AI4WaterGuard：基于多源地球观测与AI的塞浦路斯农业用水无监督异常筛查研究

《Scientific Reports》：A multi-source earth observation and artificial intelligence framework for unsupervised water-use anomaly screening in Mediterranean agriculture

　　

摘要

在大范围内对农业用水异常进行可靠筛查仍然具有挑战性，因为经过验证的事件标签和现场观测数据极少可得。我们提出了AI4WaterGuard——一个多源地球观测与人工智能框架，用于在塞浦路斯全境进行无监督的用水异常筛查。该研究利用来自1,974个中心点在六个水文年内的617,862条记录，在嵌套时间交叉验证框架下对六个主要检测器族进行评估，并采用训练一致缩放、有效性感知评分和协调一致的时间支持策略。在五个中心点序列检测器中，卷积神经网络自编码器对强参照受控合成代理表现出最强烈的响应，平均精度达到\(0.893\pm 0.130\)，代理F1值达到\(0.880\pm 0.100\)。空间显式的卷积长短期记忆变分自编码器在更细的土地像元序列粒度上进行了评估，并以描述性方式进行了解读。在五种扰动模式和三种严重程度条件下，卷积神经网络自编码器在等场景平均精度上达到0.342，而在弱扰动条件下下降至0.088。这些合成指标量化的是受控代理的敏感性，而非现场验证的检测性能。对1,157个WorldCover合格中心点进行的运行后处理综合运用了阈值敏感性分析、1,000次精确计数随机化、包含嵌套Top-20高优先级子集的Top-50优先检查队列，以及统一周期的时空事件分析。由此产生的筛查优先级需要独立的行政证据和现场证据来确定其物理成因或法律状态。