沈阳农业大学智慧水保:AI如何识别侵蚀沟

撰文｜上善智水

沈阳农业大学水利学院2026年硕士招生目录显示，水土保持与荒漠化防治学设置“智慧水土保持学”方向。它不是新设本科专业，而是研究生培养方向。所谓智慧化，首先要解决一个基础任务：如何在大范围影像中准确找到侵蚀沟。

一、卫星与无人机各自解决什么

卫星覆盖范围大，适合县域或流域筛查；无人机可生成厘米级正射影像、点云和高程模型，进一步量出沟宽、沟深和沟头位置。道路、田埂、排水渠和树影都可能长得像沟，模型不能只学习颜色，还要识别连续性、分叉、顺坡方向和周边地形。

DEM网格尺寸必须匹配目标尺度。0.8米宽的浅沟落入5米网格后，高程差可能被平均而“消失”；厘米级模型又会受到作物和残茬影响，需要点云分类和滤波。

二、总体精度高，不代表小沟没有漏掉

构造一个教学案例：人工核查确认1000个侵蚀沟像素，模型正确识别820个，误报130个，漏报180个。精确率为820/(820+130)=86.32%，召回率为820/(820+180)=82.00%，F1为84.10%，IoU为820/(820+130+180)=72.57%。

侵蚀沟面积通常远小于背景。即使漏掉不少小沟，模型仍可能获得很高的总体精度。因此，沟头、道路排水出口和村庄附近的高后果区域必须人工复核。

三、从识别面积走向侵蚀体积

假设沟长120米、平均宽2.4米，平面面积约288平方米；沿沟断面恢复侵蚀前地面，得到平均缺失断面面积1.8平方米，则体积约216立方米。土体干密度按1.25吨/立方米估算，质量约270吨。

多期DEM还能计算沟头后退和冲淤变化，但必须先配准坐标并设定最小可检测阈值。阴影可能被识别成沟，林带下真实沟道可能不可见，跨年份定位误差也可能被误判为位移。

四、智慧最终要落到治理排序

连续分析多年影像，可以找出正在加速后退的沟头；叠加降雨、汇流、耕地、道路和村庄，可以估算后果和治理优先级。真正的技术链是“卫星发现疑点—无人机恢复地形—算法提取—现场纠错—水文土壤分析—治理设计—持续监测”。

衡量“智慧水保”的标准不是地图更漂亮，而是能否少漏一条快速发展的沟、把有限治理资金优先投向风险更高的位置，并在工程建成后持续证明黑土流失确实下降。

五、总体精度高，不等于每条沟都找得准

黑土区影像中农田、道路和林地占绝大多数，侵蚀沟只占少量像素。即使模型漏掉不少小沟，只要正确识别了大量非侵蚀区，总体精度仍可能很高。因此还要同时看精确率、召回率、F1值和交并比：精确率回答“模型圈出的沟有多少是真的”，召回率回答“真实侵蚀沟有多少被找到”，交并比衡量预测边界与人工边界的重合程度。

以前文1000个真实沟蚀像素的算例，模型正确识别820个、误报130个、漏报180个，精确率86.32%、召回率82.00%、F1值84.10%、交并比72.57%。这意味着模型适合大范围筛查，但每1000个真实像素仍可能漏掉180个，边界也未完全重合。对于正在后退的沟头、道路交叉口、排水出口和临近居民点的沟段，不能凭自动识别结果直接确定治理工程量。

误差可能来自树木和云层阴影、田间道路、排水沟、作物覆盖，也可能来自DEM网格过大和无人机点云滤波。不同日期影像若没有准确配准，数十厘米的位置偏差还可能被误判为沟头后退。可靠核查应分三级：先将模型结果与正射影像、坡度和汇流路径叠加；再人工判读低置信度目标、漏检高发区和异常扩张区；最后对影响治理排序和工程量的重点沟段现场测量。抽样还要覆盖“模型认为无沟”的区域，否则只能发现误报，无法估计漏报。

模型从一个县迁移到另一个县时还会遇到域偏移：土壤颜色、作物类型、季节、传感器和空间分辨率改变，都可能让原有阈值失效。上线前应使用当地独立样本重新验证，并按沟头、沟壁、浅沟和植被覆盖区分层统计。模型更新后还要保留版本、训练数据范围和误差记录，使治理单位能够追溯某条沟为何被列入或遗漏。

因此，智慧水保更合理的分工，是让算法承担全域搜索、变化检测和任务排序，让专业人员完成事实确认、成因分析和工程判断。算法减少的是重复判读，不是责任主体；地图提高的是调查效率，不是自动生成设计结论。

对管理部门而言，最有用的成果不是一张静态彩色图，而是带时间、置信度、核查状态和处置记录的侵蚀沟台账。只有变化能够追踪、判断能够复核、工程能够回访，AI识别才真正进入水土保持业务闭环，并能接受长期检验。

资料来源

1. 沈阳农业大学2026年硕士招生专业目录

2. 东北黑土区侵蚀沟普查方法与成果

3. 东北黑土区多源遥感沟蚀制图

4. 黑土区光学影像侵蚀沟制图

5. 侵蚀沟识别多尺度特征模型

免责声明：“智慧水土保持”是研究生培养方向，不是新设本科专业。正文图片均为CC BY 4.0开放论文原图，不代表沈阳农业大学自研系统或项目成果。识别案例为教学数据，不能代替现场核查。