“自动检测”可以指向两项差异很大的任务。第一项是在影像已经对准已知坐标后，勾出其中建筑的轮廓。第二项是在开放地貌中搜索，判断建筑是否存在，再在没有位置提示的条件下将其定位。2026 年 3 月 17 日发表于 npj Heritage Science 的一篇论文，在第一项任务上给出了可信结果；其主要指标所能证明的仍是前一项。[1]

这项研究提出 IHBSegNet，用神经网络分割长城沿线的单体遗产建筑，主要对象是敌台和烽火台。这些建筑体量小，受侵蚀后又容易在视觉上与周围黄土混在一起。在留作测试的图块上，模型取得 73.02% 交并比（IoU）、84.41% F1 和 84.01% 召回率。模型还为第二项分析生成掩膜：研究人员将年度卫星嵌入聚为四个植被密度等级，观察 2017 至 2024 年各建筑周边的变化。[1]

这项工作有明确用途。榆林已有长城保护员，也配有无人机、视频监控和市级巡检平台；由模型排出的待查清单可以帮助保护人员决定优先查看哪些点位。[4] 它的证据范围同样清楚：这套辅助排序用于安排人工巡查，尚未达到自主长城调查；植被变化只是一条线索，无法直接判定损伤。把评测范围说明白，基准能够传递的信息会更加完整。

基准起点已有“在哪里”的答案

研究区域包括陕西省榆林市府谷县、神木市和榆阳区境内约 254.64 公里的长城遗存。研究人员从 604 个已知遗产建筑坐标出发，其中府谷 198 个、神木 211 个、榆阳 195 个。以这些坐标为中心，他们从 Google Earth 收集了 586 幅高分辨率 RGB 影像，每幅覆盖 50 米×50 米，空间分辨率为 0.5 米。影像拍摄时间横跨 2014–2024 年，每幅都经过单独挑选，以清晰度最高者为准。[1]

这种取样回答的是一个合理的保护问题：已有清单坐标和相对清晰的俯视影像时，模型勾画残存建筑的准确度如何？至于模型在数百平方公里、视觉特征相近的地貌中能找出多少未登记墩台，这套设计尚未给出答案。

影像用 512×512 像素窗口按 256 像素步长切分。剔除不含遗产建筑的图块后，剩下 905 个样本，再随机按 80:20 分为训练集和测试集。遥感解译人员勾画掩膜，考古学家负责复核，为数据增加了一层有价值的专业质量把关。[1] 按设计，这个测试集以遗址为中心，并且只含正样本。图块中仍有墩台周围的背景像素，所以分割分数会惩罚大量轮廓误差；开放搜索所面对的大量全空白土地则未进入测试。

73.02% IoU 究竟证明了什么

IoU 的计算方法，是用预测掩膜与参考掩膜的重叠面积除以二者的并集面积。三个主要指标中，73.02% IoU 最有参考价值，因为漏掉的建筑区域和多圈出的区域都会受到惩罚。84.41% F1 和 84.01% 召回率补全了数据集内的表现图景。三项结果共同表明，IHBSegNet 在这套流程生成的留出图块上绘出了质量相当扎实的掩膜，并优于论文报告的对比网络。[1]

这组分数没有给出廊道尺度的目标级召回率、每平方公里误报数，也未显示模型在完全未参与训练的县区上表现如何。数据划分还有一个问题。论文写明先生成相互重叠的图块，再随机划分训练集和测试集，却未说明是否按原始 50 米影像或遗产点位给图块分组。论文公布的评测方案因此无法排除高度相关的空间背景分别落入划分两侧。这是一项评测风险，不足以证明数据泄漏已经发生。按遗址分组的划分清单可以核清这一点；留一县区测试则能更直接地检验跨地区泛化能力。[1][2]

图像挑选再次收窄了适用范围。从 2014–2024 年的时间窗口里选择最清晰的 Google Earth 影像，适合建立第一套标注语料。需要自动化介入的若干运行条件则留在样本之外，包括新近遮挡、季节性覆盖、低对比度、新的侵蚀，以及质量不一的当前影像。因此，73.02% IoU 应作具体解读：它是榆林语料内、已知点位、清晰图像条件下语义分割的证据。未知点位发现能力和所有当前巡查影像的准确度仍无相应证据。

第二个模型给出巡查线索，诊断仍由现场完成

分割完成后，研究将每个预测建筑区域叠加到 Google 年度 Satellite Embedding 数据集上。该产品用 64 个学习所得的维度表示每个 10 米像素。单个波段无法独立解释，嵌入空间中的距离则可用于分类和变化分析。公开数据集目前覆盖 2017–2024 年。[3] 研究人员将像素聚类为四个有序等级——无植被、稀疏、中等和茂密——逐年比较每个点位的平均等级及归一化植被得分。[1]

IHBSegNet 在 604 个清单点位中为 550 个生成了可用掩膜，其中府谷 174 个、神木 177 个、榆阳 199 个。分析随后标出植被等级变动较大的点位。府谷和榆阳报告的大幅变化多指向更茂密的覆盖。这些变化存在多种解释，包括植被蔓生、扰动减少或生态恢复；年度嵌入自身无法在这些解释之间作出区分。[1]

警报数量也有一处尚待核清。摘要称 67 个点位出现显著变化。分县区结果采用同一阈值，府谷为 32 个，榆阳为 35 个，神木为 4 个；三项全部计入后共 71 个，而 67 恰好等于府谷与榆阳的小计。点位级输出表和明确的纳入规则可以确认这是措辞差异还是算术不一致；在数字进入巡查看板前，这一步需要完成。[1][2]

