尾矿库作为高势能的人造泥石流危险源, 在尾砂含水量过高时有溃坝风险, 低含水量状态下产生扬尘则会危害周围环境。 尾砂含水量实时、 动态监测对于尾矿库安全状况及矿区环境保护具有重要意义。 相比传统采样化验手段, 高光谱遥感拥有观测面积大、 数据实时易获取、 光谱信息丰富的特点, 为快速、 高精度尾矿水分监测提供了手段。 以鞍山-本溪铁矿群中的高硅型铁尾矿为研究区, 实地采集尾砂样品77个, 利用可见光-近红外(350～2 500 nm)光谱仪获取其光谱数据, 分析不同含水率尾砂光谱特征及机理； 引入竞争性自适应加权重采样法(CARS)筛选水分敏感波段, 并基于敏感波段建立三维波段光谱指数(TBI), 结合随机森林(RF)、 粒子群优化的极限学习机(PSO-ELM)及卷积神经网络(CNN)算法建立尾砂水分反演模型, 以国产高分五号高光谱卫星为数据源进行模型应用, 获取尾矿库表层含水时空分布特征。 结果表明: (1)尾砂光谱反射率随含水率升高明显下降, 在1 455和1 930 nm处出现O—H吸收特征, 吸收深度随含水率减小而逐渐减小； (2)基于CARS方法能够对高光谱数据(305波段)有效降维, 筛选出18个水分敏感波段, 进一步利用敏感波段构建不同形式的尾砂含水率TBI指数集, 其中三维差值指数TBI5=(R1 097.47-R1 990.67)-(R1 990.67-R437.39), 与水分含量相关性最高, 达到0.84； (3)对比RF, PSO-ELM及CNN方法以及不同形式的输入数据, 基于尾砂含水率TBI指数联合反射率数据集作为输入数据进行CNN建模, 室内光谱模型达到验证精度R2=0.92, 相对分析误差RPD=3.43, 基于该模型利用高分五号卫星数据反演可获取研究区尾砂含水率空间分布结果, 实地验证R2达到0.79, 相对分析误差RPD=2.20, 获得较好的预测效果。 可为基于高光谱技术的铁尾矿水分含量大面积实时快速监测提供参考。

针对某些特定环境下, 伪装目标和背景目标出现的“异物同谱”现象, 传统的可见光及多光谱遥感伪装识别存在局限性, 为此, 将高光谱应用到典型伪装材料的特征分析与识别。 以北方地区常用丛林迷彩伪装网为研究对象, 利用SVC HR1024光谱仪获取其不同浸水时间的可见光-近红外光谱, 通过光谱相似性度量和包络线去除处理, 分析揭示不同浸水条件下伪装网和北方典型植被光谱特征和敏感波段, 并基于近红外波段构建光谱比值指数RCI, 用于识别绿色植被环境中的伪装目标, 最后通过高光谱成像实验获取仿真伪装环境高光谱图像, 并利用高光谱图像对识别效果进行验证。 结果显示: (1)不同浸水时间的丛林迷彩伪装网的光谱曲线基本形态相似, 且反射率随浸水时间的增加而整体呈下降趋势; 1 900 nm波段是伪装网反射光谱对含水量响应最为明显的波段, 其光谱特征会因浸水处理而相似于植被, 相似度从0.895提高到了0.939。 (2)丛林迷彩伪装网和植被在可见光波段的相似度较高, 光谱波动情况相似, 但在近红外波段光谱特征差异明显。 通过包络线统去除分析得出970, 1 190和1 440 nm波段附近处是丛林迷彩伪装网识别的敏感波段, 且基于迷彩伪装网和各植被在900~1 900 nm波段范围内存在的2处明显反射率斜率的差异, 构建了伪装网识别特征指数RCI1(R1 190/R1 270)和RCI2(R1 270/R1 440)。 (3)基于RCI指数构建决策树分类模型, 可以快速有效的将伪装目标从绿色植被背景中提取出来。 实验结果表明, 基于RCI指数对伪装目标区域进行识别提取, 所得结果在形态和大小上与原影像具有较好地一致性, 识别精度可达95%, 表明该指数对于伪装目标具有较好的识别效果。

