Traducido del inglés al español - www.onlinedoctranslator.

com

X. Sun et al. Revista internacional de observación terrestre aplicada y geoinformación 111 (2022) 102814

tabla 1
Área de vegetación afectada aledaña a las actividades mineras. (Área: kilómetros2).

Modelo MANOS SG AG DL Significar

Área Porcentaje Área Porcentaje Área Porcentaje Área Porcentaje Área Porcentaje

LNMA 43.49 55,29% 46.81 59,50% 49.06 62,36% 46.55 59,17% 46.48 59,08%
imma 22.07 63,59% 22.13 63,74% 22.40 64,53% 21.90 63,08% 22.12 63,74%
SCMA 59.13 69,13% 59.38 69,43% 58.54 68,44% 59.30 69,33% 59.09 69,08%

zona intensiva 58.38 46,82% 60.19 46,91% 59.22 45,56% 59.39 46,49% 59.30 46,44%
área dispersa 30.21 24,23% 31.84 24,81% 32.66 25,12% 32.18 25,19% 31.72 24,84%
Gran mina única 36.10 28,95% 36.28 28,28% 38.11 29,32% 36.18 28,32% 36.67 28,72%

Figura 9.Distribución espacial de la vegetación afectada alrededor de las actividades mineras. a) zona de extracción de hierro de Liaoning Nanfen; b) Zona minera de hierro de Sanheming en Mongolia Interior; (c) Zona
minera de hierro de Sichuan Hongge.

afectó los cambios fenológicos alrededor de las áreas mineras.
Además,Figura 7muestra que las actividades mineras de LNMA e IMMA
tuvieron un mayor impacto en SOS que en EOS, lo que indicó que los efectos
de los factores ambientales en la fenología variaron según el sitio y que SOS
fue generalmente más sensible a los factores ambientales (Blanco et al.,
2002; Wang et al., 2019).
5.2. Factores que controlan el impacto de las actividades mineras en la fenología de la
vegetación
Estudios anteriores han demostrado que la minería y su escala son los
principales factores que afectan el entorno circundante (Johnson y Hallberg, 2005;
Sol et al., 2020); es decir, cuanto mayor sea la escala minera, mayor será el
impacto sobre el medio ambiente. Los resultados de nuestro estudio revelaron
que el área de actividad minera de cada área minera fue en el siguiente orden:
LNMA (40.55 km2)>SCMA (20,45 kilómetros)2)>IMMA (11.98 km2), pero su distancia
de influencia sobre la vegetación circundante fue IMMA (1959,76 m)>SCMA
(1809,61 m)>LNMA (1566,95 m). Esto mostró que otros factores también
controlaban el impacto de las actividades mineras en la fenología de la vegetación
circundante además de la escala minera. Como la fenología variaba mucho en
amplios gradientes geográficos y estaba controlada por muchos factores
ambientales (Richardson et al., 2013), este estudio adoptó el método de contraste
para analizar la diferencia en la distancia de influencia y el grado de las actividades
mineras en la vegetación circundante
de dos aspectos del clima y la topografía.
Para LNMA y SCMA con la misma topografía, aunque la escala de minería de
LNMA fue mucho mayor que la de SCMA, la distancia de influencia de LNMA sobre
la vegetación circundante fue 150,15 m menor que la de SCMA. El grado de
impacto de LNMA en la fenología circundante también fue menor que SCMA; es
decir, la media de△llamada de socorroLNMAfue de 1,1 días, que fue menos de 1,5
días de△llamada de socorroSCMA; la media de△LOSLNMAfue 1.0 día, que fue menos
de 5.1 días de△LOSSCMA. Además, la proporción del área de vegetación afectada
dentro de la distancia de influencia de SCMA fue un 10% mayor que la de LNMA. Al
comparar la evaporación y la precipitación en las dos regiones (Figura 11), se
encontró que la sequía del SCMA fue mucho mayor que la del LNMA. Por lo tanto,
la sequía puede ser uno de los principales factores que controlan la distancia y el
grado de influencia de las actividades mineras sobre la fenología de la vegetación
circundante. Esto se debe a que la fenología de la vegetación es más sensible a la
sequía (Luo et al., 2021). El agotamiento de los niveles de agua subterránea
causado por las actividades mineras agravó los problemas de recursos hídricos en
áreas áridas, afectando el crecimiento, distribución y sucesión de la vegetación
circundante (Mi et al., 2021). Se han encontrado efectos similares del agotamiento
del agua subterránea en la vegetación en áreas mineras en otras regiones del
mundo, por ejemplo, la deshidratación inducida por la minería agota el
almacenamiento de agua subterránea alrededor de los sitios mineros, luego
provoca una caída en las condiciones medias de la vegetación en Europa y África
en un 25 %. y 1%, respectivamente (Shen et al., 2021). Se informaron conclusiones
similares en

9
X. Sun et al. Revista internacional de observación terrestre aplicada y geoinformación 111 (2022) 102814

Figura 10.(a) El grado de impacto de los problemas ambientales sobre la fenología de la vegetación en las diferentes regiones; b d) los principales factores y fotografías del lugar del impacto de las
actividades mineras en la vegetación.

