基于高分二号遥感影像的露天灰岩矿区裸岩提取方法

Mapping Bare Rock in Open-Pit Limestone Mining Area Using Gaofen-2 Satellite Image

摘要

为了高效、准确地从高分辨率遥感影像中提取裸岩，利用国产高分二号（GF-2）影像数据，通过构建斜率差异裸岩指数模型（slope difference bare rock index，简称SDBRI）和裸岩阴影指数模型（bare rock shadow index，简称BRSI），提出了亚米级高分影像的露天矿区裸岩提取技术方案.以青州市南部山区为试验区对此方法进行检验，结果表明：在SDBRI指数图像中，裸岩能够与周边植被较好区分，裸岩与其他地物的可分性显著高于NDVI、CRI1、CRI2等指数模型；以基于谷歌地球高清影像的目视解译结果作为验证数据进行精度评估，交并比（IoU）指标达到91%左右.此方法能够满足基于国产高分影像数据进行大范围矿区裸岩制图的需求，可以为矿山环境的遥感监测提供技术支持，具有较强的实践价值.

关键词

高分二号 / 亚米级高分影像 / 露天矿区 / 指数模型 / 裸岩提取 / 遥感

Key words

Gaofen-2 / sub-meter satellite image / open-pit mining area / index model / bare rock extraction / remote sensing

0 引言

矿产资源是我国经济发展的物质基础，然而长期以来大规模、高强度的矿产资源开发也给生态环境带来了负面影响（张进德和郗富瑞， 2020）.特别是一些露天开采活动，导致所在区域山体破损、植被和土壤遭到破坏，形成大范围的裸露岩石和陡崖，造成山地景观破碎、水土流失加剧、滑坡、崩塌风险增大等一系列环境问题.因此，快速高效地掌握露天开采矿区的范围和空间分布情况，对防控地质灾害和环境监测具有重要的意义.虽然传统的地质勘察和实地监测可以获得裸岩信息，但是过于费时费力且易受到空间地理条件的限制，难以及时高效地获取相关数据.相比之下，遥感技术具有数据采集成本低、速度快、覆盖范围广的特点，能够很好地克服传统方法的弊端（廖小罕， 2021），利用遥感技术对露天开采矿区进行信息提取和监测己成为基本的数据获取手段（刘斌等， 2018；李德仁等，2021）.目前已经有一些学者对裸岩的遥感提取开展了研究.张盼盼等（2010）基于TM影像，通过归一化植被指数（NDVI）计算植被覆盖度，通过由红光波段、近红外波段和短波红外波段构建的裸土指数（江洪等， 2005）计算土壤裸露率，利用图层算术运算将两者结合获取了贵州省普定县后寨河流域的裸岩率.叶娇珑等（2012）基于Landsat TM影像运用NDVI像元二分模型计算四川省甘洛县的裸岩率，证明了NDVI像元二分模型适用于喀斯特地区石漠化信息提取.Xie et al.（2015， 2016）在研究喀斯特地貌区时分别提出了基于多光谱的碳酸盐岩指数（CRIs）和基于高光谱的碳酸盐指数（HCRIs），用来估算碳酸盐覆盖率.Pei et al.（2018）基于Landsat-8 OLI影像提出了一种新喀斯特裸岩指数，估算了中国西南部喀斯特裸岩组分.Kang et al.（2018）利用Landsat 8反射率数据中的近红外波段和短波红外波段构建了新光谱指数提取裸岩.刘佳丽（2018）和张永彬等（2018a，2018b）基于Landsat影像利用面向对象的方法进行了露天灰岩矿山开采范围的信息提取.王恺宁和王修信（2018）基于Landsat影像，提出了遥感像元裸岩率计算公式，获得了裸岩率的长时间序列数据.王梦娟（2019）基于无人机航拍数据和GF-2影像利用深度学习模型和面向对象的方法成功提取岩溶石漠化地区裸岩.张志慧等（2020）基于无人机影像，利用面向对象的分类方法对裸岩信息进行了提取.王跃跃等（2020）基于Landsat-8卫星影像，分析并获取了黔南地区碳酸盐岩的影像特征及其空间分布特征.Chen et al.（2019）基于WorldView-3影像，提出了一个新的碳酸盐指数，并利用优化的支持向量机分类方法对武汉市乌龙泉矿区进行了精细土地覆被分类，能够有效区分露天采矿用地.Li et al.（2020）基于国产环境卫星（HJ-1B）和Landsat TM/OLI影像，利用NDVI指数研究了江西省南部六县稀土矿区的土地破坏和恢复情况.Maus et al.（2020）基于Google影像、Bing影像和Sentinel-2影像数据，利用目视解译方法获取了全球的矿区范围数据.Wu et al.（2020）集成DEM数据和Landsat卫星影像数据，利用面向对象的影像分析方法和随机森林算法完成了内蒙古西南部和宁夏北部露天矿区的提取.Vorovencii（2021）基于Landsat TM/OLI影像数据，首先利用支持向量机分类方法区分矿区和非矿区，然后利用NDVI、土壤调节植被指数（SAVI）和修正的土壤调节植被指数（MSAVI-2）进一步区分活动矿区、复垦矿区等地物类型，完成了罗马尼亚九谷（Jiu Valley）矿区的变化监测.

