Home » Hyperspektralerkundung zur Steigerung der Über­wachung saurer Grubenwässer in Nachbergbauregionen

Hyperspektralerkundung zur Steigerung der Über­wachung saurer Grubenwässer in Nachbergbauregionen

Die sich kontinuierlich entwickelnden Hyperspektralsensoren sind zu einem wichtigen Verbündeten bei einer Vielzahl von Anwendungen in der Fernerkundung zur Überwachung verschiedener (natürlicher und anthropogener) Ökosysteme und Prozesse der Erde geworden. Die Prozesse, die innerhalb des Lebenszyklus des Bergbaus auftreten, sind keine Ausnahme. Hyperspektralsensoren werden in einer Vielzahl von Anwendungen eingesetzt, die von der Exploration über den Betrieb bis hin zum Nachbergbau reichen. In dieser Arbeit untersuchen die Autoren insbesondere den Einsatz von hyperspektralen Methoden, um zur Überwachung eines der wichtigsten Umweltphänomene beizutragen, mit denen viele Bergbaubetriebe konfrontiert sein könnten: Acid Mine Drainage (AMD). Das Versagen einer genauen Überwachung und Sanierung eines solchen Komplexes führt zu langfristigen Auswirkungen auf Ökosysteme und die menschliche Gesundheit, zusätzlich zu erheblichen finanziellen Folgen und Reputationsschäden für die Betreiber. Hyperspektrale Bildgebung stellt eine Lösung dar, um die Qualität klassischer, geochemischer Analysen in kontaminierten Nachbergbauszenarien zu verbessern, was die Gesamtgenauigkeit der Überwachung erhöhen kann und häufige und multitemporale Beobachtungen ermöglicht, um Risikobereiche zu erkennen und schnelle Korrekturmaßnahmen zu ergreifen

Authors/Autoren: Hernan Flores M. Sc. , Prof. Dr. rer. nat. Tobias Rudolph, Dr.-Ing. Dipl.-Wirt.Ing. Stefan Möllerherm, Forschungszentrum Nachbergbau (FZN), Technische Hochschule Georg Agricola (THGA), Bochum

Umweltüberwachung von AMD

Acid Mine Drainage (AMD) ist ein Umweltphänomen, das entweder durch die natürliche Exposition von Sulfatmetallen gegenüber Witterungsbedingungen oder als Folge bestimmter Bergbauaktivitäten auftreten kann. Lottermoser (1) definiert AMD als einen Prozess, bei dem Grubenwasser mit niedrigem pH-Wert aus der Oxidation von Sulfidmineralien gebildet wird. Diese sauren und mit Metallen angereicherten Gewässer können die Qualität des natürlichen Ökosystems und das Leben im Wasser negativ beeinflussen. Hauptsächlich betroffene Gebiete sind Flüsse, Seen, Flussmündungen und Küstengewässer. Ihr Vor-anschreiten kann Jahre oder Jahrzehnte dauern und sich über Jahrhunderte räumlich ausdehnen (1). Daher muss ein solches Umweltproblem sorgfältig überwacht und idealerweise behoben werden.

Um die räumliche Verteilung der Kontaminierung durch AMD zu überwachen, wurden mehrere Anstrengungen unternommen, die in der Regel systematische Probenahmen und Laboranalysen von Flusssedimenten beinhalten, gefolgt vom Interpolieren der Ergebnisse in zusammengestellten Verteilungskarten (2, 3). Solche Ansätze können jedoch zeitaufwendig, kostspielig und mit begrenzter räumlicher Abdeckung sein.

Die Umweltüberwachung solch komplexer und vielfältiger nachteiliger Auswirkungen auf die Ökosysteme der Erde erfordert häufige und multitemporale Beobachtungen. Aktive Kontrolle kann als effektive Methode zur erfolgreichen Erhaltung oder Rehabilitation natürlicher Systeme dienen. In diesem Sinne werden Fernerkundungswerkzeuge in vielen Umweltuntersuchungen häufig eingesetzt, da die Technik die Verwendung digitaler Bildgebungssensoren ermöglicht, Schlüsselinformationen aus der Ferne, üblicherweise von Satelliten oder Flugzeugen, anzuzeigen (4). So können traditionelle Geländeüberwachungen, die nur auf bestimmten Orten der Bodenprobenahme basieren, aus abgeleiteten Luftbildprodukten auf große Flächen ausgeweitet werden. Im Allgemeinen bezieht sich die optische Spektralanalyse auf die Messung von Materie Licht Wechselwirkungen als Funktion ihrer Energie. Genauer gesagt, umfasst dies jede Strahlung, die vom untersuchten Ziel abgegeben, reflektiert oder übertragen wird (5). Die Entwicklung neuer Generationen von Sensoren hat es ermöglicht, Prozesse auf der Erde jenseits des für das menschlichen Auge sichtbaren Spektrums zu untersuchen. Üblicherweise können diese Geräte Daten in verschiedenen Wellenlängenbereichen erfassen – vom ultravioletten bis zum ferninfraroten Spektrum elektromagnetischer Strahlung – und haben sich von spektralen über multispektrale zu hyperspektralen Sensoren für verschiedene Untersuchungsarten der Erdoberfläche entwickelt.

