科技导报

作者：孙铭泽, 王军, 张婉秋, 刘琨, 林刚

单位：1山东建筑大学土木工程学院，济南250101；2中国矿业大学（北京）地球科学与测绘工程学院，北京100083；3自然资源部国土卫星遥感应用中心，北京100048；4中国科学院地理科学与资源研究所，北京100101；5中国科学院大学资源环境学院，北京100049；

关键词：露天矿山分割,实例分割,提示学习,图卷积网络

基金：国家重点研发计划项目(2023YFE0208000)

露天矿山的高效运营与科学监管高度依赖于精准的空间信息获取[1−2]。早期矿山识别研究主要依赖中低分辨率遥感数据与基础机器学习算法，识别结果将复杂的矿山地表元素合并简化为“建设用地”等单一类别，存在识别粒度粗和缺失细节层次等问题[3]，近年来，深度学习凭借强大的特征学习能力成为该领域主流[4−5]。现有研究人员已基于EG−UNet、DeepLabv3+等技术有效提升了识别精度，展现了技术融合的显著进展[6−7]。在深度学习可用数据集方面，虽然已有Silva等[8]的矿山废弃物数据集、Wang等[9]的高分辨率开采数据集和2024年开源的CUG_MISDataset等[10]公开数据集，但仍存在标注质量不一、覆盖不均等问题，制约了模型泛化能力；此外，露天矿山具有复杂的拓扑结构，传统分割算法难以处理这种复杂的拓扑关系和多样化的矿山地貌，亟需开发图卷积网络等[11−14]更先进的算法以应对这些挑战。Meta AI开发的分割一切大模型（segment anything model，SAM）凭借零样本泛化能力为样本稀缺任务提供了新思路[15]，结合低秩自适应（low−rank adaptation，LoRA）等微调技术[16−17]，遥感影像分析正由通用分割转向针对多尺度目标、时空一致性及多源异构数据深度适配的精准语义理解。

来源：2026年第6期

《科技导报》期刊编辑部

查看科技导报杂志2026年第6期