深度学习与数值模拟联合评估湄公河三角洲采砂活动对河流形态的影响：以越南后江为例

本研究针对湄公河三角洲河流采砂活动缺乏全面监测与量化评估的难题，创新性地融合深度学习（YOLOv5l模型）、Sentinel-1卫星影像与Delft3D数值模拟技术，首次实现了对采砂船只的自动识别、采砂量的多尺度估算（92.68–137.59?Mm3）及其形态影响的全链条评估。研究发现采砂导致河床最大年净下切量达-29.48?Mm3，形成23处深度达11m的冲刷坑，并贡献了41.0–56.4%的河床下切量，为区域可持续河流管理提供了关键科学依据。

　　

在全球城市化与基础设施建设的驱动下，河沙需求在过去二十年中翻了三倍，年需求量高达约500亿吨。然而，无节制的采砂活动引发了严重的环境与地貌后果，包括河床下切、河岸侵蚀、栖息地破坏以及三角洲河流的盐水入侵。越南湄公河三角洲（Vietnamese Mekong Delta, VMD）作为越南最大且最重要的三角洲，承载着近1900万人口并保障国家粮食安全，但其可持续性正日益受到人类活动的威胁。除了上游水坝的影响，三角洲河流中不可持续的采砂行为导致了严重的环境问题——它局部加速了河床下切与河岸侵蚀，同时 broadly 扰乱了泥沙输送并导致三角洲系统退化。

据估计，VMD的年悬浮泥沙负载（Suspended Sediment Load, SSL）在40.0至166.7 Mt./yr之间，而河床质负载（bed load）约为3.0 Mt./yr。与之形成鲜明对比的是，该地区的采砂量在2012年至2022年间从7.75 Mm3/年激增至53.25 Mm3/年。巨大的采砂量与自然补给量之间的不平衡，使得有效监测和管理采砂活动变得至关重要，但缺乏全面的监测框架使得这一挑战难以应对。

以往的研究往往将采砂预算与其地貌影响分开探讨，缺乏一种将采砂量估算与其地貌后果相连接的综合方法。准确的采砂量估算通常需要昂贵且耗时的全流域水深测量，而依赖采砂许可证的统计数据又因普遍存在的无管制和非法开采活动而严重低估。近年来，遥感技术，特别是通过遥感影像中的船只检测来估算采砂量的方法，已成为一种有前景的替代方案。然而，先前的研究方法存在局限性：手动计数船只劳动密集型且难以扩展；而一些自动化方法虽提高了可扩展性，但假设所有观察到的河床侵蚀均由采砂引起，可能导致在高估，尤其是在VMD这种上游水坝运营等其他因素也贡献于泥沙流失的地区。此外，在数值模拟中，以往研究通常通过在模拟开始时按比例直接改变采砂区域的河床高程来模拟影响，这种方法高估了影响且未能反映采砂作用下河床随时间逐渐演化的过程。

为了克服这些局限性，这项发表在《Geomorphology》上的研究旨在开发一个全面的框架，用于监测和评估采砂对河流形态的影响。该框架通过整合采砂量化与其地貌影响评估，提供了以往研究中缺失的综合评估。

本研究主要采用了以下几项关键技术方法：1）利用YOLOv5l深度学习模型对Sentinel-1卫星影像进行分析，自动检测并分类采砂船只（主要是带吊臂的驳船BC和运沙船STB）；2）基于检测到的BC船只数量、作业能力（80-120 m3/h）和作业时长，估算不同尺度（后江全流域、省级、单个采砂点）的采砂量和采砂区域；3）建立并校准了Delft3D-FLOW二维水动力-泥沙输运数值模型，并创新性地应用其疏浚和倾倒模块（dredging and dumping module），动态模拟了2014-2023年间采砂活动对河床形态的长期影响。研究还结合了实地勘察、水文站数据（流量、水位、悬浮泥沙浓度SSC）和多期河床地形测量数据用于模型验证。

