CC BY
25
УДК 622:85:550.814 DOI 10.46689/2218-5194-2022-1-1-98-113
МЕТОДИКА ДИСТАНЦИОННОГО АНАЛИЗА ОТРАБОТАННЫХ ЗОЛОТОРОССЫПНЫХ ПЛОЩАДЕЙ (НА ПРИМЕРЕ КЕРБИНСКОГО РАЙОНА)
А.В. Леоненко, В.И. Усиков, Л.Т. Крупская
Снимки спутника Landsat 8 ресурса 01оИя за 2014 - 2020 годы позволили проанализировать отработанные золотороссыпные площади Кербинского района (Хабаровского края). Объекты исследования — природно-горнопромышленные техногенные системы, включающие объекты окружающей среды, вовлеченные в процесс горного производства и полигоны россыпной золотодобычи. Цель исследований состояла в изучении территории нарушенных земель Кербинского золотороссыпного узла с использованием дистанционного зондирования Земли, разработке методики оценки полигонов и расчета площадей с применением NDVI. Исходя из цели исследования, определены следующие задачи: 1) аналитический обзор существующего отечественного и зарубежного опыта исследования названной проблемы; 2) оценка нарушенных горными работами земель с использование 3) расчет площадей нарушенных земель по разработанной методике; 4) разработка предложений по снижению негативного влияния на экосферу техногенных систем.
Отработана методика автоматической и ручной обработки снимков. Представлены результаты оцифровки нарушенных земель: горные выработки, дражные полигоны. Показана динамика изменений и рассчитаны площади.
Ключевые слова: космические снимки, данные дистанционного зондирования земли, Qgis, геоинформационные системы, ГИС-технологии, техногенная система, техногенное загрязнение.
Введение
Россия обладает значительной по масштабам сырьевой базой золота, которая характеризуется высоким уровнем освоенности [1]. Дальневосточный Федеральный округ (ДФО) в целом и Хабаровский край в частности — один из ведущих золотодобывающих регионов России. Добыча золота составляет около 20 тонн в год. На россыпное золото приходится более 4 тонн в год. На сегодняшний день добычей россыпного золота занимаются около 40 предприятий края.
Кербинский золотороссыпных район начал отрабатываться и развиваться с 70-х годов XIX столетия [2, 3]. При подготовке и разработке россыпей открытым способом на земной поверхности остаются горные выработки - канавы, расчистки (при разведке), отвалы, карьеры, дражные полигоны (при эксплуатации), часто внушительных размеров [4]. Несомненно, за долгий период накоплены значительные объемы отходов переработки [5]. Сегодня идет повторная отработка многих россыпей. Ранее, практически до 80-х годов 20 века, использовались технологии амальгамации. За последующий период времени ртуть как высоколетучий компонент испарилась из поверхностного слоя гале-эфельных отвалов. При
повторном их вовлечении в отработку на дневную поверхность извлекаются техногенно загрязненные слои [6]. Поэтому в 20-х годах XXI века интенсивно активизируется техногенное загрязнение субстрата соединениями тяжелых металлов (и ртутью) [7]. Следствием этого являются экологические и социальные проблемы [8]. Сохранение качества окружающей среды — неотъемлемое условие, которое позволяет обеспечить достойную жизнь человечества при удовлетворении потребностей в ресурсах [9].
Мониторинг и анализ техногенных систем включает разные подходы и методы [10, 11]. Традиционные способы исследования требуют значительных человеческих ресурсов и затрат труда [11]. Многими исследователями установлено, что изменчивость растений можно использовать как индикатор состояния природной среды [6]. Динамика развития техники анализа состояния растительности Земли в традиционных биологических методах продолжилась в методиках дистанционного зондирования (ДЗЗ) [12].
Изучение спектральной отражательной способности природных объектов началось в нашей стране с начала XX-го века. Работы Е.Л. Кринова [13] можно считать классическими для современных исследователей. Многие зарубежные исследователи изучали отражательную способность различных объектов и техногенных поверхностей [14, 15].
Идеи новых методов подразумевают контроль природных и техногенных объектов на территории горных предприятий по космическим снимкам [16].