综上所述，当前针对Landsat影像数据开展的裸岩提取研究较多，为进一步的研究提供了很好的思路.尽管高分辨率遥感影像已经应用到地质研究当中，如断裂带研究（邵延秀等，2021）、地表沟壑提取（李文凯等，2020）、岩层三角面产状信息提取（林楠等，2021）等，利用高分影像数据提取裸岩的研究还是相对较少，技术方法还不够成熟.随着我国高分系列卫星的成功发射，高分影像以其空间分辨率高、重复周期短等优势，已经成为国土资源调查的重要数据源，但相当数量的应用还是基于目视解译，效率极为低下，迫切需要高效的地物提取方法提升应用效率（刘佳丽，2018）.因此，本研究旨在提出一种适用于国产高分光学影像数据的石灰岩露天开采矿区裸岩的高效提取方法，为相关应用提供技术支持.

1 研究区及数据源

1.1　研究区

青州市位于山东半岛中部，坐落于沂蒙山脉北部余脉与昌潍平原的结合部，是山东省潍坊市下辖的县级市.总的地势是西南高、东北低，即由SW向NE呈缓坡逐渐倾斜（图1）.西南部主要为碳酸盐岩类组成的低山丘陵区，面积约747 km²，占总面积的47.8%，东南部主要为由玄武岩构成的岗丘区，面积约126 km²，占总面积的8.0%；市境的中部和北部则为第四系松散堆积物类组成的平原区，面积69l km²，占总面积的44.2%.青州市处于暖温带半湿润季风气候区，该地区多年平均气温为12.7 ℃，多年平均降雨量为664 mm，其中西南山区为697.6 mm，降雨主要集中在夏季.辖区矿产资源丰富，主要以石灰岩为主.根据2017年开展的“山东省矿山地质环境综合调查”项目，青州市共有石灰岩矿区85个，其中邵庄镇、王府街道和庙子镇3个区域最为集中.

1.2　数据源

GF-2卫星于2014年8月19日成功发射，搭载两台全色多光谱相机PMS1和PMS2，其中全色影像空间分辨率1 m、多光谱影像空间分辨率4 m，星下点空间分辨率全色可达0.81 m、多光谱达到3.2 m（表1）.GF-2卫星是我国首颗分辨率达到亚米级的宽幅民用遥感卫星，在亚米级高分辨率卫星影像中幅宽达到世界最高水平，具有高辐射精度、高定位精度及180 s内侧摆35°并稳定的姿态机动能力，标志着我国遥感卫星进入了亚米级“高分时代”.

2 裸岩提取方法

2.1　技术路线

本研究基于国产GF-2卫星影像，通过构建指数模型，提出了亚米级遥感影像裸岩提取技术方案.技术路线如图2所示，具体包括4个步骤：（1）图像预处理，主要包括辐射定标、大气校正、正射校正、图像融合、几何纠正；（2）图像判读、建立解译标志，并进行地物光谱分析，明确主要地物的影像特征和光谱特征；（3）基于地物光谱特征构建裸岩指数模型和裸岩阴影模型，分别提取非阴影区裸岩和阴影区裸岩，将两者合并得到完整的裸岩区域；（4）对提取结果进行矢量化，并参考Google Earth高清影像和实地调查结果进行修改完善.

