EN中文

自然资源遥感 >

2025 , Vol. 37 >Issue 3: 1 - 8

DOI: https://doi.org/10.6046/zrzyyg.2023385

矿山生态环境遥感监测专栏

基于多尺度样本集优化策略的矿区工业固废及露天采场遥感识别

  • 邹海靖 , 1, 2 ,
  • 邹滨 , 1, 2 ,
  • 王玉龙 1, 2 ,
  • 张波 1, 2 ,
  • 邹伦文 3
展开
  • 1.中南大学地球科学与信息物理学院,长沙 410083
  • 2.自然资源部时空信息与智能服务重点实验室,长沙 410083
  • 3.湖南师范大学地理科学学院,长沙 410081
邹滨(1981-),男,教授,博士生导师,研究方向为资源环境遥感监测、时空建模与数据分析。Email: 。

邹海靖(1999-),男,硕士研究生,研究方向为资源环境遥感监测。Email: 。

Office editor: 陈庆

收稿日期: 2023-12-19

  修回日期: 2024-04-09

  网络出版日期: 2026-06-03

基金资助

国家重点研发项目“水质敏感区域采选冶固废资源环境属性及污染源精准甄别”(2020YFC1909201)

收起

Remote sensing identification of industrial solid waste and open pits in mining areas based on the multiscale sample set optimization strategy

  • ZOU Haijing , 1, 2 ,
  • ZOU Bin , 1, 2 ,
  • WANG Yulong 1, 2 ,
  • ZHANG Bo 1, 2 ,
  • ZOU Lunwen 3
Expand
  • 1. School of Geosciences and Info-physics, Central South University, Changsha 410083, China
  • 2. Key Laboratory of Spatio-temporal Information and Intelligent Services, Ministry of Natural Resources of China, Changsha 410083, China
  • 3. College of Geographical Sciences, Hunan Normal University, Changsha 410081, China

Received date: 2023-12-19

  Revised date: 2024-04-09

  Online published: 2026-06-03

Fold

摘要

及时准确掌握工业固废及露天采场的空间范围和分布情况对于固废污染精准管控和生态环境保护具有重要意义。遥感技术是有效的监测手段,但单一尺度样本集难以充分表达不同形态和大小的工业固废堆场及露天采场的特征,而构建多尺度样本集可以有效解决不同种类工业固废堆场及露天采场特征表达不完整的问题,进而提高模型识别精度和泛化能力。因此,该研究在充分考虑不同种类工业固废及露天采场形态和大小差异特征的基础上,提出了一种基于多尺度样本集优化策略的工业固废及露天采场遥感识别方法。该方法基于预处理后的GF-1B,GF-1C和GF-6号卫星遥感影像数据进行多尺度样本集制备,构建U-Net深度学习网络模型识别工业固废及露天采场,并与单尺度样本集模型精度对比验证识别效果。结果表明,基于多尺度样本集的U-Net深度学习网络模型识别精确率、召回率、F1分数和平均交并比分别可达81.23%,66.88%,73.36%和73.55%,相较于单尺度模型精度分别提升了6.02百分点、1.02百分点、3.12百分点和9.86百分点,可为工业固废及露天采场精准监测提供一种可靠的方法。

关键词： 多尺度; 深度学习; 工业固废; 遥感识别

本文引用格式

邹海靖 , 邹滨 , 王玉龙 , 张波 , 邹伦文 . 基于多尺度样本集优化策略的矿区工业固废及露天采场遥感识别[J]. 自然资源遥感, 2025 , 37(3) : 1 -8 . DOI: 10.6046/zrzyyg.2023385