煤炭是我国最主要的能源, 在开采、 运输、 洗选加工、 精煤储运等过程中都需要及时了解煤的成分、 含量以及混矸程度, 以便掌握和监控煤炭质量。 目前, 基于可见光-近红外反射光谱的煤炭原位测试技术已经成为一个研究热点。 颗粒度是影响光谱特征的重要因素, 开展颗粒度对不同煤种反射光谱特征的影响研究, 对于深刻认识煤的光谱特征, 进而提高煤光谱识别精度具有重要意义。 为此, 选取我国主要煤炭富集区（包括内蒙古乌海、 新疆哈密、 山西阳泉）的褐煤、 烟煤、 无烟煤为研究对象, 利用SVC HR-1024光谱仪对不同颗粒度煤样的可见光-近红外光谱进行测试, 分析了颗粒度对煤样光谱反射率的影响规律, 以及颗粒度对于不同煤种光谱影响的差异。 在此基础上, 对实验现象背后的物理机理进行了分析讨论。 研究表明, 变质程度不同的煤反射光谱特征基本相似, 即在可见光波段反射率较低且随波长增加出现缓慢下降趋势, 在近红外波段快速上升。 当煤样颗粒度>0.10 mm时, 颗粒度大小对光谱特征的影响较小, 煤样反射光谱特征随颗粒度变化规律不明显; 当颗粒度<0.10 mm时, 颗粒度对煤样的光谱影响增大, 且影响主要体现在近红外波段的反射率光谱曲线的斜率大小, 颗粒度越小, 光谱反射率曲线斜率越大。 0.10 mm颗粒度可作为颗粒度对煤的光谱特征影响的敏感界限。 不同煤种可见光-近红外光谱曲线受颗粒度的影响程度不同, 褐煤的影响最大, 烟煤次之, 无烟煤影响最小。 实验表明, 利用反射光谱进行煤质分析和煤种识别时需要考虑颗粒度的影响, 同时, 选择颗粒度小于0.10 mm的粉末状样品效果要好于大颗粒或块状样品。

岩石定量遥感是矿产资源探测与地质环境监测的主要手段, 光谱解混是岩矿定量遥感的重要方法。 在实际应用中, 由于卫星对地观测受地形起伏的影响, 观测具有一定的角度, 导致所测发射率光谱产生变异。 但在目前的研究中, 解混所采用的矿物端元光谱, 是在实验室垂直试样表面观测得到的, 忽略了观测角度对发射率光谱的影响, 降低了光谱解混精度。 因此, 有必要将观测角度作为影响岩石光谱解混的因素, 研究其对光谱解混精度的影响。 首先, 将常见的石英、 正长石和斜长石矿物表面制作成一般粗糙度, 并设计0°~77°共9个观测角度实测发射率光谱, 分析观测角度对矿物热红外光谱特征的影响。 其次, 利用观测角度13°~77°的矿物端元, 构建相应角度虚拟岩石光谱, 并用0°的矿物端元光谱解混9个观测角度的岩石光谱, 分析观测角度对岩石热红外光谱解混的影响。 结果表明: (1）在0°~20°范围, 观测角度对光谱影响较弱, 从30°开始, 影响显著。 基本规律是: 随着角度的增加, 光谱吸收深度增加, 但各波段处的情况不尽相同。 CF特征在观测角度大于50°之后向短波方向移动明显; RF特征处的吸收谷在观测角度大于20°之后显著加深, 且谷底位置向短波方向移动; TF特征在观测角度大于40°之后发射率显著降低。 表明观测角度的变化, 会引起光谱特征的明显变化。 (2）在0°~20°范围内, 观测角度对光谱解混影响不明显, 解混误差小于5%; 当观测角度大于20°时, 观测角度对光谱解混有显著影响, 30°~77°解混误差均大于5%, 平均解混误差达到17.2%, 解混精度较低。 这表明, 在基于光谱解混方法进行岩石矿物组分定量反演时, 需要考虑观测角度的影响, 这对于提高反演精度、 准确确定岩石类型具有重要意义。

