图1 发表图

为解决上述问题，北京大学深圳研究生院环境与能源学院秦华鹏教授课题组提出了一个新颖的绿色屋顶语义分割模型（GR-Net），实现了城市尺度绿色屋顶的快速、自动、准确的分割。

图2 GR-Net的架构。 (a) GR-Net的整体结构，包括Backbone、RSPM和BGM。Backbone以RGB图像作为输入，并使用预训练权重作为初始化参数。Backbone之后是两个神经网络模块，即RSPM和BGM，用于预测绿色屋顶和建筑屋顶。其中，RSPM接收遥感先验信息（NIR和NDVI）以增强植被特征提取；BGM接收Backbone和RSPM的输出用于过滤地面植被。(b) 骨干网络的结构，该结构是对HRNet的改进，集成了CBAM。Backbone由四个阶段组成，包含并行的高分辨率到低分辨率子网络，并在多分辨率子网络之间进行信息交换。(c) CBAM 的结构。该模块包含两个顺序子模块：通道注意力模块（CAM）和空间注意力模块（SAM）。

研究团队在北京、上海和深圳构建了高分辨率绿色屋顶遥感数据集。GR-Net在域内测试集上的 IoU达到0.744，较现有最优方法显著提升（提升幅度达86%）。并且，在域外测试集中依然保持稳定性能，展现出卓越的泛化能力。

图3 GR-Net预测的绿色屋顶分布。域内城市包括深圳南山区和福田区，域外城市包括深圳罗湖区、北京西城区和上海静安区。

作者信息

该研究成果以“Segmentation of Green Roofs in High-resolution Remote Sensing Images With GR-Net”为题发表在IEEE Transactions on Geoscience and Remote Sensing (IEEE TGRS)（中科院SCI一区Top刊）。北京大学深圳研究生院硕士毕业生王志和博士生曹小䶮为该论文的共同第一作者，秦华鹏教授为通讯作者。此外，该工作得到武汉大学冯炼教授和清华大学姚瑶博士的指导。该工作获得深圳市科技规划项目以及广东省普通高校创新团队项目的资助。算力资源由北京大学深圳研究生院环境与能源学院高性能计算集群提供。

论文链接：https://doi.org/10.1109/TGRS.2025.3601628

代码仓库：https://github.com/wangzhi123321/GR-Net