摘要：采矿活动的进行会伴随着大量尾矿、废石、矸石山等矿山固体废弃物的产生。矿山固废露天堆放不仅浪费矿产和土地资源、污染生态环境，同时有潜在坍塌和滑坡的风险，因此有必要对矿山固废进行及时监管。其中，尾矿库是具有高势能的人造泥石流危险源，在含水量过高时有溃坝的危险，当含水量过低时容易引发扬尘污染周围环境。铁和二氧化硅（SiO₂）是尾砂的主要成分，其含量决定了尾砂的再利用方式，快速、及时表征尾矿的物理和化学特性，对尾矿的处理、回收利用及风险评估具有重要意义。目前多数固体废弃物识别方式仍以基于高分卫星数据进行目视解译为主，未充分挖掘不同矿区固废的光谱、纹理、几何等特征，实现大范围目标的自动识别。传统的尾砂成分估测方法为湿化学分析，该方法效率低、成本高，难以实现尾矿成分的大面积实时监测。高光谱遥感技术具有方便、快捷、无损等优势，能够较为准确地建立反射率与估测参数间的定量关系，实现大范围连续的尾砂属性监测。本研究以辽宁省尾矿库、废石堆和矸石山三种矿山固废类型为研究对象，利用高分二号（GF-2）卫星影像数据制作矿山固废数据集，基于Mask R-CNN深度学习框架，针对尾矿光谱、纹理、几何特征，构建遥感自动识别模型。进一步采集鞍山-本溪铁矿群高硅型铁尾矿表面的尾砂样品，测试其水分、总铁（TFe）和SiO₂含量。使用SVC HR-1024光谱仪获取尾砂样品的可见光-近红外光谱以揭示尾砂光谱特征及机理，并利用高分五号（GF-5）影像绘制尾矿成分（含水量、TFe和SiO₂）空间分布图。引入竞争自适应加权算法（CARS）筛选含水量、TFe和SiO₂的敏感波段并构建二维和三维光谱指数，应用随机森林（RF）和Rulefit模型对尾矿成分进行估测及制图。结果表明：1）Mask R-CNN算法中ResNet101主干网络精度损失函数值最低且平均精确度最高，适用于矿山固废识别研究，基于GF-2遥感影像的Mask R-CNN（ResNet101）模型对矿山固废识别精度达81.06%；2）尾砂反射率光谱随含水量的升高而降低，在1455nm和1930nm的O­H吸收带出现特征。随着TFe含量的减少和SiO₂含量的增加，尾砂反射率逐渐增加，在750nm和980nm处出现的吸收特征归因于Fe³⁺的电子跃迁，在2250nm和2350nnm处出现的吸收特征与Al-OH基团振动有关；3）基于CARS方法筛选出18个水分敏感波段、15个TFe含量敏感波段和13个SiO₂含量敏感波段，进一步利用敏感波段构建3个二维光谱指数和5个三维光谱指数，不同指数与尾砂水分、TFe和SiO₂含量的最高相关系数分别为0.74、0.65和0.75；4）基于敏感波段和光谱指数建立的Rulefit算法对水分、TFe和SiO₂含量预测精度最高，验证精度R²分别为0.92、0.90和0.76，RMSE分别为1.89%、1.30%和2.13%，LCCC分别为0.88、0.86和0.84，bias分别为-0.35、-0.43和-0.32，并基于GF-5影像和Rulefit模型绘制了水分、TFe和SiO₂含量的空间分布图。研究表明GF-5高光谱卫星影像能够实现尾砂成分的监测和分布图绘制，为尾矿成分大面积实时快速监测提供参考。
 

矿山固体废弃物；Mask R-CNN；光谱指数；高光谱卫星