基于國(guó)產(chǎn)高分衛(wèi)星數(shù)據(jù)的礦山環(huán)境變化檢測(cè)

王立娟， 靳 曉， 賈虎軍， 唐 堯， 馬國(guó)超

(1.成都理工大學(xué)環(huán)境與土木工程學(xué)院，成都 610045； 2.四川省安全科學(xué)技術(shù)研究院，成都 610045； 3.重大危險(xiǎn)源測(cè)控四川省重點(diǎn)實(shí)驗(yàn)室，成都 610045)

0 引言

遙感技術(shù)是一門(mén)綜合性對(duì)地觀測(cè)技術(shù)，具有大面積同步觀測(cè)、信息獲取速度快、周期短、綜合性強(qiáng)等特點(diǎn)，它彌補(bǔ)了傳統(tǒng)礦山監(jiān)測(cè)技術(shù)手段的缺陷，能夠全面、客觀、有效、準(zhǔn)確和動(dòng)態(tài)地反映出礦山及周邊區(qū)域的情況，且不受環(huán)境、人工等因素的影響。特別是隨著我國(guó)航空航天技術(shù)的不斷發(fā)展，遙感影像的空間分辨率得到了大幅度提高，其中優(yōu)于1 m的高空間分辨率遙感影像(以下簡(jiǎn)稱(chēng)“高分影像”)可為遙感技術(shù)在礦山監(jiān)測(cè)方面的應(yīng)用提供有力的數(shù)據(jù)支撐。

近幾十年里，SPOT5，IKONOS，TM和QuickBird等遙感影像在礦山監(jiān)測(cè)中得到了廣泛應(yīng)用[1-2]，隨著我國(guó)衛(wèi)星技術(shù)的迅速發(fā)展，許多學(xué)者都嘗試將國(guó)產(chǎn)高分遙感技術(shù)融入到礦山監(jiān)測(cè)技術(shù)體系中。路云閣等[3]結(jié)合西藏自治區(qū)礦山遙感監(jiān)測(cè)工作的特點(diǎn)，提出并實(shí)現(xiàn)了從國(guó)產(chǎn)衛(wèi)星遙感數(shù)據(jù)管理、增強(qiáng)與校正、信息提取、統(tǒng)計(jì)分析等一體化解決方案，為大規(guī)模礦山遙感動(dòng)態(tài)監(jiān)測(cè)提供了技術(shù)支持; 安志宏等[4]利用資源一號(hào)02C星遙感影像，以河北承德多金屬礦區(qū)和江西尋烏稀土礦區(qū)為實(shí)驗(yàn)區(qū)，開(kāi)展了1∶5萬(wàn)比例尺的礦山遙感監(jiān)測(cè)應(yīng)用研究，并針對(duì)所遇到的問(wèn)題提出了解決方案，為02C星數(shù)據(jù)在礦山遙感監(jiān)測(cè)的應(yīng)用起到了示范作用; 魏江龍等[5]則以會(huì)理多金屬礦區(qū)為研究區(qū)，以高分一號(hào)衛(wèi)星影像為數(shù)據(jù)源，對(duì)研究區(qū)內(nèi)的礦山分布和開(kāi)采情況進(jìn)行提取，掌握了研究區(qū)內(nèi)礦產(chǎn)資源開(kāi)發(fā)現(xiàn)狀和礦山環(huán)境狀態(tài)。然而，目前國(guó)產(chǎn)高分衛(wèi)星影像在礦山監(jiān)測(cè)方面的應(yīng)用仍然以專(zhuān)業(yè)技術(shù)人員目視解譯為主。隨著礦山監(jiān)測(cè)技術(shù)的智能化、定量化要求不斷提高，傳統(tǒng)的以目視解譯為主的遙感技術(shù)已經(jīng)不能滿(mǎn)足礦山監(jiān)測(cè)的需求，更加高效和定量化的遙感技術(shù)亟待融入到礦山監(jiān)測(cè)的技術(shù)體系中。