Abstract

A timely and accurate understanding of the spatial extents and distributions of industrial solid waste and open pits in mining areas is significant for the precise control of solid waste contamination and the ecosystem conservation. Remote sensing technology is an effective monitoring method. However, single-scale sample sets fail to fully represent the features of industrial solid waste yards and open pits with different shapes and sizes. Constructing multiscale sample sets may be effective in solving the problem of incomplete feature representation for different industrial solid waste yards and open pits, thereby enhancing the identification accuracy and generalization capability of models. By fully considering the differences in the shape and size of different industrial solid waste yards and open pits, this study proposed a remote sensing identification method for industrial solid waste and open pits based on the multiscale sample set optimization strategy. In the proposed method, a multiscale sample set was prepared based on the preprocessed data of the GF-1B, GF-1C, and GF6 satellite remote sensing images. Subsequently, a U-Net deep learning network model was constructed to identify industrial solid waste and open pits. Finally, the identification accuracy was compared with that of the single-scale sample set model. The results show that the U-Net deep learning network model based on the multiscale sample set achieved identification accuracy of 81.23 %, recall of 66.88 %, F1-score of 73.36 %, and average intersection over union of 73.55 %, suggesting improvements by 6.02, 1.02, 3.12, and 9.86 percentage points, respectively, compared to the single-scale sample set model. Overall, this study provides a reliable approach for precisely monitoring industrial solid waste and open pits.

Key words： multiscale; deep learning; industrial solid waste; remote sensing identification

0 引言

随着我国工业的快速发展,生产过程中产生的采矿废石、选矿尾矿和冶炼废渣等形成了大量露天堆积的尾矿库、废石堆等历史遗留工业固废堆场[1],同时露天采场作为矿区工业固废的主要来源,开采过程中产生的大量剥离物和废石堆积于采场或其周边地区[2],在侵占具有重要利用价值的土地资源的同时,也造成了严重的重金属环境污染,危害人类健康[3]。因此,及时有效地监测和评估工业固废与露天采场的空间分布和动态变化情况,对于固废精准管控和生态环境保护具有重要意义。然而,传统的监测方法主要依靠实地调查和采样分析,成本高、效率低,难以对工业固废堆场及露天采场实时有效监测,同时由于某些历史固废堆场已被处理且缺乏历史调查数据,无法对已受固废污染的场地进行历史回溯。而遥感技术凭借其宏观、动态、高时间分辨率的优势可弥补传统方法的不足,已成为追溯工业固废及露天采场历史分布的新兴监测手段[4]。
当前,基于遥感影像的工业固废和露天采场识别方法主要分为3类:人工目视解译、基于常规机器学习的半自动解译和基于深度学习的自动解译。其中人工目视解译法可获得较高的识别精度[5-6],但它具有效率低、周期长等缺陷,且依赖于判读人员的主观经验,难以实现较大区域的遥感识别;基于常规机器学习能在一定程度弥补人工目视解译法效率低下的劣势,但在处理大规模数据时灵活性相对较低,尤其在复杂地物环境场景下的识别精度不稳定(60%~90%)[7-12],缺乏泛化能力;基于深度学习的自动解译是在传统机器学习方法上的技术延伸,该方法可以通过多层神经网络模型的自动学习提取影像数据特征,在影像识别领域表现出色[13]。
近年来,深度学习方法已在工业固废和露天采场的识别中广泛应用,现有研究主要基于高分卫星和Worldview等高空间分辨率遥感影像构建训练样本集,建立如SSD[14-15],U-Net[16],Mask R-CNN[17-18]和Segnet[19]等卷积神经网络深度学习算法,在大区域范围工业固废和露天采场识别方面取得了较好的识别精度。在诸多深度学习算法中,U-Net神经网络模型因能很好捕捉上下文特征信息,在工业固废和露天采场的遥感识别中得到了大量应用,如张成业等[20]在尾矿库遥感识别中对比U-Net方法与传统机器学习方法,结果表明前者在效率与精度上均更为优异。然而,目前绝大多数基于深度学习方法的识别研究仅考虑了单一尺度的样本集构建,难以充分反应不同种类工业固废及露天采场形态和大小差异特征[21]。影像样本集尺度设计过小,会导致大面积堆场无法被影像样本完整覆盖,信息表达不完整。反之,影像样本集尺度设计过大,则会造成大量背景因素干扰,致使小面积堆场特征信息被弱化。因此,样本集尺度大小的选择至关重要,构建能够覆盖研究区各种工业固废和露天采场不同形态与大小差异特征的多尺度样本集,或是提升矿区大范围工业固废和露天采场监测精度的有效手段。
对此,鉴于不同种类工业固废与露天采场形态大小差异特性,本研究拟采用3种常用的不同像素尺度窗口裁剪GF-1B,GF-1C和GF-6号卫星遥感影像,提出一种基于多尺度样本集优化策略的工业固废及露天采场遥感识别方法,构建U-Net深度学习网络识别模型,对比检验多尺度样本集优化策略的有效性。