Figura 11.Precipitación, temperatura y eva
nevada porAlbano et al. (2020), donde almo minería
provenía de las aguas subterráneas y luego le vigor
alrededor de la zona minera. Además, LNMA mitigó el vegetación, el clima húmedo en el
impacto de las actividades de aguas subterráneas en laagotamiento causado por la minería
fenología de la vegetación a un cert
poración en la zona de estudio.
st todas las extracciones de agua
para d a una disminución de la
ainmi xtent (Rishmawi et al.,
2016). En conclusión, los cambios en el nivel del agua subterránea inducidos por la minería en
áreas áridas tienen mayores impactos latentes y a largo plazo sobre la vegetación que aquellos
en áreas húmedas.
Tanto para IMMA como para SCMA en áreas áridas, la distancia de
influencia de IMMA sobre la vegetación circundante fue 243,02 m mayor que
la de SCMA, y el grado de impacto de IMMA fue mayor que el de SCMA,
aunque la escala de minería de IMMA fue mucho menor que la de SCMA.
SCMA. En concreto, la media de△llamada de socorroimmafue de 6,1 días, que
fue mayor que 1,5 días de△llamada de socorroSCMA; la media de△LOSimma
fue de 5,4 días, superior a los 5,1 días de△LOSSCMA. Al comparar la
topografía de las dos regiones, se encontró que la amplitud de relieve
promedio de SCMA (62 m) era mucho mayor que la de IMMA (8 m). Por lo
tanto, la topografía también puede ser un factor que controla la distancia de
influencia y el grado de las actividades mineras sobre la fenología de la
vegetación circundante, y esta hipótesis puede ser confirmada mutuamente
por la correspondencia entre la dirección del viento y la fenología (Figura 12
). Dominado por los vientos del noroeste y suroeste (163 días), el IMMA tuvo
casi 30 días de LOS más cortos en las regiones noreste y sureste que en
otras direcciones (Figura 12b). Para la SCMA, prevaleció el viento del sur (199
días), pero la LOS del norte fue unos 15 días más corta que la del suroeste (
Figura 12C). Hay dos razones principales para la relación inconsistente entre
la dirección del viento y la fenología en estas dos regiones áridas. Una es
que el terreno de la SCMA es bajo en el sur (1.335 m) y alto en el norte (1.750
m), y el terreno de gran altitud en el norte dificulta la