Доступные гиперспектральные снимки спутников Landsat 8 охватывают широкий диапазон электромагнитного спектра [17], позволяя формировать и разрабатывать новые высокоэффективные методы и малозатратные методики исследования техногенных систем [18, 19]. Доступность данных дистанционного зондирования позволило осуществлять разнообразные исследования, разрабатывать специфические подходы и методики [20, 21], применять результаты во многих сферах жизнедеятельности [22]. Показательным примером может служить использование изображений, полученных с помощью американских спутников Landsat-7 и Landsat-8 (2011-2016 гг.) в практических целях государства Иран [23]. Landsat позволяет получение индексов растительности, таких как нормализованный разностный индекс растительности (NDVI), который является важным атрибутом для многих исследований. Например, на Кипре с его помощью изучают и коррелируют распределение почвенного органического углерода (SOC) [24].
Анализ, обобщение и систематизация литературных источников свидетельствуют о том, что названная проблема практически слабо изучена. В связи с этим цель исследования состояла в изучении территории нарушенных земель Кербинского золото-россыпного узла с исполь-
зованием дистанционного зондирования Земли (ДЗЗ), разработке методики оценки полигонов и расчета площадей с применением NDVI. Задачи: 1) аналитический обзор существующего отечественного и зарубежного опыта исследования названной проблемы; 2) оценка нарушенных горными работами земель с использование ДЗЗ; 3) расчет площадей нарушенных земель по разработанной методике; 4) разработка предложений по снижению негативного влияния на экосферу техногенных систем.
Район работ, объекты и методы исследования
В Федеральном округе большинство золотодобывающих предприятий работают в труднодоступных районах, поэтому использование методов дистанционного зондирования Земли (ДЗЗ) приобретает особую актуальность.
Необходимо уточнить, что в условиях ДФО проблема дистанционного наблюдения и мониторинга за объектами золотодобывающей отрасли недостаточно изучена. На горных предприятиях данный вопрос не решается. Методик качественного анализа информации по объектам золотодобычи практически нет.
Район исследования - Кербинский золотороссыпной узел района им. П. Осипенко Хабаровского края.
Объекты исследования - природно-горнопромышленные техногенные системы, включающие объекты окружающей среды, вовлеченные в процесс горного производства и полигоны россыпной золотодобычи.
Методика
В исследовании использована программа QGIS. Информационной основой для изучения полигонов Кербинского района послужили снимки спутника Landsat 8, находящиеся в свободном доступе на Интернет-портале NASA, загруженные с помощью сервиса GloVis 2014 и 2020 годов. Они представляют собой стандартный продукт данных в формате GeoTIFF уровня 1 в виде 16-дневного цифрового композита с разрешением 30 м на 1 пиксель. При оценке состояния объектов применялись растровые одноканальные и многоканальные растровые слои. Виртуальный растр создавался путем объединения нескольких спектральных полос (каналов).
В табл. 1 представлены характеристики каналов спутника Landsat-8, сочетание которых позволило проводить качественное дистанционное исследование.
Таблица 1
Характеристика спектральных каналов Landsat -8_
Спектральные каналы Landsat-8 (Ландсат-8)
Канал Длины волн, мкм Разрешение (размер 1 пикселя), м
Диапазоны OLI (Operational Land Imager)
Канал 1 Побережья и аэрозоли (Coastal / Aerosol, New Deep Blue) 0,433... 0,453 30
Канал 2 - Синий (Blue) 0,450...0,515 30
Канал 3 - Зелёный (Green) 0,630.0,680 30
Канал 4 - Красный (Red) 0,630.0,680 30
Канал 5 - Ближний ИК (Near Infrared, NIR) 1,560. 1,660 30
Канал 6 - Ближний ИК (Short Wavelength Infrared, SWIR 2) 1,560.1,660 30
Канал 7 - Ближний ИК (Short Wavelength Infrared, SWIR 3) 2,100.2,300 30
Канал 8 - Панхроматический (Panchromatic, PAN) 0,500.0,680 15
Канал 9 - Перистые облака (Cirrus, SWIR) 1,360.1,390 30
Диапазоны TIRS (Thermal Infrared Sensor)
Канал 10 - Дальний ИК (Long Wavelength Infrared, TIR1) 10,30.11,30 100
Канал 11 - Дальний ИК (Long Wavelength Infrared, TIR2) 11,50.12,50 100
Добавление в просмотр коротковолновых инфракрасных каналов: - канала 5 и SWIR - каналов 6 и 7, которые проникают сквозь облака, помогает фиксировать свечение нарушенных земель, что связано с увлажненностью почв и с гранулометрическим составом. Гиперспектральный снимок на рис. 1 спутника Landsat 8 участка Кербинского горнорудного района разных спектральных диапазонов показывает, в Кербинском горнорудном районе горными работами нарушены большие площади.