1 研究区概况与数据源

1.1 研究区概况

本文选取湖南省郴州市作为研究区,郴州市是著名的“中国有色金属之乡”,矿产资源丰富,全市的有色金属探明储量达到390万吨,占湖南省总量的40%以上[22],具有悠久的矿冶历史。由于长期以来对有色金属资源粗放式的开发利用,形成了大量露天堆积的矿冶工业固废堆场及露天采场。近年来经过国家和政府的治理,郴州市工业固废堆积问题虽已得到有效改善,但历史堆积的工业固废对周边土壤和水体造成的污染已然存在。然而现有的调查技术手段难以进行污染源回溯,亟须采取有效方法对历史堆积的工业固废及其来源的露天采场进行源头监测[23]。

1.2 遥感数据源与预处理

自2010年高分专项正式启动实施以来,中国已经形成了国产高分辨率卫星对地观测体系,2 m级空间分辨率的卫星遥感数据理论上已实现全国覆盖[24],但受云雨遮盖的影响,单一卫星存在部分地区遥感数据缺失或不完整的问题,故本研究于湖南省卫星云遥系统(https://www.img.net/)综合选取GF-1B,GF-1C和GF-6共10景卫星遥感影像联合实现研究区范围全覆盖,遥感影像具体说明如表1所示。为消除卫星影像在数据获取过程中受到地球自转、卫星轨道和大气吸收散射等因素引起的几何畸变和辐射失真等影响[25],基于ENVI5.6软件对影像数据进行了一系列的预处理操作,包括辐射定标、大气校正和正射校正,并借助Python编程语言实现遥感影像全色波段与多光谱波段图像融合,最终得到包含4个波段信息(红光、绿光、蓝光、近红外波段)的高空间分辨率(2 m)遥感正射影像数据。
表1 遥感影像数据说明

Tab.1 Description of remote sensing image data

遥感平台 图幅
数量/景		 获取时间 空间分
辨率/m		 波段范围/nm
GF-1B 3 2022-04-27 2(全色波段)
8(多光谱波段)		 450~890
GF-1C 3 2022-10-14
GF-6 4 2022-12-24

2 研究方法

2.1 工业固废及露天采场样本集制作

2.1.1 单尺度样本集制作

实地调查结果表明,研究区范围内包含大量以废石堆场和尾矿库为主的工业固废堆场和露天采场。本文构建工业固废与露天采场遥感解译标志(表2),采取目视解译方法对遥感影像中的工业固废及露天采场轮廓进行样本标注,样本分布如图1所示。在完成样本标注后,采用512像素×512像素大小的窗口裁剪影像并进行数据清洗,筛选出包含工业固废及露天采场的影像切片,得到单尺度工业固废与露天采场样本集。
表2 工业固废与露天采场遥感解译标志

Tab.2 Remote sensing interpretation symbols for industrial solid waste and open-pit mining areas

目标类型 影像图例 特征概括
废石堆场 一般位于矿山或选矿厂附近,大多随意堆放,呈现不规则的矩形或圆形;影像上常呈现棕黑色、深灰色等,与周围地物存在明显色差
尾矿库 呈现出规则或不规则的三角形、半圆形、矩形等形状;影像上表现为明显的封闭区域,可见明显的阶梯状筑坝,常位于谷沟内;纹理特征明显细致,色调较亮
露天采场 周边常有显著的矿山裸露地带,矿体颜色明亮;存在坑洞或裂缝等纹理特征,影像上可识别出道路或行车痕迹
图1 工业固废与露天采场的分布

