RivAIr：一种专为实时水域分割和表面速度估算设计的基于无人机的传感器

《International Journal of Applied Earth Observation and Geoinformation》：RivAIr: A custom-designed UAV-based sensor for real-time water area segmentation and surface velocity estimation

实时监测河流表面流速与范围是防洪和水资源管理的关键，但传统方法存在计算成本高、数据不足等问题。本文提出RivAIr无人机系统，集成YOLOv8分割模型与优化Farneback光学流算法，实现边缘计算实时处理。在意大利Basento河的实验表明，30米高度时流速误差仅-3%，处理全流程耗时40秒，支持800米外实时监控，显著提升应急响应效率。

　　实时监测河流表面流速和流场范围对于洪水风险缓解、可持续水资源管理和生态系统保护至关重要。然而，目前的高计算需求和有限的高分辨率河流断面数据使得实时河流监测在实际应用中面临诸多挑战，尤其是在大型或未测流河流的紧急情况下，这限制了快速分析和决策的能力。目前存在的主要限制是缺乏一种集成了基于机器学习的分割技术与实时光流估计的综合工具，能够在边缘计算无人机（UAV）上高效运行。

为了解决这些挑战，本文提出了一种新型的无人机搭载传感器系统——RivAIr。该系统专为实时河流监测而设计，集成了定制硬件和实时机器学习与光流算法，能够在飞行过程中完成水体分割和表面流速估计。与现有方法不同，RivAIr专注于实时现场部署，特别是在数据稀缺或紧急情况下，提供了一种更高效、更可靠的选择。通过将YOLOv8与优化的Farneback密集光流算法相结合，RivAIr能够在边缘计算平台上实现快速且准确的实时处理。

YOLOv8是一种基于卷积神经网络（CNN）的模型，因其在实时处理中的高效性而被广泛应用于洪水地图的绘制中。本文采用的是YOLOv8m-seg模型，该模型结合了目标检测和实例分割功能，非常适合无人机获取的河流图像中的水体识别。Farneback密集光流算法则用于估算连续图像帧之间的运动，它基于多项式展开技术，能够在轻量级计算资源下提供高效的实时流速估计。通过将YOLOv8分割出的水体区域作为掩膜，RivAIr能够过滤掉非相关背景，提高光流计算的精度，同时降低计算成本。

在实际应用中，RivAIr系统展示了其在不同飞行高度和距离下的可行性。在基西尼亚地区的巴森托河上进行的验证实验表明，该系统能够在40秒内完成端到端处理，包括数据推理和可视化。这种高效的实时处理能力为洪水预测、水资源管理以及生态系统保护提供了强有力的技术支持。此外，RivAIr系统还能够在不同高度下保持高精度的流速估算，例如在30米高度时，其平均流速为0.67米/秒，误差仅为-2.90%。而在更高的飞行高度下，如50米和65米，流速估算则存在更大的误差，这表明系统在不同高度下的性能存在差异。

尽管RivAIr系统在某些条件下表现出色，但其性能仍然受到一些因素的影响。例如，光流算法对图像的地面采样距离（GSD）和飞行高度非常敏感。较高的飞行高度会导致较低的GSD，从而影响对水流细节的捕捉。因此，为了提高系统在不同飞行高度下的性能，未来可能需要采用更高分辨率的摄像头，以确保即使在较高的飞行高度下也能保持足够的图像质量。此外，系统目前仅限于使用垂直视角（nadir view）进行图像采集，这在某些复杂的水文结构中可能限制其捕捉动态流场的能力。因此，未来的研究可以探索多角度成像或自适应摄像头云台调整，以增强系统的适用性。

在实际应用中，RivAIr系统通过实时流速估算和流场分析，为环境监测和水资源管理提供了新的可能性。该系统能够支持洪水预警系统的构建，特别是在缺乏地面测量数据的区域，能够提供快速且精确的监测结果。此外，RivAIr的实时数据还可以用于校准和验证水文模型，提高模型在极端事件中的预测能力。对于河道侵蚀和沉积物运输的研究，RivAIr的实时流速数据能够帮助科学家更好地理解水流的动态特性，从而制定更有效的保护措施。

RivAIr系统的设计还考虑到了实际操作中的限制因素，如极端天气条件下的系统稳定性、图像质量以及整体可靠性。在强降雨、浓雾或强风等恶劣条件下，无人机的飞行可能会受到影响，进而影响图像的清晰度和流速估算的准确性。因此，未来的研究需要探索如何提高系统在这些条件下的鲁棒性，例如通过引入天气抗性无人机平台或自适应图像增强技术。这些技术可以帮助系统在复杂环境下保持稳定运行，并提高流速估算的准确性。

总的来说，RivAIr系统为实时河流监测提供了一种创新的解决方案，其结合了机器学习和光流技术，能够在边缘计算平台上实现高效的数据处理和分析。该系统不仅提高了监测的精度和实时性，还降低了成本，使得在数据稀缺或紧急情况下进行河流监测成为可能。随着技术的不断进步和优化，RivAIr有望在未来的水资源管理和环境监测中发挥更大的作用，为洪水风险缓解、生态系统的保护以及水资源的可持续利用提供强有力的技术支持。