10
X. Sun et al.
Figura 12.Correspondencia entre la dirección del viento y la fenología de la vegetación. a) zona de extracción de hierro de Liaoning Nanfen; b) Zona minera de hierro de Sanheming en Mongolia Interior; (c) Zona minera de
hierro de Sichuan Hongge.
esparcimiento de polvo. La otra es que la distribución de las actividades mineras
se ve afectada por la topografía (Chen et al., 2012; Adhikari et al., 2022). En la
SCMA, los rebajes en la ladera occidental de la montaña representan alrededor del
82%, y las actividades mineras (por ejemplo, transporte de minerales, industria de
concentración y vertedero) distribuidas a lo largo de la dirección suroeste
representan alrededor del 71%. De manera similar, la LOS en la dirección noreste
del LNMA que dominaba por el viento del suroeste, fue ligeramente menor que en
el suroeste (Figura 12a).
Nuestro estudio mostró que la distancia y el grado de impacto de las actividades
mineras en la fenología estaban estrechamente relacionados con la sequía y la
topografía. Esta conclusión está respaldada por los resultados de la investigación
existente. Como se muestra en los estudios de ganancia de carbono del ecosistema, bajo
condiciones de sequía severa en áreas dominadas por hierbas y arbustos, se retrasa el
reverdecimiento de la vegetación, se acelera la senescencia de los arbustos y las
diferencias fenológicas entre hierbas y arbustos conducirán a una reducción en la
ganancia potencial de carbono del ecosistema (Esch et al., 2019). Estudios recientes
también han demostrado que la sequía inducida por el calentamiento (o la minería)
podría limitar la captura de carbono al reducir la tasa de producción de células, y una LOS
más larga no beneficiará el crecimiento de la vegetación ubicada en áreas de sequía (Gao
et al., 2022). Además, los estudios de dispersión de la contaminación han demostrado
que la topografía afecta principalmente la formación y dispersión de contaminantes a
través de patrones locales de humedad, flujo de aire y temperatura, y capas límite,
especialmente en áreas con topografía compleja como montañas, valles y cuencas (Wang
et al., 2019). Los tipos comunes de contaminación, como la contaminación del suelo, la
contaminación del agua y la contaminación del aire, están influenciados por la topografía
(Haldane & Kneese, 2019). Numerosos estudios han demostrado que el calentamiento
global ha alterado mucho la fenología de la vegetación (Keenan et al., 2014). Sin
embargo, una comparación de las tres áreas mineras mostró que la temperatura podría
no ser un factor que controle la influencia de la distancia y el grado de las actividades
mineras en la fenología de la vegetación circundante. Por un lado, no hubo un cambio
evidente en la temperatura alrededor del área de extracción durante el proceso de
extracción. Por otro lado, se utilizó como fenología de referencia la media del índice
fenológico fuera de la zona de amortiguamiento y se comparó la diferencia entre las
métricas fenológicas en la zona de amortiguamiento y la fenología de referencia, lo que
eliminó el impacto del cambio climático.
6. Conclusión
En nuestro estudio, se propuso un método para cuantificar el impacto de
las actividades mineras en veget ai basado en la serie temporal Sentinel-2mi
sa y el principio de Pareto, y se aplicó a LNMA, IMMA y SCMA en China. Las
distancias de influencia de las actividades mineras sobre la vegetación
fueron 1566,95 m, 1959,67 m y 1809,61 m para el LNMA, el IMMA y el SCMA
respectivamente. En términos del nivel de influencia, SOS se retrasó 1.1±0,4
días, 6,1±1,9 días y 1,5±0,7 díasi n el LNMA, el IMMA y el SCMA,
respectivamente, mientras que LOS se acortó
11
Revista internacional de observación terrestre aplicada y geoinformación 111 (2022) 102814
por 1.0±0,6 días, 5,4±2,5 días y 5,1±3,9 días en el LNMA, el IMMA y el SCMA,
respectivamente. La SCMA tuvo la mayor proporción 69.08% del área afectada
(59.09 km2) de vegetación al área total de vegetación dentro de la distancia de
influencia, seguido por el IMMA con una proporción de 63.74% (22.12 km2) y el
LNMA con una proporción del 59,08% (46,48 km2). Las áreas intensivas y los
grandes rebajes individuales fueron las principales áreas de actividad minera que
afectaron la vegetación, y las áreas de vegetación afectada alrededor de estas
áreas fueron 59.30 km2y 36,67 kilometros2, respectivamente. El área de
vegetación afectada en el área dispersa fue de 31.72 km2, representando sólo el
24,84% del área total de vegetación afectada. El impacto de las actividades
mineras sobre la vegetación no solo estuvo relacionado con la escala de la
minería, sino que también estuvo estrechamente relacionado con el grado de
sequía y la topografía del área minera. Cuanto más árida es la zona, más frágil es
el entorno ecológico y mayor es el impacto de las actividades mineras sobre la
vegetación. La topografía controló la distribución de las actividades mineras y la
consiguiente contaminación ambiental del área minera. Además, la contaminación
por polvo, la caída del nivel de las aguas subterráneas y la contaminación del agua
fueron los principales factores que afectaron directamente los cambios
fenológicos alrededor de las áreas mineras.
Estos resultados sugieren que además de las áreas de actividad minera, las
áreas circundantes también deben ser consideradas en el monitoreo ambiental,
manejo y restauración de la mina. Estos hallazgos pueden proporcionar soporte
de datos y ayuda a los departamentos relacionados para llevar a cabo la gestión
de la mina de una manera más específica y optimizar el plan de restauración del
entorno de la mina. Dada la disponibilidad limitada de imágenes de Sentinel-2,
solo se seleccionaron tres áreas de extracción de hierro representativas para el
análisis en este estudio. Estudios futuros pueden adoptar el método desarrollado
en este estudio para investigar más áreas mineras para verificar la utilidad del
método.
Declaración de interés en competencia
Los autores declaran que no tienen intereses financieros en competencia ni
relaciones personales conocidas que pudieran haber influido en el trabajo
informado en este documento.
Expresiones de gratitud
Este estudio fue apoyado y financiado por la Fundación Nacional de Ciencias
Naturales de China (Subvención No. 42074021; Subvención No. 42001310), el
Departamento de Ciencia y Tecnología de la Provincia de Sichuan (Subvención No.
2020YFS0530; Subvención No. 2020JDTD0003), la Ciencia y Oficina de Tecnología
de la Ciudad de Nanchong (Núm. de Subvención 21YFZJ0034) y el Consejo de
Becas de China (Núm. de CSC 202007000081).
X. Sun et al. Revista internacional de observación terrestre aplicada y geoinformación 111 (2022) 102814

