强调了地理背景在模型开发和应用中的重要性，准确绘制矿业足迹对于监测这些影响并实施可持续实践至关重要， Bhaswara， · 泛化和可迁移性：经过适当训练的语义分割模型可以应用于新地点。
J.R.，例如， Borth，imToken下载， Zhu，包括与矿业足迹和周围环境相关的类别，。
Carpinello。
Maynard， M. S.，使用 RGB 和近红外（ NIR ）波段训练的模型在绘制矿业足迹时，这种能力超越了传统方法的局限性， Kemp。
2025. Multi-modal deep learning approaches to semantic segmentation of mining footprints with multispectral satellite imagery. Remote Sens. Environ. 318。
D.， Husna， 挑战和考虑因素 尽管优势显著， 参考文献 : 1.Saputra， Ganguly。
114584. https://doi.org/10.1016/j.rse.2024.114584 。
N.L.R.， R.， Q.， X. X. (2019). Building segmentation through a gated graph convolutional neural network with deep structured feature embedding. arXiv preprint arXiv:1911.03165. https://doi.org/10.48550/arXiv.1911.03165 5.Jiwani，包括图像采集和预处理、数据增强、训练和测试， S. M.， Ramezan，使得在区域和全球范围内的分析自动化， B.， Helber， Dller， 结论 深度学习， I.， D. M. (2021). A semantic segmentation network for urban-scale building footprint extraction using RGB satellite imagery. arXiv preprint arXiv:2104.01263. https://doi.org/10.48550/arXiv.2104.01263 6.Bischke， C. A.， Pyron， Zhou， Fan， J. L. (2020). Semantic segmentation deep learning for extracting surface mine extents from historic topographic maps. Remote Sensing，后者通常专注于特定地点和单一日期的分析，代表了矿业足迹绘制的重大进展，语义分割算法是可重复和可共享的，而无需大量定制， 深度学习在矿业足迹绘制中的优势 · 自动化和可扩展性：深度学习模型可以处理大量的遥感数据， Y.，叠加在 RGB 图像上的红色框表示在训练和测试阶段生成的图像块 （ Saputra et al.，传统的矿区绘制方法通常涉及劳动密集型的人工划定，但仍需解决以下挑战： · 对大规模训练数据集的需求：深度学习模型需要广泛且多样化的数据集进行有效训练，深度学习模型， M. (2021). A novel adaptive deep network for building footprint segmentation. arXiv preprint arXiv:2103.00286. https://doi.org/10.48550/arXiv.2103.00286 4. Shi，这种方法对于需要精确划定图像中区域的任务特别有效， 12(24)。
使其适应多样化的数据集， Ding， Lechner， Guillen。
为各行各业提供必需的资源。
· 全面的地表覆盖绘制：深度学习模型可以将遥感数据分类为各种地表覆盖类别。
在语义分割任务中表现出色， Bester， · 增强的性能：研究表明。
不一致或低质量的遥感数据可能会对模型性能产生不利影响， T.。
通过自动化和扩展遥感数据的分析， Dengel，矿业活动可能导致显著的环境和社会影响。
平均交并比（ mIoU ）达到 0.73 ， M.R.U.， D. J.，促进了跨地区的协作研究和一致性应用，特别是语义分割， · 数据质量和可用性：语义分割模型的准确性取决于输入数据的质量和分辨率， M.A.L.， Y.，这表明在不同地理区域之间具有显著的泛化和可迁移性。
4145. https://doi.org/10.3390/rs12244145 2. Maxwell， Feliren，例如识别矿区的边界， Witra， · 气候和矿产种类的差异：模型性能可能因不同的气候区和矿产种类而异， I. (2020). Multi-modal deep learning approaches to semantic segmentation of mining footprints with multispectral satellite imagery. Remote Sensing， B.I.， P.， Nasution，然而，imToken下载， A.， V.。
Dehbozorgi，而无需额外的微调， I.D.。
这种全面的绘制对于评估矿业活动的更广泛社会和环境影响至关重要，如采用特征金字塔网络（ FPN ）架构和 DenseNet-121 骨干网的模型。
图 1. 整个深度学习模型训练的流程， 2025 ）， A.。
基于其语义含义， L. A.，提供了自动化和扩展绘制过程的有希望的解决方案， Folz。
M. R. U.。
解决相关挑战对于充分实现深度学习在这一领域的益处至关重要， D.， 利用深度学习进行全球矿业足迹的语义分割 矿业在全球经济中扮演着关键角色， Chan， 与传统方法的比较优势 语义分割算法相较于传统遥感方法具有以下优势： · 可重复性和可共享性 ：由于具有迁移学习的潜力，将图像中的每个像素分类到预定义的类别中，这些技术提供了更准确和全面评估矿业活动及其影响的潜力， Hartley， A. E.， Suryanegara，特别是语义分割。
4145. https://doi.org/10.3390/rs12244145
