 2016, 14, 35–45. [Google Scholar] [CrossRef]

175.Percival, J.B.; White, H.P.; Goodwin, T.A.; Parsons, M.B.; Smith, P.K. Mineralogy and Spectral Reflectance of Soils and Tailings from Historical Gold Mines, Nova Scotia. Geochem. Explor. Environ. Anal. 2014, 14, 3–16. [Google Scholar] [CrossRef]
176.Booysen, R.; Jackisch, R.; Lorenz, S.; Zimmermann, R.; Kirsch, M.; Nex, P.A.M.; Gloaguen, R. Detection of REEs with Lightweight UAV-Based Hyperspectral Imaging. Sci. Rep. 2020, 10, 17450. [Google Scholar] [CrossRef] [PubMed]
177.Jackisch, R.; Madriz, Y.; Zimmermann, R.; Pirttijärvi, M.; Saartenoja, A.; Heincke, B.H.; Salmirinne, H.; Kujasalo, J.-P.; Andreani, L.; Gloaguen, R. Drone-Borne Hyperspectral and Magnetic Data Integration: Otanmäki Fe-Ti-V Deposit in Finland. Remote Sens. 2019, 11, 2084. [Google Scholar] [CrossRef]
178.JuanManuel, J.R.; Padua, L.; Hruska, J.; Feito, F.R.; Sousa, J.J. An Efficient Method for Generating UAV-Based Hyperspectral Mosaics Using Push-Broom Sensors. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2021, 14, 6515–6531. [Google Scholar] [CrossRef]
179.Goldstein, N.; Wiggins, R.; Woodman, P.; Saleh, M.; Nakanishi, K.; Fox, M.E.; Tannian, B.E.; Ziph-Schatzberg, L.; Soletski, P. Compact Visible to Extended-SWIR Hyperspectral Sensor for Unmanned Aircraft Systems (UAS). In Proceedings of the Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XXIV, Orlando, FL, USA, 17–19 April 2018; Messinger, D.W., Velez-Reyes, M., Eds.; SPIE: Bellingham, WA, USA, 2018; p. 52. [Google Scholar]
180.Chi, J. High-Resolution Hyperspectral Images of Council, Alaska 2019; Arctic Data Center: Motown, Norway, 2021. [Google Scholar]
181.EASA. Commission Implementing Regulation (EU) 2019/947 on the Rules and Procedures for the Operation of Unmanned Aircraft; EASA: Cologne, Germany, 2019.
182.EASA European Union Safety Agency. Available online: https://www.easa.europa.eu/en/regulations/unmanned-aircraft-systems-uas (accessed on 18 January 2024).
183.EASA. Commission Implementing Regulation (EU) 2020/746 of 4 June 2020 Amending Implementing Regulation (EU) 2019/947 as Regards Postponing Dates of Application of Certain Measures in the Context of the COVID-19 Pandemic; EASA: Cologne, Germany, 2020.
184.ICAO International Civil Aviation Organization. Available online: https://www.icao.int/Pages/default.aspx (accessed on 18 January 2024).
185.Arroyo-Mora, J.P.; Kalacska, M.; Inamdar, D.; Soffer, R.; Lucanus, O.; Gorman, J.; Naprstek, T.; Schaaf, E.S.; Ifimov, G.; Elmer, K.; et al. Implementation of a UAV–Hyperspectral Pushbroom Imager for Ecological Monitoring. Drones 2019, 3, 12. [Google Scholar] [CrossRef]
186.Aasen, H.; Honkavaara, E.; Lucieer, A.; Zarco-Tejada, P.J. Quantitative Remote Sensing at Ultra-High Resolution with UAV Spectroscopy: A Review of Sensor Technology, Measurement Procedures, and Data Correctionworkflows. Remote Sens. 2018, 10, 1091. [Google Scholar] [CrossRef]
187.Schläpfer, D.; Trim, S. PARGE Version 4.0 Software releaser 2024, Software Release Notice. Available online: https://parge.com/parge-4-0-is-released/ (accessed on 4 April 2024).