4.1. Boat detection performance of the YOLO model

研究人员利用YOLOv5l模型对Sentinel-1影像中的船只进行检测和分类，分为BC、STB和其他船只三类。模型在验证数据集上表现出色，对所有类别的平均精度（mAP@0.5）达到0.935，其中BC的检测精度尤其高，mAP@0.5为0.958。这表明该模型能够可靠地用于大规模、长时序的采砂船只自动识别。

4.2. Sand mining volume estimation

应用训练好的模型对2014-2023年的影像进行分析，共检测到67,401艘船只，其中BC船占12.7%（8,560艘）。在后江（Bassac River）共识别出386艘BC船。基于其作业能力（80, 100, 120 m3/h）和假设的每日10小时作业时长，估算出2014-2023年间后江的总采砂量为92.68–137.59 Mm3，年均采砂量为10.02–14.87 Mm3。采砂活动在安江省（An Giang）、芹苴市（Can Tho）和永隆省（Vinh Long）最为集中，这三个省的采砂量占总量的74.3%。研究还识别出了152个采砂点，其数量和年采砂量随时间变化。

4.3. Impacts of sand mining activity on river morphology using Delft3D

4.3.1. Calibration and validation results of the DELFT3D model

建立的Delft3D模型在经过校准和验证后，能够很好地模拟后江从 Chau Doc 到 Can Tho 站的水位、悬浮泥沙浓度和河床高程变化，模型效率指标（R2和NSE）均显示模拟结果与观测数据吻合良好，证明了模型用于评估人为活动对河流形态影响的可靠性。

4.3.2. Morphological changes under the impacts of sand mining activities

4.3.2.1. Spatiotemporal variability in riverbed evolution

模拟结果显示，2014-2023年间，采砂导致后江河床发生显著下切。在基准 scenario (Sc1, 100 m3/h) 下，河床净下切总量为-188.19 Mm3，年平均下切速率达-0.66 m/yr。下切在下游河段（Vam Nao汇合口至Can Tho站）更为显著。采砂强度不同，下切程度也不同（Sc2和Sc3）。

4.3.2.2. Scour hole formation under the impact of sand mining

模拟预测出2014-2023年间在后江形成了23个冲刷坑。在Sc1 scenario下，最大冲刷深度达9.0米。这些冲刷坑主要与采砂点、河流汇合处和弯曲河段相关联。

4.3.2.3. Spatiotemporal variability in river thalweg

河床最深点（thalweg）也发生了显著下切和横向迁移。在Sc1下，2014-2023年间thalweg年平均下切速率达-0.92 m/yr，最大下切处位于下游河段。同时，thalweg也发生了横向迁移，平均迁移距离为98.30米，最大可达478米，这加剧了河岸的不稳定性。

研究结论与讨论部分强调，本研究首次将深度学习船只检测、采砂量估算和过程驱动的数值模拟相结合，提供了一个评估采砂对河流形态影响的全新综合框架。估算的后江采砂量（92.68–137.59 Mm3）远高于官方许可量，表明非法和无管制开采活动猖獗。数值模拟结果表明，采砂是导致后江河床急剧下切（贡献率高达41.0–56.4%）、形成深层冲刷坑和thalweg迁移的关键驱动因素，严重威胁到河岸稳定和三角洲的整体健康。这些发现突显了改进泥沙管理策略和监管框架的紧迫性。该研究方法不仅适用于VMD，也可推广至其他面临类似采砂压力的河流系统，为全球三角洲地区的可持续资源管理和河流保护提供了重要的科学工具和决策依据。尽管存在一些不确定性（如船只作业时间的假设），但本研究的结果与先前研究具有一致性，支持了其结论的有效性。未来研究应侧重于将河流形态模拟与社会经济评估相结合，以制定科学的、可持续的采砂管理策略，在满足发展需求的同时，维护河流生态系统的长期稳定。