Fig.1 Distribution of industrial solid waste samples and open-pit mining areas

2.1.2 多尺度样本集制作

为确保输入模型的影像切片能够全面覆盖2类工业固废堆场以及露天采场,充分考虑其形态和大小差异特征,结合前期实地调研结果以及监测目标在遥感影像上的分布情况,采用3种常用的不同像素尺度窗口(256×256,512×512,1 024×1 024)进行遥感影像裁剪,通过合理设置步长遍历整个影像,确保滑动窗口能够完整覆盖各个堆场,由此裁剪得到影像切片后统一缩放至512像素×512像素以符合U-Net神经网络模型的输入大小,构建多尺度工业固废与露天采场样本集。这一策略有助于更全面地捕捉废石堆场、尾矿库以及露天采场在形态和大小上的差异特征,为模型训练提供更具代表性的样本数据。

2.1.3 数据增强

为有效防止因样本不平衡、不充足而造成的建模过拟合问题,提高深度学习模型在遥感影像识别中的准确性,本研究对不同尺度工业固废及露天采场样本集经水平翻转、垂直翻转以及对角翻转的数据进行增强处理,从而扩充样本集数量,提高数据多样性。最终得到包含588张影像的单尺度样本集和包含1 986张影像的多尺度样本集,并分别按照6∶ 2∶ 2的比例确定训练样本、验证样本以及测试样本,用于U-Net神经网络模型训练与精度验证。

2.2 U-Net神经网络模型构建

U-Net神经网络模型采用全卷积运算方式,由对称的编码器和解码器组成,有助于从不同层次获取影像特征,在小样本学习中表现良好[26],理论上能提高识别的准确度和稳定性。本研究构建的U-Net神经网络模型(图2)以4个波段的512像素×512像素遥感影像切片作为输入数据,经过卷积和池化操作实现模型的下采样从而提取影像的全局特征,得到底层特征图像。为将特征图像恢复到原始输入影像的尺寸大小,网络通过反卷积层和激活层实现模型的上采样。上采样和下采样之间存在直接跳跃层连接,有助于融合底层和高层特征,提升网络对识别目标细节和形状特征的感知能力。U-Net神经网络模型的输出数据是一个与输入影像尺寸相同的单波段分类结果图像,其中不同的像素值分别代表背景、废石堆场、尾矿库和露天采场4个类别。
图2 U-Net神经网络模型结构图

Fig.2 Structure diagram of U-Net neural network

2.3 实验环境配置与模型参数设置

为确保基于单一尺度和多尺度样本集构建的U-Net神经网络模型的精度对比具有有效性,实验在统一的硬件和软件环境下进行。实验硬件环境采用Intel(R) Xeon(R) Silver 4210R CPU,搭载NVIDIA GeForce RTX 3080(10 GB)显卡,并配备128 GB内存。软件环境搭建PyTorch 2.0.1深度学习框架,使用Python语言编程实现U-Net神经网络模型构建。在不同尺度样本集下构建的U-Net神经网络模型参数设置保持一致,具体参数设置见表3。
表3 模型参数设置

Tab.3 Model parameter

训练参数 参数值
初始学习率 0.001
优化器 Adam
损失函数 Binary cross entropy
批尺寸 3
迭代次数 200

2.4 精度评价方法

本研究采用遥感影像识别领域中常用的精确率、召回率、F1分数以及平均交并比(mean intersection-over-union,mIoU)4个指标进行模型精度评定,从多个角度对识别效果进行定量评估,充分对比不同深度学习网络算法模型的优劣。在目标识别过程中,精确率衡量模型准确预测目标像素的能力;召回率则评估模型对真实目标像素的捕获程度; F1分数综合考虑精确率和召回率,提供对模型性能的综合评估;mIoU计算真实值集合和预测值集合之间的交并比,进一步度量模型的空间重叠性能。各指标具体计算公式为:
P = T P T P + F P
R = T P T P + F N
F = 2 P R P + R
m I o U = 1 C ∑ x = 1 C P p ⋂ P t P p ⋃ P t
式中:P为精确率;R为召回率;F为F1分数;C为类别数;TP为正确预测的前景像素(即正类像素);FP为错误将背景预测为前景的像素(即误检的像素);FN为错误将前景预测为背景的像素(即漏检的像素); P p为模型预测为前景的像素集合; P t为实际标注为前景的真实像素集合。

