Цифровая платформа в решении задач экологии нарушенных земель для горнодобывающих предприятий с открытыми горными работами на основе ресурсов дистанционного зондирования и искусственного интеллекта

Представлено обоснование создания центра дистанционного зондирования Земли из космоса с целью мониторинга экологического состояния предприятий по добыче твердых полезных ископаемых в федеральном масштабе. Показано использование элементов искусственного интеллекта в поиске экологически приемлемых геометрических параметров породных отвалов. Раскрыта конструкция алгоритма по обоснованию технологий формирования и рекультивации породных отвалов с учетом природно-климатических характеристик территорий, на которых производится разработка месторождений полезных ископаемых. Детализировано взаимодействие информационных потоков с субъектами в экологии горной промышленности.

1. Горный В.И., Бровкина О.В., Киселев А.В., Тронин А.А. Тенденции развития дистанционных методов при решении задач геологии и экологической безопасности. Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 2. С. 9—38.

2. Скороходов А.В., Курьянович К.В. Использование данных CloudSat CPR для повышения эффективности нейросетевого подхода к восстановлению высоты нижней границы облаков на спутниковых снимках Aqua MODIS. Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 5. С. 63—75.

3. Коротаева А.Э., Пашкевич М.А. Применение данных спектральной съемки для экологического мониторинга водной растительности. Горный информационно-аналитический бюллетень. 2021. № 5—2. С. 231—244.

4. Singh P., Pani A., Mujumdar A.S., Shirkole Sh.S. New strategies on the application of artificial intelligence in the field of phytoremediation. International Journal of Phytoremediation. 2023. Vol. 25. Iss. 4. P. 505—523.

5. Gautam K., Sharma P., Dwivedi Sh. et al. A review on control and abatement of soil pollution by heavy metals: Emphasis on artificial intelligence in recovery of contaminated soil. Environmental Research. 2023. Vol. 225. 115592.

6. Hadid N.B., Goyet C., Chaar H. et al. Machine Learning Modeling Techniques for Forecasting the Trophic Level in a Restored South Mediterranean Lagoon Using Chlorophyll-a. Wetlands. 2021. Vol. 41. 111.

7. Cai P., Chen G., Yang H. et al. Detecting Individual Plants Infected with Pine Wilt Disease Using Drones and Satellite Imagery: A Case Study in Xianning, China. Remote Sensing. 2023. Vol. 15(10). 2671. https://doi.org/10.3390/rs15102671.

8. Li J., Liu H., Du J. et al. Detection of Smoke from Straw Burning Using Sentinel-2 Satellite Data and an Improved YOLOv5s Algorithm. Remote Sensing. 2023. Vol. 15(10). 2641. https://doi.org/10.3390/rs15102641.

9. Chen T., Tang G., Yuan Y. et al. Disentangling the Key Drivers of Ecosystem Water-Use Efficiency in China’s Subtropical Forests Using an Improved Remote-Sensing-Driven Analytical Model. Remote Sens. 2023. Vol. 15. 2441. https://doi.org/10.3390/rs15092441.

10. McGovern A., Ebert-Uphoff I., Gagne D., Bostrom A. Why we need to focus on developing ethical, responsible, and trustworthy artificial intelligence approaches for environmental science. Environmental Data Science. 2022. Vol. 1. E6. doi:10.1017/eds.2022.5.

11. Wang W., Wan S., Xiao P., Zhang X. A Novel Multi- Training Method for Time-Series Urban Green Cover Recognition From Multitemporal Remote Sensing Images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2022. Vol. 15. P. 9531—9544. doi: 10.1109/JSTARS.2022.3218919.

12. Du B., Mao D., Wang Z. et al. Mapping Wetland Plant Communities Using Unmanned Aerial Vehicle Hyperspectral Imagery by Comparing Object/Pixel-Based Classifications Combining Multiple Machine-Learning Algorithms. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2021. Vol. 14. P. 8249—8258. doi: 10.1109/JSTARS.2021.3100923.