Результаты дистанционного мониторинга технологического потенциала и экологии открытых горных работ на месторождениях минерального сырья для производства щебня

С помощью дистанционного мониторинга исследовано состояние горных работ в карьерах по добыче минерального сырья, используемого щебеночными заводами на территории России. Выявлены показатели комплексной механизации щебеночных карьеров по наличию работающих горных и транспортных машин. Определены производственная мощность каждого карьера по горной массе и совокупный производственный потенциал щебеночных заводов на территории России, оцениваемый на уровне 285 млн т в год. Приведены экологические показатели нарушенных земель в ходе разработки месторождений минерального сырья для производства щебня.

1. Пономаренко М.Р., Кутепов Ю.И., Шабаров А.Н. Информационно-аналитическое обеспечение мониторинга состояния объектов открытых горных работ на базе технологий веб-картографии. Горный информационно-аналитический бюллетень. 2022. № 8. С. 56—70.

2. Константинова А.М., Балашов И.В., Кашницкий А.В. и др. Унифицированная технология дистанционного мониторинга природных и антропогенных объектов. Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. № 4. С. 41—52.

3. Лупян Е.А., Константинова А.М., Балашов И.В. и др. Разработка системы анализа состояния окружающей среды в зонах расположения крупных промышленных объектов, хвостохранилищ и отвалов. Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 7. С. 243—261.

4. Пашкевич М.А., Петрова Т.А., Рудзиш Э. Оценка потенциальной возможности использования лигнин-шламов для лесохозяйственной рекультивации нарушенных земель. Записки Горного института. 2019. 235. P. 106. https://doi.org/10.31897/pmi.2019.1.106.

5. Zenkov I.V., Le Hung T., Vokin V.N. et al. Space-based Applications of Remote Sensing in Studying Opencast Mining and Ecology at Deposits of Non-ferrous Metal Ore. Ecology and Industry of Russia. 2022. V. 26. I. 1. Р 24—29.

6. Yue Han, Yinghai Ke, Lijuan Zhu et al. Tracking vegetation degradation and recovery in multiple mining areas in Beijing, China, based on time-series Landsat imagery. GIScience & Remote Sensing. 2021. V. 58. I. 8. P. 1477—1496. DOI: 10.1080/15481603.2021.1996319.

7. Bangira T., Alfieri S.M., Menenti M., van Niekerk A. Comparing Thresholding with Machine Learning Classifiers for Mapping Complex Water. Remote Sens. 2019. 11. 1351. doi.org/10.3390/rs11111351.

8. Felipe L. Lobo, Maycira P.F. Costa, Evlyn M.L.M. Novo. Time-series analysis of Landsat-MSS/TM/OLI images over Amazonian waters impacted by gold mining activities. Remote Sensing of Environment. 2015, V. 157, Р. 170-184.

9. Sekandari M., Masoumi I., Beiranvand Pour A. et al. Application of Landsat-8, Sentinel-2, ASTER and WorldView-3 Spectral Imagery for Exploration of Carbonate-Hosted Pb-Zn Deposits in the Central Iranian Terrane (CIT). Remote Sens. 2020. 12(8):1239. doi.org/10.3390/rs12081239.

10. Bolouki S.M., Ramazi H.R., Maghsoudi A. et al. А Remote Sensing-Based Application of Bayesian Networks for Epithermal Gold Potential Mapping in Ahar-Arasbaran Area, NW Iran. Remote Sens. 2020. 12(1):105. doi.org/10.3390/rs12010105.

11. Yao F., Xu X., Yang J., Geng X. A Remote-Sensing-Based Alteration Zonation Model of the Duolong Porphyry Copper Ore District, Tibet. Remote Sens. 2021. 13(24):5073. doi.org/10.3390/rs13245073.

12. https://www.google.com.earth.