Referencias Gao, X., Gray, JM, Reich, BJ, 2021. Terreno anual de resolución espacial media a largo plazo
fenología superficial con un modelo jerárquico bayesiano. Sensores Remotos Entorno. 261,
112484.https://doi.org/10.1016/j.rse.2021.112484.
Adhikari, S., Marcelo-Silva, J., Rajakaruna, N., Siebert, SJ, 2022. Influencia del uso de la tierra
Haldane, JBS., Kneese, AV. (2015). Calidad del medio ambiente: un enfoque económico para
y topografía sobre la distribución y bioacumulación de metales potencialmente tóxicos en el
algunos problemas en el uso de la tierra, el agua y el aire. Londres, Reino Unido: Routledge. https://doi.org/
suelo y las hojas de las plantas: un estudio de caso de Sekhukhuneland, Sudáfrica. ciencia
10.4324/9781315676937.
Entorno Total. 806, 150659.https://doi.org/10.1016/j.scitotenv.2021.150659. Adole, T., Dash,
He, F., Gu, L., Wang, T., Zhang, Z., 2017. El medioambiente geoecológico sintético
J., Atkinson, PM, 2018. Caracterización de la fenología de la superficie terrestre de
evaluación de una ciudad minera de carbón costera utilizando big data espaciotemporal: un estudio
África utilizando 500 m MODIS EVI. aplicación Geogr. 90, 187–199.https://doi.org/10.1016/
de caso en Longkou, China. J. Limpiador Prod. 142, 854–866.https://doi.org/10.1016/j.
j.apgeog.2017.12.006.
jclepro.2016.07.011.
Albano, CM, McGwire, KC, Hausner, MB, McEvoy, DJ, Morton, CG, Huntington, J.
Hird, JN, McDermid, GJ, 2009. Reducción de ruido de la serie temporal de NDVI: un análisis empírico
L., 2020. Sensibilidad a la sequía y tendencias del vigor de la vegetación ribereña en Nevada,
comparación de técnicas seleccionadas. Sensores Remotos Entorno. 113 (1), 248–258.
EE. UU. (1985–2018). Detección remota 12 (9), 1362.https://doi.org/10.3390/rs12091362.
https://doi.org/10.1016/j.rse.2008.09.003.
Atkinson, PM, Jeganathan, C., Dash, J., Atzberger, C., 2012. Intercomparación de cuatro
Hmimina, G., Dufrêne, E., Pontailler, J.-Y., Delpierre, N., Aubinet, M., Caquet, B., de
modelos para suavizar datos de series temporales de sensores satelitales para estimar la
Grandcourt, A., Burban, B., Flechard, C., Granier, A., Gross, P., Heinesch, B., Longdoz, B.,
fenología de la vegetación. Sensores Remotos Entorno. 123, 400–417.https://doi.org/10.1016/
Moureaux, C., Ourcival, J.-M., Rambal, S., Saint André, L., Soudani, K., 2013. Evaluación del
j. rse.2012.04.001.
potencial de los datos satelitales MODIS para predecir la fenología de la vegetación en
Baetens, L., Desjardins, C., Hagolle, O., 2019. Validación de la nube Copernicus Sentinel-2
diferentes biomas: una investigación utilizando mediciones NDVI basadas en tierra.
máscaras obtenidas de los procesadores MAJA, Sen2Cor y FMask utilizando máscaras de nube de
Sensores Remotos Entorno. 132, 145–158.https://doi.org/10.1016/j. rse.2013.01.010.
referencia generadas con un procedimiento de aprendizaje activo supervisado. Teledetección 11 (4),
433.https://doi.org/10.3390/rs11040433.
Ivits, E., Cherlet, M., Tóth, G., Sommer, S., Mehl, W., Vogt, J., Micale, F., 2012.
Barbeta, A., Peñuelas, J., 2017. Aporte relativo del agua subterránea a la planta
Combinación de fenología obtenida por satélite con datos climáticos para la evaluación del impacto
transpiración estimada con isótopos estables. ciencia Rep. 7 (1), 1–10.https://doi.org/
del cambio climático. Planeta Global. Cambio 88, 85–97.https://doi.org/10.1016/j.
10.1038/s41598-017-09643-x.
gloplacha.2012.03.010.
Beck, PS, Atzberger, C., H.øgda, KA, Johansen, B., Skidmore, AK, 2006. Mejorado
Johnson, DB, Hallberg, KB, 2005. Opciones de remediación de drenaje ácido de minas: una revisión.
Monitoreo de la dinámica de la vegetación en latitudes muy altas: un nuevo método usando
ciencia Entorno Total. 338 (1–2), 3–14.https://doi.org/10.1016/j.
MODIS NDVI. Sensores Remotos Entorno. 100 (3), 321–334.https://doi.org/10.1016/j.
scitotenv.2004.09.002.
rse.2005.10.021.
Jönsson, P., Eklundh, L., 2002. Extracción de estacionalidad por ajuste de funciones a series temporales de
Bolton, DK, Gray, JM, Melaas, EK, Moon, M., Eklundh, L., Friedl, MA, 2020.
datos de sensores satelitales. Trans. IEEE. Geosci. Sensores remotos 40 (8), 1824–1832.