岩矿反射光谱的决定因素是其成分及含量, 变异因素主要为颗粒度、 粗糙度、 观测角度、 表面形态等。 为明确颗粒度与鞍山式铁矿反射光谱之间的关系, 采用SVC HR-1024便携式地物光谱仪对鞍山式铁矿的两种主要铁矿石(赤铁矿、 磁铁矿)进行不同颗粒度下的可见光-近红外光谱测试, 分析颗粒度对赤铁矿、 磁铁矿反射光谱的影响规律, 并明确颗粒度的敏感波段与稳定波段, 为以后的定量反演工作提供参考。 结果表明, 颗粒度对赤铁矿、 磁铁矿反射光谱的影响规律具有显著差异。 当赤铁矿试样粒径由0.03 mm增加到1 mm时, 光谱反射率随颗粒度增加而逐渐减小, 二者呈现显著负相关关系。 但是在不同的波段处, 赤铁矿反射光谱受颗粒度的影响程度不同, 在350~550 nm波段, 反射光谱受颗粒度影响非常微弱, 为赤铁矿反射光谱对颗粒度的稳定波段; 在550~950 nm波段, 反射光谱受颗粒度影响较微弱; 在950~1 250 nm波段, 反射光谱受颗粒度影响较显著; 在1 250~2 500 nm波段, 反射光谱受颗粒度影响非常显著, 为赤铁矿反射光谱对颗粒度的敏感波段。 当赤铁矿试样粒径大于1 mm之后, 赤铁矿反射光谱多重叠, 受颗粒度影响显著减弱, 且二者无明显相关性。 当磁铁矿试样粒径由0.03 mm增加到4 mm时, 磁铁矿反射光谱对颗粒度的响应非常微弱, 颗粒度引起的光谱反射率变化不超过3%, 且颗粒度与磁铁矿反射光谱间无相关性, 二者间联系微弱。 该研究揭示了颗粒度对鞍山式铁矿反射光谱的影响规律, 定量分析了颗粒度对赤铁矿、 磁铁矿反射光谱的影响程度, 并确定了颗粒度与试样反射率符合的函数分布关系, 为提高鞍山式铁矿的品位反演精度奠定了良好基础。

针对草原土壤属性高光谱监测过程中地表枯落物对土壤光谱建模精度的影响。 以呼伦贝尔典型草原土壤光谱为研究对象, 通过室内模拟光谱实验及野外光谱实测验证, 分析混合光谱特征, 揭示枯枝落叶层对土壤光谱影响的规律, 提出了基于光谱相似值约束下的盲源分离ICA算法, 对混合光谱进行解混, 削减枯枝落叶层对土壤光谱的影响。 结果表明, (1)随枯枝落叶盖度增加, 光谱纤维素吸收指数(CAI)增加, 呈二次回归递增趋势, 可有效检验混合光谱中枯枝落叶的覆盖程度； (2)混合光谱在700 nm跃迁波段有明显的斜率陡增现象, 并在1 680及1 754 nm处存在微弱的木质素吸收特征, 在2 100 nm附近处出现强吸收特征； (3)优化后的BSS-ICA算法可有效分离枯枝落叶同土壤的混合光谱, 进而提升野外光谱估测有机碳含量的精度, 分别利用偏最小二乘回归(PLSR)、 支持向量机(SVM)及随机森林(RF)对解混前后光谱建立预测有机碳预测模型； 其中SVM模型预测精度最高, 预测集的R2从0.71提高到0.75, RMSE从4.82 g·kg-1降低到4.50 g·kg-1。 通过实验研究对定向去除外部环境参数中的地表枯枝落叶层对土壤高光谱影响进行了实证, 并通过野外实测数据验证解混算法的有效性, 为完善野外原位光谱数据反演及监测土壤理化属性提供理论依据。

目前, 国内外铜矿品位分析多以化学分析法为主, 但由于化学分析法存在成本高、 时间长和污染物残留等缺点, 其相对配矿流程存在严重的滞后效应, 致使尾矿铜含量过高, 必然造成资源浪费。 开展斑岩型铜矿可见光-近红外光谱特征与建模研究是解决这一问题的有效途径。 以121个乌山斑岩型铜矿的化学分析与光谱测试数据为数据源, 分析了斑岩型铜矿可见光-近红外光谱特征, 以主成分分析法（PCA）、 局部线性嵌入算法(LLE)两种降维算法对原始光谱数据进行了处理, 所降维数分别为3维和5维, 同时利用遗传算法(GA)对原始光谱数据进行了波段选择, 共选取了467个最佳波段。 然后以BP神经网络为建模方法, 并分别以92个和29个斑岩型铜矿可见光-近红外光谱数据作为建模样本和测试样本, 建立了斑岩型铜矿可见光-近红外光谱的定量反演模型。 利用原始数据所建模型的品位反演平均绝对误差为0.104%, 利用主成分分析法、 局部线性嵌入算法、 遗传算法处理后的数据所建模型品位反演平均绝对误差分别为0.110%, 0.093%和0.045%, 由此可见, 利用主成分分析法处理后的数据所建模型品位反演精度较差, 利用局部线性嵌入算法处理后的数据所建模型品位反演精度略有提高, 而利用遗传算法处理后的数据所建模型品位反演精度有明显提高。 研究结果表明, 基于低品位斑岩型铜矿可见光-近红外光谱数据反演模型的品位分析具有一定的可行性, 为我国低品位斑岩型铜矿的品位快速检测提供了一种有效的手段。