2.2　图像预处理

本研究获取的是L1A级高分遥感影像，为预处理级辐射校正影像产品，产品发布之前仅做了相对辐射校正、去噪、波段配置等处理，其几何和辐射处理精度都无法满足本实际应用的需求.主要存在的问题包括：同一景影像多光谱与全色影像几何位置存在偏差、相邻景影像之间的几何精度不一致、地物光谱与实际光谱不一致等.因此，在使用之前需要做一系列的预处理操作来校正这些问题.

GF-2影像的预处理操作按照以下方法进行.首先对GF-2影像的多光谱数据和全色数据分别进行辐射定标，然后对多光谱数据做大气校正，再分别对多光谱和全色数据做正射校正，最后进行图像融合获取亚米级的多光谱影像.如果需要采用多景影像，由于影像间几何位置可能存在偏差还需要做进一步的几何纠正.

2.3　相关地物解译标志及光谱特征

山地矿区由于露天开采导致大面积植被破坏、岩体裸露，在高分辨率遥感影像上具有明显的特征.以研究区内南文登村灰岩矿和西郭庄村灰岩矿为例，如图3所示为4-3-2波段组合的GF-2假彩色遥感影像，该组合下植被显示为红色，从图中可以清晰地分辨出不同的地物类型（如植被、裸岩、农田、裸地、村庄、道路、水体、建筑物等）和影像特征（如山体和裸岩的阴影、山脊线、山谷等）.相关地物的影像特征和解译标志如表2所示.

掌握主要地物的光谱特征并加以量化区分是构建地物光谱指数模型的基础，本研究的目的是提取裸岩，而在高分影像上裸岩主要由非阴影区域裸岩和裸岩陡坎阴影构成.因此，我们需要分析植被、裸地、有植被覆盖的山体阴影、裸岩及裸岩陡坎阴影等地物的光谱特征，从中提取裸岩独特的光谱特征，从而加以区分.通过参考谷歌高清影像，在完成大气校正的GF-2影像上选择对应地物的纯净像元区域，得到平均光谱曲线如图4所示.

研究区岩石类型主要为石灰岩，矿区裸岩在GF-2影像4-3-2波段组合下主要呈现3种颜色，分别为深石板灰、浅石板灰和亮白色，其反射率依次增加，亮白色裸岩反射率最大，整体高于其他两类裸岩.亮白色和浅色裸岩具有相似的光谱特征，从蓝光波段至绿光波段再到近红外波段反射率逐渐增加，但斜率逐渐降低；深色裸岩反射率在蓝光波段至绿光波段反射率增加，然后在绿光波段至近红外波段反射率逐渐减小，斜率由正变负.

3种颜色的裸岩在蓝光波段至绿光波段和红光波段至近红外波段的反射率光谱斜率的差值上低于除裸土外的其他地物，植被光谱曲线在两段上的斜率反差最大.因此，可以将此作为区分裸岩部分裸土的重要依据.

裸土的光谱特征与浅色裸岩的变化特征基本一致，即从蓝光波段到近红外波段光谱反射率逐渐增加，光谱曲线斜率逐渐降低.但裸土在蓝光波段和绿光波段上的反射率比裸岩要小；总体上，裸土的反射率低于亮白色和浅色裸岩，有些红光波段和近红外波段高于深色裸岩，所以裸土和裸岩也容易区分.

植被光谱特征显著，在绿光波段有一个小的反射峰，在红光波段有一个吸收谷，在近红外波段反射率明显增加.山坡草地由于覆盖度低，受间杂土壤和岩石的影响，其光谱特征不如林地显著，有些像元光谱绿光波段反射峰和红光波段吸收谷缺失，但近红外波段反射特征明显.

有植被覆盖的山体阴影（以下简称为林坡阴影）与裸岩阴影的反射率从蓝光波段到红光波段光谱特征类似，都呈降低的趋势.裸岩阴影从蓝光波段到近红外波段整体都呈降低趋势，而且明显区别于其他地物；与裸岩阴影相比，林坡阴影反射率普遍更低，但林坡阴影受植被覆盖的影响，在近红外波段反射率相比红光波段有所抬升，导致林坡阴影在红光波段至近红外波段的斜率上与裸岩阴影存在明显差异.