3 结果与分析

本研究基于遥感影像实现了工业固废及其来源露天采场的一体化识别,在准确掌握矿区工业固废空间分布的同时,也识别了工业固废产生的源头——露天采场,有助于更深入地了解工业固废产生及分布的关联性,为矿区的环境管理和固废管控提供更为精准的数据支撑。

3.1 模型精度评价

为充分验证本文方法的优越性,选取DeepLabv3+[27]与Segmenter[28]2种目前较为成熟的语义分割模型与U-Net神经网络模型进行对比。表4中的精度评价结果表明,基于不同尺度构建的U-Net神经网络模型识别精度相较于DeepLabv3+与Segmenter模型表现更为优异,证实了U-Net神经网络模型在矿区工业固废与露天采场识别中具有更好的适用性。进一步对比不同尺度样本集构建的U-Net神经网络模型识别精度指标发现,单尺度样本集与多尺度样本集的精确率分别为75.21%和81.23%,召回率分别为65.86%和66.88%,F1分数分别为70.24%和73.36%,mIoU分别为63.69%和73.55%。这一结果虽然表明2种样本集模型在工业固废与露天采场识别识别中都能表现出良好精度,但多尺度样本集模型在精确率、召回率、F1分数和mIoU方面均优于单尺度样本集模型,分别提升了6.02百分点、1.02百分点、3.12百分点和9.86百分点。因此,相较于单尺度样本集模型,多尺度样本集模型在测试精度上表现更为优秀,证实了本文提出的方法在工业固废与露天采场识别中的可行性和有效性。
表4 不同尺度样本集模型识别精度对比

Tab.4 Comparison of recognition accuracy on different scale sample set models(%)

模型 样本集 精确率 召回率 F1分数 mIoU
U-Net 单尺度 75.21 65.86 70.24 63.69
多尺度 81.23 66.88 73.36 73.55
DeepLabv3+ 单尺度 73.06 58.68 65.09 61.70
多尺度 79.52 58.29 67.27 69.91
Segmenter 单尺度 66.72 68.59 67.64 60.39
多尺度 71.81 69.28 70.52 65.81

3.2 模型稳定性分析

损失函数的收敛效果是判断卷积神经网络模型训练结果稳定性的一个关键影响因素[29]。由图3(a)可知,基于多尺度样本集构建的U-Net神经网络模型损失函数随着迭代次数的增加呈现梯度下降趋势,并在125次迭代后趋于稳定,表明模型对训练数据的拟合能力逐渐增强,收敛效果较好。同时图4表明,随着迭代次数的增加,模型的精确率也逐步提升,进一步证明模型训练效果良好。相反,单尺度样本集U-Net神经网络模型在训练过程中(图3(b)),损失函数曲线的震荡显著,特别是在第50个迭代时,损失函数上升至0.78。这反映单尺度样本集相较于多尺度样本集噪声更大,构建的U-Net神经网络模型稳定性较差,这一结果也再次证实了基于多尺度样本集构建的U-Net神经网络模型在训练时表现出更好的稳定性。
图3-1 不同尺度样本集模型损失函数

