我校研究团队提出矿区精细占地类型遥感智能解译框架

（转自学校科学技术发展院网站）近日，我校计算机学院地质环境智能遥感与应用研究团队在地球科学和遥感领域顶级期刊《IEEE Transactions on Geoscience and Remote Sensing》在线刊发了题为“Deep Feature Enhancement Method for Land Cover With Irregular and Sparse Spatial Distribution Features: A Case Study on Open-Pit Mining”的研究论文，提出了一种面向矿区精细占地类型的遥感智能解译框架。论文第一作者为计算机学院2019级博士生周高典，通讯作者为陈伟涛教授。

快速精准掌握矿区占地类型时空分布特征对矿山环境监测和矿区可持续发展评估至关重要。然而，采场、排土场、固体废弃物等矿山占地类型的形状极其不规则，空间分布分散，数量稀疏，这些特征导致在基于深度学习的特征提取过程中，特征很容易丢失，解释精度较低。

针对上述问题，本研究构建了一个矿区精细占地类型遥感智能解译框架模型（EG-UNet），该模型在增强矿山占地特征的同时，能够捕获其长距离信息。该框架包括两个主要模块：1）边缘特征增强模块。矿山占地边缘相较于空间位置，包含更关键的遥感图像敏感信息。因此，本研究在特征提取过程中，基于权重矩阵对边缘进行特征增强，进而更好地保留这些特征；2）长距离特征提取模块。构建长距离特征提取模块，有助于获取矿山占地小面积图斑特征。本研究通过图卷积网络来捕获长距离特征，并应用卷积神经网络来学习图的构造。

论文提出的EG-UNet模型不但在公开的高分图像数据集（Gaofen Image Dataset, GID）上相对于最新主流的算法综合性能表现最佳，而且在该团队自主构建的矿区开发占地精细分类数据集上，同样表现最佳，说明EG-UNet模型具有良好的泛化能力。论文构建的矿区开发占地遥感数据集已同步发布，能够作为矿区土地覆盖精细分类研究的基准。

图1 矿区地物特征。（a）矿区和非矿区（红色方框为矿区）；（b）矿区精细分类

图2 EG-UNet网络架构

图3 边缘特征增强模块

图4 长距离特征提取模块

IEEE TGRS是地球科学和遥感领域的顶级期刊之一，是IEEE地球科学与遥感技术协会（GRSS）会刊，中科院分区中为SCI一区TOP期刊，在遥感技术和地球科学领域具有较高影响力。

该研究得到国家自然科学基金和湖北重点研发计划的联合资助。

论文信息：

Title: Deep Feature Enhancement Method for Land Cover With Irregular and Sparse Spatial Distribution Features: A Case Study on Open-Pit Mining

Authors: Gaodian Zhou, Jiahui Xu, Weitao Chen*, Xianju Li, Jun Li and Lizhe Wang

Source: IEEE Transactions on Geoscience and Remote Sensing

Available online: 01 February 2022

DOI: 10.1109/TGRS.2023.3241331

论文链接: https://ieeexplore.ieee.org/abstract/document/10034775

论文代码链接：https://github.com/tist0bsc/EG-UNet

数据集链接：

Google Drive:

https://drive.google.com/drive/folders/1GeuAU97Z-_Eaj7r0QTI2cjwX0zR3nmEQ?usp=sharing

百度网盘：https://pan.baidu.com/s/1IbAyefXo3gIhBivc-zt50Q

提取码:1234