纯净水体的高反射主要在蓝绿光波段，其他波段吸收，近红外波段几乎全部吸收.但自然水体的光谱特征受其所含物质组成影响较大，光谱特征存在一定差异.

2.4　构建裸岩指数模型和裸岩阴影模型

矿区裸岩在影像中除了表现为大面积的裸露岩石外，由于矿山采挖形成的陡坎还会产生大面积的阴影区.因此，在提取非阴影区裸岩的同时，需要把阴影覆盖的裸岩也提取出来.如前文所述，矿区裸岩色调有深有浅，其光谱曲线有一个变化范围，从蓝光波段到近红外波段其斜率变化幅度与其他地物存在明显差异.为此，笔者根据裸岩光谱曲线区别于其他地类的斜率差异特征构建了斜率差异裸岩指数模型（slope difference bare rock index，简称SDBRI），用于一致性地描述研究区的裸岩类型.

将裸岩光谱曲线中蓝光波段至绿光波段线段的斜率记为k ₁₂，绿光波段至红光波段线段的斜率记为k ₂₃，红光波段至近红外波段线段的斜率记为k ₃₄，则

k_{\mathrm{12}} = \frac{{\rho }_{\mathrm{G}\mathrm{R}\mathrm{N}}-{\rho }_{\mathrm{B}\mathrm{L}\mathrm{U}}}{{\lambda }_{\mathrm{G}\mathrm{R}\mathrm{N}}-{\lambda }_{\mathrm{B}\mathrm{L}\mathrm{U}}},(1)

k_{\mathrm{23}} = \frac{{\rho }_{\mathrm{R}\mathrm{E}\mathrm{D}}-{\rho }_{\mathrm{G}\mathrm{R}\mathrm{N}}}{{\lambda }_{\mathrm{R}\mathrm{E}\mathrm{D}}-{\lambda }_{\mathrm{G}\mathrm{R}\mathrm{N}}},(2)

k_{\mathrm{34}} = \frac{{\rho }_{\mathrm{N}\mathrm{I}\mathrm{R}}-{\rho }_{\mathrm{R}\mathrm{E}\mathrm{D}}}{{\lambda }_{\mathrm{N}\mathrm{I}\mathrm{R}}-{\lambda }_{\mathrm{R}\mathrm{E}\mathrm{D}}},(3)

式中： ρ和λ分别代表反射率和中心波长，BLU、GRN、RED、NIR分别代表蓝光波段、绿光波段、红光波段和近红外波段.SDBRI可以用下式表示，

\mathrm{S} \mathrm{D} \mathrm{B} \mathrm{R} \mathrm{I} = \frac{k_{\mathrm{34}}-k_{\mathrm{21}}}{k_{\mathrm{34}}+k_{\mathrm{21}}} .(4)

由于阴影覆盖的裸岩与正常状态的裸岩其光谱特征完全不同，所以公式（4）无法描述阴影区裸岩.根据前文描述的裸岩阴影光谱特征，可以在一定条件下通过计算其光谱曲线中红光-近红外波段的斜率与绿光-红光波段的斜率比值来区分裸岩阴影，因此，裸岩阴影指数（bare rock shadow index，简称BRSI）可以表达为，

\mathrm{B} \mathrm{R} \mathrm{S} \mathrm{I} = \frac{k_{\mathrm{34}}}{k_{\mathrm{23}}} \left[\frac{{\rho }_{\mathrm{G}\mathrm{R}\mathrm{N}}}{{\rho }_{\mathrm{R}\mathrm{E}\mathrm{D}}}\right] \left[\frac{{\rho }_{\mathrm{B}\mathrm{L}\mathrm{U}}}{{\rho }_{\mathrm{N}\mathrm{I}\mathrm{R}}}\right] \left[\frac{{\rho }_{\mathrm{R}\mathrm{E}\mathrm{D}}}{{\rho }_{\mathrm{N}\mathrm{I}\mathrm{R}}}\right],(5)

上式中括号表示向下取整，将公式（4）、（5）得到的结果合并即可得到完整的裸岩范围.

