黄河流域是“能源流域”，兼具生态环境治理和经济社会发展的重任，涉煤产业场地类型、数量及特征的精准智能识别是流域能源资源-低碳发展-生态保护的关键基础问题。研究融合多源数据与深度学习算法，从流域-基地-场地尺度对黄河流域十三个大型煤电基地的煤基场地特征精准解析，获得煤电基地高精度、高质量的本底信息，提出一种实时实景智能识别涉煤产业空间特征的新方法。(1)筛选Google image、GF-6影像、Sentinel-2影像等多源数据，采集十三个大型煤电基地煤基场地样本，构建煤炭场地(露天)、煤炭场地(井工)、煤电场地、煤化工场地四类数据集，涵盖21种样本类型。按照每种样本六面体设定6×10个样本，共计1260个场地样本，分析得出最适样本数量-最高识别效率-最优识别模型的置信区间为80%-86%。(2)建立了煤基场地类型量化模型(Coal-Based Site Classification Quantitative Model， CSCQM)和煤基场地范围特征模型(Coal-Based Site Range Characteristic Model， CSRCM)。模型平均精准度为0.83。明析了黄河流域涉煤产业场地本底信息，提出Google image底图叠加场地智能识别模型解算结果的高精度场地智能识别方法。(3)解析了流域神东煤炭-煤电产业集聚区精准本底数据，依据遥感生态指数(Remote Sensing Based Ecological Index，RSEI)分析，煤基场地分布2 km核心区地表生态质量受煤炭、煤电产业影响明显，5km缓冲区则影响不明显，而8 km控制区基本不受煤炭、煤电产业影响，从而给出了“动态修复”与分区域、分阶段重点治理等低碳路径。(4)解析了流域宁东煤炭-煤电-煤化工产业集聚区精准本底数据，2022年煤炭场地17.81 km2、占比34.1%，煤化工场地22.3 km2、占比42.6%，煤电场地12.2 km2、占比23.3%，煤化工场地＞煤炭场地＞煤电场地。进而采用PSR(Pressure-State-Response)模型得到风险管控综合得分53.93分，较2003年提高了27.2%。划分生态维护区、生产监测预警区、损毁修复重建区、其他调控区的分区管控模式。研究为涉煤产业煤基场地潜在污染控制、场地治理及区域生态修复提供技术方法与实践支撑。

1 黄河流域十三个大型煤电基地的本底特征
1.1 十三个大型煤电基地的本底
1.2 大型煤电基地场地空间分布
1.3 数据样本与数据集划分
2 黄河流域涉煤产业场地智能解析
2.1 场地特征识别模型建立
2.2 深度学习模型的架构与验证
2.3 DETR模型与SAM模型评价
2.4 涉煤产业场地类型识别结果精度
3 神东基地的煤炭-煤电场地特征及迁移变化
3.1神东场地样本信息与数据集
3.2场地边界智能识别
3.3煤炭-煤电场地迁移变化及低碳路径
3.4 实时边界(Google image) +范围特征模型**(智能识别)→煤炭-煤电场地高精度信息(新方法)
4 宁东基地的煤炭-煤电-煤化工场地特征及迁移变化
4.1宁东场地样本信息与数据集
4.2场地类型范围智能识别
4.3宁东场地2003年-2022年风险分析及分区管控
4.4 实时边界(Google image) +类型量化模型* (智能识别)→煤炭-煤电-煤化工场地高精度信息(新方法)
5 主要结论