一种结合领域知识的卫星图像分割方法，用于全球垃圾填埋场检测

《Engineering Applications of Artificial Intelligence》：A domain knowledge-augmented satellite image segmentation approach for global landfill detection

垃圾填埋场检测中，本研究提出融合领域知识的卫星图像分割方法，通过全球1,380个填埋场的高分辨率遥感数据训练模型，并引入地形、材料分布等五个领域特征进行校准，实现检测召回率99.51%、整体精度98.97%和分割精度88.08%，有效解决现有方法区域适配性差、仅检测存在忽略面积的问题，支持全球填埋场动态监测与非法用地识别。

　　

梁媛|李茂苏|卢卫生|薛凡

英国剑桥大学工程系，特拉姆普ington街，剑桥，CB2 1PZ

摘要

垃圾填埋是全球主要的废物管理方式，但同时也带来了重大的环境和社会挑战。自动识别垃圾填埋场对于实现经济高效的环境管理至关重要。然而，现有的方法通常仅限于在特定区域内检测垃圾填埋场的存在。本研究开发了一种结合领域知识的卫星图像分割方法，以在全球范围内识别垃圾填埋场的存在及其占地面积。我们利用来自全球各地的1,380个代表性垃圾填埋场的卫星图像来微调深度学习分割模型，并定义了五个基于领域知识的特征来校准分割结果。该方法在垃圾填埋场存在检测方面的准确率为99.51%，总体准确率为98.97%，平均准确率为91.95%，平均交并比为88.08%。与现有研究相比，该方法能够同时识别全球范围内的垃圾填埋场位置和面积，并通过领域知识提高了分割精度。该方法可用于全球垃圾填埋场测绘和非法垃圾填埋场的检测。

引言

垃圾填埋场是专门用于废物处理的设施，通过使用衬垫、渗滤液收集系统和气体管理基础设施等手段，将各种固体废物（如城市固体废物、建筑废物或商业废物）埋藏并隔离，从而限制对土壤、水和空气的污染（Nanda和Berruti，2021；Warith，2003）。在废物管理的“3R”原则（即减少、再利用、回收）中，垃圾填埋场通常是最不受欢迎的选择，仅在废物最小化、再利用和回收不可行时才会采用（世界银行，2016；Yuan等人，2024）。然而，垃圾填埋场也具有实际优势，例如能够以较低的成本处理大量废物，并且在先进的设施中还可以通过甲烷捕获产生能源（Fr?ndeg?rd等人，2013；Mahmood等人，2016）。因此，尽管优先级较低，但在2016年，垃圾填埋场仍处理了69.6%的固体废物，而只有13.5%被回收、11.1%被焚烧和5.5%被堆肥（世界银行，2016）。

然而，垃圾填埋场也存在许多问题。例如，它们需要大量土地；如果管理不当，会排放甲烷和二氧化碳等温室气体；渗滤液可能含有重金属，导致地下水污染；并且会产生气味，对周边居民的健康构成威胁（Graupman等人，2023；Limoli等人，2019）。这些问题，加上其线性“生命周期”特性，与循环经济的目标相悖（Dong等人，2025；MacArthur，2013），因此需要准确检测垃圾填埋场并对空气、土壤和水进行严格的长期监测。许多地区（如欧盟、美国和澳大利亚）都通过法规要求对垃圾填埋场进行检测和监测。

遥感数据在自动化垃圾填埋场检测方面具有巨大潜力，因其可用性不断提高、空间可扩展性强且数据收集成本相对较低。因此，当前关于垃圾填埋场检测的研究越来越多地采用基于遥感的方法。这些方法的数据来源包括机载专题地图（Jones和Elgy，1994）、LiDAR点云（Valjavec，2014）、地表温度图像（Yan等人，2014）、卫星图像（Manzo等人，2017）、无人机照片（Wyard等人，2021）和夜间光照图像（Karimi等人，2022）。同时，先进的人工智能技术（如机器学习和深度学习）也被广泛用于开发支持基于遥感的自动垃圾填埋场检测的模型。这些研究为自动化垃圾填埋场检测和监测做出了重要贡献。