為此，本文以我國(guó)高分二號(hào)(GF-2)遙感影像為數(shù)據(jù)源，根據(jù)礦山監(jiān)測(cè)的目標(biāo)，構(gòu)建多源特征集，在變化向量分析法(change vector analysis,CVA)的基礎(chǔ)上自動(dòng)選擇訓(xùn)練樣本，然后利用極限學(xué)習(xí)機(jī)(extreme learning machine，ELM)提取變化信息，提出一種自動(dòng)化程度比較高的面向?qū)ο蟮淖兓瘷z測(cè)方法(CVA-ELM)，既提高了檢測(cè)精度，又避免了提供先驗(yàn)知識(shí)。以四川省攀枝花市的典型礦山為例，開(kāi)展礦山及周邊環(huán)境的動(dòng)態(tài)監(jiān)測(cè)實(shí)驗(yàn)，為礦山遙感監(jiān)測(cè)提供了應(yīng)用范例。

1 礦山環(huán)境變化檢測(cè)方法

1.1 檢測(cè)目標(biāo)確定

確定檢測(cè)目標(biāo)是遙感影像變化檢測(cè)技術(shù)的首要步驟，是遙感數(shù)據(jù)源、變化檢測(cè)算法和模型選擇的基礎(chǔ)。礦山遙感監(jiān)測(cè)一方面是為了掌握礦山自身的生產(chǎn)狀態(tài)，另一方面是為了了解礦山周邊環(huán)境的變化情況。采場(chǎng)是礦山生產(chǎn)活動(dòng)的主要場(chǎng)所，也是礦山監(jiān)測(cè)的重要區(qū)域。除采場(chǎng)外，尾礦庫(kù)和排土場(chǎng)作為礦山生產(chǎn)過(guò)程中的重大危險(xiǎn)源，同屬于礦山的重要要素，是礦山監(jiān)測(cè)的重點(diǎn)關(guān)注對(duì)象。在尾礦庫(kù)及周邊區(qū)域的動(dòng)態(tài)監(jiān)測(cè)中，庫(kù)區(qū)的擴(kuò)張、干灘和壩體的變化、庫(kù)區(qū)周邊山體植被的變化、下游建筑物和重要設(shè)施的變化為主要監(jiān)測(cè)目標(biāo)； 而對(duì)于采場(chǎng)(排土場(chǎng))及周邊區(qū)域的動(dòng)態(tài)監(jiān)測(cè)，采場(chǎng)(排土場(chǎng))的擴(kuò)張、周邊區(qū)域植被的變化、建筑的增加等則為重點(diǎn)監(jiān)測(cè)目標(biāo)。

1.2 影像預(yù)處理與特征提取

遙感影像變化檢測(cè)的數(shù)據(jù)預(yù)處理的主要目的是使同一位置上相同地物在不同時(shí)相的影像中地理坐標(biāo)和特征屬性相同，而不同地物則表現(xiàn)出不同的特征屬性。因此，需對(duì)遙感影像進(jìn)行預(yù)處理，除大氣校正、正射校正和融合等基本預(yù)處理過(guò)程外，幾何配準(zhǔn)和相對(duì)輻射校正是多時(shí)相遙感影像預(yù)處理的重要內(nèi)容。

根據(jù)礦山環(huán)境的檢測(cè)目標(biāo)，本文在檢測(cè)中首先提取了對(duì)尾水、干灘和藍(lán)色屋頂?shù)慕ㄖ容^敏感的歸一化水體指數(shù)(normalized differential water index, NDWI)、對(duì)植被比較敏感的歸一化植被指數(shù)(normalized differential vegetation index, NDVI)以及對(duì)高亮反射率的建筑比較敏感的亮度特征，并將它們同原始光譜數(shù)據(jù)一起作為變化檢測(cè)的特征集。