Рис. 1. Гиперспектральный снимок спутника Landsat 8 участка Кербинского горнорудного района: спектральные диапазоны (каналы) -
755, 652, 765, 543
Результаты и обсуждения
Для оценки нарушенных земель использовано индексное изображение, позволяющее оценить уровень угнетения растительности [25].
В программе QGIS, через функцию «калькулятор растров» вводилась формула NDVI [25]
ndvi=NIRzR,
NIR + R
где NIR (канал 5) - коэффициент отражения в ближней инфракрасной области спектра; RED (канал 4) - коэффициент отражения в красной области спектра [26].
Строилось индексное изображение, представленное на рисунке 2. Традиционно эта методика практиковалась для исследований в сельском и лесном хозяйстве, в данном случае ее удалось распространить и на объекты горного производства.
Этот индекс дает возможность уточнить местоположения и контуры техногенных россыпей.
Рис. 2. Индекс NDVI Кербинского горнорудного района. a — снимок Landsat 8 07.06.2021: б — снимок Landsat 8 от 12.05.2021
Рис. 3. Этапы работы с индексным изображением МВУ!Кербинского горнорудного района снимка Landsat 8 07.06.202, автоматическая
оцифровка полигонов
После того, как индексное изображение построено (рис. 3), выбиралась граница исследуемых объектов, которая совпадала с NDVI = 0,166. В программе задавались следующие параметры оцифровки NDVI <0,166 и автоматически изображение делилось на два параметра NDVI <0,166 и NDVI> 0,166 через функцию «калькулятор растров» преобразовывалось изображение из растрового в векторное. Далее векторизованным полигонам автоматически был присвоен ГО номер, рассчитана их площадь, они имеют картографическую привязку. С полигонами автоматической
оцифровки далее велась работа в ручном режиме: отбирались те, объекты, которые необходимо было учесть в нашем исследовании (рис. 4).
Рис. 4. Работа со снимком Landsat 8 Кербинского горнорудного района в программе QGIS 3.18 снимок 12.05.21 года,
создание полигонального слоя, ручная оцифровка полигонов
Автоматическая оцифровка полигонов дает основной материал для анализа местности и дальнейшей работы с изображениями в ручном режиме. На рис. 4 представлен расчет площадей полигонов отработки в гектарах.
Построение индексных изображений NDVI и использование их при автоматической оцифровки открывает новый этап горно-экологического мониторинга.
Многие авторы по дистанционному зондированию применяют индексные изображения для анализа снимков и оценки нарушенных участков земной поверхности [27].
Дешифрирование снимков и анализ различных комбинаций каналов видимого диапазона позволяет изучить техногенное воздействие на окружающую среду, учесть большую часть факторов изменения нарушенных земель и процессы самозарастания. Индекс NDVI района исследования составляет 0,15-0,25, что свидетельствует об отсутствии растительности либо о низкой степени развития зеленой массы. Проанализированные данные района исследования свидетельствуют о том, что в последние годы (2011 - 2021 гг.) площади нарушенных земель увеличиваются.
Предложенная методика оцифровки по индексу NDVI значительно упрощает дальнейшую ручную оцифровку, но не исключает её. Продемонстрированы этапы обработки изображений в программе QGIS, рассчитаны площади (табл. 2).
Таблица 2
Площади нарушенных земель (8) по годам, га
т полигона Площадь (8) 2011, га Площадь (8) 2014, га Площадь (8) 2018, га Площадь (8) 2021, га
1 4,2 98,3 20,8 20,8
2 27,1 8,9 14,6 14,7
3 9,3 71,1 19 19
4 128 7,3 0,5 0,6
5 31,3 67,5 4,3 4,1
6 76,2 62,2 42,3 42,1
7 94,3 57,1 138 138
8 78 55,5 109,4 110
9 9,1 50,8 92,4 92,4
10 34,9 35,7 11,1 12
11 3,8 3,4 3,4
12 26,5 3,1 3
13 17 2,5 2,5
14 15,2 9,7 9,7
15 12,5 61,8 61,8
16 35,6 35
17 60,9 60,9
18 2,1 2,5
19 2,9 3
20 148,3 149
21 154,1 154
22 81,9 82
23 50,5 50,5
24 17,8 17,8
25 27 28
8 по годам: 492,4 589,4 1114 1116,8
На рис. 5 представлены результаты расчёта площадей в гектарах в программе (снимок 24.09.21 г.).
