垃圾堆作为温室气体排放的主要来源之一，分别占全球人为温室气体排放、甲烷排放的3%和18%。近年来，全球垃圾数量不断增长，垃圾堆的监测和管理受到了前所未有的关注，垃圾堆的搜查发现对环境治理具有重要意义。
目前，垃圾堆搜查工作主要依赖人工，但非法垃圾的倾倒位置往往难以预测，加重了监管的人力成本。高分辨率对地观测卫星能够提供覆盖大范围区域的遥感图像数据，尤其是随着卫星数量的持续增加，时间分辨率得到提升，使得利用遥感技术手段，在全球尺度下开展垃圾堆的精准搜查成为可能。
中国科学院空天信息创新研究院赛博智能研究团队长期从事遥感数据智能处理和分析研究。
自2002年来，团队联合了厦门大学、中国科学院计算技术研究所，以及德国宇航中心和东京大学开展相关研究，在国际上首次利用深度学习从高分辨率遥感卫星图像中全自动检测定位垃圾堆并识别其类型，针对垃圾堆的复杂特征提出“细粒度分区特征注意力网络”（BCA-Net）对垃圾堆进行建模计算，实现高可信高精度的垃圾堆分布识别。
同时通过分析全球28个城市的垃圾堆数量和18个社会经济因素之间的统计相关性，揭示全球垃圾堆分布与城市化进程、卫生水平和发达程度之间的关系，构建全新的社会经济评价视角。相关研究成果已发表在《自然》（Nature）子刊Nature Communications。
团队对全球28个代表性城市的垃圾堆数量进行统计。垃圾堆检测主要面临类内差异大、类间差异小的难题：一方面，遥感卫星图像中垃圾堆内部颜色与周围环境相似，但与垃圾堆边界有明显差异，因此难以在遥感卫星图像中定位垃圾堆与环境的边界位置。另一方面，正射视角下，不同类型的垃圾堆形态特征差别不明显，难以将垃圾堆分类到正确的类别中。
针对以上问题，团队创新性提出“细粒度分区特征注意力网络”（BCA-Net），利用多维度特征加权手段，细粒度建模分区特征对不同类别垃圾堆的重要性，赋予模型特征聚焦能力，强化模型对于特征中关键信息的选择性学习。在垃圾堆检测任务上，模型可以检测出98%以上的垃圾堆，相较人工搜查节省96.8%的时间，显著提升了全球垃圾堆搜查精度和速度。
基于自主研发的细粒度分区特征注意力网络，团队在全球28个典型城市（如东京、慕尼黑、上海等）的中心区域进行了地毯式的垃圾堆搜查，检测到近1000个垃圾堆。通过分析不同城市垃圾堆数量与其对应的18个社会经济因素（源于世界银行、联合国等官方公开数据）之间的相关性。揭示了垃圾堆分布与城市发展、公共卫生、城乡差异等全球热点问题之间具有相关性，与人口、教育和技术等因素无统计相关性。
此外，对5年间慕尼黑、东京、上海和坎帕拉4个城市的垃圾堆数量进行时序分析。结果表明，垃圾堆数量与城市化改造、垃圾监管制度和垃圾分类政策等可能存在某种关系。团队提出的方法显著提升了全球垃圾堆搜查精度和速度，同时结合18个社会经济因素反映了城市发展、公共卫生、城乡差异等全球热点问题，通过对时间序列的分析，进一步探究了制度政策对垃圾堆分布的影响。
未来研究团队继续利用遥感手段探索各类典型地物要素与土地利用规划、城市建设效率、城市绿化进程之间的关系。