Fig.3-1 Loss functions of different scale sample set model

图3-2 不同尺度样本集模型精确率

Fig.3-2 Precision of different scale sample set model

3.3 精度差异成因分析

为进一步深入分析基于不同尺度样本集构建的U-Net神经网络模型精度差异,对2种模型在废石堆场、尾矿库和露天采场3类目标识别效果方面进行分析,结果如表5所示。由表中结果可知,单尺度样本集模型基本能够识别工业固废的空间范围,但在废石堆场的识别中出现了错分现象,将部分露天采场像元误分为废石堆场像元。分析认为,由于废石堆场与露天采场在纹理特征上相似,基于单尺度样本集无法充分表达不同类别工业固废的特征,导致模型学习的信息不够全面,从而出现错分现象。不仅如此,在尾矿库的识别中也出现了漏检现象,少部分尾矿库像元未被正确识别。这种误差可能是由于尾矿库与紧邻地物如道路、房屋发生特征混淆,致使模型学习不够准确,造成漏检。而多尺度样本集模型对3类目标的识别效果均表现出色,能够高精度地识别出各类目标的空间范围,并未出现明显错分和漏检现象。综合分析不同尺度样本集建模的识别结果,可以看出基于多尺度样本集的模型在识别效果上表现更为优异,证明多尺度样本集能够更充分地表达工业固废及露天采场形态各异的特征信息,增强模型识别精度。
表5 不同尺度样本集模型识别结果对比

Tab.5 The comparison of recognition results of different scale sample set models

类型 单尺度样本集 多尺度样本集
遥感影像 样本标注 识别结果 遥感影像 样本标注 识别结果
废石堆场
尾矿库
露天采场

4 结论

本文基于GF-1B,GF-1C和GF-6号卫星遥感影像数据制作了郴州市多尺度工业固废及露天采场样本集,构建了U-Net神经网络模型,开展了工业固废及露天采场遥感识别,对比了不同尺度样本集下模型的稳定性以及精度指标。主要结论如下:
1)提出的多尺度样本集优化策略可有效改善不同种类工业固废堆场及露天采场特征表达不完整的问题,由此构建的U-Net神经网络模型可实现郴州市废石堆场、尾矿库以及露天采场的精准识别。模型识别的精确率、召回率、F1分数和mIoU分别可达81.23%,66.88%,73.36%和73.55%。
2)多尺度样本集可更好地表达不同种类工业固废与露天采场的形态和大小特征差异。相较于单一尺度样本集,基于多尺度样本集构建的U-Net神经网络模型在精确率、召回率、F1分数和mIoU可分别提升6.02百分点、1.02百分点、3.12百分点和9.86百分点。
本研究提出的多尺度样本集优化策略虽为工业固废及露天采场的一体化监测提供了一种可靠的改进方法,但未来工作中,可针对工业固废本身成分混杂和光谱混淆的问题进一步完善。一方面根据不同类别工业固废及露天采场对象确定细分类型的工业固废样本集尺寸,实现不同类别目标对象的自适应、自动化样本集构建,提升模型的泛化能力和识别准确性;另一方面,利用高光谱遥感数据光谱信息丰富的优势提取更多种类工业固废先验光谱知识,帮助模型更好地区分纹理相似、光谱混淆的工业固废及露天采场,通过减少错分和漏分现象提高模型识别精度。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
孙坚, 耿春雷, 张作泰, 等. 工业固体废弃物资源综合利用技术现状[J]. 材料导报, 2012, 26(11):105-109.

Sun J, Geng C L, Zhang Z T, et al. Present situation of comprehensive utilization technology of industrial solid waste[J]. Materials Reports, 2012, 26(11):105-109.

[2]
Gao S, Chen Y, Li K, et al. Mapping opencast iron mine and mine solid waste based on a new spectral index from medium spatial re-solution satellite data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021,14:7788-7798.

[3]
Chen W, Peng L, Hu K, et al. Spectroscopic response of soil organic matter in mining area to Pb/Cd heavy metal interaction:A mirror of coherent structural variation[J]. Journal of Hazardous Materials, 2020,393:122425.

[4]
刘雪龙. 面向对象的遥感影像工业固体废物信息提取方法研究[D]. 北京: 中国地质大学(北京), 2013.

Liu X L. Object-oriented remote sensing images industrial solid waste information extraction method research[D]. Beijing: China University of Geosciences(Beijing), 2013.