Der Trend zum Fortschritt für eine höhere spektrale Auflösung (hyperspektrale Fernerkundung) hat in den letzten Jahrzehnten zugenommen. Während die Mehrheit der weltraumgestützten Sensoren, die herkömmlicherweise für die geologische Fernerkundung verwendet werden, wie ASTER oder Landsat, Informationen in nur wenigen Wellenlängen und Teilspektren enthält, sind hyperspektrale Sensoren in der Lage, ein kontinuierliches Spektrum für jedes Pixel des Datensatzes bereitzustellen (6). Derzeit werden hyperspektrale Sensoren in einer Vielzahl von räumlichen Dimensionen (Skalen) entsprechend der für die Datenerfassung verwendeten Plattform eingesetzt, z. B. Satellit, luftgestützt, bis hin zur Labormessung für detailliert mineralogische Analysen (Bild 1).

Bild 1. Downscaling-Schema (mehrskalig) für Hyperspektralerkundung von der hohen räumlichen Erfassung satellitenbasierter Sensoren zur hohen spektralen Auflösung (drohnengestützt oder von Sensoren auf der Erde übertragen) und dem allgemeinen Konzept des hyperspektralen Datenwürfel-Scannings. Quelle: THGA

Der aufkommende Einsatz von unbemannten Luftsystemen (UAS) wie Multikoptern und leichten Hyperspektralsensoren der neuen Generation ist zu einem Werkzeug geworden, um Daten zu sammeln mit einer höheren räumlichen Auflösung als einige ihrer Flugzeug- und Satellitengegenstücke, was zu höherer Genauigkeit führt (höhere räumliche Auflösung einer Szene und die Untersuchung von bis zu wenigen Zentimeter großen Pixeln) (7). In diesem Artikel werden einige Studien bewertet, die Hyperspektralbildgebung genutzt haben, um AMD-Vorkommnisse, die Mineralogie und die damit verbundene Geochemie zu überwachen.

Von spektralen zu hyperspektralen Sensoren

Der Hauptzweck hyperspektraler Fernerkundung – auch bekannt als abbildende Spektrometrie oder abbildende Spektroskopie – besteht darin, die Komponenten des Erdsystems aus kalibrierten (Strahldichte, Reflexion oder Emissionsgrad) Spektren, die als Bilder in vielen, engen und zusammenhängenden Spektralbändern aufgenommen wurden, quantitativ zu messen (6). Hyperspektrale Sensoren können Daten aus dem sichtbaren Wellenlängenbereich des nahen Infrarots über eine bestimmte terrestrische Oberfläche der Erde erfassen. Die gesammelten Daten ergeben einen dreidimensionalen Datenwürfel, der aus einer Reihe von Pixeln besteht, die als Vektoren dargestellt werden und die Messung enthalten, die einer bestimmten Wellenlänge entspricht (8). Dies bietet die Möglichkeit, eine grafisch darstellbare Spektralsignatur für jede räumliche Position auf einer Oberfläche abzufragen. Die damit einhergehende Informationsmenge führt zu viel größeren Datenumfängen im Vergleich zu polychromatischen oder multispektralen Bildern (9). Die Vektorgröße entspricht der Anzahl der Bänder oder Spektralkanäle. Im Gegensatz zu multispektralen Daten, die normalerweise bis zu Dutzende von Bändern erfassen, sind hyperspektrale Datenkanäle in der Lage, mehrere hundert zusammenhängende Bänder entlang der Spektralachse zu sammeln (6).

Unabhängig vom Umfang der Erfassung bieten Hyperspektralsensoren im Vergleich zu multispektralen Sensoren eine höhere spektrale Auflösung und eine höhere Genauigkeit bei der Zielerkennung und der Charakterisierung von Prozessen auf der Erdoberfläche. Bild 2 zeigt die Unterschiede zwischen einem gemeinsamen Rotgrünblau (RGB)-Komposit, einem multispektralen und einem hyperspektralen Datensatz.

