印度各地的砖窑：砖窑分布与技术类型的时间分析

《International Journal of Applied Earth Observation and Geoinformation》：Brick kilns across India: A temporal analysis of brick kiln distribution and technology types

　　

该研究利用10米分辨率的卫星影像，首次提供了印度全国多年的砖窑地图（2019–2025）。该研究引入了MuTBriK，一个覆盖五种窑类型的大型标注数据集。该研究提出了一种混淆感知损失（confusion-aware loss），用于分离视觉上相似的类别，实现了93%的检测准确率和81%的分类准确率（较基线提升5%）。该研究检测到2025年共有48,928座砖窑。该研究揭示了随着时间的推移，更清洁的Zigzag窑技术被越来越广泛地采用。

印度砖窑分布与技术类型的时间分析：基于开放遥感数据的全国制图

印度是全球第二大砖生产国，拥有超过10万座砖窑，其中许多采用落后技术，每年约排放170千吨（kt）PM_2.5（约占全国排放的15%）和近120百万吨CO₂（约占6%），并排放大量SO_x和NO_x。砖窑的空间分布主要受原材料可获得性与区域建设需求驱动，约60%集中于印度恒河平原（Indo-Gangetic Plain，IGP）。不同技术类型的排放强度差异显著，传统Bull's Trench窑（BTK）和固定烟囱Bull's Trench窑（FCBTK）污染严重，而Zigzag窑可降低能源消耗20%–30%并大幅减少排放。2017年印度中央污染控制委员会（CPCB）要求从FCBTK向Zigzag等清洁技术转型，但实际推广缓慢。卫星遥感可提供大规模监测手段，但地面真值稀缺、高分辨率商业影像成本高且许可受限。此前研究多集中于区域尺度或少数窑型，缺乏覆盖全国的多年份、多类型砖窑数据集。因此，该研究旨在构建开放的国家级Sentinel-2砖窑数据集，并开发深度学习模型，实现印度全国砖窑分布与技术类型的多年制图。该论文发表在《International Journal of Applied Earth Observation and Geoinformation》。

该研究采用的主要技术方法包括：基于Google Earth Engine下载Sentinel-2 MSI Level-2A影像，经云检测后按月生成中值合成影像；使用红、绿、蓝、近红外、短波红外1和短波红外2共六个波段，并加入归一化植被指数（NDVI）和归一化建成指数（NDBI）作为补充通道。研究人员手工标注了覆盖印度多样产砖区的308个区域，构建包含8610个像素级标注的MuTBriK数据集，涵盖FCBTK、Zigzag、圆形Bull's Trench窑（CBTK）、带顶Bull's Trench窑（RBTK）和下抽风窑（DDK）五类。模型采用U-Net架构并以EfficientNet-B7为编码器进行多类语义分割。针对视觉相似类别易混淆的问题，提出了混淆矩阵正则化交叉熵损失（CMR-CE）。推理阶段采用重叠滑动窗口处理全国约460景影像，生成2019–2025年年度砖窑地图。

4.1 损失函数消融实验：通过对比标准交叉熵（CE）损失与CMR-CE损失，研究人员发现CMR-CE在所有对象级指标和大部分像素级指标上均优于CE。对象级微平均F₁分数从0.7793提升至0.8099，检测F₁分数从92.91提升至93.79，真阳性数量增加且假阴性减少，表明混淆感知正则化能有效提升视觉相似窑型的判别能力。

4.2 测试集结果：在预留测试集上，模型达到像素级宏平均F₁为0.6355、微平均F₁为0.7549，对象级宏平均F₁为0.8178、微平均F₁为0.8099。窑检测精度为93.86%、召回率为93.72%、F₁分数为93.79%。混淆矩阵显示，FCBTK与Zigzag之间存在中等程度混淆，DDK主要与背景混淆，而CBTK和RBTK分类准确度较高，表明模型在类型分类和定位方面具有稳健性。

4.3 全国砖窑地图：将模型应用于全国后，2025年共检测到48,928座砖窑，其中北方邦、比哈尔邦、西孟加拉邦、哈里亚纳邦、拉贾斯坦邦、阿萨姆邦和旁遮普邦集中了39,929座窑，约占全国总数的82%。2019–2025年间，总窑数从49,231小幅降至48,928，但技术结构发生变化：FCBTK数量从23,228降至22,851，Zigzag从22,157升至23,018，CBTK下降了近50%。区域分析表明，北方邦、阿萨姆邦和比哈尔邦正逐步转向Zigzag技术，而拉贾斯坦邦、泰米尔纳德邦等地的FCBTK和RBTK数量仍在增加。

讨论部分指出，模型在检测上的表现优于分类，FCBTK与Zigzag的混淆主要源于10米分辨率下结构细节不足。外部验证使用14个地理多样区域、共5642个地理参考标签，在40米缓冲区标准下检测率为88.0%，技术分类正确率为77.5%；若排除DDK，检测率提高到93.6%。废弃砖窑检测率较低，仅占验证标签的6.8%，因此对全国清单不确定性影响有限。与已有研究相比，该模型在2020年检测到印度43,062座FCBTK和Zigzag窑，与全国性研究报告的48,219座基本一致；在恒河平原区域也与先前研究高度吻合。初步应用于巴基斯坦、孟加拉国和尼泊尔分别检测到8806、7978和1050座窑，但缺乏验证数据，属于探索性结果。该研究还讨论了政策意义：年度地图可帮助监管机构识别污染窑型集中区域并监测清洁技术合规情况。局限性包括无法区分运营与非运营窑、年度复合影像限制时间精度、FCBTK/Zigzag分类存在残余不确定性。未来工作将扩展数据集以纳入临时土窑（clamp kiln），并获取印度以外的验证数据。

结论部分指出，精确掌握砖窑的空间和时间分布对于评估其对空气污染和碳排放的贡献以及评估清洁生产技术的进展至关重要。该研究利用开放的Sentinel-2影像，提出了一个基于深度学习的印度全国砖窑监测框架，构建了大规模多样化数据集MuTBriK，包含八通道图像瓦片和五种窑型的像素级标注。通过具有定制损失函数的分割模型，总体分类准确率达到80.93%，较基线提升约4.8%。外部数据验证显示，检测到的窑中技术类型分类正确率为77.5%，使用40米空间缓冲区时总体检测率为88.0%；预留测试集上对象级窑检测F₁分数为93.79%。利用该框架，研究首次生成了2019–2025年印度全国砖窑位置及技术类型的多年地图，量化了区域分布和向清洁设计的转变；时间分析进一步揭示了Zigzag清洁技术采用增加、CBTK等旧技术减少的趋势。这些结果为大规模砖窑排放监测奠定了开放、可复制的基础。然而，该框架仍受限于Sentinel-2影像空间分辨率以及某些视觉相似窑型区分的不确定性，且需要进一步验证模型在印度以外的可迁移性。该框架可支持监管机构评估清洁技术法规的合规性，并为联合国可持续发展目标（SDGs）中的SDG 9（产业、创新和基础设施；目标9.4）和SDG 13（气候行动；目标13.2和13.3）做出贡献。