1.3 CVA-ELM變化檢測(cè)方法

變化檢測(cè)方法按照是否需要提供先驗(yàn)知識(shí)，可以分為非監(jiān)督變化檢測(cè)方法與監(jiān)督變化檢測(cè)方法[6]2大類(lèi)。非監(jiān)督變化檢測(cè)方法雖然不需要提供先驗(yàn)知識(shí)，自動(dòng)化程度相對(duì)較高，但是檢測(cè)結(jié)果受影像的成像環(huán)境及變化閾值的影響較大，其常用的方法有差值法、比值法、CVA法[7]和主成分分析法(principal component analysis, PCA)[8]等; 而監(jiān)督變化檢測(cè)方法則能夠在一定程度上降低大氣、傳感器及周?chē)h(huán)境對(duì)變化檢測(cè)結(jié)果的影響，且不需要設(shè)置變化閾值[9]，其中決策樹(shù)(decision tree, DT)[9]、支持向量機(jī)(support vector machine, SVM)[10]和ELM[11]等方法均具有良好的性能，是監(jiān)督變化檢測(cè)方法中常用的分類(lèi)器。2種類(lèi)型的變化檢測(cè)方法都有自身的優(yōu)勢(shì)與缺點(diǎn)，將二者融合，取長(zhǎng)補(bǔ)短，不僅能夠提高變化檢測(cè)方法的自動(dòng)化程度，而且可以增加算法的魯棒性。

CVA利用多特征空間中的變化矢量表示地物的變化，算法簡(jiǎn)單、易于實(shí)現(xiàn)，與差值法和比值法相比，能夠綜合考慮多個(gè)特征波段，得到的變化檢測(cè)結(jié)果更客觀、更接近地物的真實(shí)變化。ELM是一種用于訓(xùn)練單隱藏層反饋神經(jīng)網(wǎng)絡(luò)(single hidden layer feedback neural network，SLFNs)的學(xué)習(xí)算法，它對(duì)于能夠無(wú)限可微的激活函數(shù)，可以隨機(jī)設(shè)置其輸入權(quán)值和隱藏層偏置，不需要進(jìn)行迭代調(diào)整[12-13]，這使其不僅訓(xùn)練速度比傳統(tǒng)的基于梯度算法快，而且避免了諸如局部最小以及過(guò)擬合等問(wèn)題。ELM的顯著優(yōu)勢(shì)是訓(xùn)練速度快、檢測(cè)精度高，特別適用于數(shù)據(jù)量較大的影像的處理。因此，本文將CVA和ELM結(jié)合起來(lái)，用于開(kāi)展大范圍礦山遙感動(dòng)態(tài)監(jiān)測(cè)。

由于高分影像中地物往往以多個(gè)像元聚集成區(qū)域的方式呈現(xiàn)，以像元為單位的變化檢測(cè)方法在高分影像的處理中存在一定的局限性[14-15]，而面向?qū)ο蟮姆椒ㄒ苑指顚?duì)象為單位進(jìn)行處理，更符合地物在影像中真實(shí)形態(tài)，所以本文構(gòu)建了一種面向?qū)ο蟮淖詣?dòng)變化檢測(cè)方法。基本流程如圖1所示。

圖1 面向?qū)ο蟮淖兓瘷z測(cè)方法流程Fig.1 Flow chart of object-based automatic change detection method

主要包括以下步驟：

1)對(duì)預(yù)處理后的多時(shí)相遙感影像進(jìn)行均值漂移(mean shift，MS)分割，并根據(jù)礦山的特點(diǎn)進(jìn)行特征提取，構(gòu)建對(duì)象級(jí)的多源特征集。

2)在CVA的基礎(chǔ)上自動(dòng)選擇訓(xùn)練樣本[16]。樣本的自動(dòng)選擇方法通常建立在以下假設(shè)上： 如果2個(gè)時(shí)相的差值影像中對(duì)象的值越大，則對(duì)象屬于變化類(lèi)別的可能性就越大； 相反如果值越小，對(duì)象屬于未變化類(lèi)別的可能性就越大。因此，基于CVA的樣本自動(dòng)選擇方法的步驟包括： 首先獲取CVA差值影像，然后對(duì)所有的對(duì)象進(jìn)行由大到小的排序，最后選擇前α·N的對(duì)象為變化類(lèi)別的樣本，后α·N的對(duì)象為未變化類(lèi)別的樣本，其中N為差值影像中對(duì)象的個(gè)數(shù)，α為相應(yīng)的閾值，α∈(0,0.5)。

