编辑推荐：
在河流流量监测中，冰情会影响测量准确性，美国地质调查局（USGS）现有判定方法存在局限。研究人员开展 “RIce-Net” 主题研究，利用地面相机图像和机器学习算法，自动生成冰情标志。结果显示其与 USGS 标志契合，该研究有助于提升冰情监测效率和准确性。
在寒冷地区，河流冰情对水流控制起着关键作用。美国地质调查局（USGS）长期致力于收集全国河流流量信息，然而，冰情却给流量测量带来了诸多难题。在河流结冰和融冰过程中，水位测量会受到影响，而且冰下水流状态与正常开敞河道水流不同，这使得依据水位推算流量的传统方法（即使用水位流量关系曲线）不再适用。为解决这些问题，USGS 会在数据中添加冰情标志，提醒用户数据的可靠性，但目前确定冰情标志的方式存在不足。
一方面，实地考察受地域和天气限制，难以频繁进行。另一方面，卫星图像和航拍虽能获取冰情信息，但存在数据传播延迟、测量稀疏、时空分辨率低等问题。而 USGS 运营的国家图像管理系统（NIMS）虽拥有大量地面相机图像资源，却只能靠人工目视检查来定性评估冰情，既主观又耗时。因此，开发一种高效、客观的冰情监测方法迫在眉睫。
在这样的背景下，国外研究人员开展了关于 “RIce-Net: Integrating ground-based cameras and machine learning for automated river ice detection” 的研究。研究旨在利用 NIMS 的地面相机网络和机器学习技术，构建一个名为 River Ice Network（RIce-Net）的框架，实现河流冰情的自动监测和冰情标志的自动生成，从而提高冰情监测的效率和准确性。
该研究取得了重要成果，RIce-Net 生成的冰情标志与 USGS 报告的标志高度吻合，这表明该框架具有较高的可靠性和实用性，有望在 USGS 的冰情监测工作中发挥重要作用。此研究成果发表在《Environmental Modelling 》上，为河流冰情监测领域提供了新的思路和方法。
研究人员为开展此项研究，运用了多种关键技术方法。首先，借助 NIMS 获取地面相机拍摄的图像数据，这些数据成为研究的基础。然后，采用计算机视觉技术，构建 RIce-Net 框架。在该框架中，运用图像分类和分割技术，先通过分类模型筛选出可能含冰的图像，再利用分割模型计算冰覆盖率。同时，使用深度学习算法训练模型，其中分类模型采用基于 ResNet50 的编码器网络进行迁移学习，分割模型则选用了表现较好的金字塔注意力网络（PAN） 。
研究结果
- 分割和冰覆盖率：研究评估了多个分割模型，如 Unet、UNet++、PSPNet、DeepLabV3＋和 PAN 等。结果发现，PAN 和 DeepLabV3＋模型在分割性能指标上表现相近，但 PAN 在预测冰覆盖率方面更具优势，其 CPU 推理时间也比 DeepLabV3＋快 14%，因此最终选择 PAN 模型进行分割任务。不过，PAN 模型在分割时也存在一些问题，比如对远处河岸的冰和一些小的浮冰分割效果不佳，且容易受雨滴、 haze 和太阳反射等因素干扰。
- 分类：分类模型训练了 200 个 epoch，测试数据集的混淆矩阵显示，模型的准确率达到 0.977，精度为 1，召回率为 0.954，F1 分数为 0.976 ，表明模型能有效识别冰影响的图像。但当冰覆盖率低于 5% 时，模型会出现误判，将部分含冰图像误分类为无冰图像。
- 冰情标志：将 RIce-Net 生成的冰情标志与 USGS 的标准方法进行对比，发现两者总体上有很强的一致性。不过，在融冰期，两者存在一些差异。例如在密苏里河站点，USGS 的冰情标志持续时间与 RIce-Net 不同，这可能是因为 USGS 的判定方法较主观，且未及时更新标志。而 RIce-Net 能紧密匹配水位变化，更及时地反映冰情变化。
研究结论和讨论
RIce-Net 框架成功实现了利用地面相机图像和机器学习算法自动检测河流冰情并生成冰情标志。其与 USGS 标志的一致性表明，该框架具有推广应用的潜力，有望覆盖 USGS 的所有北方站点，提升冰情监测的自动化水平。
然而，研究也存在一些局限性。例如，模型在处理某些特殊情况的图像时存在误判，这可能与训练数据集的代表性不足有关，未来可通过增加更多不同条件下的图像来改善。另外，在水位波动较大时，水掩码的准确性会受到影响，但研究表明这种影响对冰覆盖率估计的误差较小，在可接受范围内。
此外，研究还强调了多源数据协同使用的重要性。结合卫星数据、原位测量数据、地面相机数据和公民科学报告等，可以弥补单一数据源的局限性，更全面地描述受冰情影响的水流条件。未来研究可进一步探索如何更好地融合这些数据，提升冰情监测的准确性和可靠性。总之，RIce-Net 框架为河流冰情监测带来了新的突破，为相关领域的研究和实践提供了重要参考 。