3 精度评价方法

为了说明本文提取方法的有效性，笔者将SDBRI指数计算结果与NDVI和Xie et al.（2015）在研究喀斯特地貌区时所提出的碳酸盐岩指数CRI1、CRI2进行比较.本文所针对的主要是石灰岩，与Xie et al.（2015）所研究的喀斯特地貌区岩石类型接近，理论上具有可比性.CRI1和CRI2的表达式分别为，

\mathrm{C} \mathrm{R} \mathrm{I} \mathrm{1} = \frac{{\rho }_{\mathrm{B}\mathrm{L}\mathrm{U}}}{{\rho }_{\mathrm{N}\mathrm{I}\mathrm{R}}},(6)

\mathrm{C} \mathrm{R} \mathrm{I} \mathrm{2} = \frac{{\rho }_{\mathrm{B}\mathrm{L}\mathrm{U}}-{\rho }_{\mathrm{N}\mathrm{I}\mathrm{R}}}{{\rho }_{\mathrm{B}\mathrm{L}\mathrm{U}}+{\rho }_{\mathrm{N}\mathrm{I}\mathrm{R}}} .(7)

同时，为了对提取精度进行评估，本研究在现场调查的基础上，采用基于Google Earth高清影像目视解译结果作为参考数据，将模型提取结果与目视解译结果比较进行精度验证，利用交并比（intersection over union，IoU）作为量化指标.

\mathrm{I} \mathrm{o} \mathrm{U} = \frac{\mathrm{A}\bigcap \mathrm{B}}{\mathrm{A}\bigcup \mathrm{B}},(8)

式中：A为模型提取的裸岩多边形，B为基于Google earth手工绘制的裸岩多边形，A∪B计算的是A与B并集多边形的面积，A∩B计算的是A与B交集多边形的面积.IoU越大，说明模型提取结果越精确.

4 结果与分析

4.1　指数模型取值范围及裸岩提取效果

为了确定矿区裸岩和裸岩阴影在各自指数图像中的取值范围，笔者分别选择了裸岩、植被、裸岩阴影这3类地物的样本进行统计（图5）.结果发现，虽然SDBRI指数在理论上取值范围是（-∞，+∞），但90%以上的数值在（-2， 2）范围内，其中，裸岩取值主要在（-2， 0）范围内，而且相对集中，而植被和其他地物取值大多在（0， +2）范围内，因此，SDBRI指数能够将裸岩与周边植被很好地区分，但裸岩阴影与植被取值范围重叠较多.

在计算BRSI图像的时候，公式（5）中取整实际上对应于掩膜操作，掩膜之后的图像基本上只剩下裸岩阴影、林坡阴影和部分水体，因此，BRSI图像的目的主要是将裸岩阴影和林坡阴影区分开来.从图6可看出，在BRSI图像中林坡阴影跟裸岩阴影可分性非常好，取值大于0.3即可把裸岩阴影提取出来.

分别对SDBRI和BRSI图像采用以上阈值，然后合并阈值化结果即可得到完整的裸岩范围.图7所示是选择的矿区较为集中的3个区域，左侧图中大片石板灰色的地物即为矿区裸岩，红色为植被覆盖，右侧图中黄色为SDBRI阈值化之后的裸岩范围，橘红色为BRSI阈值化之后的裸岩阴影范围，可以看出总体上裸岩和裸岩阴影范围提取较好，但一些裸土、农村居民点、道路、干涸河床等由于其在GF-2影像中光谱特征与裸岩较为相似，难以区分.如图7a中，裸岩周边为农田和农村居民点，农田中有一些裸地不易与裸岩区分；图7b裸岩提取结果中明显有一些道路；图7c中矿区沿着一条河流西侧的山脚分布，干涸河床也难以与裸岩区分.这些不易区分的地物，由于其空间位置、纹理、几何特征等与裸岩存在较大的不同，很容易通过手工剔除.

4.2　相关指数模型对比

图8是分别基于GF-2影像计算得到的SDBRI、NDVI、CRI1和CRI2图像，图8a中红色区域大部分为裸岩，可以看出，与其他3个指数相比，SDBRI能够更好地将裸岩与其他地物区分开来.图8b的NDVI指数虽然直观上裸岩区域与其他地物的差异也较为明显，但存在植被与裸岩、山体阴影区与裸岩等取值范围重叠较多的现象.