Fenología de la superficie terrestre a escala continental a partir de imágenes Landsat 8 y Sentinel-2
https://doi.org/10.1109/TGRS.2002.802519.
armonizadas. Sensores Remotos Entorno. 240, 111685.https://doi.org/10.1016/j. rse.2020.111685.
Jönsson, P., Eklundh, L., 2004. TIMESAT: un programa para analizar series temporales de
datos de sensores satelitales. computar Geosci. 30 (8), 833–845.https://doi.org/10.1016/j.
Buyantuyev, A., Wu, J., 2012. La urbanización diversifica la fenología de la superficie terrestre en zonas áridas
jaula.2004.05.006.
ambientales: interacciones entre la vegetación, la variación climática y el patrón de uso del
Li, X., Zhou, Y., Meng, L., Asrar, GR, Lu, C., Wu, Q., 2019. Un conjunto de datos de 30 m anuales
suelo en la región metropolitana de Phoenix, EE. UU. Plan Urbano del Paisaje. 105 (1–2),
indicadores de fenología de la vegetación (1985–2015) en áreas urbanas de los Estados Unidos
149–159.https://doi.org/10.1016/j.landurbplan.2011.12.013.
continentales. Sistema Tierra ciencia Datos 11 (2), 881–894.https://doi.org/10.5194/essd-11-881-2019.
Castellazzi, P., Longuevergne, L., Martel, R., Rivera, A., Brouard, C., Chaussard, E., 2018.
Mapeo cuantitativo del agotamiento de las aguas subterráneas a escala de gestión del agua
Litvinenko, VS, 2020. La economía digital como factor en el desarrollo tecnológico de
utilizando un enfoque combinado GRACE/InSAR. Sensores Remotos Entorno. 205, 408–418. https://
el sector de los minerales. Nat. recurso Res. 29 (3), 1521–1541.https://doi.org/10.1007/
doi.org/10.1016/j.rse.2017.11.025.
s11053-019-09568-4.
Chaussard, E., Kerosky, S., 2016. Caracterización de las actividades mineras de arena negra y
Luo, M., Meng, F., Sa, C., Duan, Y., Bao, Y., Liu, T., De Maeyer, P., 2021. Respuesta de
sus impactos ambientales en Filipinas utilizando sensores remotos.
fenología de la vegetación a la dinámica de la humedad del suelo en la meseta de Mongolia. CATENA
Teledetección 8 (2), 100.https://doi.org/10.3390/rs8020100.
206, 105505.https://doi.org/10.1016/j.catena.2021.105505.
Chen, J., Jönsson, P., Tamura, M., Gu, Z., Matsushita, B., Eklundh, L., 2004. A simple
Maihemuti, B., Simayi, Z., Alifujiang, Y., Aishan, T., Abliz, A., Aierken, G., 2021.
método para reconstruir un conjunto de datos de series temporales de NDVI de alta calidad
Desarrollo y evaluación del modelo de balance de agua del suelo en un oasis del delta árido
basado en el filtro Savitzky-Golay. Sensores Remotos Entorno. 91 (3–4), 332–344.https://doi.org/
interior: Implicaciones para la gestión sostenible de los recursos de agua subterránea.
10.1016/j.rse.2004.03.014.
Ecología Global. Conservar 25, e01408.https://doi.org/10.1016/j.gecco.2020.e01408. Main-
Chen, Y., Liu, Y., Liu, Y., Lin, A., Kong, X., Liu, D., Li, X., Zhang, Y., Gao, Y., Wang, D.,
Knorn, M., Pflug, B., Louis, J. y Debaecker, V. (2015). Calibración y validación
2012. Mapeo de contaminaciones de Cu y Pb en el suelo utilizando geoquímica, topografía y
plan para el procesador L2A y los productos de la misión Sentinel-2. En Actas del Simposio
sensores remotos combinados: un estudio de caso en la llanura aluvial del río Le'an, China.
Internacional sobre Detección Remota del Medio Ambiente (ISRSE) 2015 (Vol. 40, No. W3,
En t. J. Medio Ambiente. Res. Salud pública 9 (5), 1874–1886.https://doi.org/10.3390/
pp. 1249-1255). Publicaciones de Copérnico. DOI: 10.5194/isprsarchives-XL-7-W3-1249-2015.
ijerph9051874.
Dai, X., Gao, Y., He, X., Liu, T., Jiang, B., Shao, H., Yao, Y., 2021. Espacio-temporal
Maryati, S., Shimada, H., Hamanaka, A., Sasaoka, T., Matsui, K., 2012. Determine
evolución de patrones y análisis de fuerza impulsora de la vulnerabilidad del entorno ecológico en la
uso apropiado de la tierra posterior a la minería en la minería del carbón en Indonesia mediante la
ciudad de Panzhihua. Reinar. ciencia contaminar Res. 28 (6), 7151–7166.https://doi.org/ 10.1007/
evaluación de la idoneidad de la tierra. Revista de ciencias novedosas de recursos de carbono 5, 33–38.
s11356-020-11013-6.
McDonald, P., Mayes, R., Pini, B., 2012. Trabajo minero, familia y comunidad: A
Edwards, DP, Sloan, S., Weng, L., Dirks, P., Sayer, J., Laurance, WF, 2014. Minería y
enfoque orientado espacialmente al impacto del cierre de la mina de níquel Ravensthorpe
