監測垃圾堆？遙感有辦法丨觀天測地_風聞

編者按：從古至今，人類從未停止過探索未知世界的腳步，認知世界的能力和手段與日俱增。中科院之聲與中國科學院空天信息創新研究院聯合開設“觀天測地”專欄，為大家介紹天上地上探索的那些事兒，帶來空天信息領域最新進展，普及科學知識。

垃圾堆作為温室氣體排放的主要來源之一，分別佔全球人為温室氣體排放、甲烷排放的3%、18%。近年來，全球垃圾數量不斷增長，垃圾堆的監測和管理受到了前所未有的關注，垃圾堆的搜查發現對環境治理具有重要意義。

目前，垃圾堆搜查工作主要依賴人工，但非法垃圾的傾倒位置往往難以預測，加重了監管的人力成本。高分辨率對地觀測衞星能夠提供覆蓋大範圍區域的遙感圖像數據，尤其是隨着衞星數量的持續增加，時間分辨率得到提升，使得利用遙感技術手段，在全球尺度下開展垃圾堆的精準搜查成為可能。

中國科學院空天信息創新研究院賽博智能研究團隊長期從事遙感數據智能處理和分析研究。自2002年來，團隊聯合了廈門大學、中國科學院計算技術研究所，以及德國宇航中心和東京大學開展相關研究，在國際上首次利用深度學習從高分辨率遙感衞星圖像中全自動檢測定位垃圾堆並識別其類型，針對垃圾堆的複雜特徵提出“細粒度分區特徵注意力網絡”（BCA-Net）對垃圾堆進行建模計算，實現高可信高精度的垃圾堆分佈識別。同時通過分析全球28個城市的垃圾堆數量和18個社會經濟因素之間的統計相關性，揭示全球垃圾堆分佈與城市化進程、衞生水平和發達程度之間的關係，構建全新的社會經濟評價視角。相關研究成果已發表在《自然》（Nature）子刊Nature Communications.

團隊對全球28個代表性城市的垃圾堆數量進行統計

圖1. 垃圾堆檢測難點

垃圾堆檢測主要面臨類內差異大、類間差異小的難題：一方面，遙感衞星圖像中垃圾堆內部顏色與周圍環境相似，但與垃圾堆邊界有明顯差異，因此難以在遙感衞星圖像中定位垃圾堆與環境的邊界位置。另一方面，正射視角下，不同類型的垃圾堆形態特徵差別不明顯，難以將垃圾堆分類到正確的類別中。

針對以上問題，團隊創新性提出“細粒度分區特徵注意力網絡”（BCA-Net），利用多維度特徵加權手段，細粒度建模分區特徵對不同類別垃圾堆的重要性，賦予模型特徵聚焦能力，強化模型對於特徵中關鍵信息的選擇性學習。在垃圾堆檢測任務上，模型可以檢測出98%以上的垃圾堆（表1），相較人工搜查節省96.8%的時間，顯著提升了全球垃圾堆搜查精度和速度。

圖2. 細粒度分區特徵注意力模塊

表1. 垃圾堆檢測結果

基於自主研發的細粒度分區特徵注意力網絡，團隊在全球28個典型城市（如東京、慕尼黑、上海等）的中心區域進行了地毯式的垃圾堆搜查，檢測到近1000個垃圾堆（圖3）。通過分析不同城市垃圾堆數量與其對應的18個社會經濟因素（源於世界銀行、聯合國等官方公開數據）之間的相關性。揭示了垃圾堆分佈與城市發展、公共衞生、城鄉差異等全球熱點問題之間具有相關性，與人口、教育和技術等因素無統計相關性。表2展示了相關性分析結果。

圖3. 全球28個城市的垃圾堆數量

表2. 垃圾堆分佈與社會經濟因素間的相關性分析

（*表示具有統計相關性，**表示具有強烈的相關性，沒有標記的則不具有統計相關性。數值表示相關性係數。DW表示生活垃圾，CW表示建築垃圾，AW表示農業垃圾。）

此外，對5年間慕尼黑、東京、上海和坎帕拉4個城市的垃圾堆數量進行時序分析。結果表明，垃圾堆數量與城市化改造、垃圾監管制度和垃圾分類政策等可能存在某種關係。圖4展示了4個典型城市的垃圾堆數量變化。

圖4. 四個典型城市2015年至2019年垃圾堆數量變化

團隊提出的方法顯著提升了全球垃圾堆搜查精度和速度，同時結合18個社會經濟因素反映了城市發展、公共衞生、城鄉差異等全球熱點問題，通過對時間序列的分析，進一步探究了制度政策對垃圾堆分佈的影響。未來研究團隊繼續利用遙感手段探索各類典型地物要素與土地利用規劃、城市建設效率、城市綠化進程之間的關係。

參考文獻：

Sun X*, Yin D*, Qin F, et al. Revealing influencing factors on global waste distribution via deep-learning based dumpsite detection from satellite imagery[J]. Nature Communications, 2023, 14(1): 1444.

來源：中國科學院空天信息創新研究院