同样在CRI1图像（图8c）和CRI2图像（图8d）中也存在类似的现象，而且比NDVI模型混淆更加明显，同时与植被阴影和裸土混淆较为严重，此外在SDBRI图像（图8a）中，虽然与农村居民点和道路也有少量混淆，但是裸岩地貌与其他土地覆盖类型之间的差异非常明显，因此可以更好地提取裸岩.

为了进一步对比SDBRI指数和NDVI指数描述裸岩的效果，笔者对GF-2影像中全部裸岩以及植被和阴影（包括林坡阴影和裸岩阴影）3类地物进行统计，观察其直方图分布特征.如图9所示，对于NDVI指数而言3类地物的分布区间都存在一定程度的重叠，而对于SDBRI指数，3类地物的分离性较好.

4.3　青州市矿区提取应用及精度验证

为了进一步检验本文提出方法的有效性，笔者提取了由四景GF-2影像覆盖的青州市西南山灰岩露天开采矿区（图10），并进行了现场调查验证（图11）.为了进行定量精度评估，本研究选取9个模型验证区（图10），将模型提取结果与基于Google Earth高清影像的人工解译结果进行对比（图12），两者的交集面积、并集面积以及IoU信息见表3.可以看出，本文模型提取精度稳定在91%左右，能够满足应用的需求.需要指出的是，笔者选择的验证区域已经避开了面积较大、易于提取的矿区，而是考虑了面积相对较小、不易提取和不同类型的矿区，如地势较为平坦的矿区，位于山脚地势较为陡峭、阴影较多的矿区，这样能够更加客观地反映本文方法的有效性；另外，该结果的参考数据是基于Google Earth三维影像地图手工绘制的，在三维场景中操作位置的选取易于产生偏差，而且其成像时间与所采用的GF影像并不完全一致，由于植被的生长、矿区的持续开采以及其他自然和人为影响，会导致所用的GF影像与Google影像中矿区范围有所不同.因此，实际精度应该会更高.

5 结论

本文利用国产GF-2遥感影像，在图像预处理、光谱分析等的基础上，通过构建斜率差异裸岩指数模型（SDBRI）和裸岩阴影指数模型（BRSI），提出了灰岩露天开采矿区裸岩提取方案，实现了基于国产亚米级高分遥感影像的露天矿区裸岩提取.通过跟其他指数模型比较，并进行实地验证和定量精度评估，证实了本文的方法提取效果较好，IoU指标稳定在91%左右，能够大幅度提升裸岩提取的效率，对于其他地区露天开采矿区的环境监测具有一定的应用价值和借鉴意义.

参考文献

[1] Chen, W. T., Li, X. J., Wang, L. Z., 2019. Fine Land Cover Classification in an Open Pit Mining Area Using Optimized Support Vector Machine and World View-3 Imagery. Remote Sensing, 12(1): 82. https://doi.org/10.3390/rs12010082

[2] Jiang, H., Wang, X.Q., Chen, X., 2005. A Method for Abstraction of Vegetation Density from SPOT Image. Geo-Information Science, 7(4): 113-116 (in Chinese with English abstract).

[3] Kang, J., Cheng, X., Hui, F. M., et al., 2018. An Accurate and Automated Method for Identifying and Mapping Exposed Rock Outcrop in Antarctica Using Landsat 8 Images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(1): 57-67. https://doi.org/10.1109/jstars.2017.2755502

[4] Li, D.R., Ding, L., Shao, Z.F., 2021. Application-Oriented Real-Time Remote Sensing Service Technology. Journal of Remote Sensing, 25(1): 15-24 (in Chinese with English abstract).

[5] Li, H. K., Xu, F., Li, Q., 2020. Remote Sensing Monitoring of Land Damage and Restoration in Rare Earth Mining Areas in 6 Counties in Southern Jiangxi Based on Multisource Sequential Images. Journal of Environmental Management, 267: 110653. https://doi.org/10.1016/j.jenvman.2020.110653

[6] Li, W.K., Zhang, W., Qin, J.H., et al., 2020. “Expansion-Fusion” Extraction of Surface Gully Area Based on DEM and High-Resolution Remote Sensing Images. Earth Science, 45(6): 1948-1955 (in Chinese with English abstract).