Рис. 5. Расчет площадей в программе
Таким образом, результаты исследования показывают, что в границах влияния золотодобычи коренная растительность полностью уничтожена. Процесс самозарастания протекает неудовлетворительно, преобладает сорно-пионерная группировка. На вскрышных отвалах обнаружена тенденция к формированию примитивного слаборазвитого почвенного профиля. Выявлено, что в 2021 г. на самозарастающих площадях (664 га) (рис. 5) ведется повторная разработка россыпей, размер которых составляет 36 га.
Для снижения негативного воздействия на среду обитания рекомендуется: организовать горно-экологический мониторинг изменения экосистем, в том числе с использованием спутниковой информации, проведение рекультивации и очистки территории от ртутного загрязнения; разработку новых горных технологий, отвечающих природоохранным требованиям, новизна которых подтверждена Патентами РФ [28, 29].
Заключение
Изучение и анализ динамики развития россыпной золотодобычи Кербинского района свидетельствует о наличии экологических рисков. Этот вывод подтверждается индексными изображениями и расчётами. Основная техногенная нагрузка обусловлена как механическими разрушениями почвенного покрова и растительности, так и подтоплениями, и расширением площадей дражных полигонов. По долине р. Керби в течение 2014 - 2020 гг. зафиксирован рост площадей золотодобычи (от 492,4 га до 1116,8 га) с понижением значениями МОУТ.
Данные космического мониторинга, с достаточной степенью надежности позволяют дать количественную оценку нарушенным землям, по индексным изображениям оценить уровень угнетения растительности.
Главным преимуществом методики оцифровки нарушенных земель по вегетационным индексам является легкость их получения и широкий диапазон решаемых с их помощью задач.
МОУ1 часто используется исследователями как один из инструментов при проведении более сложных типов анализа. Многие индексы, корректирующие влияние почвы, требуют предварительной атмосферой коррекции. Результатом таких исследований могут являться карты продуктивности лесов, карты ландшафтов и природных зон, почвенные и эколого-климатические карты.
Также на его основе возможно получение численных данных для использования в расчетах оценки и прогнозирования урожайности и продуктивности, биологического разнообразия, степени нарушенности и ущерба от различных стихийных бедствий, техногенных аварий и т. д. При использовании вегетационных индексов для долговременного мониторинга, необходимо анализировать вариабельность почв и выполнять атмосферную коррекцию.
Следует отметить, что любые вегетационные индексы не дают абсолютных количественных показателей исследуемого свойства, и их значения зависят от характеристик сенсора (ширина спектральных каналов, разрешения), условий съемки, освещенности, состояния атмосферы. Они дают только относительные оценки свойств растительного покрова, которые могут быть интерпретированы и с привлечением полевых данных пересчитаны в абсолютные величины. Но анализируя нарушенные техногенные территории, где полностью уничтожена растительность, индекс NDVI гарантировано точно показывает эти земли, следовательно, предложенная методика является достоверной и эффективной.
Дешифрирование снимков и анализ различных комбинаций каналов видимого диапазона позволяет изучить антропогенное воздействия на природную среду, учесть большую часть факторов изменения нарушенных земель: процессы самозарастания.
Результаты исследования позволили рекомендовать для снижения негативного воздействия нарушенных земель на среду обитания следую -щие предложения: предусмотреть организацию горно-экологический мониторинга изменения экосистем с использованием спутниковой информации, проведение рекультивации и очистки территории от ртутного загрязнения, а также внедрение горных технологий, отвечающих природоохранным требованиям, новизна которых подтверждена Патентами РФ.
Исследование проводилось при финансовой поддержке Российского научного фонда (проект No 15-17-10016) и Российского фонда фундаментальных исследований (проект No 20-35-90021).
Список литературы
1. О состоянии и использовании минерально-сырьевых ресурсов Российской Федерации в 2019 году: государственный доклад. Министерство природных ресурсов и экологии Российской Федерации. М. 2020. 494 с.
2. Проект «Большая память о малой Родине» Передвижная историко-краеведческая выставка «Там, где багряное солнце встаёт». 2020. 16 с.
