利用综合地理信息系统（GIS）、航空影像和深度学习技术，对草原农场的内部道路进行测绘，以确定径流积聚区域

《International Journal of Applied Earth Observation and Geoinformation》：Mapping internal farm roadways to identify runoff accumulation areas using an integrated GIS, aerial imagery and deep learning approach in grassland farms

自动提取农业道路并评估其径流风险：本研究开发了一种基于深度学习的农场道路自动提取方法，结合地形湿度指数（TWI）识别高风险区域。在10个爱尔兰牧场中，PSPNet模型表现最佳（F1分数0.82），成功提取34.6公里道路网络，其中8.3%-20%区域存在高径流风险，0.6%-4.9%区域为极高风险。该方法为精准农业管理和磷流失控制提供了新工具

　　在温带地区，农场内部道路网络在牧场中扮演着重要角色，主要用于在放牧区和农场场院之间高效移动奶牛和肉牛。然而，在动物移动过程中，排泄物会被沉积在道路上，这可能导致在降雨事件中形成富含磷（P）的径流，从而影响水质。尽管国家道路网络已经可以通过深度学习方法进行绘制，但农场内部道路网络的绘制仍是一个知识空白。因此，本研究的目标是开发一种集成的工作流程，专门用于农业道路绘制和径流风险评估。通过训练深度学习模型，自动检测和绘制农场内部道路，并进一步评估那些可能产生径流并带来水污染风险的道路段。研究中测试了三种模型架构（U-Net、PSPNet 和 DeepLab V3+），其中 PSPNet 与 ResNet-50 主干网络表现最佳，其总体性能分别为 0.79、0.86、0.82、0.69 和 0.90，分别对应精度、召回率、F1 分数、IoU 和总体准确率。

通过该深度学习模型，研究者从十个牧场中提取了总计 34.6 公里的内部农场道路。进一步分析每个农场的道路网络显示，存在“高径流易发性”区域，其比例从 8.3% 到 20% 不等。而“非常高径流潜力”区域的比例则从 0.6% 到 4.9% 不等。与爱尔兰现有的磷流输送路径数据集相比，本研究发现了新的“热点”区域，这些区域可能成为磷输送的通道。研究结果表明，开发的自动化模型为评估农场道路径流积聚区域提供了一个重要且高效的工具。

在农业环境中，水文分析至关重要，尤其是理解水流的方向和积聚情况。识别和绘制水文敏感区域以及关键养分来源对于农业景观的可持续管理具有重要意义。内部农场道路的绘制对于识别磷的热点区域和有针对性地定位缓解措施（如“切断输送路径”）以防止养分流失至水体是关键。尽管自动提取正式道路的技术已经有所发展，但许多农场道路仍未出现在标准的官方地图上。因此，识别从农场道路流失至水体的养分是首要任务，而这需要首先绘制出农场的完整内部道路网络。这一步骤对于进行与水体的连接性风险评估至关重要，并且最终能够实现更精确的缓解措施部署。

传统上，农场道路的绘制依赖于视觉解释和手动数字化卫星图像，这种方法不仅繁琐且耗时，还容易受到人为错误和偏见的影响。因此，自动化提取非正式道路或农业环境中的道路已成为基础设施规划、土地利用检测和环境监测与治理等应用中的重要研究方向。此前的研究已经使用了多种方法从卫星图像中提取正式道路，包括传统方法和机器学习算法。例如，Miao 等人（2014）采用了一种基于均值移动的半自动方法来识别道路，其中初始道路种子点被提取，并使用阈值检测道路和非道路区域。Buslaev 等人（2018）和 Gao 等人（2019）则使用卷积神经网络（CNN）等机器学习算法在城市环境中提取道路。Sloan 等人（2024）最近比较了 He 等人（2016）开发的残差网络（ResNet）模型与 Ronneberger 等人（2015）开发的 U-Net 模型在半森林地区的道路绘制效果。总体而言，机器学习方法在道路提取中表现优于传统方法，这归功于其能够从遥感图像中提取高级特征并提升计算机视觉任务的性能。特别是在深度学习（DL）方面，它相较于其他机器学习方法在自动道路提取中越来越受欢迎。