el entorno africano. Cartas de conservación 7 (3), 302–311.https://doi.org/
en la remota Australia. Revista de Relaciones Industriales 54 (1), 22–40.https://doi.org/
10.1111/conl.12076.
10.1177/0022185611432382.
Efron, B., 1986. Familias exponenciales dobles y su uso en sistemas lineales generalizados
Melaas, EK, Sulla-Menashe, D., Gray, JM, Black, TA, Morin, TH, Richardson, AD,
regresión. Mermelada. Estadística Asoc. 81 (395), 709–721.
Friedl, MA, 2016. Análisis multisitio de la fenología de la superficie terrestre en los bosques
Esch, EH, Lipson, DA, Cleland, EE, 2019. Invasión y sequía alteran fenológicamente
caducifolios templados y boreales de América del Norte de Landsat. Sensores Remotos Entorno. 186,
sensibilidad y sinérgicamente menor producción del ecosistema. Ecología 100 (10),
452–464.https://doi.org/10.1016/j.rse.2016.09.014.
e02802.https://doi.org/10.1002/ecy.2802.
Mi, JX, Liu, R., Zhang, SL, Hou, H., Yang, Y., Chen, F., Zhang, L., 2019. Vegetación
Espada, R., 2018. Período de retorno y análisis de Pareto de 45 años de datos de ciclones tropicales
patrones en un deslizamiento de tierra después de cinco años de restauración natural en el área
(1970-2014) en Filipinas. aplicación Geogr. 97, 228–247.https://doi.org/
minera de Loess Plateau en China. Ecol. Ing. 136, 46–54.https://doi.org/10.1016/j.
10.1016/j.apgeog.2018.04.018.
ecoleng.2019.05.022.
Farmer, AM, 1993. Los efectos del polvo en la vegetación: una revisión. Reinar. contaminar 79 (1),
Mi, J., Yang, Y., Hou, H., Zhang, S., Raval, S., Chen, Z., Hua, Y., 2021. El largo plazo
63–75.https://doi.org/10.1016/0269-7491(93)90179-R.
Efectos de la minería subterránea en el crecimiento de comunidades de árboles, arbustos y hierbas
Firozjaei, MK, Sedighi, A., Firozjaei, HK, Kiavarz, M., Homaee, M., Arsanjani, JJ,
en áreas áridas y semiáridas de China. Degradación de la tierra. desarrollo 32 (3), 1412–1425.https://
Makki, M., Naimi, B., Alavipanah, SK, 2021. Una evaluación del impacto histórico y futuro de las
doi. org/10.1002/ldr.3751.
actividades mineras en el cambio de las características biofísicas de la superficie: un enfoque basado
Misra, G., Cawkwell, F., Wingler, A., 2020. Estado de la investigación fenológica utilizando
en la detección remota. Ecol. Ind. 122, 107264.https://doi.org/10.1016/j. ecolind.2020.107264.
Datos de Sentinel-2: una revisión. Detección remota 12 (17), 2760.https://doi.org/10.3390/
rs12172760.
Forkuor, G., Ullmann, T., Griesbeck, M., 2020. Mapeo y monitoreo a pequeña escala
Norris, JR, Walker, JJ, 2020. Geometría solar y del sensor, no respuesta de la vegetación,
actividades mineras en Ghana utilizando la serie temporal centinela-1 (2015-2019).
impulsar la fenología del satélite NDVI en ecosistemas generalizados del oeste de los Estados
Teledetección 12 (6), 911.https://doi.org/10.3390/rs12060911.
Unidos. Sensores Remotos Entorno. 249, 112013.https://doi.org/10.1016/j. rse.2020.112013.
Gallwey, J., Robiati, C., Coggan, J., Vogt, D., Eyre, M., 2020. Un Sentinel-2 basado
Red neuronal convolucional multiespectral para detectar minería artesanal a pequeña escala en
Kameswaran, S., Gunavathi, Y., Krishna, PG, 2019. La contaminación por polvo y su influencia en
Ghana: aplicación del aprendizaje profundo a la minería superficial. Sensores Remotos Entorno. 248,
vegetación-un análisis crítico. Revista de investigación de ciencias de la vida,
111970.https://doi.org/10.1016/j.rse.2020.111970.
bioinformática, ciencias farmacéuticas y químicas 5 (1), 341–363.
Gao, S., Liang, E., Liu, R., Babst, F., Camarero, JJ, Fu, YH, Piao, S., Rossi, S., Shen, M.,
Kandasamy, S., Fernandes, R., 2015. Un enfoque para evaluar el impacto de las brechas y
Wang, T., Peñuelas, J., 2022. Un comienzo más temprano de la temporada de crecimiento térmico mejora el
errores de medición en los algoritmos de fenología de la superficie terrestre satelital: aplicación a
crecimiento de los árboles en áreas frías y húmedas pero no en áreas secas. Nat. Ecol. Evol. 6 (4), 397–404.
datos NOAA AVHRR de 20 años sobre Canadá. Sensores Remotos Entorno. 164, 114–129. https://
https://doi.org/10.1038/s41559-022-01668-4.
doi.org/10.1016/j.rse.2015.04.014.

