《International Journal of Applied Earth Observation and Geoinformation》：Accurate identification of rare earth mining area from low-resolution remote sensing images: a cloud-based approach integrating super-resolution and semantic segmentation
编辑推荐：
为解决低分辨率遥感影像中稀土矿区边界模糊、识别精度低的问题，研究者开展了一项关于“遥感特征约束的超分辨率-分割联合模型”的研究。该方法在Google Earth Engine与Colab云平台上构建了端到端处理流程，有效提升了矿区边界定位与整体识别精度，在Sentinel-2影像上取得了优于主流模型的表现，为利用低分辨率遥感数据实现稀土矿区的快速自动化识别提供了可行的技术方案。
在科技与国防领域扮演着关键角色的稀土元素，其开采活动的及时监测对国家资源管理与生态保护至关重要。然而，现实却面临一个棘手矛盾：大范围监测需要覆盖广、易获取的中低分辨率遥感影像（如Sentinel-2），但这些影像空间细节不足，导致矿区边界模糊，难以准确识别；而能清晰显示开采痕迹（如废液池）的高分辨率影像，又成本高昂，难以大规模应用。传统方法要么只能勾勒单个矿区轮廓，缺乏大区域精准检测能力，要么无法区分不同矿产类型，算法智能化与泛化能力有限。如何利用广泛可得的低分辨率数据，实现稀土矿区的高精度、自动化识别，成为资源遥感领域亟待破解的难题。
为此，一项发表于《International Journal of Applied Earth Observation and Geoinformation》的研究提出了一种创新的解决方案。该研究构建了一个可部署于云端的、遥感特征约束的超分辨率与语义分割联合模型（RSFC-SSNet），旨在通过引入高分辨率信息的指导，增强模型对低分辨率影像的解读能力，从而实现对大面积稀土矿区的精准圈定。
研究者采用了几项关键技术方法：首先，利用Google Earth Engine (GEE)平台对Sentinel-2影像进行云剔除、波段选择与影像合成等预处理，并准备同期的高分辨率Google卫星影像，构建配对数据集。其次，提出了RSFC-SSNet模型框架，其核心是一个双分支（语义分割分支与超分辨率重建分支）编码器-解码器结构，编码器部分共享权重。模型创新性地引入了归一化植被指数（NDVI）特征约束，通过元素相乘方式融合到编码器特征中，以增强模型对植被与裸土区的区分，从而聚焦潜在矿区。此外，设计了空间感知共享特征融合模块（SSFF），利用超分辨率分支的高频空间信息指导分割分支关注关键区域；并构建了轻量级残差超分辨率头，以平衡计算成本与细节重建质量。整个流程，包括数据预处理、模型训练（在Colab平台进行）与推理预测，均在GEE、Colab和Google Drive构成的云平台上协同完成，形成了端到端的云处理工作流。
研究结果
1. 模型识别效果与精度评估
研究在江西定南和广东和平两个典型稀土矿区进行了实验。结果显示，即使在低分辨率影像中矿区边界模糊、地物不清的情况下，所提方法在两个区域均表现良好，能有效区分稀土矿区与周围背景地物。对于研究区2中分布零散、规模较小的矿点，方法也保持了较高的识别精度，验证了其在不同地形与场景下的强适应性与稳健性。定量精度评估表明，两个研究区的平均交并比（MIoU）分别达到90.73%和92.58%，显示了该方法的高精度与强泛化能力。
2. 模型消融实验
- •
超分辨率分支的有效性：移除超分辨率分支（模型退化为SegFormer主干）后，识别精度显著下降。例如在研究区1，稀土矿区的交并比（IoU）从71.99%降至59.34%。这证明超分辨率分支通过融入高分辨率影像的空间细节，有效提升了模型在低分辨率场景下的空间特征辨别力。
- •
遥感特征约束的有效性：移除NDVI特征约束后，模型精度也有所降低。NDVI约束为模型提供了更强的语义先验，帮助其更容易区分以植被为主的背景信息与前景目标，从而提升了目标识别的准确性与边界完整性。
- •
SSFF中空间感知增强模块的有效性：与无空间增强的双分支卷积融合（DBCF）和基于CBAM的特征增强方法相比，本文提出的采用方向感知卷积（垂直7×1与水平1×7）的空间感知增强模块在所有评估指标上均取得了最佳或具有竞争力的整体性能。该模块通过对方向性空间依赖进行显式建模，有助于保持目标结构的连续性与边界的完整性。
- •
轻量级残差超分辨率头的有效性：与替换为RCAN、EDSR等超分辨率头相比，本文设计的轻量级残差超分辨率头在保持最小参数量与计算复杂度的同时，取得了最优或接近最优的分割精度。其采用的浅层残差结构结合通道压缩策略，为分割任务提供了更具针对性且高效的空间细节增强。
3. 与主流模型的对比
与UNet、DeepLabV3、PSPNet、ESPNetV2、ConvNeXtUNet和HD-Net等六种代表性语义分割模型进行对比。定性结果显示，RSFC-SSNet在保持矿区边界完整性和整体检测性能方面具有明显优势。定量分析进一步证实，在两个研究区，RSFC-SSNet在稀土矿区识别的多数精度指标上均显著优于对比模型。例如在研究区1，其稀土矿区IoU（71.99%）远高于次优的ConvNeXtUNet（58.16%）。这验证了超分辨率信息在低分辨率场景下增强目标识别性能的有效性，以及NDVI特征约束在引导模型区分前景与背景方面的显著作用。
4. 模型复杂度与部署效率
RSFC-SSNet参数量仅为13.48 M，远低于UNet、DeepLabV3等模型，具有较好的参数效率。虽然因包含显式的超分辨率分支和进行高分辨率重建，其计算量（GFLOPs）较高，但这是用于任务驱动的空间细节恢复。该设计在模型紧凑性、空间细节重建能力与识别精度之间取得了合理平衡，验证了其适用于云端大区域矿业填图任务的实用性。
结论与意义
本研究成功提出并验证了一种可用于云平台的、遥感特征约束的超分辨率与语义分割联合模型（RSFC-SSNet），为利用低分辨率遥感影像实现稀土矿区的精准识别提供了创新性解决方案。主要结论与重要意义体现在以下三个方面：
首先，研究首创了超分辨率与分割融合的模型框架。通过引入超分辨率重建分支，有效增强了低分辨率影像的空间细节，使模型能够更准确地提取稀土矿区的空间结构与边缘特征，从而显著提升了边界勾绘与整体识别的精度。相较于仅基于低分辨率影像的分割模型，该方法展现出明显优势。
其次，模型集成了多项创新组件，协同提升了性能与效率。NDVI遥感特征约束增强了模型对前景矿区的关注，减少了背景误判；空间感知共享特征融合模块（SSFF）利用超分辨率信息指导分割任务聚焦关键区域，改善了对空间结构的感知；轻量级残差超分辨率头则在保证细节重建质量的同时优化了计算开销，提高了整体推理效率，使其更适配云端部署场景。
最后，研究构建了高度集成化的云端应用流程。模型部署于Colab平台，并与GEE结合实现在线Sentinel-2影像获取与处理，形成了覆盖预处理、训练与推理的端到端云工作流。在两个典型研究区的实验验证表明，该方法不仅具有强大的适应性与可扩展性，而且在利用低分辨率影像进行稀土矿区填图方面具有显著的精度优势，展示了良好的工程应用潜力。
这项工作为基于低分辨率遥感数据的稀土矿区填图提供了可行的技术途径，并探索了模型在云端的集成化部署模式，对推动遥感技术在战略性资源监管与生态环境保护中的高效、智能化应用具有重要意义。