我国尾矿库数量众多, 分布广泛, 在低含水量条件下, 风力作用引起的尾砂扬尘会对周边环境造成污染。 而尾矿库表面积大, 含水量变化快, 传统的含水量监测方法效率低、 安全性差、 成本高, 难以实现尾矿库含水量的大面积、 实时、 快速的监测。 目前, 基于光谱特征的遥感模型虽可以较为准确地预测土壤含水量, 但矿区尾砂与常规土壤在成分上存在差异性, 使得土壤含水量的光谱预测遥感模型可能无法适用于尾矿库含水量的预测。 为此, 选择辽宁省风水沟尾矿库作为研究区, 采集尾砂配置成不同含水量的样品, 测试其可见光-近红外光谱, 分析不同含水量样品的光谱特征以及含水量与光谱特征之间的关系, 建立针对尾砂的含水量遥感预测模型, 并应用于辽宁省风水沟尾矿库表面含水量的预测。 结果表明: (1)含水量对尾砂的光谱特征有显著影响, 二者存在高度的相关性, 光谱反射率随含水量增加而下降, 且波长越长, 含水量对光谱的影响越显著; (2)构建了基于尾砂光谱特征的含水量遥感预测模型, 选择Landsat8-OLI传感器的B6和B7波段, 定义了比值指数(RTI)、 归一化差异指数(NDTI)和差值指数(DTI)3种尾砂光谱指数, 并将这3种指数作为输入自变量, 使用随机森林方法进行训练以及含水量的建模预测, 并与B7波段建立的对数反射率预测模型进行比较。 结果表明, 光谱指数+随机森林的预测模型效果优于基于B7波段建立的对数反射率模型。 (3)使用光谱指数+随机森林的预测模型, 通过Landsat8-OLI数据对实地尾矿库提取了含水量的空间分布图, 结果表明模型预测的含水量与实测结果之间的决定系数R2达0.798, 均方根误差RMSE为0.077, 相对分析误差RPD为1.970, 平均相对精度ARE为20.1%, 在现有技术条件下, 达到了较好的预测效果。 该研究为变质型铁矿尾矿库含水量的预测提供一种大面积、 实时、 快速的实用方法。

我国煤矿数量众多, 分布广泛, 大量堆积的煤矸石对矿区环境造成严重影响, 其中部分煤矸石处理不当可能引发自燃和爆炸, 对矿区安全构成直接威胁。 根据煤矸石的燃烧状态可以分为燃烧矸石和未燃烧矸石两类, 其存在的安全隐患和对环境的危害性有所不同, 同时其综合利用的途径亦不相同。 因此, 对煤矸石进行燃烧矸石和未燃烧矸石的分类识别与监测就显得尤为重要。 目前的监测方法主要为实地勘查调研, 其效率低、 成本高, 难以满足煤矸石监测的实际需求。 选择辽宁省铁法矿区作为研究区, 首先从矿区矸石山现场采集典型的煤矸石样本106个; 然后, 利用SVC HR1024光谱仪测试其可见光-近红外光谱, 分析燃烧和未燃烧矸石的光谱特征, 并基于可见光波段构建光谱指数NDGI, 用于识别燃烧矸石和未燃烧矸石。 选择实验室测试的光谱数据和实际卫星遥感数据对该指数进行了验证, 并与随机森林法进行对比。 结果显示: 在350～760 nm燃烧矸石光谱曲线斜率整体较高, 在550～630 nm反射率存在陡升现象, 而未燃烧矸石在整个可见光波段光谱曲线斜率较低; 以0.25作为NDGI指数阈值, 可以很好地将燃烧矸石和未燃烧矸石区分开来, 实验室样本验证结果显示, NDGI指数的分类精度可达99.1%, 高于随机森林分类法的95.2%; 现场的验证结果表明, 使用铁法矿区的landsat8 OLI数据, 并基于NDGI指数对矿区内的矸石山进行燃烧和未燃烧区域识别划分, 所提取的燃烧和未燃烧矸石在形态和大小上与Google Earth具有很好地一致性, 表明该指数对于矸石的燃烧状态具有很好识别效果。 在上述研究基础上, 分别取燃烧和未燃烧矸石进行矿物鉴定, 通过对比矸石燃烧前后矿物种类的变化, 分析造成燃烧和未燃烧矸石的光谱特征差异的原因。 结果表明: 燃烧使矸石中的Fe2+被氧化为Fe3+。 Fe3+的大量增加造成光谱曲线在550nm处形成明显的波谷特征, 在整个燃烧过程中生成的玻璃质在750nm处形成高反射率, 二者综合造成燃烧和未燃烧矸石的NDGI指数差异。 研究结果为煤矿区燃烧和未燃烧矸石的区分识别提供了一种快速、 高效、 较为准确的实用方法。