3. Горные концессии: по материалам Дальневост. Гор. Упр. / Дальневост. гор. упр. Хабаровск: Кн. дело, 1925. 202 с. (страницы истории района им. Полины Осипенко Хабаровского края).
4. Зверева В.П. Экологическое последствие гипергенных процессов на оловорудных месторождениях Дальнего Востока: Владивосток: Дальнаука, 2008. 165 с.
5. Горнопромышленные техногенные системы и их воздействие на объекты окружающей среды в процессе золотодобычи / Л.Т. Крупская, В.П. Зверева, А.В. Леоненко, Я.Н. Баринцева // Владивосток. 2013.
6. Krupskaya L.T., Filatova M.Y, Kolobanov K.A., Orlov A.M., Bubnova M.B. Remote sensing for environmental safety of forest ecosystems within the tailings impact of a closed tin ore Company // IOP Conference Series: Earth and Environmental Science. 2. Сер. "II All-Russian Scientific-Technical Conference "Digital Technologies in Forest Sector" 2021. С. 012017.
7. Крупская Л.Т., Дербенцева А.М., Биткина Т.Ю., Леоненко А.В. Биоиндикационные методы как элемент горноэкологического мониторинга зон влияния горнодобывающих объектов юга Дальнего Востока // Экологические системы и приборы. 2005. №11 С. 6-9.
8. Леоненко А.В. Социально-экологические исследования зон отработки горнодобывающих предприятий на юге Дальнего Востока // Горный журнал. 2006. № 9. С. 78-80.
9. Ganchenko V., Doudkin A. Agricultural Vegetation Monitoring Based on Aerial Data Using Convolutional Neural Networks // Optical Memory and Neural Networks. 2019. Vol. 28. No. 2. Р. 129-134.
10. Леванков А.Н., Дудкин А.А. Нейросетевая идентификация неиспользуемых сельскохозяйственных земель на снимках дистанционного зондирования Земли в системе QGIS // Сб. науч. тр. седьмая междунар. конф. «BIG DATA and Advanced Analytics и анализ высокого уровня». Минск. Республика Беларусь. 19-20 мая 2021. С. 102-109.
11. Озарян Ю.А., Бубнова М.Б., Усиков В.И. Методика дистанционного мониторинга природно-технических систем (на примере горнопромышленных районов юга Дальневосточного региона) // Горный журнал. 2020. № 2. С. 84-89.
12. Бубнова М.Б. Озарян Ю.А. Экологический мониторинг природно-горнотехнических систем на основе данных дистанционного зондирования // Экологические системы и приборы. 2015. №11. С.15-22.
13. Галченко Ю.П., Калабин Г.В., Озарян Ю.А. Методика геоинформационного мониторинга природно-технических систем на основе данных дистанционного зондирования // Известия Тульского государственного университета. Науки о Земле. 2020. Вып. С.68-78.
14. Кринов Е.Л. Спектральная отражательная способность природных образований. М.: Из-во АН СССР. 1947. 272с.
15. Куо К.-С., Линнес К.С., Рамачандран Р. Предлагаемое сотрудничество в области наук о Земле для анализа данных дистанционного зондирования // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2012. Vol. 5. C. 1612-1616.
16. Продукты глобальной отражательной способности поверхности от Landsat: оценка с использованием совпадающих наблюдений MODIS / М. Фэн [и др.] // Дистанционное зондирование окружающей среды 134. 2013. С. 276 - 293.
17. Тенкабайл Прасад С. Гиперспектральные узкополосные данные делают гигантский скачок в дистанционном зондировании Земли // Фотограмметрическая инженерия и дистанционное зондирование. 2021. Т. 87. № 7. С. 461-467 (7). Американское общество фотограмметрии и дистанционного зондирования. DOI: https://doi.org/10.14358/PERS.87.7.461.
18. Баллабио К. Предсказание почвы содержание органического углерода в Кипре с помощью дистанционного зондирования и Земли наблюдений данные // Сб. науч. тр. вторая междунар. конф. по Дистанционному зондированию и геоинформации окружающей среды (RSCY 2014). Пафос, КИПР. 07-10 апреля 2014. Том 9229.
19. Xiao W., Chen W., He T., Ruan L., Guo J. Multi-temporal mapping of soil total nitrogen using google earth engine across the shandong province of China. Sustainability (Switzerland) 12(24),10274. 2020. Р. 1-20.