Bild 2. Schematische Beispiele auf verschiedenen Dimensionsebenen spektraler Daten mit x, y, λ, wobei x und y die räumliche und λ die spektrale Achse darstellen (angepasst von (9)).

Das Visualisierungsformat jedes Spektraldatensatzes ist ähnlich, unabhängig vom abgedeckten Wellenlängenbereich, der gescannten Probe oder Fläche und dem zugrunde liegenden spektralen Prozess. Ein spektraler Abbildungsdatensatz besteht aus drei Dimensionen mit mindestens einem, auch undeutlichen Wert, der die gemessene Signalintensität entlang mindestens zweier räumlicher und einer spektralen Achse definiert (9).

Multiskale Herangehensweise in Nachbergbauanwendungen

Bergbauabfälle sind im Vergleich zu anderen Industriezweigen aufgrund ihrer Menge, mineralogischen Bildung und Eigenschaften recht heterogen. Sie variieren je nach angewendetem Mineralaufbereitungs- und Anreicherungsprozess. Abfälle in Bergwerken werden in der Regel auf Halden oder in Schlammteichen gelagert, während sie an einigen Mineralstandorten in Form von ausgelaugten Halden gelagert werden. Wie bereits angeführt, kann dort AMD auftreten und bei Aufhaldung an der Tagesoberfläche mit Eisensulfid in Kohle- oder Schwefel in Basismetallbergwerken in Oxidationsbedingungen übergehen (10). Mit der Gewinnung von Erz aus dem Boden kommt es zu einer Exposition von Sulfiden gegenüber Wasser und Luftsauerstoff, wodurch wiederum die Oxidationsprozesse von Pyrit (FeS2) im Zusammenhang mit Eisen-, Kohle- und Schwefelablagerungen ein saures Milieu erzeugen können (1).

Insbesondere der sichtbare bis kurzwellige infrarote elektromagnetische Bereich wird häufig zur Überwachung der AMD-Mineralogie in Bergbauumgebungen eingesetzt, da Eisen und auch REE starke und enge Absorptionsmerkmale im sichtbaren bis nahen Infrarot (VNIR) aufweisen. Bergbauhalden, Tagebaurestlöcher und Aufbereitungsrückstände enthalten im Allgemeinen einen hohen Gehalt an gelöstem Eisen und Sulfat, der normalerweise mit dieser Art der metallhaltigen Entwässerung verbunden ist, was qualitative und (semi-)quantitative Informationen über die Zusammensetzung, Eigenschaften und räumliche Verteilung von AMD-Prozessen ermöglicht. Die Eigenschaften von Grubenwässern können hohe Konzentrationen von Metallen und Ionen wie Eisen, Mangan, Aluminium und Sulfat aufweisen. Elemente wie Zink, Kobalt, Blei, Chrom und Kupfer kommen häufig in Spurenkonzentrationen vor (11). Diese Elemente reagieren mit der Umgebung und führen in Verbindung mit anderen reichlich vorhandenen Ionen zur Ausfällung einer breiten Liste von Sekundärmineralien, die nicht ausschließlich in Bergbaurückständen und AMD-Wasser vorkommen, sondern auch in stark salzhaltigen Umgebungen unabhängig von pH-Werten gefunden wurden (12).

Satelliten-Flugzeug Maßstab

Mehrere Studien haben den Nutzen von Fernerkundungsdaten für viele Umweltüberwachungszwecke gezeigt. In Bezug auf AMD haben einige Studien die Machbarkeit nachgewiesen, Feld- und Bildgebungsspektroskopie zum Nachweis metallhaltiger Mineralien als Kontaminierungsproxies in Bergbaugebieten einzusetzen (2, 13). Ein weiterer Versuch, eisenhaltige Mineralien mit Satellitendaten abzubilden, wurde von Swayze et al. (14) durchgeführt, einschließlich Validierungsstudien mit XRD und Feldspektroskopie. Montero u. a. untersuchten die Eigenschaften von Abfallgestein im Zusammenhang mit saurer Entwässerung zum Schutz von Gewässern (15), während Sares u. a. sich auf indirekte pH-Schätzungen eines AMD-Stroms konzentrierten, indem sie eisenhaltige Mineralien identifizierten, die aus dem Bachbett ausgefällt wurden (16).