[7] Liao, X. H., 2021. Scientific and Technological Progress and Development Prospect of the Earth Observation in China in the Past 20 Years. Journal of Remote Sensing, 25(1): 267-275 (in Chinese with English abstract).

[8] Lin, N., Xu, Y. C., Gao, B. W., et al., 2021. Semi-Automatic Extraction of Triangular Facet Attitude Based on Edge Extraction Algorithm. Earth Science, 46(10): 3753-3763 (in Chinese with English abstract).

[9] Liu, B., Ge, D. Q., Li, M., et al., 2018. Using Ground-Based InSAR to Evaluate the Stability of an Open-Pit Slope under Blasting Operation. Journal of Remote Sensing, 22(S1): 139-145 (in Chinese with English abstract).

[10] Liu, J.L., 2018. Information Extraction of Open-Pit Limestone Mine Based on Remote Sensing. North China University of Science and Technology, Tangshan(in Chinese with English abstract).

[11] Maus, V., Giljum, S., Gutschlhofer, J., et al., 2020. A Global-Scale Data Set of Mining Areas. Scientific Data, 7(1): 289. https://doi.org/10.1038/s41597-020-00624-w

[12] Pei, J., Wang, L., Huang, N., et al., 2018. Analysis of Landsat-8 OLI Imagery for Estimating Exposed Bedrock Fractions in Typical Karst Regions of Southwest China Using a Karst Bare-Rock Index. Remote Sensing, 10(9): 1321. https://doi.org/10.3390/rs10091321

[13] Shao, Y. X., Zou, X. B., Yuan, D. Y., et al., 2021. Late Quaternary Slip along Yangguan Fault at Northeastern Section of Altyn Tagh Fault and Implications for Seismic Risk. Earth Science, 46(2): 683-696 (in Chinese with English abstract).

[14] Vorovencii, I., 2021. Changes Detected in the Extent of Surface Mining and Reclamation Using Multitemporal Landsat Imagery: A Case Study of Jiu Valley, Romania.Environmental Monitoring and Assessment, 193(1): 1-24. https://doi.org/10.1007/s10661-020-08834-w

[15] Wang, K. N., Wang, X. X., 2018. Temporal and Spatial Changes of Desertification Remote Sensing Parameters in Karst City. Science Technology and Engineering, 18(10): 284-289 (in Chinese with English abstract).

[16] Wang, M. J., 2019. Research on Information Extraction of Karst Rocky Desertification Based on Multi-Source Remote Sensing Data (Dissertation). Lanzhou University of Technology, Lanzhou (in Chinese with English abstract).

[17] Wang, Y. Y., Chen, R., Shen, C. Y., et al., 2020. Research on Remote Sensing Image Characteristics of Carbonate Rock Based on RS and GIS: An Example of Southern Guizhou Region. Carsologica Sinica, 39(5): 762-774 (in Chinese with English abstract).

[18] Wu, Q. H., Song, C. Q., Liu, K., et al., 2020. Integration of TanDEM-X and SRTM DEMs and Spectral Imagery to Improve the Large-Scale Detection of Opencast Mining Areas. Remote Sensing, 12(9): 1451. https://doi.org/10.3390/rs12091451

[19] Xie, X. J., Du, P. J., Xia, J. S., et al., 2015. Spectral Indices for Estimating Exposed Carbonate Rock Fraction in Karst Areas of Southwest China. IEEE Geoscience and Remote Sensing Letters, 12(9): 1988-1992. https://doi.org/10.1109/LGRS.2015.2441962

[20] Ye, J. L., He, Z. W., Weng, Z. Y., et al., 2012. Application of NDVI Pixel Binary Model in Extraction of Rocky Desertification in Karst Areas. Geospatial Information, 10(4): 134-136, 183 (in Chinese with English abstract).

[21] Zhang, J.D., Xi, F.R., 2020. Study on Ecological Restoration of Abandoned Mines in China. Acta Ecologica Sinica, 40(21): 7921-7930 (in Chinese with English abstract).

[22] Zhang, P.P., Hu, Y.M., Xiao, D.N., et al., 2010. A Method of the Percentage of Bare Rock Calculation in Karst Areas Based on Multi-Spectrum Remote Sensing Image. Remote Sensing Technology and Application, 25(4): 510-514 (in Chinese with English abstract).

