Abstract Mining-induced ground fissures are common problems associated with mining damage in shallowly buried coal seams in the western mining area of China. To evaluate the surface mining damage of the 12203 working face of the Huojitu Colliery in Shendong mining area, low-altitude infrared aerial surveys were conducted on the ground at the static fissure area (O-A1) and the dynamic fissure area (O-A2) of the working face. The temperature evolution patterns of fissures, sand and plants in the infrared images were analysed. The relationship between overburden fractures and surface fissure temperature was revealed, and the influence range and temperature self-healing period of the surface affected by underground mining were determined. The results indicated that underground mining could lead to a decrease in the ground temperature above the working face. The surface temperature evolution can be divided into three zones: a temperature stabilization zone before mining, a temperature cooling zone during mining, and a temperature recovery zone after mining. The temperature of sand and plants above the working face exhibited quadratic curve changes in O-A1 and O-A2, respectively. The length of the temperature reduction zone affected by mining is 40 m in O-A2, and 46.8 m in O-A1. The temperature recovery periods of ground fissures in O-A1 and O-A2 were 4.0 and 4.6 d, respectively. These findings could provide a basis for evaluating mining ground damage.

Visualization, as a major approach of visual analytics, involves many human interaction techniques, especially in terms of how individuals communicate, comprehend, and interpret information. Creating visualizations is a tedious process and requires skill, but automatic data visualization technologies have made it easier to create visualizations. They completely changed the landscape of data analysis and decision-making processes. As the demand for effective and efficient visualization solutions grows across diverse sectors, researchers and practitioners have developed a plethora of autonomous systems aimed at transforming raw data into meaningful visual representations. This paper investigates the methodologies utilized by these systems, categorizing them based on machine learning approaches combined with various data inputs, template-based approach, and other technique/algorithm-based approach. We collected 31 top-tier journal papers in the field and shed light on the diverse techniques employed in generating visualizations automatically, enhancing our understanding of their capabilities, compatibility, and usability across various contexts. Our survey aims to provide insights into the strengths, limitations, and potential areas for future exploration in automatic data visualization, offering guidance to practitioners, researchers, and developers in selecting appropriate techniques for their specific needs and datasets. By systematically examining these systems and pinpointing areas for improvement, we contribute to the advancement and refinement of automatic data visualization methodologies, fostering progress in this dynamically evolving domain.