12
X. Sun et al.
Keenan, TF, Gray, J., Friedl, MA, Toomey, M., Bohrer, G., Hollinger, DY, Munger, J.
W., O'Keefe, J., Schmid, HP, Wing, IS, Yang, B., Richardson, AD, 2014. La absorción neta de carbono ha
aumentado a través de los cambios inducidos por el calentamiento en la fenología de los bosques
templados. Nat. Clima Cambio 4 (7), 598–604.https://doi.org/10.1038/nclimate2253.
Odell, SD, Bebbington, A., Frey, KE, 2018. Minería y cambio climático: una revisión y
marco para el análisis. Las industrias extractivas y la sociedad 5 (1), 201–214.
https://doi.org/10.1016/j.exis.2017.12.004.
Padhee, SK, Dutta, S., 2019. Reconstrucción espacio-temporal de MODIS NDVI por regional
fenología de la superficie terrestre y análisis armónico de series temporales. GIScience &
Remote Sensing 56 (8), 1261–1288.https://doi.org/10.1080/15481603.2019.1646977. Pajak,
m, błońska, E., Szostak, M., Gasiorek, M., Pietrzykowski, M., Urban, O., Derbis, P.,
2018. Restauración de la vegetación en relación con las propiedades del suelo de un escombro muy
contaminado con metales pesados. Contaminación del suelo del aire del agua. 229 (12), 1–15.https://
doi. org/10.1007/s11270-018-4040-6.
Parmesan, C., Yohe, G., 2003. Una huella globalmente coherente de los impactos del cambio climático
a través de los sistemas naturales. Naturaleza 421 (6918), 37–42.https://doi.org/10.1038/
naturaleza01286.
Press, W., Teukolsky, A., Vetterling, W., Flannery, B., 1992. Recetas numéricas en C,
Segunda edicion. Prensa de la Universidad de Cambridge, Nueva York.
Qiu, S., Zhu, Z., He, B., 2019. Fmask 4.0: Detección mejorada de nubes y sombras de nubes en
Imágenes Landsats 4–8 y Sentinel-2. Sensores Remotos Entorno. 231, 111205.https://
doi.org/10.1016/j.rse.2019.05.024.
Richardson, AD, Keenan, TF, Migliavacca, M., Ryu, Y., Sonnentag, O., Toomey, M.,
2013. Cambio climático, fenología y control fenológico de las retroalimentaciones de la
vegetación al sistema climático. agricola Para. Meteorol. 169, 156–173.https://doi.org/
10.1016/j.agrformet.2012.09.012.
Rishmawi, K., Prince, SD, Xue, Y., 2016. Respuestas de la vegetación a la variabilidad climática en
las zonas áridas a subhúmedas del norte del África subsahariana. Teledetección 8 (11), 910.
https://doi.org/10.3390/rs8110910.
Rohith, G. y Kumar, LS (2020, julio). Clasificación de firmas de teledetección de
detección agrícola utilizando modelos de red de convolución profunda. En Conferencia internacional
sobre aprendizaje automático, procesamiento de imágenes, seguridad de redes y ciencias de datos
(págs. 343-355). Springer, Singapur. https://doi.org/10.1007/978-981-15-6315-7_28.
Rudke, AP, Sikora de Souza, VA, Santos, AMD, Freitas Xavier, AC, Rotunno
Filho, OC, Martins, JA, 2020. Impacto de las actividades mineras en áreas de protección
ambiental en el suroeste de la Amazonía: una evaluación basada en SIG y sensores remotos.
J. Medio Ambiente. Administrar. 263, 110392.https://doi.org/10.1016/j.
jenvman.2020.110392.
Shao, H., Sun, X., Lin, Y., Xian, W., Zhou, Y., Yuan, L., Qi, J., 2021. A method for spatio-
evaluación del proceso temporal de la seguridad ambiental ecogeológica en áreas
mineras utilizando la teoría de catástrofes y el modelo de proyección de persecución.
Progreso en Geografía Física: Tierra y Medio Ambiente 45 (5), 647–668.https://doi.org/
10.1177/ 0309133320982542.
Shen, Z., Zhang, Q., Piao, S., Peñuelas, J., Stenseth, NC, Chen, D., Xu, C.-Y., Singh, VP,
Liu, T., 2021. La minería puede exacerbar la degradación global de las tierras secas. Geofísico. Res.
Letón. 48 (21)https://doi.org/10.1029/2021GL094490.
Sola, I., García-Martín, A., Sandonís-Pozo, L., Álvarez-Mozos, J., Pérez-Cabello, F.,
González-Audícana, M., Llovería, RM, 2018. Evaluación de métodos de corrección
atmosférica para imágenes Sentinel-2 en paisajes mediterráneos. En t. Aplicación J.
Observación de la Tierra Geoinf. 73, 63–76.https://doi.org/10.1016/j.jag.2018.05.020.
Sonderegger, T., Berger, M., Alvarenga, R., Bach, V., Cimprich, A., Dewulf, Jo,
Frischknecht, R., Guinée, J., Helbig, C., Huppertz, T., Jolliet, O., Motoshita, M., Northey, S.,
Rugani, B., Schrijvers, D., Schulze, R., Sonnemann, G., Valero, A., Weidema, BP, Young, SB,
2020. Recursos minerales en la evaluación del impacto del ciclo de vida: parte I: una revisión
crítica de los métodos existentes. The International Journal of Life Cycle Assessment 25 (4),
784–797.https://doi.org/10.1007/s11367-020-01736-6.
Sun, X., Shao, H., Xiang, X., Yuan, L., Zhou, Y., Xian, W., 2020. Un método de acoplamiento para
evaluación ecogeológica de seguridad ambiental en áreas mineras usando PCA y
13
Revista internacional de observación terrestre aplicada y geoinformación 111 (2022) 102814