[23] Zhang, Y.B., Liu, J.L., Ji, J., et al., 2018a. Texture Analysis and Object-Oriented Classification of Open Limestone Mines. Geology and Exploration, 54(2): 348-357 (in Chinese with English abstract).

[24] Zhang, Y.B., Liu, J.L., Li, S.B., et al., 2018b. Study on Automatic Extraction of Mining Range Information of Open-Pit Limestone Mine. Mining Research and Development, 38(6): 104-108 (in Chinese with English abstract).

[25] Zhang, Z. H., Liu, W., Li, X. H., et al., 2020. The Spatial Distribution Pattern of Rock in Rocky Desertification Area based on Unmanned Aerial Vehicle Imagery and Object-Oriented Classification Method. Journal of Geo-Information Science, 22(12): 2436-2444 (in Chinese with English abstract).

[26] 江洪, 汪小钦, 陈星, 2005. 一种以FCD模型从SPOT影像提取植被覆盖率的方法. 地球信息科学, 7(4): 113-116.

[27] 李德仁, 丁霖, 邵振峰, 2021. 面向实时应用的遥感服务技术. 遥感学报, 25(1): 15-24.

[28] 李文凯, 张唯, 秦家豪, 等, 2020. 基于DEM和高分辨率遥感影像的 “膨胀-融合” 式地表沟壑提取. 地球科学, 45(6): 1948-1955.

[29] 廖小罕, 2021. 中国对地观测20年科技进步和发展. 遥感学报, 25(1): 267-275.

[30] 林楠, 徐遥辰, 高博文, 等, 2021. 基于边缘提取算法的岩层三角面产状半自动提取. 地球科学, 46(10): 3753-3763.

[31] 刘斌, 葛大庆, 李曼, 等, 2018. 地基InSAR评估爆破作业对露天采矿边坡的稳定性影响. 遥感学报, 22(增刊1): 139-145.

[32] 刘佳丽, 2018. 基于遥感的露天灰岩矿山开采信息提取(硕士学位论文). 唐山: 华北理工大学.

[33] 邵延秀, 邹小波, 袁道阳, 等, 2021. 阿尔金断裂东北段敦煌阳关断裂晚第四纪活动性及其强震危险性影响分析. 地球科学, 46(2): 683-696.

[34] 王恺宁, 王修信, 2018. 喀斯特城市石漠化遥感参数的时空变化. 科学技术与工程, 18(10): 284-289.

[35] 王梦娟, 2019. 基于多源遥感数据的岩溶石漠化信息提取研究(硕士学位论文). 兰州: 兰州理工大学.

[36] 王跃跃, 陈蓉, 申朝永, 等, 2020. 基于RS与GIS的碳酸盐岩遥感影像特征研究: 以黔南地区为例. 中国岩溶, 39(5): 762-774.

[37] 叶娇珑, 何政伟, 翁中银, 等, 2012. NDVI像元二分模型在喀斯特地区提取石漠化中的应用. 地理空间信息, 10(4): 134-136, 183.

[38] 张进德, 郗富瑞, 2020. 我国废弃矿山生态修复研究. 生态学报, 40(21): 7921-7930.

[39] 张盼盼, 胡远满, 肖笃宁, 等, 2010. 一种基于多光谱遥感影像的喀斯特地区裸岩率的计算方法初探. 遥感技术与应用, 25(4): 510-514.

[40] 张永彬, 刘佳丽, 汲姣, 等, 2018a. 露天灰岩矿纹理特征分析及面向对象的分类. 地质与勘探, 54(2): 348-357.

[41] 张永彬, 刘佳丽, 李示波, 等, 2018b. 露天石灰岩矿开采范围信息自动提取研究. 矿业研究与开发, 38(6): 104-108.

[42] 张志慧, 刘雯, 李笑含, 等, 2020. 基于无人机航摄影像的喀斯特地区裸岩信息提取及景观格局分析. 地球信息科学学报, 22(12): 2436-2444.

基金资助

山东省农业科技资金(林业科技创新)项目(2019LY010)

江苏省研究生科研与实践创新计划项目(SJCX21_1126)

基于无人机遥感自然资源专题监测关键技术研究项目(2020KY11)