图像自动编码工具在社会影响评估中的应用：基于社交媒体数据解析加拿大水电景观变化的人文维度

《Landscape Ecology》：Image auto-coding tools for social impact assessment: leveraging social media data to understand human dimensions of hydroelectricity landscape changes in Canada

本研究针对传统社会影响评估(SIA)方法成本高、样本偏差大等局限，创新性地整合社交媒体图像数据与人工智能技术，通过Google Cloud Vision API对加拿大三个不同阶段的水电项目景观进行自动标注，并利用潜在狄利克雷分配(LDA)模型进行主题聚类，揭示了水电开发导致的景观特征演变及人类活动模式变化。该方法为快速评估大型能源项目的社会影响提供了新范式，对全球能源转型背景下的可持续决策具有重要参考价值。

　　

随着全球能源转型进程加速，水电开发在提供清洁能源的同时，也引发了复杂的景观变迁与社会影响。传统的社会影响评估方法如问卷调查、访谈等，不仅成本高昂，且难以捕捉动态变化中的人文景观互动。尤其在水电项目生命周期中，水库形成、土地利用改变等过程如何重塑人类生活方式与生态价值认知，成为景观生态学与可持续发展领域的关键课题。

为解决上述问题，由Dalhousie大学Yan Chen领衔的研究团队在《Landscape Ecology》发表最新研究，创新性地将社交媒体图像数据与人工智能技术相结合，系统分析了加拿大三个不同发展阶段的水电项目（建设中Site C大坝、1990年代建成的Oldman大坝、1960年代投运的Mactaquac大坝）周边景观演变规律。研究通过Instagram平台获取逾1.9万张地理标记图像，利用Google Cloud Vision API自动生成18.8万个图像标签，并采用潜在狄利克雷分配(LDA)主题模型进行聚类分析，首次实现了跨时间尺度的水电景观社会影响多维度解析。

关键技术方法

研究通过Selenium和Instascrape工具采集Instagram公开地理标记图像数据（共86,000余条帖子），经人工筛选保留60%以上景观内容的图像19,169张。使用预训练深度学习模型Google Cloud Vision API进行图像自动标注（每图最多10个标签），结合LDA主题建模识别共现标签模式，通过参数调优确定最优主题数量，最终生成9类景观主题集群。

研究结果

3.1 LDA景观聚类

主题聚类显示植物与水系是三大研究区最突出的景观要素。Oldman地区山脉与植物共现频繁，Site C中水体与山脉关联紧密，而Mactaquac则以水体主导的日落/日出主题为特色。冬季景观中，Site C突出户外 recreation，Oldman聚焦冰雪地貌，Mactaquac则呈现建筑与道路的人工景观。

3.2 人类活动主题

所有案例均出现"自然中的人类"主题，但Oldman独特地呈现无活动指示的纯景观欣赏模式。宠物饲养在各地普遍存在，Mactaquac更常与沥青道路共现。车辆主题在Site C中与输电线缆共现，反映能源基础设施的视觉渗透。休闲活动呈现地域差异：Oldman和Site C以艺术摄影为主，Mactaquac则突出水上娱乐（游泳、游艇等），体现水库对休闲模式的塑造作用。

3.3 能源景观

预训练模型对能源设施识别有限，人工编码显示Mactaquac大坝出镜率最高（0.91%），Oldman风电场可见度达18%。水电基础设施视觉显著性低于风电，可能与地形遮蔽（Oldman多山）或社会接受度（Mactaquac运营超50年）相关。

结论与讨论

研究揭示水电开发通过水库扩张强化水体景观主导性，尤其长期运营项目（如Mactaquac）中水体关联主题多样化。大坝导致农业用地与传统生计方式流失（Mactaquac农业主题消失），同时促进滨水休闲文化发展。生活方式呈现乡村-城市转型特征，Mactaquac动物与道路共现主题反映城镇化影响。水电设施视觉影响弱于风电，但长期存在可能提升社区接受度，为老化大坝改造决策带来挑战。

该方法验证了社交媒体数据与AI工具在社会影响评估中的可行性，为快速评估能源项目社会效应提供新路径。未来研究需结合传统方法弥补数据偏差，并开发更精准的定制化模型以捕捉景观细节。本研究为全球能源转型中的可持续景观规划提供了重要方法论参考。