3)以所構(gòu)建的多源特征集作為輸入影像，利用自動(dòng)選擇的訓(xùn)練樣本對(duì)ELM進(jìn)行訓(xùn)練，然后獲取監(jiān)測(cè)區(qū)域的變化信息。

2 實(shí)驗(yàn)與分析

為了驗(yàn)證CVA-ELM變化檢測(cè)方法的優(yōu)越性，并分析比較各種變化檢測(cè)方法在礦山監(jiān)測(cè)方面的適用性，選擇礦山周邊的小部分區(qū)域作為實(shí)驗(yàn)區(qū)域，用于評(píng)價(jià)各種方法的檢測(cè)精度。選擇CVA、基于像元的差值法(diff_pixel)、面向?qū)ο蟮牟钪捣?diff_OB)、面向?qū)ο蟮淖兓蛄糠治龇?CVA_OB)、面向?qū)ο蟮闹С窒蛄繖C(jī)(SVM_OB)共5種方法為CVA-ELM的對(duì)比算法，其中SVM_OB也是在CVA自動(dòng)選擇訓(xùn)練樣本的基礎(chǔ)上利用支持向量機(jī)提取變化信息的方法。

本次實(shí)驗(yàn)選擇2015年2月24日和2016年2月14日2景GF-2遙感影像，制作了全色和多光譜數(shù)據(jù)的融合影像，影像大小為400像元×400像元，覆蓋某礦山周邊160 000 m2的區(qū)域。制作的B3(R),B2(G),B1(B)波段融合影像如圖2所示。為了對(duì)各種變化檢測(cè)方法進(jìn)行定量化的精度評(píng)價(jià)，根據(jù)Google Earth與實(shí)地調(diào)查相結(jié)合，獲得了此區(qū)域的真實(shí)參考變化圖(圖3)，其中圖3(a)中白色為變化區(qū)域，黑色為未變化區(qū)域，圖3(b)為參考變化圖與2015年遙感影像的疊加圖，紅色為變化區(qū)域。

(a) 2015年2月24日 (b) 2016年2月14日

圖2實(shí)驗(yàn)區(qū)域2期影像

Fig.2Imagesofexperimentregionintwoperiods

(a) 參考變化 (b) 參考變化疊加

圖3實(shí)驗(yàn)區(qū)域參考變化

Fig.3Referencechangemapofexperimentregion

對(duì)原始遙感影像進(jìn)行校正，然后在實(shí)驗(yàn)區(qū)域的影像上均勻地選擇30個(gè)同名點(diǎn)，配準(zhǔn)誤差均控制在0.5個(gè)像元之內(nèi)。相對(duì)輻射校正以2015年2月24日遙感影像作為基準(zhǔn)，采用線性回歸分析法完成。

面向?qū)ο蟮淖兓瘷z測(cè)方法以分割對(duì)象作為處理單位，為了得到相同的對(duì)象，采用MS分割方法對(duì)2個(gè)時(shí)相的影像進(jìn)行復(fù)合分割，得到影像處理的分割對(duì)象。根據(jù)礦山的特點(diǎn)及監(jiān)測(cè)目標(biāo)，利用遙感影像提取特征構(gòu)建多源特征集。特征集構(gòu)建的完備程度直接影響變化檢測(cè)的結(jié)果。在本實(shí)驗(yàn)中提取NDVI，NDWI以及亮度特征與原始的光譜特征共同構(gòu)建多源特征集，各個(gè)特征影像如圖4所示。