监督式的深度学习方法在道路提取中已被证明是成功的，因为它们利用了标记样本进行训练。然而，这些方法主要适用于城市和郊区环境，其中道路网络较为宽广、明显且统一。相比之下，农业农场的道路则更加多样化，它们的材料可能因地理和地质条件而异，例如石灰石。此外，随着时间推移，这些材料会与相邻田地的动物排泄物和土壤混合，使得现有道路绘制模型难以适用。现有模型大多基于铺设道路进行训练，因此无法有效识别农业环境中较为复杂的道路网络。因此，有必要开发一种准确的农场道路绘制系统，以识别养分热点区域，并为后续安装缓解措施提供依据，从而减少对水体的不利影响。

本研究提出了一种集成的方法论框架，该框架结合了航空地球观测数据和地理信息系统（GIS）方法，与水文模型相结合，用于农业道路的绘制。据我们所知，这是第一项针对内部农场道路绘制并明确将其与温带草甸系统中的径流积聚联系起来的研究。研究的主要目标包括：1）使用深度学习模型进行语义分割，以自动检测和绘制农场内部道路，从而创建农场尺度的道路网络图；2）评估可能产生径流并输送养分和沉积物至附近水体的道路段。为实现这些目标，研究者选择了十个草甸农场，利用深度学习算法对极高分辨率的影像进行道路分类。每个农场的分类道路网络进一步使用地形湿润指数（TWI）进行评估，以确定可能积聚径流的道路段。这有助于识别磷的移动路径，从而为后续的缓解措施提供科学依据。

本研究的案例研究农场位于爱尔兰的东北、东南和西南地区，涵盖了不同强度的牧场生产系统。这些农场的土壤类型各不相同，东部地区主要由排水性较差的灰色黏土和棕色森林土组成，而南部地区则由排水性良好的钙质土组成。例如，位于 Ballycanew 流域的农场 1、2 和 9 具有排水性较差的土壤，因此安装了地下人工排水系统，以防止农场内的水渍问题。而位于爱尔兰南部的农场 7、8 和 10 的土壤排水性良好，不需要或仅需要少量人工排水。在奶牛农场上，排水性较差的土壤需要更高密度的人工排水系统和道路网络。研究中所选农场的平均面积在 29 到 118 公顷之间，平均约为 55 公顷。研究分为两个主要阶段：第一阶段是使用深度学习模型提取农场道路；第二阶段是计算每个农场道路网络的 TWI，以评估其积聚径流的潜力。

为了训练和验证深度学习模型，研究者使用了高分辨率的航空影像数据。这些影像由 Teagasc 在 2011 年和 2024 年获取，分别用于部分农场和全部农场。影像包括红、绿和蓝三个波段，空间分辨率为 10 和 12 厘米。像素编码为无符号 8 位整数，值范围为 0 到 255。训练深度学习模型的样本数据是通过手动数字化农场道路在高分辨率影像上开发的，包括 16.6 公里左右的道路网络。这些道路被数字化，并扩展了 1.5 米的缓冲区，以确保外围区域也被纳入采样和转换为多边形的处理过程中。训练样本被裁剪并导出为 64×64 像素的图像块，重叠值为 0.5，以确保空间连续性并融入上下文信息，最终生成了 4901 个农场道路图像块。

在模型训练过程中，使用了 ArcGIS Pro 与 PyTorch 深度学习库集成的工具，以选择最适合农场道路分类的模型。研究选择了 U-Net、DeepLab V3+ 和 PSPNet 架构，以执行语义图像分割任务。模型的主干、学习率等超参数由系统自动选择，以实现最佳性能。训练过程中，90% 的数据用于训练，10% 用于验证。每个训练周期计算训练损失和验证损失，并使用 Dice 损失函数作为停止训练的条件。研究中使用的训练损失和验证损失数值分别为 0.37 和 0.34，这表明模型在训练过程中表现良好。训练过程使用了 NVIDIA RTX 2080 GPU，其内存为 12GB，耗时 5 小时 25 分钟。