teoría de la catástrofe. Nat. recurso Res. 29 (6), 4133–4148.https://doi.org/10.1007/
s11053-020-09682-8.
Sun, X., Zhou, Y., Yuan, L., Li, X., Shao, H., Lu, X., 2021. Toma de decisiones integrada
modelo para la evaluación del potencial de aguas subterráneas en áreas mineras utilizando el
modelo de catástrofe cúspide y análisis de componentes principales. J. Hidrol.: Reg. Semental.
37, 100891.https://doi.org/10.1016/j.ejrh.2021.100891.
Tao, ZG, Meng, XZ, Ma, CR, Zhu, C., He, MC, Wang, CJ, Zhang, HJ, 2017.
Análisis del mecanismo de deslizamiento de tierra en forma de cuña y advertencia de monitoreo de fuerza de
deslizamiento en la mina de hierro a cielo abierto de Nanfen. J. China Coal Soc 42, 3149–3158. Thanh Noi, P.,
Kappas, M., 2018. Comparación de bosque aleatorio, k-vecino más cercano y
Admite clasificadores de máquinas vectoriales para la clasificación de la cobertura terrestre mediante
imágenes de Sentinel-2. Sensores 18 (1), 18.https://doi.org/10.3390/s18010018.
Tost, M., Hitch, M., Chandurkar, V., Moser, P., Feiel, S., 2018. El estado del medio ambiente
Consideraciones de sostenibilidad en la minería. J. Limpiador Prod. 182, 969–977.https://doi.
org/10.1016/j.jclepro.2018.02.051.
Verbesselt, J., Hyndman, R., Newnham, G., Culvenor, D., 2010. Detección de tendencias y
Cambios estacionales en series temporales de imágenes satelitales. Sensores Remotos Entorno.
114 (1), 106–115.https://doi.org/10.1016/j.rse.2009.08.014.
Wang, XC, Klemeš, JJ, Dong, X., Fan, W., Xu, Z., Wang, Y., Varbanov, PS, 2019a. Aire
nexo entre contaminación y terreno: una revisión considerando la generación y el consumo de
energía. Renovar. Sostener. Energía Rev. 105, 71–85.https://doi.org/10.1016/j. ser.2019.01.049.
Wang, X., Xiao, J., Li, X., Cheng, G., Ma, M., Zhu, G., Altaf Arain, M., Andrew Black, T.,
Jassal, RS, 2019b. No hay tendencias en la fenología de primavera y otoño durante la pausa
del calentamiento global. Nat. común 10 (1)https://doi.org/10.1038/s41467-019-10235- 8.
Watkinson, AD, Virgl, J., Miller, VS, Naeth, MA, Kim, J., Serben, K., Shapka, C.,
Sinclair, S., 2021. Efectos de la deposición de polvo de la minería de diamantes en las comunidades
de plantas subárticas y el forraje de caribú de suelo estéril. Efectos de la deposición de polvo de la
minería de diamantes en las comunidades de plantas subárticas y el forraje de caribú de suelo estéril.
50 (4), 990–1003.https://doi.org/10.1002/jeq2.20251.
White, MA, Nemani, RR, Thornton, PE, Running, SW, 2002. Evidencia satelital de
diferencias fenológicas entre áreas urbanizadas y rurales del bosque caducifolio latifoliado
del este de los Estados Unidos. Ecosistemas 5 (3), 260–273.https://doi.org/ 10.1007/
s10021-001-0070-8.
Wu, Z., Lei, S., Lu, Q., Bian, Z., Ge, S., 2020. Distribución espacial del impacto de la superficie
minería en la salud ecológica del paisaje de pastizales semiáridos. Ecol. Ind. 111,
105996.https://doi.org/10.1016/j.ecolind.2019.105996.
Xin, Q., Li, J., Li, Z., Li, Y., Zhou, X., 2020. Evaluaciones y comparaciones de modelos basados en reglas
y métodos basados en aprendizaje automático para recuperar la fenología de la vegetación
basada en satélites utilizando datos de MODIS y la Red Nacional de Fenología de EE. UU. En t.
Aplicación J. Observación de la Tierra Geoinf. 93, 102189.https://doi.org/10.1016/j.jag.2020.102189.
Yu, Le, Xu, Y., Xue, Y., Li, X., Cheng, Y., Liu, X., Porwal, A., Holden, E.-J., Yang, J.,
Gong, P., 2018. Monitoreo de cinturones de minería de superficie utilizando múltiples conjuntos de datos
de detección remota: una perspectiva global. Mineral Geol. Rev. 101, 675–687.https://doi.org/ 10.1016/
j.oregeorev.2018.08.019.
Zhang, J., Zhao, J., Wang, Y., Zhang, H., Zhang, Z., Guo, X., 2020. Comparación de terrenos
fenología de la superficie en el hemisferio norte basada en conjuntos de datos AVHRR
GIMMS3g y MODIS. ISPRS J. Photogramm. Sensores remotos 169, 1–16.https://doi.org/
10.1016/j.isprsjprs.2020.08.020.
Zhang, X., Goldberg, MD, 2011. Monitoreo de la dinámica de coloración del follaje de otoño usando el tiempo-
Serie de datos satelitales. Sensores Remotos Entorno. 115 (2), 382–391.https://doi.org/
10.1016/j.rse.2010.09.009.
Zhang, X., Tarpley, D., Sullivan, JT, 2007. Diversas respuestas de la fenología de la vegetación a
un clima cálido. Geofísico. Res. Letón. 34 (19)https://doi.org/10.1029/
2007GL031447.
Zhou, D., Zhao, S., Zhang, L., Liu, S., 2016. Evaluación de la urbanización por teledetección
efectos sobre la fenología de la vegetación en las 32 ciudades principales de China. Sensores
Remotos Entorno. 176, 272–281.https://doi.org/10.1016/j.rse.2016.02.010.
Zhou, D., Zhao, S., Zhang, L., Sun, G., Liu, Y., 2015. La huella de la isla de calor urbana
efecto en China. ciencia Rep. 5, 11160.https://doi.org/10.1038/srep11160.