20. Rozpondec R., Wancisiewiewicz K., Kacprzak M. GIS in the studies of soil and water environment // Journal of Ecological Engineering. 2016. V.17. No.3. P. 134-142.
21. Kang Y., Ozdogan M., Gao F., Yang Y., Erickson T.A. A data-driven approach to estimate leaf area index for Landsat images over the contiguous US. Remote Sensing of Environment 258,112383.14.
22. Опыт международного сотрудничества в сфере дистанционного зондирования Земли: проблемы и перспективы / Д.Н. Панин [и др.] // Международный научно-исследовательский журнал №1 (91). Ч. 1. С. 53-56.
23. Опыт оценочного геоинформационного картографирования состояния ландшафтных ресурсов по материалам спутникового зондирования на примере провинции Ирана / С.А. Зареи, В.А. Хузестан, В.М. Малинников, Щербаков // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 7. С. 119-127.
24. Криштиану Баллабио, Панос Panagos, Лука Монтанарелла Предсказание почвы содержание органического углерода в Кипре с использованием дистанционного зондирования и данных наблюдения Земли // Сб. науч. тр. Proc. SPIE 9229. вторая междунар. конф. по дистанционному зондированию и геоинформации об окружающей среде (RSCy2014), 92290F (12 августа 2014 г.).
25. Вегетационные индексы. Основы, формулы, практическое использование. http://mapexpert.com.ua (дата обращения: 05.05.2021).
26. Crippen R. E. Calculating the Vegetation Index Faster // Remote Sensing of Environment, 1990. Vol. 34. Р. 71-73.
27. Черепанов А. С. Спектральные свойства растительности и вегетационные индексы // Геоматика. 2009. №3. С. 28-32.
28. Состав пылеподавления и рекультивации поверхности хвосто-хранилища: пат. 2625469 RU C. 14.07.2017.
29. Состав для снижения пылевой нагрузки на экосферу и рекультивации поверхности хвостохранилища: пат. RU 2707030 C1. 21.11.2019.
Леоненко Анна Валерьевна, мл. науч. сотр., [email protected], Россия, Хабаровск, Институт горного дела ДВО РАН — обособленное подразделение ХФИЦ ДВО РАН,
Усиков Виталий Игнатьевич, канд. эконом. наук., [email protected], Россия, Хабаровск, Институт горного дела ДВО РАН — обособленное подразделение ХФИЦ ДВО РАН,
Крупская Людмила Тимофеевна, д-р биол. наук., проф. [email protected], Россия, Хабаровск, Дальневосточный НИИ лесного хозяйства "ДальНИИЛХ"; Тихоокеанский государственный университет
METHOD OF REMOTE ANALYSIS OF SPENT GOLD-RUSSIAN AREAS (ON THE EXAMPLE OF KERBINSKY DISTRICT)
A.V. Leonenko, V.I. Usikov, L.T. Krupskaya
Images of the Landsat 8 satellite of the GloVis resource for 2014 - 2020 made it possible to analyze the spent gold-russian areas of the Kerbinsky district (Khabarovsk Territory). The objects of research are natural and mining technogenic systems, including environmental objects involved in the process of mining production and alluvial gold mining landfills. The purpose of the research was to study the territory of the disturbed lands of the Kerba gold-russian node using remote sensing of the Earth (ERS), to develop a methodology for assessing polygons and calculating areas using NDVI. Based on the purpose of the study, the following tasks are defined: 1) an analytical review of the existing domestic and foreign experience in the study of the above problem; 2) assessment of land disturbed by mining operations using remote sensing; 3) calculation of the areas of disturbed
lands according to the developed methodology; 4) development of proposals to reduce the negative impact on the ecosphere of man-made systems.
The method of automatic and manual processing of images has been worked out. The results of digitization of disturbed lands are presented: mine workings, dredge landfills, the dynamics of changes is shown and the areas are calculated.
Key words: space images, remote sensing data of the earth, Qgis, geographic information systems, GIS technologies, technogenic system, technogenic pollution.
Gratitude: This study was performed under financial support by the Russian Science Foundation (project no. 15-17-10016) and by the Russian Foundation for Basic Research (project no. 20-35-90021).