(a) 2015年2月24日 NDVI (b) 2015年2月24日 NDWI (c) 2015年2月24日亮度特征

(d) 2016年2月14日 NDVI (e) 2016年2月14日 NDWI (f) 2016年2月14日亮度特征

圖4實(shí)驗(yàn)區(qū)域特征影像

Fig.4Featureimagesofexperimentregion

依照1.3中的方法進(jìn)行訓(xùn)練樣本的自動(dòng)選取。為了控制訓(xùn)練樣本的數(shù)量在一個(gè)合理的范圍，參數(shù)α的范圍被設(shè)定為[0.05,0.15]。由于SVM的檢測(cè)性能好，魯棒性強(qiáng)，因此被用于選擇最佳參數(shù)。圖5顯示了不同參數(shù)選取的訓(xùn)練樣本利用SVM進(jìn)行變化檢測(cè)被錯(cuò)誤檢測(cè)的像元數(shù)量，當(dāng)α被設(shè)定為0.12時(shí)，被錯(cuò)誤檢測(cè)的像元數(shù)量最少。

圖5 不同參數(shù)選擇的訓(xùn)練樣本得到錯(cuò)誤檢測(cè)像元的數(shù)量Fig.5 Number of error detected pixels which were obtained by different training samples with different parameters

表1為各種變化檢測(cè)方法的精度評(píng)價(jià)，包括總體精度、Kappa系數(shù)、虛檢率和漏檢率。由于ELM的輸入權(quán)重矩陣和隱含層偏差是隨機(jī)獲取的，所以CVA-ELM的各項(xiàng)精度為10次運(yùn)算結(jié)果的平均值。

表1 各種方法的變化檢測(cè)精度Tab.1 Accuracy of different change detection methods

從表1中可以看出，2種面向?qū)ο蟮淖詣?dòng)變化檢測(cè)方法(SVM-OB和CVA-ELM)的檢測(cè)精度均高于其他方法，其中CVA-ELM的精度更高，且其運(yùn)算時(shí)間遠(yuǎn)遠(yuǎn)低于SVM-OB。與基于像元的方法相比較，CVA-OB的總體精度和Kappa系數(shù)均低于CVA，而diff-OB的總體精度和Kappa系數(shù)均高于diff-pixel。這主要是因?yàn)榉潜O(jiān)督變化檢測(cè)方法需要設(shè)置變化閾值，CVA-OB與CVA均使用最大期望算法(expectation maximization algorithm，EM)自動(dòng)獲取變化閾值，EM算法更適用于基于像元的圖像處理方法； diff-OB和diff-pixel為人工獲取變化閾值，不同的方法變化閾值也不同，而目前缺少針對(duì)面向?qū)ο蟮淖兓撝底詣?dòng)獲取算法，這也限制了面向?qū)ο蟮姆潜O(jiān)督變化檢測(cè)方法的發(fā)展和應(yīng)用。

圖6為實(shí)驗(yàn)區(qū)域不同變化檢測(cè)方法的檢測(cè)結(jié)果，與圖3的參考變化圖相比，從視覺(jué)上看，CVA-ELM的檢測(cè)結(jié)果(圖6(f))與參考變化圖最接近，這驗(yàn)證了CVA-ELM的良好檢測(cè)性能和在礦山安全監(jiān)測(cè)的適用性。CVA的檢測(cè)結(jié)果(圖6(a))與CVA-OB的檢測(cè)結(jié)果(圖6(b))相比，后者的椒鹽噪聲減少了很多，但是漏檢的像元也比較多。同樣，diff-pixel(圖6(c))和diff-OB(圖6(d))的檢測(cè)結(jié)果相比，后者檢測(cè)結(jié)果中虛檢的像元數(shù)目較少，體現(xiàn)了面向?qū)ο蟮膱D像處理方法的優(yōu)勢(shì)。