在模型性能评估方面，研究使用了精度、召回率、F1 分数、交并比（IoU）和总体准确率（OA）等指标。精度表示模型正确预测的正样本比例，召回率表示模型实际正样本中正确预测的比例，F1 分数是精度和召回率的加权平均值，范围在 0 到 1 之间，1 表示最高准确率。IoU 衡量预测与已知标签的重叠比例，范围同样在 0 到 1 之间，1 表示预测与已知标签完全一致。总体准确率表示正确分类的像素比例。通过比较这些指标，研究者选择了表现最佳的模型，即 PSPNet 与 ResNet-50 主干网络。该模型在评估指标中表现优异，精度为 0.79，召回率为 0.86，F1 分数为 0.82，IoU 为 0.69，总体准确率为 0.90。这些结果表明，该模型能够有效地识别农场道路，并在影像中具有较高的预测准确性。

研究者使用该模型对未参与训练的五个农场进行道路分类，并对参与训练的五个农场进行再检测，以识别可能在手动数字化过程中被遗漏的道路段。原始影像使用了 ‘Classify Pixels Using Deep Learning’ 工具进行分类。深度学习模型产生了二进制输出，其中 1 表示存在道路像素，0 表示不存在。为了去除误识别的非道路像素，研究者应用了后处理技术，包括使用 ‘thin’ 工具提取道路网络的中心像素，并使用 ‘raster to polylines’ 工具将道路栅格转换为矢量线。通过应用多项式逼近和指数核的平滑工具，研究者对道路矢量线进行了优化，以获得更精确的表示和长度计算。

在模型评估过程中，研究者还使用 TWI 对每个农场的道路网络进行了进一步分析，以评估其积聚径流的潜力。TWI 是一个定量指标，用于评估地形对地表径流积聚的影响。TWI 值较低的区域通常表示较好的排水能力，而 TWI 值较高的区域则表示更高的径流积聚潜力。在研究中，TWI 分类将道路段分为低、中、高和非常高四个风险等级。低风险区域（TWI < 5）的比例在 Farm 4 中为 6.5%，而在 Farm 2 中为 37.4%。中等风险区域（TWI 5–8.5）的比例在 Farm 2 中为 41.1%，而在 Farm 4 中为 73%。高风险区域（TWI 8.5–12）的比例在 Farm 10 中为 20%，而在 Farm 6 中为 8.3%。非常高风险区域（TWI > 12）的比例在 Farm 2 中为 4.9%，Farm 3 和 Farm 10 分别为 3.6%。其他农场在 TWI > 12 的区域比例从 0.6% 到 2.9% 不等。

研究还发现，一些道路段在 TWI 分析中被识别为高或非常高径流积聚风险区域，并且这些区域在实地观察中也出现了明显的径流现象。例如，Farm 3 的 TWI 值高于 8.5，表明其道路段具有较高的径流积聚潜力，并且在降雨事件后观察到了明显的径流现象。这些结果表明，TWI 可以有效识别道路段的径流积聚风险，从而为针对性的管理措施提供依据。此外，研究还指出，TWI 在预测道路段的径流积聚风险方面具有良好的适用性，特别是在不考虑土壤前湿润度的情况下，TWI 能够准确反映道路段的径流风险。

尽管 TWI 在预测道路段的径流积聚风险方面表现出色，但研究者也指出，这些道路段是否连接至水体，从而形成关键的磷源区域，仍需进一步评估。这需要绘制每个农场的排水和溪流网络，并结合道路径流积聚地图，以评估道路径流与排水网络的连接性。未来的研究可以进一步改进和扩展该方法，以实现流域和国家尺度上的应用，从而更全面地管理道路径流问题。此外，研究还建议，未来可以采用更复杂的模型和更丰富的训练数据，以提高对草路（即被草覆盖的道路段）的分类精度。同时，结合 LiDAR 和光学数据的混合方法也可能提高道路绘制的准确性。通过这些改进，研究者希望开发出一种更加可靠和高效的工具，用于识别和管理道路径流对水体的影响。