地表覆盖数据集是生态环境综合评估中最重要的数据源之一，传统的地表覆盖调研工作主要通过实地调研进行，不仅需要投入大量的人力和物力，而且效率低下。在天山北坡国家重大能源工程生态环境效应调查项目数据集成与综合评估课题支持下，中国矿业大学资源学院杨慧老师团队提出了一种利用深度学习技术将众源带有地理标签的自然场景图像进行地表覆盖数据调查、验证和更新的方法。

该方法框架充分考虑了自然场景图像分类的效率和精度。首先对比分析不同尺度的主要地表覆盖分类方法，选择联合国粮农组织建立的地表覆盖分类体系（FAO-LCCS）作为地表覆盖和土地利用分类标准，以Flickr和LUCAS自然场景图像集为地面参考数据集，并以调查采样点为中心对东、西、南、北及中心各拍摄一张图像，共5张图像（图1），构建不同方向拍摄视角及采样分布的地表覆盖自然场景图像样本集。

图1 采样点自然场景图像拍摄样例

然后，构建基于Inception的自然场景图像识别模型（NSIC-Inception model），提高自然场景图像分类的效率和精度，模型结构如图2所示。利用NSIC-Inception模型基于全球范围的自然场景图像训练和学习，并与地表覆盖数据进行验证对比分析，具有优秀的泛化能力。

图2 自然场景图像分类模型结构

该地表覆盖数据智能验证和更新方法的研究成果在ISPRS Int. J. Geo-Inf.期刊发表，可为新疆科考项目中对地表覆盖数据验证和更新提供了创新思路，以手机拍摄的带有地理标签的自然场景图像进行地表覆盖的调查、验证和更新，有望在天山北坡能源资源开发的生态环境影响综合评估中得到应用。