基于通用AI与领域专用模型融合的河流水位趋势监测：以英国Tewkesbury河段相机图像为例

针对河流水位监测中传统深度学习模型依赖大量标注数据、泛化能力不足的问题，本研究创新性地提出结合通用AI（SAM）与预训练ResUnet的框架，通过自动生成提示点实现无人工干预的水体分割。该框架在Tewkesbury河段应用中，IoU提升15%，静态观测洪水指数（SOFI）与真实水位相关性达0.90，为低成本、高精度的水文监测提供了新范式。

　　

河流水位变化是水文循环的核心驱动力，直接影响洪泛区淹没范围与生态化学物质传输。然而，传统接触式水位计部署成本高昂，非接触式卫星遥感又受限于云层遮挡与时间分辨率。近年来，低成本河道相机成为新兴监测手段，但如何从图像中精准提取水位信息仍是难题。现有深度学习模型如ResUnet依赖大量标注数据，在跨场景应用中准确率骤降。更棘手的是，极端水位样本的缺乏导致模型难以预测洪旱事件。

大连理工大学的研究团队在《Environmental Modelling》发表论文，提出将通用AI（Segment Anything Model, SAM）与领域专用模型结合的创新框架。该研究利用预训练ResUnet自动识别高概率水体像素作为SAM的提示点，无需人工标注即可实现高精度分割。通过分析英国Tewkesbury四个河段的监控图像，团队发现点提示模式最优，其生成的静态观测洪水指数（Static Observer Flooding Index, SOFI）与实测水位相关系数达0.90，显著优于单一ResUnet模型的0.54。

关键技术包括：1）基于RIWA数据集预训练的ResUnet模型筛选高置信度水体像素；2）采用SAM的everything模式与point prompt模式对比分析；3）通过摄影测量技术将分割掩膜转化为水位标量；4）利用Spearman秩相关系数评估SOFI与真实水位的相关性。

研究结果显示：

1. 最高概率水体像素的识别性能：ResUnet能准确定位河道主体区域的水体像素，但在复杂边界处存在误判，为SAM提供了有效的先验知识。
2. 不同提示模式下的SAM表现：点提示模式使IoU提升15.2%，显著优于全自动everything模式（仅提升3.8%），证明领域知识引导对通用AI至关重要。
3. 水位趋势监测验证：SOFI指数与实测水位的强相关性（0.90）表明该方法可替代传统水位计，尤其在洪水期数据缺失时仍保持稳健。

讨论指出，该框架突破了传统模型需反复标注训练的局限，通过"领域模型提供知识+通用模型实现泛化"的双引擎架构，为全球无监测设施的河流提供了可行方案。未来可结合无人机影像与数字高程模型（DEM）进一步提升水位标量转化精度。这项研究标志着水文监测从专用AI向通用AI协作范式的转型，对洪水预警系统建设具有重要实践价值。