[5]
Kwarteng A Y, Al-Enezi A. Assessment of Kuwait’s Al-Qurain landfill using remote sensing imagery[J]. Journal of Environmental Science and Health Part A:Toxic/Hazardous Substances and Environmental Engineering, 2004, 39(2):351-364.

[6]
Bai T, Sun K, Deng S, et al. Multi-scale hierarchical sampling change detection using Random Forest for high-resolution satellite imagery[J]. International Journal of Remote Sensing, 2018, 39(21):7523-7546.

[7]
Rodriguez-Galiano V F, Ghimire B, Rogan J, et al. An assessment of the effectiveness of a random forest classifier for land-cover classification[J]. ISPRS Journal of Photogrammetry and Remote Sen-sing, 2012,67:93-104.

[8]
Li P, Xu H, Guo J. Urban building damage detection from very high resolution imagery using OCSVM and spatial features[J]. International Journal of Remote Sensing, 2010, 31(13):3393-3409.

[9]
Ye S, Chen D, Yu J. A targeted change-detection procedure by combining change vector analysis and post-classification approach[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016,114:115-124.

[10]
Silvestri S, Omri M. A method for the remote sensing identification of uncontrolled landfills:Formulation and validation[J]. International Journal of Remote Sensing, 2008, 29(4):975-989.

[11]
吴倩雯, 况润元, 张刚华, 等. 东江源稀土矿区土地利用变化遥感监测研究[J]. 测绘科学, 2019, 44(3):51-56.

Wu Q W, Kuang R Y, Zhang G H, et al. Remote sensing monitoring of land-use change in rare earth mining area in the source region of Dongjiang River[J]. Science of Surveying and Mapping, 2019, 44(3):51-56.

[12]
卢遥, 卢小平, 武永斌, 等. 综合机载LiDAR与高分影像的煤矿区典型地物提取方法[J]. 测绘通报, 2015(12):57-59.

DOI

Lu Y, Lu X P, Wu Y B, et al. Typical surface features extraction in mining area based on data of LiDAR and WorldView-2[J]. Bulletin of Surveying and Mapping, 2015(12):57-59.

DOI

[13]
Liu T, Zheng P, Bao J. Deep learning-based welding image recognition:A comprehensive review[J]. Journal of Manufacturing Systems, 2023,68:601-625.

[14]
李庆, 陈俊杰, 李庆亭, 等. 基于SSD模型的京津冀地区尾矿库检测[J]. 遥感技术与应用, 2021, 36(2):293-303.

DOI

Li Q, Chen J J, Li Q T, et al. Detection of tailings pond in Beijing-Tianjin-Hebei Region based on SSD model[J]. Remote Sensing Technology and Application, 2021, 36(2):293-303.

[15]
闫凯, 沈汀, 陈正超, 等. 基于深度学习的SSD模型尾矿库自动提取[J]. 中国科学院大学学报, 2020, 37(3):360-367.

DOI

Yan K, Shen T, Chen Z C, et al. Automatic extraction of tailing pond based on SSD of deep learning[J]. Journal of University of Chinese Academy of Sciences, 2020, 37(3):360-367.

DOI

[16]
刘冰洁, 邢旭东, 吴浩, 等. 深度学习支持下的尾矿库遥感识别方法[J]. 测绘科学, 2021, 46(12):129-139.

Liu B J, Xing X D, Wu H, et al. Remote sensing identification of tailings pond based on deep learning model[J]. Science of Surveying and Mapping, 2021, 46(12):129-139.

[17]
张峰极. 多源遥感影像露天开采区深度学习提取方法研究[D]. 合肥: 安徽大学, 2019.

Zhang F J. Research on deep learning extraction method in open mining area based on multi-source remote sensing images[D]. Hefei: Anhui University, 2019.

[18]
张蜀军. 基于实例分割的高分遥感无序固废堆场识别[D]. 成都: 西南交通大学, 2021.

Zhang S J. Disorderd solid waste yards recognition from high-resolution remote sensing images based on instance segmentation[D]. Chengdu: SouthwestJiaotong University, 2021.

