利用深度学习人工智能检测布里斯班河大洪水后河岸植被恢复

《River Research and Applications》：Using Deep Learning AI to Detect Riparian Vegetation Recovery Following a Major Flood in the Brisbane River

　　

洪水后河岸植被恢复需要显著关注；然而，传统遥感方法的复杂性常常阻碍环境管理者实施快速植被监测。本研究开发了一个在ArcGIS中使用深度学习模型（Deep Learning Model）的模型，以利用高分辨率航拍图像分类和检测2022年布里斯班河大洪水后四个地点——Colleges Crossing、Corinda、Kholo和Priors Pocket的植被恢复情况。该模型在所有地点的准确率为91%，在洪水后影像以及水和低植被类别中最为准确，两者均达到100%。研究人员发现，除Priors Pocket外，所有地点的低植被均得到恢复，而高植被和裸地则未恢复。通过利用这种简化和高效的解决方案来监测洪水后河岸植被恢复，可以更有效地识别受损植被，从而实现更精确和具成本效益的修复工作。未来的研究应进一步发展该模型，以提高准确性并适用于其他流域。

**论文解读：利用深度学习人工智能检测布里斯班河大洪水后河岸植被恢复**

**研究背景与问题**

河岸植被（riparian vegetation）在河流生态系统中提供多种关键生态系统服务，包括降低洪水影响、减少沉积物和污染物进入河道，从而保护下游及沿海生境（如莫顿湾的珊瑚礁和海草床）。因此，河岸植被常被视为流域健康的重要指标。尽管洪水与河岸植被的相互作用已得到广泛认可——植被通过增加剪切应力和湍流来降低洪峰高度和流速，并沉降沉积物——但在亚热带流域（特别是澳大利亚）中，对于河岸植被的恢复及其对洪水的响应研究仍不充分。传统遥感方法多依赖多光谱影像，虽能提供长期（数年或数十年）的河流植被恢复信息，但受限于云层覆盖和空间分辨率粗糙，难以精确监测狭窄的河岸带（riparian zone）中小尺度、局部的洪水损害和恢复动态。无人机和航拍影像虽具有更高分辨率的潜力，但其在河岸带背景下的适用性仍需进一步探索。2022年2月，布里斯班河经历了一次3.85米的大洪水，对河岸带造成严重破坏。鉴于下游珊瑚和海草栖息地面临沉积物掩埋风险，以及历史洪水频率和未来洪水强度预期增加，研究人员迫切需要一种快速、高效的监测方法，以识别受损区域并指导成本效益更高的修复工作。

**研究内容与意义**

本研究旨在开发一种基于深度学习模型（Deep Learning Model）的新方法，利用高分辨率航拍影像（aerial imagery）检测布里斯班河大洪水后河岸植被的恢复情况。研究在四个代表性地点（Colleges Crossing、Corinda、Kholo、Priors Pocket）展开，这些地点分别代表城市、农村和残留河岸带等主要土地利用类型。通过构建和优化U-Net架构模型，研究人员实现了对河岸带土地覆盖分类（水、裸地、低植被、高植被、建筑、道路、不透水面）的高精度识别，平均准确率达91%。该模型不仅能够量化和比较洪水前后各植被类别面积的时空变化，还识别出最易受损和恢复最慢的关键区域。研究成果为当地管理者提供了精准的决策支持，有助于优化资源分配，减少河流沉积物输入，并增强河岸带对未来洪水事件的抵御能力。论文发表在《River Research and Applications》。

**主要技术方法**

研究采用ArcGIS Pro中的深度学习工作流，基于U-Net架构（U-Net architecture，一种用于图像分割的卷积神经网络）构建分类模型。输入数据来源于Nearmap公司提供的30cm空间分辨率RGB航拍影像，以及布里斯班市议会提供的2022年洪水范围图。河岸带定义为200米刚性缓冲区，并结合洪水范围进行修正。模型训练经历了15次迭代，初始主要基于Kholo地点的基线（2021年8月）和洪水后（2022年6月）影像，后期引入其他三个地点的洪水后影像以适应更多环境。训练样本共涵盖7类（水、裸地、低植被、高植被、建筑、道路、不透水面），最终版本总计1247个训练点。模型输出后，研究人员使用随机精度评估点（每类平均13个点）进行验证，并计算混淆矩阵和Cohen's Kappa系数。针对恢复分析，研究人员计算各时间点每类像素面积，通过比较基线（洪水前）与洪水后及后期影像的面积变化和百分比变化，评估低植被、高植被和裸地是否恢复到洪水前水平。此外，研究人员通过土地覆盖转移矩阵计算恢复和损害的分数变化，并进行线性回归分析以检验统计显著性。最后，利用Kholo地点2019–2021年三年中三个时间步的影像进行额外验证，并参考Healthy Land and Water的河流报告卡进行定性验证。

**研究结果**

**3.1 模型校准结果**：模型最终迭代的平均总准确率为91%，在四个地点中，水（100%）和低植被（100%）准确率最高，裸地（95%）和高植被（93%）也表现良好；建筑（83%）、道路（93%）和不透水面（65%）准确率较低。Kappa系数为0.84，表明模型高度准确。模型发展过程中，水和植被类别始终维持90%–100%的准确率。主要误差来源于太阳反光、阴影、太阳角度变化、旱季影像导致的误分类，以及U-Net架构对结构、道路和高植被类别的边界过度估计，造成面积累积高估或低估。

