Науковий вісник НГУ

Потенціал використання гіперспектральних даних аеророзвідки для моніторингу нових екосистем після видобутку корисних копалин

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №4 2026

Останнє оновлення: 24 серпня 2026

Опубліковано: 30 листопада -0001

Перегляди: 1694

Authors:

Я. Цегларек, orcid.org/0000-0003-0444-7072, Університет імені Адама Міцкевича, факультет географічних та геологічних наук,  м. Познань, Польща

Ш. Гаця, orcid.org/0009-0004-6298-6247, Сілезький університет у Катовіцях, Факультет природничих наук, Інститут біології, біотехнології та охорони навколишнього середовища, м. Катовіце, Польща

A. Гутнічак*, orcid.org/0000-0002-6235-6139, Сілезький університет у Катовіцях, Факультет природничих наук, Інститут біології, біотехнології та охорони навколишнього середовища, м. Катовіце, Польща, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

A. Блоньська, orcid.org/0000-0002-1696-0001, Сілезький університет у Катовіцях, Факультет природничих наук, Інститут біології, біотехнології та охорони навколишнього середовища, м. Катовіце, Польща

Г. Возьняк, orcid.org/0000-0003-1936-2880, Сілезький університет у Катовіцях, Факультет природничих наук, Інститут біології, біотехнології та охорони навколишнього середовища, м. Катовіце, Польща

* Corresponding author e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2026, (4): 112 - 119

https://doi.org/10.33271/nvngu/2026-4/112

Abstract:

Мета. Підвищення ефективності й точності моніторингу ландшафтів після видобутку корисних копалин на основі використання гіперспектрального дистанційного зондування й аналізу даних аеророзвідки для управління рослинністю на відвалах після видобутку корисних копалин відповідно до принципів сучасних геоінформаційних технологій і дистанційного прогнозування.

Методика. На основі методів дистанційного зондування, зокрема гіперспектральних аерозйомних даних, здійснюється моніторинг та оцінювання територій після видобутку корисних копалин. Гіперспектральне зондування забезпечує ефективну оцінку забруднення, стану рослинності та процесів відновлення, підтримуючи прийняття рішень у рекультивації.

Результати. Удосконалена й апробована модель моніторингу постгірничих екосистем із використанням гіперспектральних даних аерозйомки, що підвищує точність оцінювання екологічного стану породних відвалів і динаміки відновлення рослинності. Визначені спектральні характеристики територій із різним рівнем антропогенного впливу, що дозволяє виявляти зони деградації та природного відновлення. Доведена ефективність інтеграції гіперспектральних даних і геоінформаційних технологій для контролю рекультивації й управління ландшафтами після видобутку корисних копалин.

Наукова новизна. Запропоновано й апробовано підхід до моніторингу постгірничих екосистем на основі використання гіперспектральних даних аерозйомки й геоінформаційних технологій, основні положення якого полягають у:

-     визначенні спектральних характеристик рослинного покриву й породних відвалів із різним рівнем техногенного навантаження;

-     виявленні зон деградації, забруднення та природного відновлення;

-     інтеграції даних дистанційного зондування із геоінформаційними системами;

-     забезпеченні контролю процесів рекультивації та прогнозуванні розвитку нових екосистем на територіях, порушених гірничою діяльністю.

Практична значимість. Запропонований підхід до моніторингу постгірничих екосистем із використанням гіперспектральних даних аерозйомки й геоінформаційних технологій підвищує точність й ефективність оцінки екологічного стану породних відвалів і прилеглих територій. Отримані результати можуть бути використані для виявлення зон деградації та відновлення природної рослинності, а також для моніторингу процесів рекультивації в ландшафтах, що постраждали від гірничодобувної діяльності. Практичне впровадження цього підходу дозволяє вдосконалити системи моніторингу навколишнього середовища в гірничодобувних регіонах і підвищує ефективність управлінських рішень щодо відновлення порушених територій.

Ключові слова: дистанційне зондування, корисні копалини,   породні відвали, гіперспектральні дані, екологічна стійкість

References.