188.Kurz, T.H.; Buckley, S.J.; Howell, J.A.; Schneider, D. Close Range Hyperspectral and Lidar Data Integration for Geological Outcrop Analysis. In Proceedings of the 2009 First Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing, Grenoble, France, 26–28 August 2009; IEEE: Piscataway, NJ, USA, 2009; pp. 1–4. [Google Scholar]
189.Sima, A.A.; Buckley, S.J.; Kurz, T.H.; Schneider, D. Semi-Automated Registration of Close-Range Hyperspectral Scans Using Oriented Digital Camera Imagery and a 3d Model. Photogramm. Rec. 2014, 29, 10–29. [Google Scholar] [CrossRef]
190.Rosa, D.; Dewolfe, M.; Guarnieri, P.; Kolb, J.; LaFlamme, C.; Partin, C.; Salehi, S.; Sørensen, E.V.; Thaarup, S.; Thrane, K.; et al. Architecture and Mineral Potential of the Paleoproterozoic Karrat Group, West Greenland: Results of the 2016 Season; GEUS Rapport 2017/5; GEUS, Geological Survey of Denmark and Greenland: Copenhagen, Denmark, 2017. [Google Scholar]
191.Kirsch, M.; Lorenz, S.; Zimmermann, R.; Tusa, L.; Möckel, R.; Hödl, P.; Booysen, R.; Khodadadzadeh, M.; Gloaguen, R. Integration of Terrestrial and Drone-Borne Hyperspectral and Photogrammetric Sensing Methods for Exploration Mapping and Mining Monitoring. Remote Sens. 2018, 10, 1366. [Google Scholar] [CrossRef]
192.Salehi, S.; Lorenz, S.; Sørensen, E.V.; Zimmermann, R.; Fensholt, R.; Heincke, B.H.; Kirsch, M.; Gloaguen, R. Integration of Vessel-Based Hyperspectral Scanning and 3D-Photogrammetry for Mobile Mapping of Steep Coastal Cliffs in the Arctic. Remote Sens. 2018, 10, 175. [Google Scholar] [CrossRef]
193.Thiele, S.T.; Lorenz, S.; Kirsch, M.; Gloaguen, R. A Novel and Open-Source Illumination Correction for Hyperspectral Digital Outcrop Models. IEEE Trans. Geosci. Remote Sens. 2022, 60, 5511612. [Google Scholar] [CrossRef]
194.Lorenz, S.; Salehi, S.; Kirsch, M.; Zimmermann, R.; Unger, G.; Sørensen, E.V.; Gloaguen, R. Radiometric Correction and 3D Integration of Long-Range Ground-Based Hyperspectral Imagery for Mineral Exploration of Vertical Outcrops. Remote Sens. 2018, 10, 176. [Google Scholar] [CrossRef]
195.Schläpfer, D.; Richter, R.; Popp, C.; Nygren, P. DROACOR Reflectance Retrieval for Hyperspectral Mineral Exploration Using a Ground-Based Rotating Platforms. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 2021, XLIII-B3-2, 209–214. [Google Scholar] [CrossRef®]
196.Schläpfer, D.; Raebsamen, J.; Popp, C.; Richter, R.; Trim, S.A.; Vögtli, M. Droacor Topographic Correction Method with Adaptive Diffuse Irradiance Based Shadow Correction. In Proceedings of the IGARSS 2023—2023 IEEE International Geoscience and Remote Sensing Symposium, Pasadena, CA, USA, 16–21 July 2023; IEEE: Piscataway, NJ, USA, 2023; pp. 7332–7335. [Google Scholar]
197.Schläpfer, D.; Popp, C.; Richter, R. Drone Data Atmospheric Correction Concept for Multi- and Hyperspectral Imager—The DROACOR Model. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 2020, XLIII-B3-2, 473–478. [Google Scholar] [CrossRef]
198.Emde, C.; Buras-Schnell, R.; Kylling, A.; Mayer, B.; Gasteiger, J.; Hamann, U.; Kylling, J.; Richter, B.; Pause, C.; Dowling, T.; et al. The LibRadtran Software Package for Radiative Transfer Calculations (Version 2.0.1). Geosci. Model Dev. 2016, 9, 1647–1672. [Google Scholar] [CrossRef]
199.Demetriades, A. Basic Considerations: Sampling, the Key for a Successful Applied Geochemical Survey for Mineral Exploration and Environmental Purposes. In Treatise on Geochemistry; Elsevier: Amsterdam, The Netherlands, 2014; pp. 1–31. [Google Scholar]
200.Chan, M.; Mogk, D. Establishing an Ethic of Sampling for Future Generations of Geoscientists. GSA Today 2023, 33, 16–18. [Google Scholar] [CrossRef]
