随着遥感技术的发展，卫星传感器空间分辨率不断提高，我们已经全面进入高分辨率卫星遥感时代。在城市环境中，高大建筑物、树木等遮挡光源在遥感影像中形成阴影。阴影可以减少城市热岛效应，也可以作为遥感影像建筑物识别的线索。然而，阴影的存在影响影像信息的判读和解译，也给城市土地覆被精细化制图带来了高度的不确定性。

为此，兰州大学资源环境学院刘勇教授团队利用目前最先进的深度学习框架，提出了一个循环阴影注意模型（RSAM）用于消除阴影在高分辨城市土地覆被制图中的影响。该模型综合考虑了各种阴影类型的影响，利用循环注意力机制来逐步改进阴影检测结果；通过卷积块注意模块整合了位置（空间）和通道（波段）的注意力增强阴影上下文依存关系的有效性，进一步完成阴影区域土地覆被分类。本研究利用1 m分辨率航空影像创建了阴影语义注释数据集。研究结果表明：1）RSAM在各种类型城市社区提取阴影区域内的六种土地覆被类别的平均精度为90.6％，Kappa系数为0.82。2）RSAM是一种鲁棒的解决方案，可以同时消除本影和落影对高分辨率遥感影像信息提取的影响。

近日，该研究成果以“Recurrent Shadow Attention Model (RSAM) for shadow removal in high-resolution urban land-cover mapping”为题在Remote Sensing of Environment上发表。兰州大学资源环境学院XX级博士生张寅丹为论文的第一作者，兰州大学为论文第一完成单位，美国北卡罗莱纳州立大学，北卡罗莱纳大学夏洛特分校和威廉玛丽学院等多家海外科研机构和知名学者给予了支持和帮助。该研究得到国家自然科学基金项目、兰州大学中央高校基本科研业务费-优秀研究生创新项目以及国家留学基金委等支持。

文章链接：https://www.sciencedirect.com/science/article/abs/pii/S0034425720303151