作者自己的敏感性分析还揭示了一项重要限制。这些建筑相对于 10 米植被像素占地很小，只把掩膜边界移动三个像素，就会明显改变植被平均等级的变化量；归一化得分受影响较小。每年仅有一期嵌入数据，也会抹平季节变化。更根本的限制在于，研究没有开展实地调查，因此未核实检测到的变化是否代表植物生长，更未核实其是否造成结构损伤。[1]

更绿不等于损伤更重

植被在某些条件下会威胁土质遗产。深根可以进入裂缝、滞留水分，并破坏砌体或夯土的稳定。中国国家文物局据此要求开展日常巡查，并控制长城脆弱区段的深根植物。[6] 这项政策支持检查后的定点处置，绿量上升本身不足以直接下达清除指令。

生态学证据带有更强的条件性。一项针对中国西北某段长城的实地研究发现，维管植物多样性和苔藓生物结皮覆盖率均与更小、更浅的侵蚀形态相关。作者据此认为，在部分半湿润环境中，植物群落和生物土壤结皮有助于控制水土流失。[5] 根系类型、基质、坡度以及植物所在的建筑部位各有差异，同一个遥感标签对保护工作的含义也会随之改变。

因此，IHBSegNet 植被层的警报适合写成 “这里的覆盖发生了变化，请检查该点位”；“植被损坏了这座墩台”则超出了证据范围。一份实用的现场记录表应列入植物类型、根系位置、湿度、裂缝、材料损失，以及变化落在建筑本体上还是只发生在周边。这样可以把粗粒度年度信号转为保护人员能够据以处置的证据。

发布包可供查验，端到端复现条件仍未齐备

随附的 Mendeley Data 发布包是一项有实际价值的公开成果。版本 2 于 2025 年 12 月 12 日发布，采用 CC BY 4.0 许可，内含训练和测试样本、定量结果、植被变化统计，以及分析与可视化脚本。[2] 读者由此可以查验论文表格之外的材料。

目前，这套材料仍无法一键复现论文的核心模型结果。论文称 PyTorch 训练和推理代码可向通讯作者索取；公开记录里没有模型权重、环境锁定文件，也缺少说明清楚的分组划分清单。[1][2] 对正在评估采购或部署的文保机构而言，这些缺失的复现凭据很重要：稳定的点位标识符、原始影像溯源信息、影像获取日期、精确划分、代码和权重、依赖版本、原始预测结果，以及年度嵌入图层的锁定版本。

这对时序产品尤其重要。Google 目录注明，这些嵌入来自模型产出，无法像光谱波段那样直接解释。[3] 复现时需要记录具体数据集及处理版本，只写查询年份还不够。

足以改变判断的实地测试

加入以下四项评测，当前结果就会成为更有力的部署评估：

1. 把留出单位从随机图块改为地理区域。 用榆林两个辖区的数据训练，在第三个辖区测试，然后轮换重复。难度更高的扩展测试可以选取土壤、保存状况和影像条件均有差异的长城廊道。
2. 把连续区域中的负样本纳入扫描。 将一片同时含有登记点位和长距离无建筑地带的连续区域切成图块，再按固定的每平方公里误报率报告目标召回率。这是“自动发现”主张所需的测试。
3. 集中检验困难条件。 按占地面积、遮挡、季节、影像年代、侵蚀状态和对比度分别公布表现。将当前无人机影像作为单独数据域评测，人工筛选的清晰历史影像不宜充当运行基线。
4. 以盲法开展警报实地核验。 给保护员一份排序清单，不透露系统将哪些点位列为变化显著。统计排名靠前的现场检查中，有多少发现相关植被，有多少发现文物本体的实际风险，以及这套排序节省了多少巡查时间。

榆林特别适合开展最后一项测试。其官方保护体系已有 68 座保护站、305 名保护员，实行按月巡查，并配有无人机巡检和数字监管平台。[4] IHBSegNet 的价值可以体现在现有网络内部，衡量依据是它能否以可量化方式改善网络的决策。

因此，模型当前最合适的定位有限而实际：勾画一处已知且可见的建筑；汇总年度土地覆盖信号发生变化的位置；将点位加入人工复核队列。机器提出去哪里看。保护人员判断那里生长着什么、是否接触文物本体，以及现场是否需要处置、应当如何处置。

来源

1. Daoyuan Zheng 等，“Automatic detection and site-scale vegetation shift analysis for individual heritage buildings along the Great Wall”，npj Heritage Science 14，161（2026 年 3 月 17 日）。
2. Daoyuan Zheng 等，“Automatic detection and site-scale vegetation shift analysis for individual heritage buildings along the Great Wall”，Mendeley Data，版本 2（2025 年 12 月 12 日）。
3. Google for Developers，“Satellite Embedding V1” Earth Engine 数据目录（2017–2024 年度 10 米、64 维嵌入）。
4. 中华人民共和国文化和旅游部，“陕西榆林：让长城文化真正‘活’起来”（2024 年 8 月 29 日；介绍榆林的保护员、保护站、无人机巡查、视频监控和监管平台）。
5. Yanping Liu 等，“Vascular plant communities and biocrusts act as controlling factors in mitigating soil erosion on the Great Wall in a semi-humid area of Northwestern China”，Science of the Total Environment 918（2024），170515。
6. 国家文物局，“国家文物局关于加强长城保护工作的通知”（2023 年 12 月 11 日；关于深根植物及其他风险的巡查与管控指导）。
7. 长城国家文化公园，“游走靖边、定边，看长城百年守望”（2025 年 2 月 17 日；镇靖堡照片的来源页面，图片署名来自榆林官方文旅平台）。