研究院地信专业硕士在国际期刊Ecological Informatics发表成果

近日，云南大学国际河流与生态安全研究院孙璟睿副教授团队硕士生易成飞在国际学术期刊Ecological Informatics发表研究论文“GRBD: a global-scale multiple-type river barrier annotation database for global river barrier mapping with deep learning”。该研究构建了全球多类型河流障碍物标注数据集（GRBD），并结合深度学习目标检测技术，系统评估了模型在不同地理区域、障碍物类别及置信度阈值下的识别表现，为全球河流障碍物的智能识别与大规模制图提供了新的数据基础和技术支撑。

研究背景：现有障碍物智能识别方法仍存在关键局限

大坝、堰和水闸等人工障碍物广泛分布于全球河流网络，是造成河流连通性下降、栖息地破碎化和淡水生物多样性丧失的重要因素。然而，目前全球河流障碍物数据库仍存在大量数据缺口，尤其是分布于中小型河流中的小型障碍物，尚未得到充分记录。近年来，深度学习目标检测技术逐渐应用于河流障碍物自动识别，大幅提升了从高分辨率遥感影像中提取障碍物信息的潜力。然而，已有研究仍存在三个突出问题。首先，训练数据的开放性和代表性不足。部分研究虽然声称取得了较好的识别效果，但并未公开训练数据与模型，限制了研究结果的可重复性及模型的推广应用。已有公开数据集则普遍存在障碍物类别较少、地理覆盖有限等不足，尤其缺乏对小型河流障碍物的充分表征。其次，模型性能评估仍不够全面。部分研究未报告召回率，也缺乏跨地理区域的泛化能力验证。最后，缺乏对识别完整性与实际应用成本之间权衡关系的系统评估。置信度阈值的选择直接决定模型的漏检率与误检数量，但以往研究较少系统分析这一权衡关系，也缺乏对深度学习辅助识别能否真正节省人工筛查时间的直接验证。

图1. GRBD数据库的标注数据分布特征

针对上述问题，本研究首次将全球多类别开放标注数据集构建、跨流域泛化能力验证、置信度阈值敏感性分析以及实际人工筛查效率评估整合到统一的河流障碍物智能识别框架中。研究团队构建的GRBD数据库包含20,770幅高分辨率卫星影像和27,764个障碍物标注实例，涵盖水电站、土坝、水闸、堰、船闸和潮汐闸六大类别。其中，6,051个障碍物实例位于宽度小于30米的河道中，显著改善了以往训练数据集中小型障碍物代表性不足的问题。

图2. GRBD数据库的多类型障碍物标注实例

在模型评估方面，研究团队系统比较了RT-DETRv2和YOLO11系列深度学习模型，并将召回率作为模型选择的重要指标。结果显示，RT-DETRv2-X在GRBD独立测试集上的召回率达到99.1%，mAP50为0.816。为进一步验证模型的实际适用性，研究团队在全球六大地理区域的子流域中开展跨流域测试，覆盖不同气候、地貌及人类活动背景下的河流系统。在置信度阈值为0.5时，模型的障碍物检出率达到87.6%，表明其在不同地理环境中具有较强的泛化能力。

图3.模型在不同置信度阈值下的检出率、召回率及假阳性数量，以及在不同障碍物类别和六大地理区域中的检测表现

本研究的一项重要创新，是进一步量化了置信度阈值、漏检风险、假阳性负担与人工筛查效率之间的关系。研究发现，将置信度阈值从0.2提高至0.5，可减少约79%的假阳性结果，同时保持87.6%的障碍物检出率。此外，研究团队直接比较了传统人工目视解译与深度学习辅助筛查的实际效率。发现在置信度阈值为0.2时，深度学习辅助筛查可减少40.0%的人工时间，同时保留96.4%的人工识别障碍物；当阈值提高至0.5时，人工时间减少70.4%，筛查效率达到传统方法的3.38倍，但障碍物检出比例降至80.0%。这些发现首次在本研究的实际应用测试框架中，定量揭示了河流障碍物智能识别过程中检测完整性与人工工作量之间的权衡关系，为不同应用需求下的模型参数选择提供了实证依据。

研究意义：推动河流障碍物识别从算法测试走向实际应用

本研究不仅提供了一个可公开获取、涵盖多种障碍物类型的全球训练数据集，也强调了河流障碍物智能识别的评价标准应从单纯关注模型检测精度，进一步拓展至检测完整性、误检负担和实际人工核查成本。研究结果表明，深度学习能够显著提高大尺度河流障碍物调查效率，但无法完全替代人工核查。将高质量训练数据、自动化目标检测和有针对性的人工验证相结合，有望成为未来全球河流障碍物清查的重要技术路径。

作者信息：

云南大学国际河流与生态安全研究院硕士研究生易成飞为论文第一作者，孙璟睿副教授为通讯作者。共同作者包括深圳大学徐南副教授、华南理工大学郑晓怡博士、意大利国家海洋学与应用地球物理研究所Damiano Baldan博士、孟加拉国拉杰沙希大学Shams Galib副教授、泰国乌汶皇家大学TuantongJutagate教授、云南大学硕士研究生李豪，以及美国华盛顿大学Julian Olden教授等学者。

原文地址：https://doi.org/10.1016/j.ecoinf.2026.104093