Leonenko Anna Valerievna, junior researcher, [email protected] , Russia, Khabarovsk, Institute of Mining of the Far Eastern Branch of the Russian Academy of Sciences - a separate subdivision of the HFIZ FEB RAS,
Usikov Vitaliy Ignatevich, candidate of econm. sciences, [email protected], Russia, Khabarovsk, Institute of Mining of the Far Eastern Branch of the Russian Academy of Sciences — a separate subdivision of the HFIC FEB RAS,
Krupskaya Lyudmila Timofeevna, doctor of biological sciences, professor, [email protected] , Russia, Khabarovsk, Far Eastern Research Institute of Forestry "DalNIILH"; Pacific National University
Reference
1. On the state and use of mineral resources of the Russian Federation in 2019: state report. Ministry of Natural Resources and Ecology of the Russian Federation. M. 2020. 494 p.
2. The project "Great memory of a small Homeland" Mobile historical and local history exhibition "Where the crimson sun rises". 2020. 16 p .
3. Mining concessions: based on the materials of the Far Eastern Mountains. Upr. / Far Eastern mountains. upr. Khabarovsk: Book of business, 1925. 202 p. (pages of the history of the district. Polina Osipenko of the Khabarovsk Territory).
4. Zvereva V.P. Ecological consequence of hypergenic processes in tin ore deposits of the Far East: Vladivostok: Dalnauka, 2008. 165 p.
5. Mining technogenic systems and their impact on environmental objects in the process of gold mining / L.T. Krupskaya, V.P. Zvereva, A.V. Leonenko, Ya.N. Barintseva // Vladivostok. 2013.
6. Krupskaya L.T., Filatova M.Y., Kolobanov K.A., Orlov A.M., Bubnova MB. Remote sensing for environmental safety of forest ecosystems within the tailings impact of a closed tin ore Company // IOP Conference Series: Earth and Environmental Science. 2. Ser. "II All-Russian Scientific-Technical Conference "Digital Technologies in Forest Sector" 2021. P. 012017.
7. Krupskaya L.T., Derbentseva A.M., Bitkina T.Yu., Leonenko A.V. Bioindication methods as an element of mining and environmental monitoring of zones of influence of mining facilities in the south of the Far East // Ecological systems and devices. 2005. No.11, pp. 6-9.
8. Leonenko A.V. Socio-ecological studies of mining enterprise development zones in the south of the Far East // Mining Journal. 2006. No. 9. pp. 78-80.
9. Ganchenko V., Doudkin A. Agricultural Vegetation Monitoring Based on Aerial Data Using Convolutional Neural Networks // Optical Memory and Neural Networks. 2019. Vol. 28. No. 2. pp. 129-134.
10. Levankov A.N., Dudkin A.A. Neural network identification of unused agricultural lands on images of remote sensing of the Earth in the QGIS system // Collection of scientific tr. seventh international conference "BIG DATA and Advanced Analytics and high-level analysis". Minsk. The Republic of Belarus. May 19-20, 2021. pp. 102-109.
11. Ozaryan Yu.A., Bubnova M.B., Usikov V.I. Methods of remote monitoring of natural and technical systems (on the example of mining districts of the south of the Far Eastern region) // Mining Journal. 2020. No. 2. pp. 84-89.
12. Bubnova M.B. Ozaryan Yu.A. Environmental monitoring of natural mining systems based on remote sensing data // Ecological systems and devices. 2015. No.11. pp.15-22.
13. Galchenko Yu.P., Kalabin G.V., Ozaryan Yu.A. Methods of geoinformation monitoring of natural and technical systems based on remote sensing data // Proceedings of Tula State University. Earth sciences. 2020. Issue. pp.68-78.
14. Krinov E.L. Spectral reflectivity of natural formations. M.: From the USSR Academy of Sciences. 1947. 272s.
15. Kuo K.-S., Linnes K.S., Ramachandran R. Proposed cooperation in the field of Earth sciences for the analysis of remote sensing data // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2012. Vol. 5. C. 1612-1616.
16. Products of global surface reflectivity from Landsat: assessment using coincident observations MODIS / M. Feng [et al.] // Remote sensing of the environment 134. 2013. pp. 276 - 293.
17. Tenkabail Prasad S. Hyperspectral narrowband data make a giant leap in remote sensing of the Earth // Photogrammetric engineering and remote sensing. 2021. Vol. 87. No. 7. pp. 461-467 (7). American Society of Photogrammetry and Remote Sensing. DOI: https://doi.org/10.14358/PERS.87.7.461.
18. Ballabio K. Prediction of soil organic carbon content in Cyprus using remote sensing and Earth observation data // Sb. nauch. tr. second International Conference on Remote Sensing and Geoinformation of the Environment (RSCY 2014). Paphos, CYPRUS. 0710 April 2014. Volume 9229.