1. Fojcik, Z., Hojka, M., Kaczmarzewski, S., & Woźniak, G. (2024). Examples of laser scanning applications in JSW SA mines. E3S Web of Conferences, 567, 01007. https://doi.org/10.1051/e3sconf/202456701007

2. Flores, H., Lorenz, S., Jackisch, R., Tusa, L., Contreras, I. C., Zimmermann, R., & Gloaguen, R. (2021). UAS-Based Hyperspectral Environmental Monitoring of Acid Mine Drainage Affected Waters. Minerals, 11(2), 182. https://doi.org/10.3390/min11020182

3. Woźniak, G., Dyderski, M. K., Kompała-Bąba, A., Jagodziński, A. M., Pasierbiński, A., Błońska, A., …, & Sierka, E. (2021). Use of remote sensing to track postindustrial vegetation development. Land Degradation and Development, 32(3), 1426-1439. https://doi.org/10.1002/ldr.3789

4. Hobbs, R. J., Higgs, E. S., & Hall, C. M. (2013). Defining novel ecosystems, In R. J. Hobbs, E. S. Higgs, & C. M. Hall (Eds.) Novel Ecosystems. Intervening in the New Ecological World Order, (pp. 58-60). John Wiley & Sons, Chichester. https://doi.org/10.1002/9781118354186.ch6

5. Gwenzi, W. (2021). Rethinking Restoration Indicators and End-Points for Post-Mining Landscapes in Light of Novel Ecosystems. Geoderma, 387, 114944. https://doi.org/10.1016/j.geoderma.2021.114944

6. Błońska, A., Kompała-Bąba, A., Sierka, E., Benesyei, L., Magurno, F., Bierza, W., Frydecka, K., & Woźniak, G. (2019). Impact of selected plant species on enzymatic activity of soil substratum on post-mining heaps. Journal of Ecological Engineering, 20(1), 138-144. https://doi.org/10.12911/22998993/93867

7. Bakr, J., Kompała-Bąba, A., Bierza, W., Chmura, D., Hutniczak, A., Błońska, A., Nowak, T., …, & Woźniak, G. (2024). Taxonomic and functional diversity along successional stages on post-coalmine spoil heaps. Frontiers in Environmental Science, Front. Environ. Sci., 12, 1412631. https://doi.org/10.3389/fenvs.2024.1412631

8. Konovalov, V. E., Semyachkov, A. I., & Pochechun, V. A. (2018). Concept of Mining Landscape Rehabilitation. IOP Conference Series: Materials Science and Engineering, 451, 012208. https://doi.org/10.1088/1757-899X/451/1/012208

9. Ramani, R. V. (2012). Surface Mining Technology: Progress and Prospects. Procedia Engineering, 46, 9-21. https://doi.org/10.1016/j.proeng.2012.09.440

10.      Davies, G. E., & Calvin, W. M. (2017). Mapping Acidic Mine Waste with Seasonal Airborne Hyperspectral Imagery at Varying Spatial Scales. Environmental Earth Sciences, 76(12), 432. https://doi.org/10.1007/s12665-017-6763-x

11.      Song, W., Song, W., Gu, H., & Li, F. (2020). Progress in the Remote Sensing Monitoring of the Ecological Environment in Mining Areas. International Journal of Environmental Research and Public Health, 17(6), 1846. https://doi.org/10.3390/ijerph17061846

12.      Tolentino, V., Lucero, A. O., Koerting, F., Savinova, E., Hildebrand, J. C., & Mickelthwaite, S. (2025). Drone-Based VNIR–SWIR Hyperspectral Imaging for Environmental Monitoring of a Uranium Legacy Mine Site. Drones, 9(4), 313. https://doi.org/10.3390/drones9040313

13.      Yang, L., & Jiuyun, S. (2011). Study of the Integrated Environmental Monitoring in Mining Area Based on Image Analysis. Procedia Engineering, 21, 267-272. https://doi.org/10.48550/arXiv.2404.00272

14.      Padró, J.-C., Carabassa, V., Balagué, J., Brotons, L., Alcañiz, J. M., & Pons, X. (2019). Monitoring Opencast Mine Restorations Using Unmanned Aerial System (UAS) Imagery. Science of The Total Environment, 657, 1602, 14. https://doi.org/10.1016/j.scitotenv.2018.12.156

15.      Ryś, K., Dyczko, A., Chmura, D., & Woźniak, G. (2025). Multi-aspect analysis of biomass production concerning taxonomic and functional trait composition of vegetation on heaps. Journal of Water and Land Development, (65), 74-89. https://doi.org/10.24425/jwld.2025.154252

16.      Fajfer, J., Dyczko, A., & Woźniak, G. (2025). Sustainable development of post-mining areas in the light of natural challenges. Zrównoważony rozwój terenów pogórniczych w świetle wyzwań przyrodniczych. Przegląd Geologiczny, 73(10), 932-934. https://doi.org/10.7306/2025.101