(a) CVA (b) CVA-OB (c) diff-pixel

(d) diff-OB (e) SVM-OB(f) CVA-ELM

圖6各種方法的變化檢測(cè)結(jié)果

Fig.6Changemapobtainedbydifferentmethods

3 應(yīng)用案例

四川省攀枝花市米易縣地處攀西釩鈦磁鐵礦區(qū)的核心部位，擁有豐富的礦產(chǎn)資源，縣域內(nèi)采場(chǎng)、排土場(chǎng)和尾礦庫(kù)數(shù)量多且分布分散。本文分別以攀枝花市米易縣域內(nèi)的尾礦庫(kù)、排土場(chǎng)及采場(chǎng)為對(duì)象，開(kāi)展礦山環(huán)境的變化檢測(cè)。本次檢測(cè)選擇2015年2月24日和2016年2月14日的GF-2遙感影像，經(jīng)過(guò)正射校正、輻射校正、幾何糾正、影像融合及配準(zhǔn)等預(yù)處理，以融合影像為數(shù)據(jù)源，利用CVA-ELM變化檢測(cè)方法實(shí)施礦山及周邊環(huán)境的動(dòng)態(tài)監(jiān)測(cè)。

3.1 尾礦庫(kù)及周邊環(huán)境變化檢測(cè)

萬(wàn)年溝尾礦庫(kù)是目前四川省的第一大庫(kù)，是比較有代表性的大型尾礦庫(kù)。本文以萬(wàn)年溝尾礦庫(kù)為實(shí)驗(yàn)區(qū)開(kāi)展尾礦庫(kù)及周邊環(huán)境的變化檢測(cè)。檢測(cè)區(qū)域影像大小為3 579像元×2 884像元，平面面積約10 840 956 m2，覆蓋了萬(wàn)年溝尾礦庫(kù)及周邊的大范圍區(qū)域。2個(gè)時(shí)期的遙感影像如圖7所示。

(a) 2015年2月24日 (b) 2016年2月14日

圖7萬(wàn)年溝尾礦庫(kù)及周邊區(qū)域2個(gè)時(shí)期遙感影像

Fig.7ImagesofWanniangoutailingpondandthesurroundingareasintwoperiods

圖8(a)展示了萬(wàn)年溝尾礦庫(kù)及周邊區(qū)域2015—2016年間的變化圖，其中白色區(qū)域?yàn)樽兓瘏^(qū)域，黑色區(qū)域?yàn)槲窗l(fā)生變化區(qū)域，紅色線條為變化區(qū)域的邊界。為了更加直觀地展示變化區(qū)域的分布，判斷變化區(qū)域的類(lèi)別，將變化信息疊加在2015年2月24日的遙感影像上得到變化檢測(cè)疊加圖，如圖8(b)所示?？梢钥闯鋈f(wàn)年溝尾礦庫(kù)及周邊區(qū)域的主要變化為尾礦庫(kù)擴(kuò)張、干灘變化、壩體變化、植被減少及建筑的變化等，變化面積約為372 047 m2，約占總面積的3.43%。

(a) 變化檢測(cè) (b) 變化信息疊加

圖8萬(wàn)年溝尾礦庫(kù)及周邊區(qū)域2015—2016年變化

Fig.8ChangemapofWanniangoutailingpondandthesurroundingareasfrom2015to2016

3.2 排土場(chǎng)及周邊環(huán)境變化檢測(cè)

以威龍州排土場(chǎng)為實(shí)驗(yàn)區(qū)開(kāi)展排土場(chǎng)及周邊環(huán)境的變化檢測(cè)。檢測(cè)區(qū)域影像大小為1 584像元×1 181像元，平面面積大約為1 870 704 m2，2個(gè)時(shí)期的遙感影像如圖9所示。

