Efficient Earth Observation System for Acid Mine Drainage

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00025798%3A_____%2F25%3A10169986" target="_blank" >RIV/00025798:_____/25:10169986 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Efficient Earth Observation System for Acid Mine Drainage

Popis výsledku v původním jazyce

Acid Mine Drainage (AMD),a significant water pollutant from sulfide mineral oxidation in mining areas, generates sulfuric acid and harmful substances. Effective AMD management involves careful material handling, treatment, and water management. Imaging spectroscopy provides a practical alternative to traditional chemical analysis, identifying pyrite oxidation &quot;hot spots&quot; and sulfate mineral formation. This research develops robust AMD monitoring systems using machine learning techniques on optical multi- and hyperspectral data. We use hyperspectral (PIKA L camera, UAV) and multispectral (Sentinel-2, orbital) datasets at the Litov post-mine dump (Sokolov lignite basin, Czech Republic). Validated against XRD mineralogy and Google Earth-identified hotspots, Radial Basis Function Support Vector Machine (RBF SVM) outperforms other ML methods in identifying AMD hot spots and class separation. RBF SVM effectively detects AMD discharge and distinguishes mineral mixtures (oxy-hydroxides and oxides) using both Pika L and Sentinel-2 data.

Název v anglickém jazyce

Efficient Earth Observation System for Acid Mine Drainage

Popis výsledku anglicky

Acid Mine Drainage (AMD),a significant water pollutant from sulfide mineral oxidation in mining areas, generates sulfuric acid and harmful substances. Effective AMD management involves careful material handling, treatment, and water management. Imaging spectroscopy provides a practical alternative to traditional chemical analysis, identifying pyrite oxidation &quot;hot spots&quot; and sulfate mineral formation. This research develops robust AMD monitoring systems using machine learning techniques on optical multi- and hyperspectral data. We use hyperspectral (PIKA L camera, UAV) and multispectral (Sentinel-2, orbital) datasets at the Litov post-mine dump (Sokolov lignite basin, Czech Republic). Validated against XRD mineralogy and Google Earth-identified hotspots, Radial Basis Function Support Vector Machine (RBF SVM) outperforms other ML methods in identifying AMD hot spots and class separation. RBF SVM effectively detects AMD discharge and distinguishes mineral mixtures (oxy-hydroxides and oxides) using both Pika L and Sentinel-2 data.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10511 - Environmental sciences (social aspects to be 5.7)

Projekt

—

Návaznosti

R - Projekt Ramcoveho programu EK

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

PROCEEDINGS OF THE INTERNATIONAL MINE WATER ASSOCIATION CONFERENCE, IMWA 2025

ISBN

978-3-9825293-3-2

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

502-507

Název nakladatele

INT MINE WATER ASSOC

Místo vydání

WENDELSTEIN

Místo konání akce

Universidade do Minho Departamento de Filosofia

Datum konání akce

11. 6. 2025

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001667479500082