《Applied Sciences》：WMN: A Multi-Scale Nested Mixture-of-Experts-Based Method for High-Resolution Remote-Sensing Solid Waste Site Extraction and Monitoring
编辑推荐：
从遥感影像中准确自动提取固体废物场地是当代环境监管和风险缓解的关键需求。然而，在高分辨率遥感影像中，固体废物场地通常表现为单个语义图像对象（SIO），该对象由多个物理图像斑块（PIP）组成，这些PIP在尺度、形态和光谱属性上表现出显著变化。这种内在异质性大大增
从遥感影像中准确自动提取固体废物场地是当代环境监管和风险缓解的关键需求。然而，在高分辨率遥感影像中，固体废物场地通常表现为单个语义图像对象（SIO），该对象由多个物理图像斑块（PIP）组成，这些PIP在尺度、形态和光谱属性上表现出显著变化。这种内在异质性大大增加了多类别场地识别的复杂性和不确定性。为了应对这一挑战，研究人员提出了WasteMOE Net（WMN），该网络基于对SIO-PIP关系建模的核心概念开发。WMN采用异构专家选择机制结合嵌套混合专家架构。因此，它能够跨不同场景对复杂PIP进行自适应感知，并在SIO层面进行集成判别。此外，通过结合KAN网络的显式非线性表示能力，WMN在保持计算效率的同时有效提高了多类识别精度。此外，本研究根据SIO-PIP感知注释原则构建了一个高分辨率固体废物场地数据集，包含五个代表性类别：尾矿库（TP）、建筑弃土场（CSS）、填埋场（LS）、垃圾堆场（GDS）和挖掘场（ES）。实验结果显示，WMN在检测任务中实现了mAP50值分别为74.2%（GDS）、63.5%（CSS）、80.9%（ES）、85.4%（TP）和83.1%（LS），在分割任务中对应类别分别为75.4%、64.1%、83.0%、86.7%和84.1%。在两个任务中，它都取得了与最先进方法相竞争的性能。此外，在中国娄底市的实际应用中，WMN在1.34小时内完成了490.67 km2区域的处理。GDS和ES的识别准确率分别达到54.8%和65.3%。最后，所提出的方法已成功集成到基于GIS的固体废物污染风险预防系统中，显著提高了环境监测和现场检查的整体效率。
**研究背景与问题**
固体废物不当处置会释放有毒有害物质，导致环境污染，并在极端天气下引发次生灾害（如废堆坍塌、排水堵塞、火灾等）。传统固体废物监测依赖大量人工现场巡检，耗时费力且难以全面评估。高分辨率遥感影像结合智能识别模型和GIS系统为大规模监测提供高效替代方案，但现有深度学习模型在复杂遥感场景中提取多类固体废物场地时，常因目标尺度变化大、形态不规则及背景复杂而产生误检。核心挑战在于：固体废物场地在遥感影像中表现为单个**语义图像对象（SIO）**，但其由多个尺度、形态和光谱属性显著变化的**物理图像斑块（PIP）**构成，这种内在异质性增加了识别难度。现有方法（如YOLO系列）在区分PIP与背景的相似特征（如水库误判为尾矿库）时效果不佳。
**研究内容与意义**
研究人员针对上述问题提出了WasteMOE Net（WMN），该模型基于SIO-PIP关系建模，通过动态自适应感受野混合专家（DARF-MOE）和嵌套混合专家（NST-MOE）模块实现多尺度异质PIP感知与SIO级判别，并引入KAN线性层提升分割精度与效率。研究还构建了高分辨率固体废物场地数据集（BUCEA-SWS），涵盖五类常见场地。实验表明，WMN在检测与分割任务中均达到竞争性能，并在娄底市实际应用中展现出高效性与实用性。该模型已集成到GIS固体废物污染风险预防系统中，显著提高了环境监测和现场检查效率。论文发表在《Applied Sciences》。
**主要关键技术方法（不超过250字）**
研究人员提出了WMN模型，其核心技术包括两个混合专家模块：1）**DARF-MOE模块**：包含四种感知专家（多尺度ASPP专家、CBAM注意力专家、形态边缘专家MEE、稳定专家SE），通过路由动态选择最适合当前输入特征的专家进行加权融合，自适应调整感受野以应对PIP的尺度与结构异质性；2）**NST-MOE模块**：采用“外部分组+内部细化”的两级路由机制，将总专家分为I个外部专家组，每组含J个相同结构的子专家，通过外部路由选组、内部路由选专家，建模不同SIO间的高阶语义差异；3）**KAN掩码系数预测模块（KAN-MCP）**：利用KAN网络的非线性映射能力预测掩码系数，提升分割精度与可解释性。数据集BUCEA-SWS主要来自吉林一号卫星影像，覆盖中国四川、湖南、广东等南方省份，样本由曙光环保公益发展中心提供，经遥感专业人员标注与交叉校核。