In jüngster Zeit wurden hyperspek-trale Sensoren bei der Untersuchung von Bergwerksrückständen mit luftgestützten Plattformen eingesetzt (17, 18). Diese Untersuchungen konzentrierten sich auf die für Säurebildung in Aufbereitungsrückständen verantwortlichen Mineralien und die Verteilung der Sekundärminerale, z. B. Jarosit, Ferrihydrit, Goethit/Hämatit, als Indikatoren für den Grad der Umweltbelastung mittels Reflexionsspektroskopie (19). Die schnelle Mineraldiagnose von kurzlebigen dünnen Bodenkrusten, die Metalle mittels hochauflösender Bilder konzentrieren, wurde in einer Spektralbibliothek für AMD Mineralien von Crowley et al. (20) gesammelt. Anhand von Flusssedimenten und Vegetation wurde die VNIR-Spektroskopie von Clevers und Kooistra (21) erforscht.

Jedes Mineral bietet eine einzigartige spektrale Signatur, die es ermöglicht, sie zu unterscheiden. In diesem Sinne zeigt Bild 3 den Reflexionsgrad für vier der wichtigsten charakteristischen sekundären Eisenmineralien im Zusammenhang mit der AMD-Produktion (Goethit, Jarosit, Hämatit und Schwertmannit).

Bild 3. Spektralkurven der hauptsächlich in AMD vorkommenden Sekundäreisenminerale (Hämatit, Goethit, Jarosit und Schwertmannit), welche die jeweiligen starken Absorptionseigenschaften mittels der Spektralbibliothek von Crowley et al. (20) zeigen.

Spektralkurven zeigen die charakteristischen Absorptionsmerkmale jedes Eisenminerals. Zwei Bereiche sind in Bild 3 grau schattiert, um die Formen und Wellenlängenpositionen jedes Minerals im Ladungstransfer (Liganden- zu Metallladungstransfer) und diejenigen, die durch die Kristallfeldeffekte (Übergänge von Elektronen von niedrigeren zu höheren Energiezuständen) ausgelöst werden, zu analysieren (22). Hämatit hat charakteristischerweise eine engere Absorption bei Wellenlängen um 880 nm, während Goethit eine breitere Eigenschaft mit Wellenlängen um 920 nm oder mehr aufweist (22). Dieses Merkmal, das mit der Kristallfeldabsorption um 900 nm verbunden ist, findet sich auch in den Jarosit- und Schwertmannit-Spektralkurven. Die Ladungstransferabsätze um 650 nm, die mit dem Ladungstransfer von change to Fe3+ und change to Fe2+ (23) verbunden sind, erlauben jedoch eine weitere Unterscheidung für Schwertmannit, der bei 650 nm keinen bekannten Wendepunkt und bei 738 nm einen spektralen Höchstpunkt aufweist (20).

Der Höchstpunkt bei 720 nm und ein kleines markantes Absorptionsmerkmal bei 2,264 nm bestätigen die spektrale Identifizierung für Jarosit. Mehrere Mineralien wurden in sogenannten Spektralbibliotheken zu Validierungszwecken durch die USGS-Spektralbibliothek (24) und die Crowley-Bibliothek für AMD-Mineralien (20) gesammelt.

Große Bergbauumgebungen werden schon lange mittels Fernerkundungsbildern überwacht. Davies und Calvin haben den Leviathan-See anhand von Aufbereitungsrückständen (25) und dem spektralen Verhalten von Oberflächengewässern (26) untersucht, während Swayze et al. die Venir-Halde in Kalifornien/USA untersuchten (14). Der Iberische Pyritgürtel (IPB) in Südspanien war auch ein Zielgebiet für viele Fernerkundungs- und Aufbaustudien im Zusammenhang mit der AMD-Chemie (27, 28). Das AMD-Phänomen im Sokolov-Bergbaugebiet in der Tschechischen Republik wurde im Allgemeinen von Murad und Rojík (12) und mittels luftgestützter Hyperspektraldaten von Kopačková und Hladíková (29) zur Bestimmung von Wasseroberflächenparametern im Wasser untersucht.

Unbemannte Flugsysteme (UAS) Maßstab

Der aufkommende Einsatz von unbemannten Flugsystemen (UAS), wie Multikoptern in Verbindung mit leichten Hyperspektralsensoren, ist zu einem Werkzeug geworden, um Daten mit einer höheren räumlichen Auflösung als die meisten Flugzeug- und Satellitengegenstücke zu sammeln. Dies führt zu höherer Genauigkeit (höhere räumliche Auflösung einer Szene, welche die Untersuchung von bis zu wenigen Zentimetern Pixelgröße ermöglicht) (7). Zuletzt setzten Jackisch et al. (30) den Einsatz von UAS-Hyperspektralbildgebung für die hochauflösende, multitemporale Kartierung von AMD-Proxy-Mineralien in der Braunkohlenregion Sokolov/Tschechische Republik um, während Flores et al. (31) sich nicht nur auf die Kartierung der Mineralogie, sondern auch auf hydrogeochemische Eigenschaften konzentrierten, um das Ausmaß der AMD in den Gewässern Odiel und Tintillo im iberischen Pyritgürtel in Südspanien zu bewerten. In dieser Studie wurden mehrere Techniken kombiniert, um hochauflösende Karten zu erstellen (Bild 4).

