南信大学子在河道一线探寻人工智能治水边界

2026年7月，为了解基层河湖治理信息化需求，探索人工智能技术在巡河工作中的应用边界，南京信息工程大学人工智能学院（未来技术学院）“智瞰清流”小分队来到江苏省苏州市相城区渭塘镇，通过项目走访、人员访谈、河道踏勘、问卷调查和环保科普等方式开展暑期“三下乡”社会实践，尝试将国家级大学生创新创业训练计划项目的技术设想，转化为能够接受基层工作流程检验的功能需求。

在渭塘镇水环境治理项目现场，队员们没有急于展示模型，而是从一张河道照片开始追问：照片能够说明哪些事实，怎样与拍摄时间、具体点位和历史巡查记录对应，机器生成的判断由谁核实，出现错误后又该如何退回和修改？

在了解当地水环境治理信息化系统的过程中，队员们发现，“利用人工智能识别河道问题”并不是一项可以直接落地的完整需求。从照片进入系统，到最终形成巡查记录，中间还涉及信息采集、点位关联、问题判断、人工核验、任务流转和记录归档等多个环节。

照片是否保留原始拍摄时间，巡查点位由工作人员手动选择还是由系统自动读取，机器生成的问题描述如何标注判断依据和不确定性，工作人员修改后的信息是否回写历史记录……队员们将这些问题逐项记录下来，并围绕实际工作流程与项目工作人员展开交流。

走访中，团队逐渐认识到，人工智能能否服务基层治理，不仅取决于模型能否识别图像，还取决于识别结果能否进入现有工作流程，能否被核验、修改和追溯。只有照片、时间、点位、历史记录和处置过程相互对应，机器生成的信息才可能成为基层工作人员可以采用的巡查资料。

图为南京信息工程大学人工智能学院（未来技术学院）“智瞰清流”小分队在项目现场了解渭塘镇水环境治理信息化系统。“智瞰清流”小分队供图

渭塘镇相关治理区域面积约12.4平方公里，共有内河水系41条。队员们在走访中了解到，针对断头浜较多、水动力不足、面源污染影响明显和水质稳定性不足等问题，当地按照“减污、活水、净水”的思路，通过管网改造、排污口整治、河道清淤、清水补给和推流增氧等措施推进水环境治理。相关信息化系统用于集中呈现水环境数据和设施运行情况，为日常管理提供信息支撑。

结合系统使用情况和工作人员介绍，队员们将人工智能的应用重点放在重复性较高、耗时较长、规则相对清晰的资料处理环节。团队初步设想，系统可以从巡河照片和文字中提取拍摄时间、巡查地点、问题类型等字段，自动关联相应点位和历史记录，再由工作人员核对、修改，生成巡查记录或情况说明初稿。

在这一应用设想中，人工智能不替代现有治理平台和工作人员的专业判断，而是作为连接现场巡查与信息化平台的资料整理助手，帮助减少重复录入，提高照片、点位和巡查记录之间的对应效率。

为进一步验证照片所能提供的信息，项目工作人员李建国和南京信息工程大学2017届环境工程专业校友石飞带领队员们开展河道实地踏勘。沿着河岸行进，队员们观察水面状况、岸线环境、水生植物、生态浮岛和水体循环设施，并同步记录拍摄时间、点位位置、观察角度及周边环境。

图为项目工作人员带领团队在渭塘镇开展河道实地踏勘。“智瞰清流”小分队供图

现场观察中，同一片水面从不同角度拍摄，画面呈现出的颜色和明暗程度并不相同。光照、天空倒影、岸边树影以及拍摄角度，都可能影响图像中的水面颜色；水生植物的分布状况也与水深、水动力和季节变化等因素有关。

这些现场差异使队员们意识到，单张照片可以为巡查人员提供线索，却不能绕过水质监测数据、现场调查和专业人员，直接得出水质结论。对于漂浮垃圾、岸线杂物和异常堆积物等视觉特征相对明显的问题，可以探索图像辅助识别；对于水质类别、污染来源和水生态状况等专业判断，则需要结合监测指标、历史变化和现场情况进行综合分析。

团队据此进一步完善应用需求：人工智能输出结果时，不应只给出简单的问题标签，还应尽可能保留照片来源、拍摄时间、对应点位和判断依据。遇到图片模糊、信息不足或无法确定的情况，系统应明确提示需要人工核验，避免将不确定的识别结果表述为确定结论。

除了项目现场和河道点位，队员们还走进沿河道路、公园、商业街和沿街门店，面向居民、青年和商户开展问卷调查与访谈，了解公众参与河湖治理时遇到的实际问题。

交流中，受访者关心的不只是系统能否发现河道问题，还关注问题上报入口是否清楚、描述是否方便、处理进度能否查询，以及上传的照片和位置信息将如何被使用。根据现场反馈，团队初步梳理出图像辅助识别、问题描述生成、上报流程指引、巡河资料整理和环保知识问答等需求。

图为团队成员在渭塘镇河道周边面向居民开展问卷调查。“智瞰清流”小分队供图

问卷和访谈结果也促使队员们重新思考人工智能应用的评价方式。在实验环境中，模型通常以图像识别准确率等指标衡量效果；但在实际巡河工作中，模型“答对多少张图片”并不能完整反映系统是否好用。

能否减少重复录入，照片与点位能否准确对应，原始信息和修改记录能否完整保留，错误提示是否容易被工作人员发现，以及系统是否设置明确的确认、退回和复核机制，同样影响人工智能的实际应用效果。

如果系统生成一份巡查记录，却无法说明信息来自哪张照片、哪个点位和哪次巡查，工作人员便难以复核；如果机器给出的结果未经人工确认便直接进入后续流程，也可能将识别误差转化为治理风险。

因此，团队将人工复核纳入功能设计：机器负责整理线索、提取字段和生成初稿，工作人员负责核查事实、修正内容并确认提交，使每一条信息都能找到来源，每一次修改都能留下记录。人工智能在这一流程中承担的是辅助工作，而不是代替工作人员作出最终判断。

实践结束后，“智瞰清流”小分队将继续整理问卷、访谈和现场观察资料，进一步完善智能体功能需求和应用场景，为后续原型开发与实地验证提供依据。

从实验室里的模型设想走向基层河道，需要解决的不只是图像识别问题，还包括数据如何采集、结果如何核验、信息如何流转以及责任如何落实。此次实践中，队员们从一张河道照片出发，将技术方案放入真实巡河流程中反复审视，进一步明确人工智能可以在哪些环节提高效率，又应当在哪些位置等待工作人员作出专业判断。

图为南京信息工程大学人工智能学院（未来技术学院）“智瞰清流”小分队完成河道实地考察后合影。“智瞰清流”小分队 供图

（通讯员 李翰哲）