基于深度学习和遥感影像的煤矿自燃区域智能检测模型研究

来自中国的研究人员针对煤矿自燃引发的经济环境安全问题，创新性地利用热红外遥感影像构建数据集，开发了基于图像分割深度学习技术的检测模型。该模型在乌海五大矿区实现93.52%平均精度和0.95交并比，精准识别出8,442个燃点与0.132 km2火区，为大规模煤火监测提供了可靠技术方案。

　　

煤矿开采活动引发的自燃现象(coal fires)造成严重经济损失与环境危害，传统地球化学检测方法因成本高昂难以大规模应用。科研团队突破性采用热红外影像(thermal infrared images)构建训练集与验证集，运用图像分割(image segmentation)深度学习算法开发高精度检测模型。在内蒙古乌海五大典型矿区验证中，该模型展现出惊人性能：验证集平均精确度(precision)达93.52%，召回率(recall)90.83%，像素精度95.21%，F1分数92.16%。特别在复杂背景区域，模型检测结果与地面实测数据的交并比(IoU)高达0.95。

研究揭示五大矿区存在0.132 km²的持续燃烧区域，累计识别8,442个独立着火点(ignition points)。这项技术突破不仅实现煤火范围的精准圈定，其卓越的泛化能力更表明该模型适用于大尺度矿区环境监测，为全球煤矿安全生产提供智能化解决方案。