Bild 4. 2.5D-Oberflächenmodelldarstellung der von AMD betroffenen Gewässer in Südspanien. Basisschichten sind die Kombination aus dem Orthophoto auf dem DSM und der erstellten Re-gressions-pH-Karte für den Flusspfad (nicht maßstabsgetreu gezeichnet). Angepasst von (31).

Ein maschineller Lernansatz unter Verwendung von Regression wurde verwendet, um geochemische Daten von Bewertungspunkten im Feld mit dem hyperspektralen Datensatz zu vereinen. Auch ein photogrammetrisches 2,5-Modell wurde mithilfe der Structure-from-Motion (SfM) Stereophotogrammetrie erstellt, um ein digitales Oberflächenmodell (DSM) zu berechnen.

Labormaßstab

Zusätzlich zum luftgestützten Überwachungsansatz wurden Hyperspektralsensoren in mehreren Laboranwendungen zur mineralogischen Charakterisierung und AMD-Vorhersage eingesetzt. Die sogenannten geoumweltbezogenen Risiken wurden verwendet, um das Potential für die AMD-Bildung auf der Grundlage von Kernprotokollierung, statischen chemischen Tests, bulk- und hyperspektralen mineralogischen Techniken zu bewerten (32). Um AMD-Treiber der Versauerung in der Deponie Schleenhain zu identifizieren, wurden die Bereiche Sichtbar-Nah-Infrarot (VNIR) und Kurzwellen-Infrarot (SWIR) vom TRIM4Post-Mining – einem vom Forschungsfonds für Kohle und Stahl (RFCS) geförderten Horizon 2020-Projekt – zum Nachweis von sekundären Eisenoxiden, -hydroxiden und -sulfaten in Braunkohlenabfallgut untersucht. Zu diesem Zweck wurden zwei Hyperspektralsensoren (FX10 und FX17 vom Hersteller Specim, Spectral Imaging Ltd.) verwendet, um einen Teil des VNIR und SWIR aus den verfügbaren Proben zu erlangen.

Für das hyperspektrale Scannen ist keine Probenvorbereitung erforderlich. Ein Teil jeder Probe wurde auf ein weißes Blatt Papier direkt unter die Kamera gelegt. Der Halter, in dem die Probe lag, bewegt sich in horizontaler Richtung und die Zeilenkamera erfasst das hyperspektrale Bild ähnlich einem Förderband. Erreicht wird dies mit der in Bild 5 dargestellten schienenartigen Konstruktion zusammen mit steuerbarem Motor. Der Objekttisch bewegt sich je nach Position richtungsweisend mit einstellbarer Geschwindigkeit nach rechts oder links.

Bild 5. Versuchsaufbau für das hyperspektrale Scannen der Proben aus Schleenhain und Peres im TRIM4Post-Mining EU-Projekt. Fotos: THGA, TU Bergakademie Freiberg/Institute of Markscheidewesen and Geodesy

Im Allgemeinen sollten alle hyperspektralen Untersuchungen von Auswertungsmaßnahmen begleitet werden, bei denen punktuelle Spektralmessungen an diskreten und strategischen Punkten des untersuchten Gebiets durchgeführt werden müssen, sowie von der Einbeziehung weiterer geochemischer/geophysikalischer Datensätze zur Unterstützung der Spektralmethode. Bild 6 zeigt eine Klassifikationskarte, die über gescannte Proben zur Bewertung des von AMD betroffenen Gebiets in der Braunkohlenregion Sokolov erstellt wurde (30).

Bild 6. Spektralkartierung mithilfe überwachter Klassifikation der Litov-AMD in der Sokolov-Braunkohlenregion. Angepasst von (30).

Genaue Informationen über die Zusammensetzung der Bergwerksabfälle sind von grundlegender Bedeutung, um die Reaktionsschemata zu verstehen, die mit der AMD-Produktion verbunden sind und für die geochemische Modellierung benötigt werden. Primäre Sulfide, die anfällig für AMD sind, müssen entweder identifiziert oder sekundäre Eisen-Nebenprodukte nach Verwitterungseffekten erkannt werden, um Risikobereiche zu lokalisieren und angemessene Minderungs- oder Präventionsroutinen bereitzustellen, bevor der beste Nachbergbauplan ausgewählt wird.