(a) 2015年2月24日 (b) 2016年2月14日

圖9威龍州排土場(chǎng)及周邊區(qū)域2期遙感影像

Fig.9ImagesofWeilongzhoudumpandthesurroundingareasintwoperiods

圖10中分別展示了威龍州排土場(chǎng)及周邊區(qū)域的2015—2016年間的變化圖及變化信息疊加圖。

(a) 變化檢測(cè) (b) 變化信息疊加

圖10威龍州排土場(chǎng)2015—2016變化

Fig.10ChangemapofWeilongzhoudumpandthesurroundingareasfrom2015to2016

由圖9和圖10可知，威龍州排土場(chǎng)及周邊區(qū)域在2015—2016年間的變化主要為排土場(chǎng)的擴(kuò)張、植被的減少以及排土場(chǎng)下游房屋的減少，變化面積約為86 901 m2，約占總面積的4.64%。威龍州排土場(chǎng)下游區(qū)域?yàn)檎畡澏ǖ牟疬w區(qū)域，圖10(b)直觀顯示了此區(qū)域已拆遷和未拆遷的建筑，為政府監(jiān)管和礦山企業(yè)安全生產(chǎn)提供了有效的數(shù)據(jù)支撐。

3.3 采場(chǎng)及周邊環(huán)境變化檢測(cè)

以冰花蘭采場(chǎng)作為實(shí)驗(yàn)檢測(cè)區(qū)域開(kāi)展采場(chǎng)及周邊環(huán)境變化檢測(cè)，檢測(cè)區(qū)域高分影像的大小為1 957像元×2 458像元，平面面積約4 810 306 m2，2個(gè)時(shí)期的遙感影像如圖11所示。

(a) 2015年2月24日 (b) 2016年2月14日

圖11冰花蘭采場(chǎng)及周邊區(qū)域2期影像

Fig.11ImagesofBinghualanstopeandthesurroundingareasintwoperiods

圖12為冰花蘭采場(chǎng)在2015—2016年間的變化圖。從圖中可以看出，冰花蘭采場(chǎng)在其西南方向開(kāi)辟了新的開(kāi)采區(qū)域，而原有的開(kāi)采區(qū)域未發(fā)生明顯變化，基本停止開(kāi)采工作。從2015年至2016年間冰花蘭采場(chǎng)及周邊區(qū)域的主要變化為采場(chǎng)的擴(kuò)張、周邊尾礦庫(kù)的擴(kuò)張以及植被的變化，變化面積約為189 596 m2，約占總面積的3.94%。

(a) 變化檢測(cè) (b) 變化信息疊加

圖12冰花蘭采場(chǎng)2015—2016年變化

Fig.12ChangemapofBinglanhuastopeandthesurroundingareasfrom2015to2016

4 結(jié)論

1)本文根據(jù)礦山監(jiān)測(cè)面向定量化和自動(dòng)化的發(fā)展要求，將遙感影像變化檢測(cè)技術(shù)應(yīng)用于礦山及周邊環(huán)境動(dòng)態(tài)監(jiān)測(cè)中，并比較分析了幾種常用的變化檢測(cè)方法在礦山監(jiān)測(cè)中的適用性。

2)根據(jù)礦山環(huán)境的特點(diǎn)，以國(guó)產(chǎn)高分二號(hào)衛(wèi)星影像為數(shù)據(jù)源，構(gòu)建一種自動(dòng)化程度比較高的面向?qū)ο蟮淖兓瘷z測(cè)方法。通過(guò)實(shí)驗(yàn)證明，本文所構(gòu)建的面向?qū)ο蟮淖兓瘷z測(cè)方法與常用的幾種變化檢測(cè)方法相比，具有自動(dòng)化程度高，檢測(cè)性能好的優(yōu)勢(shì)，更適用于礦山監(jiān)測(cè)應(yīng)用。

3)立足于礦山生產(chǎn)安全和礦山生態(tài)環(huán)境監(jiān)測(cè)需要，明確礦山監(jiān)測(cè)的重點(diǎn)關(guān)注對(duì)象和監(jiān)測(cè)目標(biāo)，并分別以攀枝花市米易縣的典型尾礦庫(kù)、排土場(chǎng)和采場(chǎng)為例，開(kāi)展礦山及周邊環(huán)境的變化檢測(cè)實(shí)驗(yàn)，為礦山實(shí)施大規(guī)模遙感動(dòng)態(tài)監(jiān)測(cè)提供了范例。