19. Xiao W., Chen W., He T., Ruan L., Guo J. Multi-temporal mapping of soil total nitrogen using google earth engine across the shandong province of China. Sustainability (Switzerland) 12(24),10274. 2020. p. 1-20.
20. Rozpondec R., Wancisiewiewicz K., Kacprzak M. GIS in the studies of soil and water environment // Journal of Ecological Engineering. 2016. V. 17. No.3. P. 134-142.
21. Kang Y., Ozdogan M., Gao F., Yang Y., Erickson T. A. A data-driven approach to estimate leaf area index for Landsat images over the contiguous US. Remote Sensing of Environment 258,112383.14.
22. Experience of international cooperation in the field of remote sensing: problems and prospects / D. N. Panin [et al.] / / international research journal №1 (91). Part 1. S. 53-56.
23. Experience of estimated geoinformation mapping of the state of landscape resources based on satellite sensing materials on the example of the province of Iran / S.A. Za-rei, V.A. Khuzestan, V.M. Malinnikov, Shcherbakov // Modern problems of remote sensing of the Earth from space. 2017. Vol. 14. No. 7. pp. 119-127.
24. Cristiano Ballabio, Panos Panagos, Onions and Montanarella Prediction of soil organic carbon in Cyprus using remote sensing and Earth observation data // Proc. nauch. Tr. Proc. SPIE 9229. second Intern. Conf. on remote sensing and geoinformation of the environment (RSCy2014), 92290F (12 August 2014).
25. Vegetation indices. Basics, formulas, practical use. http://mapexpert.com.ua (accessed: 05.05.2021).
26. Crippen R. E. Calculating the Vegetation Index Faster // Remote Sensing of Environment, 1990. Vol. 34. pp. 71-73.
27. Cherepanov A. S. Spectral properties of vegetation and vegetation indices // Ge-omatics. 2009. No. 3. pp. 28-32.
28. Composition of dust suppression and recultivation of the tail storage surface: pat. 2625469 RU C. 14.07.2017.
29. Composition for reducing the dust load on the ecosphere and recultivation of the surface of the tailings dump: pat. RU 2707030 C1. 21.11.2019.
УДК 504.062 DOI 10.46689/2218-5194-2022-1-1-113-124
РАНЖИРОВАНИЕ ТЕХНОГЕННЫХ МИНЕРАЛЬНЫХ ОБРАЗОВАНИЙ ПО СТЕПЕНИ ВЛИЯНИЯ НА ОКРУЖАЮЩИЕ ЗЕМЛИ
Д.О. Прохоров, Г.В. Стась, А.И. Болгова, М.С. Овсянников
Рассмотрены подходы для разделения техногенных минеральных образований на группы по степени и влияния на окружающие земли. Обосновано использование для ранжирования техногенных минеральных образований нечетких методов кластеризации. Приведены основные математические основы и алгоритм метода нечеткой кластеризации С-средних. Проведена кластеризация техногенных минеральных образований Щекинского района Тульской области с использованием числовых, картографических данных и данных космических снимков, представленных в картографическом сервисе «Публичная кадастровая карта». Проведен анализ ранжирования техногенных минеральных образований на основе нечеткой кластеризации.
Ключевые слова: техногенное минеральное образование, ранжирование, кластеризация, загрязнение окружающей среды.
При изучении подходов к составлению классификаций отходов, техногенных месторождений, техногенных минеральных образований (ТМО) и объектов, созданных с 1973 года по настоящее время [1 - 7], выявлена динамика изменения классификаций, заключающаяся во внесении новых классификационных признаков или ограничении охвата ТМО региональными или другими рамками. Все известные классификации созданы с использованием иерархического метода, который обладает рядом недостатков: негибкая структура, фиксированный порядок ступеней распределения, нет возможности для введения новых объектов и признаков. Такой подход долгое время не позволяют создать единую, общепринятую классификацию ТМО, которая позволяла бы реагировать на изменения, связанные с новыми объектами, новыми характеристиками объектов, новыми запросами пользователей классификации, формирующими структуру классификации и новые классификационные признаки. Такая задача может быть решена с помощью комбинации систем классификации, когда, на высоких уровнях детализации применяется фасетный метод, а на низших -иерархический метод. Применение фасетного метода позволяет придать