Fazit

Zusammen mit der hohen Nachfrage nach Rohstoffen in postindustriellen Gesellschaften gehen das Abfallaufkommen und alle Aufgaben in Bezug auf dessen effizientes Management und Risikobewertungen einher. Folglich ist eine genaue und konstante Überwachung der Gelände- oder Vegetationsbedeckung von Halden im Nachbergbaumanagement oft aus zwei verschiedenen Gründen erforderlich:

  1. zur Überwachung und Vermeidung nachteiliger Auswirkungen von Gefahren und
  2. um den Erfolg der Wiederherstellung zu bewerten.

Hyperspektrale Daten bieten mehrere Vorteile als Ergänzung zu herkömmlichen Umweltüberwachungsstudien. Die Entwicklung hin zu leichteren und kleineren Sensoren ermöglicht eine einfachere Integration der Hyperspektraltechnologie in verschiedene Phasen der Abfallwirtschaft im Bergbau. Sie könnte zudem während des aktiven Bergbaus verwendet werden, um potentielle Lithologien zu identifizieren, die Mineralien beinhalten, die anfällig für AMD sind, und nachteilige Auswirkungen vorherzusagen, oder in Nachbergbauszenarien, um betroffene Gebiete ins Visier zu nehmen und wiederhergestellte Gebiete kontinuierlich zu überwachen. Die traditionelle Überwachung der Böden und der Wasserqualität basiert hauptsächlich auf der chemischen Analyse von Proben, die routinemäßig im Lauf des Jahres gesammelt werden, und auf den physikalischen Parametern des Grundwassers, die von Instrumenten in der Fließrichtung gemessen werden. Diese Aufgaben können teuer, zeitaufwendig und durch Zugriffsbeschränkungen zu den Gebieten beeinflusst werden. Im Allgemeinen stellt die UAS-Kartierung im Vergleich zur Bodenvermessung eine Verringerung des Zeitaufwands für die Datenerfassung dar. Darüber hinaus ermöglichen sie es, Orte zu erreichen, die möglicherweise schwer zugänglich oder geschützt sind oder persönliche Sicherheitsrisiken für terrestrische Probennahme beinhalten. Unabhängig von der Größenordnung ermöglichen Hyperspektralsensoren Wiederholbarkeit und wiederkehrende Datenerfassung. Daher ist eine multitemporale Analyse machbar und kann eine kontinuierliche Überwachung sensibler Ökosysteme ermöglichen. Obwohl viele Instrumente mit höherer spektraler Auflösung und breiterem Wellenlängenbereich entwickelt wurden, ist diese Ausrüstung zu schwer, zerbrechlich und teuer, um auf UAS montiert zu werden. Bei der Satellitenentwicklung wurden mehrere Anstrengungen unternommen, um ihre räumliche Auflösung zu erhöhen, indem die Bandbreitenerfassungseffizienz verbessert und Daten in Open-Source-Systemen verfügbar gemacht wurden.

References/Quellenverzeichnis

References/Quellenverzeichnis

(1) Lottermoser, B. (2003). Mine Water, In Mine wastes. Berlin, Heidelberg, Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-662-05133-7_3

(2) Ferrier, G. (1999): Application of imaging spectrometer data in identifying environmental pollution caused by mining at Rodaquilar/Spain. Remote Sensing of Environment, 68 (2), pp 125 – 137.
https://doi.org/10.1016/S0034-4257(98)00105-9

(3) Kemper, T.; Sommer, S. (2002): Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy. Environmental Science and Technology, 36 (12), pp 2742 – 2747. https://doi.org/10.1021/es015747j

(4) Christopherson, J. B., Ramaseri Chandra, S. N.; Quanbeck, J. Q. (2019): 2019 Joint Agency Commercial Imagery Evaluation – Land remote sensing satellite compendium: U.S. Geological Survey. U.S. Geological Survey Circular 1455, 191 p

(5) Clark, R. N. (1999): Spectroscopy of Rocks and Minerals and Principles of Spectroscopy. Manual of Remote Sensing. In: Remote Sensing for the Earth Sciences: Manual of Remote Sensing (Vol. 3).

