遥感与深度学习为及时掌握露天煤矿区土地利用情况提供了高效率的技术手段。基于国产高分二号（GF-2）卫星高分辨率遥感影像，利用深度学习DeepLabv3+模型实现露天煤矿区土地利用识别，并与U-Net、FCN、随机森林、支持向量机、最大似然法等方法进行对比。首先，制作高分辨率影像样本数据，通过敏感性测试确定适合研究区露天煤矿场景的样本最佳裁剪尺寸和方式；然后，训练深度神经网络DeepLabv3+模型，进行土地利用识别实验；最后，比较不同方法的识别结果。结果表明：研究区露天煤矿场景下的样本最佳裁剪尺寸为512像素×512像素，最佳裁剪方式为随机裁剪。采用的DeepLabv3+模型对露天煤矿区土地利用识别的总体精度、Kappa系数分别为80.10%、0.73，均优于U-Net、FCN、随机森林、支持向量机、最大似然法等方法的识别精度。DeepLabv3+模型的识别速度与上述5种方法保持在同一数量级，验证了DeepLabv3+模型和GF-2卫星影像在露天煤矿区土地利用识别中的可行性，对露天煤矿区生态环境监测与修复规划具有重要意义。

1 研究区环境概况与数据源
1.1 研究区环境概况
1.2 数据源
2 方法与实验
2.1 建立露天矿区土地利用样本库
2.2 深度神经网络模型构建
2.3 参数敏感性测试与优选
2.4 实验对比方案
3 结果与分析
3.1 样本参数测试
3.2 精度对比
3.3 速度对比
4 结论