然而，现有方法仍存在不足：首先，这些方法通常基于小范围样本数据开发，例如某个地区（Azmi等人，2022；Karimi等人，2022）、城市（Mahmood等人，2016；Yan等人，2014）甚至是一个社区（Azmi等人，2022；Wyard等人，2021）。因此，这些方法的普遍适用性值得怀疑，因为区域间的差异不可避免地会导致垃圾填埋场视觉特征的差异（Manzo等人，2017；Yalana等人，2008）。其次，几乎所有现有方法仅关注检测垃圾填埋场的存在，这将垃圾填埋场检测转化为一个二分类的遥感数据分类问题；而很少有研究探索识别垃圾填埋场的占地面积，即遥感数据中的对象分割问题，这与分类问题有所不同。垃圾填埋场的面积也是后续监测和管理实践的重要属性。

本研究的主要目标是开发一种结合领域知识的卫星图像分割方法，以识别全球范围内的垃圾填埋场，包括存在检测和面积提取。选择高分辨率卫星图像作为输入，因为它们提供了丰富的特征信息且易于获取。将训练适当的图像分割模型从图像中提取垃圾填埋场对象。此外，还将整合与垃圾填埋场相关的领域知识来增强图像分割效果，从而提高方法的性能。本文的结构如下：第2节对现有的垃圾填埋场检测方法进行了批判性回顾；第3节详细介绍了该方法，结合了从文献中提取的领域特定知识；第4节介绍了基于全球各地1,380个垃圾填埋场的方法开发和验证过程；第5节深入讨论了该方法的优点和局限性；第6节总结了本研究。

研究方法

为了开发识别全球垃圾填埋场存在及其占地面积的模型，本研究采用了实验方法。具体步骤是使用分层抽样技术收集来自世界各地不同地区的垃圾填埋场卫星图像。分层抽样平衡了样本采集成本和代表性（Lohr，2021）。然后，将样本图像输入适当的深度学习算法以训练语义分割模型。

方法架构

图1展示了所提出的垃圾填埋场检测方法的架构。其输入是高分辨率卫星图像，输出是语义分割结果，该结果可以指示图像中垃圾填埋场和非垃圾填埋场对象的像素区域。当将卫星图像输入该方法架构时，基于深度学习的图像分割模型将输出分割结果，然后根据领域知识进行校准。

SAM模型分割和基于领域知识的校准

表3比较了包含和不包含五个基于领域知识特征的模型性能。实验得出以下结论：

首先，可以观察到，在选择图像编码器ViT-Huge的复杂性级别时，模型在检测垃圾填埋场的存在和分割垃圾填埋场对象方面表现出最佳性能，ViT-Huge使用的参数数量比ViT-Base和ViT-Large更多，以便捕捉图像分割所需的视觉特征。

其次，

开发方法的适用性

实验表明，训练好的模型在不同国家之间的分割准确性没有显著差异，这表明该方法具有出色的全球适用性。新开发的方法具有多种应用场景。例如，它可以高效且经济地追踪未记录的垃圾填埋场，支持城市/区域/国家垃圾填埋场数据库的创建。这对于与垃圾填埋场相关的环境管理尤为重要。

结论

针对公共部门面临的垃圾填埋场检测和监测挑战，本研究提出了一种结合领域知识的卫星图像分割方法，以准确识别全球范围内的垃圾填埋场存在及其占地面积。为此，从世界各地不同国家选取了1,380个具有不同社会、地理、地形和形态特征的垃圾填埋场样本；然后使用分辨率为2米的卫星图像进行了研究。

CRediT作者贡献声明

梁媛：撰写——原始草稿、可视化、验证、软件、方法论、调查、形式分析、数据整理、概念化。李茂苏：撰写——审阅与编辑、可视化、验证、软件、方法论、调查、形式分析、数据整理、概念化。卢卫生：审阅与编辑、监督、资源协调。薛凡：监督、资源协调。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

本研究得到了香港政府研究资助委员会（RGC）一般研究基金（GRF）2024-25年度（项目编号：17202224）的支持。计算工作使用了香港大学信息技术服务提供的研究计算资源。