(6) van der Meer, F. D.; van der Werff, H. M. A.; van Ruitenbeek, F. J. A.; Hecker, C. A.; Bakker, W. H.; Noomen, M. F.; van der Meijde, M.; Carranza, E. J. M.; de Smeth, J. B.; Woldai, T. (2012): Multi- and hyperspectral geologic remote sensing: A review. In: International Journal of Applied Earth Observation and Geoinformation, 14 (1), pp 112 – 128. https://doi.org/10.1016/j.jag.2011.08.002

(7) Booysen, R.; Gloaguen, R.; Lorenz, S.; Zimmermann, R.; Nex, P. A. M. (2020): Geological Remote Sensing. In: Reference Module in Earth Systems and Environmental Sciences, 2nd ed., Vol. 64, pp. 267–274. Elsevier. https://doi.org/10.1016/B978-0-12-409548-9.12127-X

(8) Benediktsson, J. A.; Ghamisi, P. (2015): Spectral-Spatial Classification of Hyperspectral Remote Sensing Images. Artech House.

(9) Lorenz, S. (2019): The Need for Accurate Pre-processing and Data Integration for the Application of Hyperspectral Imaging in Mineral Exploration. urn:nbn:de:bsz:105-qucosa2-358808

(10) Dold, B. (2017): Acid rock drainage prediction: A critical review. In: Journal of Geochemical Exploration, Vol. 172, pp. 120 – 132. Elsevier B.V. https://doi.org/10.1016/j.gexplo.2016.09.014

(11) Gitari, W. M.; Petrik, L. F.; Etchebers, O.; Key, D. L.; Okujeni, C. (2008): Utilization of fly ash for treatment of coal mines wastewater: Solubility controls on major inorganic contaminants. In: Fuel, 87(12), pp 2450 – 2462. https://doi.org/10.1016/j.fuel.2008.03.018

(12) Murad, E.; Rojík, P. (2005): Iron mineralogy of mine-drainage precipitates as environmental indicators: review of current concepts and a case study from the Sokolov Basin, Czech Republic. In: Clay Minerals, 40 (4), pp 427 – 440. https://doi.org/10.1180/0009855054040181

(13) Farrand, W. H.; Harsanyi, J. C. (1997): Mapping the distribution of mine tailings in the Coeur d’Alene River Valley, Idaho, through the use of a constrained energy minimization technique. In: Remote Sensing of Environment, 59(1), pp 64–  76. https://doi.org/10.1016/S0034-4257(96)00080-6

(14) Swayze, G. A.; Smith, K. S.; Clark, R. N.; Sutley, S. J.; Pearson, R. M.; Vance, J. S.; Hageman, P. L.; Briggs, P. H.; Meier, A. L.; Singleton, M. J.; Roth, S. (2000): Using imaging spectroscopy to map acidic mine waste. In: Environmental Science and Technology, 34 (1), pp 47 – 54. https://doi.org/10.1021/es990046w

(15) Montero, I. C.; Brimhall, G. H.; Alpers, C. N.; Swayze, G. A. (2005): Characterization of waste rock associated with acid drainage at the Penn Mine, California, by ground-based visible to short-wave
infrared reflectance spectroscopy assisted by digital mapping. In: Chemical Geology, 215 (1 – 4 SPEC. ISS.), pp 453 – 472. https://doi.org/10.1016/j.chemgeo.2004.06.045

(16) Sares, M.; Hauff, P.; Peters, D.; Coulter, D. (2004): Characterizing Sources of Acid Rock Drainage and Resulting Water Quality Impacts Using Hyperspectral Remote Sensing–Examples from the Upper Arkansas. Advanced Integration of Geospatial Technologies in Mining Reclamation, Dec. 7 – 9, 2004, Atlanta, GA, June 2014.

(17) Shang, J.; Morris, B.; Howarth, P.; Lévesque, J.; Staenz, K.; Neville, B. (2009): Mapping mine tailing surface mineralogy using hyperspectral remote sensing. In: Canadian Journal of Remote Sensing, 35 (June), pp 126 – 141. https://doi.org/10.5589/m10-001

(18) Richter, N.; Staenz, K.; Kaufmann, H. (2008): Spectral unmixing of airborne hyperspectral data for baseline mapping of mine tailings areas. In: International Journal of Remote Sensing, 29 (13), pp 3937 – 3956. https://doi.org/10.1080/01431160801891788

(19) Choe, E.; van der Meer, F.; van Ruitenbeek, F.; van der Werff, H.; de Smeth, B.; Kim, K. W. (2008): Mapping of heavy metal pollution in stream sediments using combined geochemistry, field spectroscopy, and hyperspectral remote sensing: A case study of the Rodalquilar mining area, SE Spain. In: Remote Sensing of Environment, 112 (7), pp 3222 –  3233. https://doi.org/10.1016/j.rse.2008.03.017