201.Blumberg, A.; Schodlok, M.C. The Synergistic Use of Multi-Scale Remote Sensing Data for the Identification of Hydrothermal Alteration Patterns in Los Frailes, Spain. Int. J. Appl. Earth Obs. Geoinf. 2022, 114, 103034. [Google Scholar] [CrossRef]
202.Asadzadeh, S.; de Souza Filho, C.R.; Nanni, M.R.; Batezelli, A. Multi-Scale Mapping of Oil-Sands in Anhembi (Brazil) Using Imaging Spectroscopy. Int. J. Appl. Earth Obs. Geoinf. 2019, 82, 101894. [Google Scholar] [CrossRef]
203.Kruse, F.A.; Bedell, R.L.; Taranik, J.V.; Peppin, W.A.; Weatherbee, O.; Calvin, W.M. Mapping Alteration Minerals at Prospect, Outcrop and Drill Core Scales Using Imaging Spectrometry. Int. J. Remote Sens. 2012, 33, 1780–1798. [Google Scholar] [CrossRef]
204.Fridman, A.; Høye, G.; Løke, T. Resampling in Hyperspectral Cameras as an Alternative to Correcting Keystone in Hardware, with Focus on Benefits for Optical Design and Data Quality. Opt. Eng. 2014, 53, 053107. [Google Scholar] [CrossRef]
205.Høye, G.; Løke, T.; Fridman, A. Method for Quantifying Image Quality in Push-Broom Hyperspectral Cameras. Opt. Eng. 2015, 54, 053102. [Google Scholar] [CrossRef]
206.Parbhakar-Fox, A.; Baumgartner, R. Action Versus Reaction: How Geometallurgy Can Improve Mine Waste Management Across the Life-Of-Mine. Elements 2023, 19, 371–376. [Google Scholar] [CrossRef]
207.Parbhakar-Fox, A. Reinventing the Wheel: The Environmental Geometallurgy Matrix and Its Supporting Tools. In Proceedings of the Procemin-GEOMET 2019, 15th International Mineral Processing Conference, 6th International Seminar on Geometallurgy, Santiago, Chile, 20–22 November 2019; p. 9. [Google Scholar]
208.Kasmaeeyazdi, S.; Mandanici, E.; Balomenos, E.; Tinti, F.; Bonduà, S.; Bruno, R. Mapping of Aluminum Concentration in Bauxite Mining Residues Using Sentinel-2 Imagery. Remote Sens. 2021, 13, 1517. [Google Scholar] [CrossRef]
209.Li, Y.; Zhang, H.; Shen, Q. Spectral-Spatial Classification of Hyperspectral Imagery with 3D Convolutional Neural Network. Remote Sens. 2017, 9, 67. [Google Scholar] [CrossRef]
210.Dalm, M.; Buxton, M.W.N.; Van Ruitenbeek, F.J.A.; Voncken, J.H.L. Application of Near-Infrared Spectroscopy to Sensor Based Sorting of a Porphyry Copper Ore. Miner. Eng. 2014, 58, 7–16. [Google Scholar] [CrossRef]
211.Dalm, M.; Buxton, M.W.N.; van Ruitenbeek, F.J.A. Discriminating Ore and Waste in a Porphyry Copper Deposit Using Short-Wavelength Infrared (SWIR) Hyperspectral Imagery. Miner. Eng. 2017, 105, 10–18. [Google Scholar] [CrossRef]
212.Lypaczewski, P.; Rivard, B. Estimating the Mg# and AlVI Content of Biotite and Chlorite from Shortwave Infrared Reflectance Spectroscopy: Predictive Equations and Recommendations for Their Use. Int. J. Appl. Earth Obs. Geoinf. 2018, 68, 116–126. [Google Scholar] [CrossRef]
213.Cudahy, T. Mineral Mapping for Exploration: An Australian Journey of Evolving Spectral Sensing Technologies and Industry Collaboration. Geosciences 2016, 6, 52. [Google Scholar] [CrossRef]
214.Salles, R.d.R.; de Souza Filho, C.R.; Cudahy, T.; Vicente, L.E.; Monteiro, L.V.S. Hyperspectral Remote Sensing Applied to Uranium Exploration: A Case Study at the Mary Kathleen Metamorphic-Hydrothermal U-REE Deposit, NW, Queensland, Australia. J. Geochem. Explor. 2017, 179, 36–50. [Google Scholar] [CrossRef]
215.Haest, M.; Cudahy, T.; Laukamp, C.; Gregory, S. Quantitative Mineralogy from Infrared Spectroscopic Data. II. Three-Dimensional Mineralogical Characterization of the Rocklea Channel Iron Deposit, Western Australia. Econ. Geol. 2012, 107, 229–249. [Google Scholar] [CrossRef]
216.Haest, M.; Cudahy, T.; Rodger, A.; Laukamp, C.; Martens, E.; Caccetta, M. Unmixing the Effects of Vegetation in Airborne Hyperspectral Mineral Maps over the Rocklea Dome Iron-Rich Palaeochannel System (Western Australia). Remote Sens. Environ. 2013, 129, 17–31. [Google Scholar] [CrossRef]


13 марта/ 2025