**3.2 各地点河岸植被恢复结果**
- **Colleges Crossing**：洪水后低植被面积减少48.33%（从98.71 ha降至51.00 ha），裸地增加59.62%。截至2024年7月，低植被恢复至142.48 ha，较基线增长44.35%，表明强烈恢复并向其他类别扩张；高植被面积较基线下降68.01%，未恢复；水面积增加47.35%。
- **Corinda**：洪水损害较轻，低植被面积减少17.43%（从68.47 ha降至56.54 ha），裸地增加34.26%。低植被最终恢复至87.09 ha，较基线增加27.20%；高植被面积较基线下降30.58%，未恢复；水面积变化微小。
- **Kholo**：低植被面积减少27.6%（从37.13 ha降至26.88 ha），裸地增加48.22%。低植被在第一个恢复时间步（2022年10月）即快速反弹123.89%，最终较基线增加129.99%至85.4 ha；高植被面积较基线下降36.36%，未恢复；水面积增加25.65%。
- **Priors Pocket**：低植被面积减少9.13%（从113.52 ha降至103.15 ha），裸地增加67.24%。低植被最终较基线下降14.48%，未恢复；高植被面积较基线增加20.44%，显著增长；水面积略有下降。

**3.3 地点间河岸恢复比较**：所有地点洪水后低植被面积均下降，其中上游农村/残留河岸带（Colleges Crossing和Kholo）下降幅度最大（–48.33%和–27.6%），而城市河岸带（Corinda）变化最小。裸地面积极端波动，2023年场景中一度激增。低植被恢复并非恒定，各场景间波动显著；除Priors Pocket外，所有地点低植被均完全恢复甚至超过基线；高植被在所有地点均未恢复至洪水前水平（除Priors Pocket外）。分数变化分析显示，损害和恢复的变化均无统计显著性（损害p=0.54，R2=0.07；恢复p=0.54，R2=0.08），趋势不明确。

**3.4 恢复验证**：Kholo地点的2019–2021年预洪水影像分析显示各植被类别面积年际变化不超过10 ha，表明洪水后观察到的变化主要归因于洪水事件而非季节变异。模型结果与Healthy Land and Water的河流报告卡一致：2021–2022年中期和下游布里斯班流域河健康指数显著下降，2022–2023年反弹；沉积物负荷从极差恢复至优秀或非常好；河岸栖息地条件从差提升至一般，反映恢复仍在进行。

**讨论与结论**

**4.1 模型性能**：模型对水和低植被的100%准确率以及对裸地和高植被的高准确率证明了其在洪水后河岸带监测中的有效性，尤其在复杂混合区域（如Kholo的洪水通道）中能清晰划分不同类别。然而，模型存在若干局限性：影像仅含RGB波段，缺乏近红外（NIR）波段，导致旱季影像和阴影下误分类增加；太阳反光、角度不一致也影响精度；U-Net的边界过度估计问题难以完全解决；模型总体仍存在9%的误差。但模型的优势在于训练和分类速度快（30分钟至1小时），且已集成于ArcGIS Pro，便于部署和共享。

**4.2 河岸植被恢复模式**：最严重的洪水损害集中在河道内弯（inner bends）和洪水通道（flood channels），特别是上游Colleges Crossing和Kholo的残留和农村河岸带。内弯由于高流功率和湍流导致植被彻底剥离；洪水通道作为洪水主要路径，植被损失巨大。尽管内弯最易受损，其恢复却相对迅速（如Corinda和Kholo在2022年内即恢复大部分裸地），可能得益于洪水消退时沉积的细粒富营养沉积物。Priors Pocket表现出不同于其他地点的模式：低植被未恢复，但高植被显著增加（+20.44%），可能因低植被被高植被竞争取代或模型误分类所致。分数覆盖变化分析未发现统计显著趋势，部分原因在于仅包括7个时间点和植被生长的复杂影响因素。

**结论翻译**：本研究提出了一种新颖的方法，用于检测亚热带河流在特大洪水后河岸植被的恢复情况。利用高分辨率Nearmap航拍影像，研究人员在Kholo、Colleges Crossing、Priors Pocket和Corinda四个关键地点对2022年2月布里斯班河洪水后的河岸带恢复进行了分析。模型在检测洪水损害方面表现强劲，并成功识别了所有地点的恢复情况。研究发现，除Priors Pocket外，所有地点的低植被均得以恢复，而所有地点（除Priors Pocket外）的高植被未能恢复到洪水前水平。结果显示出强烈的恢复趋势，并指出内弯和洪水通道是河岸带中最易受损且恢复不足的区域，需予以关注以防止侵蚀和沉积。未来的研究应在更多影像场景中进一步训练模型，或考虑利用多光谱传感器，以改进结果并提升终端用户的成效。随着人工智能技术的持续进步，该模型及后续模型应不断更新以利用最新技术。