**研究结果（保留每个小标题，并简要说明通过什么研究得出什么结论）**
**3.4 Comparison Results and Analysis**
**(1) Results on the BUCEA-SWS Dataset**：在自建数据集上，Propose+ (YOLOv11)在检测任务中mAP50达到83.1%（ES、TP、LS三类）和68.5%（GDS、CSS两类），显著优于RT-DETR、FBRT、PKI等方法。通过可视化误检案例（如阴影、裸地等相似PIP干扰），表明WMN借助细粒度PIP表征和SIO综合判别，有效减少了误检和漏检。
**(2) Results on Open-Source Datasets**：在四个公开数据集（GDTD、OPMOD、OSTPD、TPHPD）上，Propose+ (YOLOv11)平均mAP50达到62.6%，优于其他方法。在低分辨率、小目标及复杂背景场景中，WMN通过增强PIP判别和结构感知，改善了目标提取完整性并抑制虚警。
**(3) Comparison of Model Parameters**：在GTX 3070 GPU上，WMN（Propose+ YOLOv11）推理速度保持在80 FPS以上，GFLOPs仅小幅增加，而PKI等高性能方法FPS仅6.5。表明WMN在显著提升精度的同时保持了良好的工程可行性。
**3.5 Effectiveness Analysis of the Proposed Model Architecture**
**(1) Ablation Study**：模块消融实验表明，单独引入DARF-MOE或NST-MOE均提升检测与分割精度；KAN-MCP单独引入对分割提升更明显（mAP50增加约1.7）。三者联合（Model B）实现最优性能，且KAN-MCP相比同复杂度线性层在精度上更具优势，验证了三个模块的协同互补作用。
**(2) Analysis of Expert Configuration in NST-MOE**：在固定总专家数下，嵌套结构（I=4, J=4）优于非嵌套结构；增加子专家数（J>4）或外部组数（I>4）导致性能饱和或下降，I=4、J=4达到精度与效率的最佳平衡。
**(3) Scene-Aware Expert Routing Analysis of DARF-MOE**：通过统计不同固体废物场景下专家的路由选择比例，发现大型连续目标（ES、LS、TP）更多依赖ASPP专家（多尺度感受野）；CSS因形态复杂而ASPP和SE专家联合主导；GDS因高反射特征而CBAM专家比例显著升高；SE专家在所有场景中保持稳定激活，发挥稳态补偿作用。这验证了动态路由的自适应有效性。
**(4) Visualization and analysis of spatial attention based on Grad-CAM**：Grad-CAM热力图显示，YOLOv11对非目标区域（如农田、道路）产生广泛高响应，而Propose+ YOLOv11的注意力更集中于目标内部的多个关键PIP（如尾矿库中的水体、拦水坝、堆排区），体现了更强的整体结构感知能力。
**讨论部分总结**
讨论指出：1）数据集代表性有限，BUCEA-SWS主要来自中国南方省份，未来需扩展至更广地理区域；2）剩余挑战包括高度相似的背景PIP（如GDS与白色屋顶）、不规则小型废堆及大目标边界截断导致的碎裂提取，需引入更难的负样本和空间一致性约束；3）MOE结构的训练过程更复杂，负载均衡可能引起训练波动，未来需监控路由稳定性；4）实验未进行统计显著性分析，后续将通过置信区间估计评估结果稳健性。
**研究结论（翻译）**
本文提出用于高分辨率遥感影像固体废物场地提取的WMN模型。在保持计算效率的同时，该模型明确感知输入场景中不同PIP在尺度、结构特征和上下文信息上的差异，并自适应激活更合适的专家特征提取路径。通过渐进式的特征聚合，WMN形成了SIO的稳定表征，增强了模型对复杂目标的理解和判别能力。在多个公共数据集和自建数据集上的大量实验表明，所提方法在不同遥感场景中表现出稳健的泛化能力。与多种经典方法和最新先进模型相比，WMN在多类检测和分割任务中取得更稳定且具竞争力的性能。此外，系统的消融研究和多维分析验证了每个核心模块在缓解PIP异质性对SIO识别的干扰以及增强语义一致性建模能力方面的有效性。
在中国湖南省娄底市的实际应用中，所提方法展现了高效率与实用性。对于18级影像数据（6.35 GB），完整处理和筛选在1.34小时内完成；对于16级影像数据（12.40 GB），在3.21小时内完成。在精度方面，该方法在GDS和ES上分别取得54.8%和65.3%的mAP50；即使对于更复杂的CSS，也达到29.8%的精度；对于样本相对有限的TP和LS，仍能快速提供可靠位置信息。这些结果表明，所提方法能够在保持效率的同时准确提取多类别场地，展现出显著实用价值。此外，本研究与曙光环保公益发展中心合作开发了基于GIS的固体废物污染风险预防系统，进一步提升了监测效率，为后续现场调查和监管决策提供了可靠支持。
在模型改进方面，研究人员尚未全面控制每个专家应承担的具体任务，在可解释性和可控性方面仍有提升空间。关于计算效率，MOE结构理论上可通过专家并行化策略（将多个专家分布在不同GPU上分担计算和内存负载）进一步提升性能，这不仅可显著提高训练效率，还能进一步发挥MOE在实际工程应用中的优势。
