在全球范围内对 8 万个采矿点的土地利用进行分类

为什么矿山在变暖的世界中很重要

用清洁能源替代化石燃料的推动正在以意想不到的方式改造我们的土地。太阳能电池板、风力涡轮机和电动汽车都依赖于从地下开采的金属，而对这些矿物的争夺正使全球范围内的矿山扩张。然而直到现在，我们对采矿实际占用了多少土地以及这些广阔场地内部到底发生了什么仍只是一张模糊的图像。本研究提供了对采矿土地利用的清晰全球视图，帮助社会衡量绿色能源转型所隐含的环境代价。

从太空观测矿山

作者构建了一张覆盖 150 多个国家、超过 8 万个已知采矿区的全球土地利用地图。他们不仅勾画出矿区的边界，还将每个矿点细分为不同区块：深度露天采坑、废石与尾矿堆、受扰动的地面、水体（如池塘和淹没的采坑）、建筑设施、裸土以及残存的植被。总体而言，他们发现移除植被的采矿活动占用了约 95,600 平方公里的土地——相当于一个中等规模国家的面积，约占世界陆地表面（不含南极）的 0.07%。这种精细化的视角不仅揭示了采矿的广泛程度，也显示出每个矿区中哪些部分最可能对自然和人类构成风险。

结合颜色与高度读取地表信息

仅凭卫星影像区分地面状况并不简单。露天采坑与废石堆在常规彩色影像中可能非常相似，因为两者都暴露出裸露的岩石和土壤。为了解决这一问题，研究团队结合了两类卫星数据。首先，他们使用了欧洲 Sentinel‑2 任务的光学影像，提供精细的颜色信息并能计算出突出植被、建筑表面、水体和裸土的指数。其次，他们使用了来自 TanDEM‑X 雷达任务的高程变化图，测量地表高度随时间的变化。在开采形成露天采坑的地方，地表下降；而在堆放废石与尾矿的地方，地表上升。通过针对每个矿区在时间上对齐这两套数据，研究人员既能看到采矿景观的“皮肤”，又能看到其“形状”。

教计算机识别采矿景观

利用数百个由专家精心标注的采矿点，作者训练了一个被称为随机森林的机器学习分类器。他们在像素级定义了七种土地利用与土地覆盖类别，并通过植被、水体、裸土、建筑表面和高程变化的阈值来精炼训练样本，以避免模糊或混合的像素。训练完成后，该模型被应用于全球所有采矿多边形，并随后进行平滑处理，使相邻像素形成连贯的斑块。其结果是一张一致且高分辨率的采矿土地利用地图，可以按区域下载。在方法效果的测试中，结合颜色与高度的模型正确分类了约 92% 的验证像素——明显优于仅使用颜色信息的模型。

全球地图揭示的内容

新数据集显示，在采矿区内部，裸土和一般受扰动的土地占据了最大比例，其次是露天采坑。东亚在采矿总面积和露天采坑范围上最为突出，拉丁美洲、北美和东欧也都有较大的采矿足迹。在粗略的全球格网上查看时，地图显示出明显的热点：北中国的煤与金属带、印尼的采矿区、澳大利亚丰富资源的内陆、安第斯的铜金带，以及非洲和中亚的一些高强度活动区域。数据还揭示了亚马逊等地的小规模与手工采矿，表明早先手工绘制的边界常常将大片森林和未利用土地合并到“采矿区”中，从而高估了实际活跃开采的面积。

这一新视角的局限与用途

由于制图依赖于 10 米分辨率的卫星像素，它无法完全捕捉较窄的要素，例如小型建筑、道路和某些加工设施，这些要素可能被混入裸土或受扰动土地等类别中。某些设施类型、尾矿坝和浸出垫被归入更广泛的废弃或水体类别。此外，不同采矿点的制图时间在 2017 到 2022 年之间有所不同，取决于何时有合适的高程数据可用，因此该数据集并非某一时刻的静态快照。尽管存在这些限制，作者认为该数据集非常适合用于研究采矿对环境的全球和区域影响，例如追踪森林砍伐、评估对生物多样性的威胁，或将矿产供应链与特定土地影响联系起来。

这对人类与地球为何重要

通过从粗略的矿区轮廓转向对矿区内部正在发生状况的详细制图，这项工作更诚实地呈现了我们对矿产需求所付出的土地代价。矿区内的地面并非都具有相同的危险性：深采坑、废石堆和受污染的水塘构成的风险远高于未受影响的植被或轻微扰动的土壤。通过在全球尺度上区分这些区块，该数据集使政府、企业和社区能够把注意力集中在采矿作业中最有害的部分，制定更明智的监管政策，并在推动清洁能源的利益与保护生态系统和当地生计的责任之间取得更好的平衡。

引用: Cheng, YT., Hoang, N.T., Maupu, L. et al. Classifying land use within 80,000 mining sites on a global scale. Sci Data 13, 338 (2026). https://doi.org/10.1038/s41597-026-06681-x

关键词: 采矿足迹, 遥感, 土地利用, 关键矿产, 环境影响