随着城市化进程的加快，建筑建设和拆除所产生的建筑垃圾量已占到城市垃圾总量的 30%—40%，其传统露天堆放或填埋的处理方式占用了大量土地且造成了严重的环境污染风险。及时、准确地监测建筑垃圾分布对于建筑垃圾的监管和资源化利用至关重要，然而建筑垃圾的监测通常依赖于人工现场调查，存在成本高、效率低的问题。遥感具有监测范围广、时效性强的特点，为建筑垃圾的监测提供新的技术手段。当前，建筑垃圾遥感识别的理论和方法尚不成熟，高精度的、泛化性强的建筑垃圾遥感识别方法仍然欠缺。针对以上问题，本研究基于多源数据和机器学习算法研究建立可靠的建筑垃圾遥感自动识别方法，实现区域尺度建筑垃圾精准提取。具体来说，基于Google Earth Engine平台，探究了不同机器学习算法（随机森林、决策回归树、支持向量机）应用于建筑垃圾识别的效果以及最佳参数设置。尽管机器学习算法能够识别建筑垃圾区域，但在区域尺度应用时仍然缺乏泛化性。因此，我们提出了一种基于国产高分二号影像的新型深度学习算法，称之为跨通道多尺度门控融合网络（CCMGNet），以实现在区域尺度精准识别建筑垃圾。实验结果表明，所提出的CCMGNet能有效地识别建筑垃圾区域，实现了89.42%的精确度和84.52%的IoU，并且优于其他最先进的深度学习算法和现有的建筑垃圾识别方法。此外，针对建筑垃圾识别理论欠缺的问题，我们融入了各类地理数据（道路、防尘网分布、城市边界），挖掘有效的地理知识，初步建立建筑垃圾的识别理论，以此来辅助建筑垃圾的遥感识别。总的来说，本研究基于多源数据和机器学习算法，实现了区域尺度建筑垃圾的精准识别，探索了建筑垃圾遥感识别的理论和有效的地学知识，为城市建筑垃圾的监测提供了新型、自动化的技术方法。

建筑垃圾；多源数据；机器学习