17.      Buzzi, J., Riaza, A., García-Meléndez, E., Weide, S., & Bachmann, M. (2014). Mapping Changes in a Recovering Mine Site with Hyperspectral Airborne HyMap Imagery (Sotiel, SW Spain). Minerals, 4(2), 313-329. https://doi.org/10.3390/min4020313

18.      Ghamisi, P., Yokoya, N., Li, J., Liao, W., Liu, S., Plaza, J., Rasti, B., & Plaza, A. (2017). Advances in Hyperspectral Image and Signal Processing: A Comprehensive Overview of the State of the Art. IEEE Geoscience and Remote Sensing Magazine, 5(4), 37-78. https://doi.org/10.1109/MGRS.2017.2762087

19.      Obi Reddy, G.P., & Singh, S.K. (2018). Satellite Remote Sensing Sensors: Principles and Applications, (pp. 21-43). Springer International Publishing. https://doi.org/10.1007/978-3-319-78711-4_2

20.      Ali, I., Mashtaq, Z., Arif, S., Algarni, A.D., Soliman, N.F., & El-Shafai, W. (2023). Hyperspectral Images-Based Crop Classification Scheme for Agricultural Remote Sensing. Computer Systems Science and Engineering, 46(1), 303-319. https://doi.org/10.32604/csse.2023.034374

21.      Wang, X., Borsoi, R.A., Richard, C., & Chen, J. (2023). Deep Hyperspectral and Multispectral Image Fusion with Inter-Image Variability. IEEE Transactions on Geoscience and Remote Sensing, 61, 1-15. https://doi.org/10.1109/TGRS.2023.3273118

22.      Cozzolino, D., Williams, P.J., & Hoffman, L.C. (2023). An Overview of Pre-Processing Methods Available for Hyperspectral Imaging Applications. Microchemical Journal, 193, 109129. https://doi.org/10.1016/j.microc.2023.109129

23.      Lowe, A., Harrison, N., & French, A.P. (2017). Hyperspectral Image Analysis Techniques for the Detection and Classification of the Early Onset of Plant Disease and Stress. Plant Methods, 13(1), 80. https://doi.org/10.1186/s13007-017-0233-z

24.      Wang, X., Xu, H., Zhou, J., Fang, X., Shuai, S., & Yang, X. (2024). Analysis of Vegetation Canopy Spectral Features and Species Discrimination in Reclamation Mining Area Using in Situ Hyperspectral Data. Remote Sensing, 16(13), 2372. https://doi.org/10.3390/rs16132372

25.      Liu, Y., Liu, Y., & Pan, X. (2025). Hyperspectral Classification of Grasslands for Sustainable Management Using Feature Fusion GRCNet. Sustainability, 17(5), 1804. https://doi.org/10.3390/su17051804

26.      Wang, W., Liu, R., Gan, F., Zhou, P., Shang, X., & Ding, L. (2021). Monitoring and Evaluating Restoration Vegetation Status in Mine Region Using Remote Sensing Data: Case Study in Inner Mongolia, China. Remote Sensing, 13(7), 1350. https://doi.org/10.3390/rs13071350

27.      Cole, B., McMorrow, J., & Evans, M. (2014). Empirical Modeling of Vegetation Abundance from Airborne Hyperspectral Data for Upland Peatland Restoration Monitoring. Remote Sensing, 6(1), 716-739. https://doi.org/10.3390/rs6010716

28.      Lévesque, J., & Staenz, K. (2008). Monitoring Mine Tailings Revegetation Using Multitemporal Hyperspectral Image Data. Canadian Journal of Remote Sensing, 34(sup1), S172-S186. https://doi.org/10.5589/m07-068

29.      Jiménez, M., & Díaz-Delgado, R. (2015). Towards a Standard Plant Species Spectral Library Protocol for Vegetation Mapping: A Case Study in the Shrubland of Doñana National Park. ISPRS International Journal of Geo-Information, 4(4), 2472-2495. https://doi.org/10.3390/ijgi4042472

30.      Ogen, Y., Denk, M., Glaesser, C., & Eichstaedt, H. (2022). A Novel Method for Predicting the Geochemical Composition of Tailings with Laboratory Field and Hyperspectral Airborne Data Using a Regression and Classification-Based Approach. European Journal of Remote Sensing, 55(1), 453-470. https://doi.org/10.1080/22797254.2022.2104173

• < Попередня
• Наступна >