[19]
张仙, 李伟, 陈理, 等. 露天开采矿区要素遥感提取研究进展及展望[J]. 自然资源遥感, 2023, 35(2):25-33.doi: 10.6046/zrzyyg.2022141.

Zhang X, Li W, Chen L, et al. Research progress and prospect of remote sensing-based feature extraction of opencast mining areas[J]. Remote Sensing for Natural Resources, 2023, 35(2):25-33.doi: 10.6046/zrzyyg.2022141.

[20]
张成业, 邢江河, 李军, 等. 基于U-Net网络和GF-6影像的尾矿库空间范围识别[J]. 自然资源遥感, 2021, 33(4):252-257.doi:10.6046/zrzyyg.2021017.

Zhang C Y, Xing J H, Li J, et al. Recognition of the spatial scopes of tailing ponds based on U-Net and GF-6 images[J]. Remote Sensing for Natural Resources, 2021, 33(4):252-257.doi:10.6046/zrzyyg.2021017.

[21]
王浩. 融入图卷积全局推理的固废堆场高分遥感检测及其环境影响力评估[D]. 成都: 西南交通大学, 2021.

Wang H. High-resolution remote sensing detection of solid waste yard integrated with graph convolution global reasoning and its environmental impact assessment[D]. Chengdu: SouthwestJiaotong University, 2021.

[22]
段彦玮, 文倩, 孙水娟, 等. 矿产资源型城市的生态承载力与可持续发展研究——以湖南省郴州市为例[J]. 湖南农机, 2011, 38(3):110-112.

Duan Y W, Wen Q, Sun S J, et al. Research on ecological carrying capacity and sustainable development:In a mining city a case study in Chenzhou City[J]. Hunan Agricultural Machinery, 2011, 38(3):110-112.

[23]
李威, 邓武军, 邓家琪, 等. 郴州创建国家可持续发展议程创新示范区的实施路径与思考[J]. 中国工程咨询, 2023(8):46-50.

Li W, Deng W J, Deng J Q, et al. Implementation path and thinking of creating national sustainable development agenda innovation demonstration zone in Chenzhou[J]. China Engineering Consultants, 2023(8):46-50.

[24]
胡杰, 张莹, 谢仕义. 国产遥感影像分类技术应用研究进展综述[J]. 计算机工程与应用, 2021, 57(3):1-13.

DOI

Hu J, Zhang Y, Xie S Y. Summary of research progress on application of domestic remote sensing image classification technology[J]. Computer Engineering and Applications, 2021, 57(3):1-13.

DOI

[25]
何直蒙, 丁海勇, 安炳琪. 高分辨率遥感影像建筑物提取的空洞卷积E-Unet算法[J]. 测绘学报, 2022, 51(3):457-467.

DOI

He Z M, Ding H Y, An B Q. E-Unet:Aatrous convolution-based neural network for building extraction from high-resolution remote sensing images[J]. ActaGeodaetica et Cartographica Sinica, 2022, 51(3):457-467.

[26]
Chen D Y, Peng L, Li W C, et al. Building extraction and number statistics in WUI areas based on UNet structure and ensemble learning[J]. Remote Sensing, 2021, 13(6):1172.

[27]
Chen L C, Zhu Y, Papandreou G, et al. Encoder-decoder with atrous separable convolution for semantic image segmentation[C]// European Conference on Computer Vision.Springer, 2018:833-851.

[28]
Strudel R, Garcia R, Laptev I, et al. Segmenter:Transformer for semantic segmentation[C]// 2021 IEEE/CVF International Conference on Computer Vision (ICCV).IEEE, 2021:7242-7252.

[29]
许玥, 冯梦如, 皮家甜, 等. 基于深度学习模型的遥感图像分割方法[J]. 计算机应用, 2019, 39(10):2905-2914.

DOI

Xu Y, Feng M R, Pi J T, et al. Remote sensing image segmentation method based on deep learning model[J]. Journal of Computer Applications, 2019, 39(10):2905-2914.

DOI

Options
文章导航

/

〈 〉