(20) Crowley, J. K.; Williams, D. E.; Hammarstrom, J. M.; Piatak, N.; Chou, I. M.; Mars, J. C. (2003): Spectral reflectance properties (0.4 – 2.5 µm) of secondary Fe-oxide, Fe-hydroxide, and Fe-sulphate-hydrate minerals associated with sulphide-bearing mine wastes. Geochemistry: Exploration, Environment, Analysis, 3 (3), pp 219 – 228. https://doi.org/10.1144/1467-7873/03-001

(21) Clevers, J. G. P. W.; Kooistra, L. (2012): Using hyperspectral remote sensing data for retrieving canopy chlorophyll and nitrogen content. In: IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 5 (2), pp 574 – 583. https://doi.org/10.1109/JSTARS.2011.2176468

(22) Leybourne, M. I.; Pontual, S.; Peter, J. M. (2008): Integrating Hyper-spectral Mineralogy, Mineral Chemistry , Geochemistry and Geo-logical Data at Different Scales in Iron Ore Mineral Exploration. 3, pp 1  –  10.

(23) Hunt, G. R. (1977): Spectral Signatures of Particulate Minerals in the Visible and Near Infrared. In: Geophysics, 42 (3), pp 501 – 513. https://doi.org/10.1190/1.1440721

(24) Kokaly, R. F.; Clark, R. N.; Swayze, G. A.; Livo, K. E.; Hoefen, T. M.; Pearson, N. C.; Wise, R. A.; Benzel, W. M.; Lowers, H. A.; Driscoll, R. L.; Klein, A. J. (2007): USGS digital spectral library Version 7. U.S. Geological Survey. https://doi.org/10.3133/ds1035

(25) Davies, G. E.; Calvin, W. M. (2017a): Mapping acidic mine waste with seasonal airborne hyperspectral imagery at varying spatial scales. In: Environmental Earth Sciences, 76 (12), pp 1  –  14. https://doi.org/10.1007/s12665-017-6763-x

(26) Davies, G. E.; Calvin, W. M. (2017b): Quantifizierung der Eisenkonzentration von synthetischer und in situ vorkommender saurer Bergbaudränage: Eine neue Technik unter Nutzung tragbarer Feldspektrometer. In: Mine Water and the Environment, 36 (2), S. 299 – 309. https://doi.org/10.1007/s10230-016-0399-z

(27) Riaza, A.; Buzzi, J.; García-Meléndez, E.; Carrère, V.; Sarmiento, A.; Müller, A. (2015): Monitoring acidic water in a polluted river with hyperspectral remote sensing (HyMap). In: Hydrological Sciences Journal, 60 (6), pp 1064 – 1077. https://doi.org/10.1080/02626667.2014.899704

(28) Buzzi, J.; Riaza, A.; García-Meléndez, E.; Carrère, V.; Holzwarth, S. (2016): Monitoring of River Contamination Derived from Acid Mine Drainage Using Airborne Imaging Spectroscopy (HyMap Data, South-West Spain). River Research and Applications, 32 (1), pp 125 – 136. https://doi.org/10.1002/rra.2849

(29) Kopačková, V.; Hladíková, L. (2014): Applying spectral unmixing to determine surface water parameters in a mining environment. Remote Sensing, 6 (11), pp 11204 – 11224. https://doi.org/10.3390/rs61111204

(30) Jackisch, R.; Lorenz, S.; Zimmermann, R.; Möckel, R.; Gloaguen, R. (2018): Drone-borne hyperspectral monitoring of acid mine drainage: An example from the Sokolov lignite district. Remote Sensing, 10 (3). https://doi.org/10.3390/rs10030385

(31) Flores, H.; Lorenz, S.; Jackisch, R.; Tusa, L.; Cecilia Contreras, I.; Zimmermann, R.; Gloaguen, R. (2021): Uas-based hyperspectral environmental monitoring of acid mine drainage affected waters. In: Minerals, 11 (2), pp 1 – 25. https://doi.org/10.3390/min11020182

(32) Parbhakar-Fox, A.; Fox, N.; Jackson, L.; Cornelius, R. (2018): Forecasting geoenvironmental risks: Integrated applications of mineralogical and chemical data. In: Minerals, 8 (12). https://doi.org/10.3390/min8120541

Authors/Autoren: Hernan Flores M. Sc. , Prof. Dr. rer. nat. Tobias Rudolph, Dr.-Ing. Dipl.-Wirt.Ing. Stefan Möllerherm, Forschungszentrum Nachbergbau (FZN), Technische Hochschule Georg Agricola (THGA), Bochum
Online_Abonnement