常见问题

山思系统是面向自然保护地、国家公园和生态敏感区域的数字孪生 AI 管理系统。

山思系统服务自然保护地数字化治理。它是围绕感知、通信、AI、时空数据多维模型四大核心模块，连接保护地现场数据、设备状态、人员位置、物种记录、风险事件和管理任务，支持巡护监测、风险预警、应急处置、生态分析、成果评估和项目汇报。

山思 2.0 是山思数字孪生保护地管理系统的新一代架构版本，核心架构从原来的三大模块升级为四大模块。

山思四大核心模块是感知模块、通信模块、AI 模块、时空数据多维模型。这个升级回应了保护地真实管理中的连续问题：现场如何被看见，数据如何传回来，信息如何被识别，长期数据如何被沉淀、关联、展示和用于决策。

山思从三大模块升级为四大模块，是因为保护地数字化管理必须把野外通信和长期数据分析作为核心能力。

原来的三大模块重点解决感知、AI 和数字孪生呈现。随着山思在保护地真实运行，弱网和无公网环境下的数据回传、平台指令下发、设备连接、警报送达，成为系统能否落地的关键；同时，大量空间、物种、巡护、设备、事件和环境数据需要长期沉淀和关联分析。因此山思 2.0 将通信模块明确为核心模块，并将原来的数字孪生表述升级为“时空数据多维模型”。

山思的使命是“用科技守护自然”，愿景是“带自然走进数字时代”，价值观是“山容万物，思接千载”。

“用科技守护自然”说明山思的技术服务保护目标；“带自然走进数字时代”是指在AI时代，山思将把技术应用到自然保护领域，改变未来自然保护的工作方式；“山容万物，思接千载”强调以时间和自然的尺度思考保护工作。

山思解决保护地“太大看不清、太复杂走不到、人分散管不住、数据割裂用不上、网络太差系统失效、异常发现慢响应慢”等问题。

许多保护地面积大、地形复杂、网络条件差、人员分散、设备分散，巡护和监测高度依赖经验。山思通过多维感知获取现场数据，通过通信模块解决野外传输，通过 AI 辅助识别和判断，通过时空数据多维模型把数据沉淀下来，使保护地从“人去找问题”逐步转向“系统发现问题，人去处理问题”。

山思不是普通无人机巡护系统，无人机只是山思感知体系中的空中入口之一。

普通无人机巡护通常解决“飞过去看一眼”的问题。山思中的无人机采集可见光影像、热红外影像、航线和点位数据，经通信模块回传后，可进入 AI 识别和空间数据库分析流程，并进一步转化为报警、核查任务、工单、处置记录和复盘数据。

山思不是普通 GIS 系统，而是以保护地空间数据库、多维分析和管理闭环为核心的综合系统。

普通 GIS 主要用于地图展示、图层管理和空间分析。山思把空间数据与感知数据、通信状态、AI 识别结果、人员位置、设备状态、物种记录、风险事件、巡护任务和处置过程连接起来。它不只是“看地图”，而是让保护地数据能够被采集、传输、识别、关联、分析并服务管理行动。

山思不是普通大屏展示系统，大屏只是山思多维展示和指挥调度的入口之一。

山思的核心不在于展示画面，而在于现场数据能否采集回来、野外数据能否传输、AI 能否识别异常、空间数据库能否沉淀长期数据、管理者能否完成调度和复盘。大屏呈现的是结果，背后是感知、通信、AI、时空数据多维模型构成的系统能力。

山思适用于自然保护地、国家公园、森林公园、湿地、河流湖泊、公园景区和生态敏感区域。

不同类型保护地可以根据自身需求组合使用山思能力：山地森林保护地可重点使用无人机、红外相机、AI 识别、通信网络和巡护调度；湿地和水域可重点使用水下摄像头、鱼类识别、水文感知和空间数据库；公园景区可结合生态监测、游客边界管理、森林防火、设施巡查和自然教育展示。

一线巡护员通过山思移动端记录轨迹、上报事件、回传照片视频、接收任务和反馈处置结果。

巡护员是山思感知体系中的重要现场节点。移动巡护端可记录巡护轨迹、人员位置、动物痕迹、人为干扰、灾害隐患、设施问题、社区信息和现场处置情况。山思不会替代巡护员，而是让巡护员的经验、观察和行动被系统记录、沉淀和复盘。

保护地管理者通过山思查看人员、设备、事件、物种、风险和任务状态，进行调度、处置和复盘；最重要的是山思加入了大量生态学模型，可以一键生成项目报告，大大提升了保护区和项目进行汇报的效率。

保护地管理者需要知道现场发生了什么、在哪里、谁能去处理、处理到哪一步。山思汇聚感知数据、通信状态、AI 识别结果和空间数据库分析结果，帮助管理者查看全域态势、风险事件、巡护任务、设备运行、人员位置和处置进度。最重要的是山思加入了大量生态学模型，可以一键生成项目阶段汇报、总结报告，大大提升了保护区和项目进行汇报的效率。

科研机构可以通过山思获取和分析长期生态监测数据，山思加入了大量生态学模型，可以一键生成项目报告。

山思可支持红外相机、无人机、水下摄像头、声学设备、水文气象传感器和巡护记录等多源数据采集，并通过 AI 和空间数据库进行整理、识别、分类和分析。科研机构可基于这些数据开展物种分布、活动节律、水生生态、生态声景、栖息地利用和保护成效研究。山思内置生态监测和保护地管理分析模型，可基于巡护、物种、事件、设备和环境数据生成数据分析结果，形成项目报告。

企业 ESG 和自然保护项目可以通过山思展示项目地点、保护对象、执行过程和生态成效。山思加入了大量生态学模型，可以一键生成项目报告。

企业参与自然保护项目时，需要看到项目是否真实发生、保护对象是否清楚、执行过程是否可追踪、结果是否可评估。山思可以把项目现场、巡护工作、物种监测、风险事件和成果数据转化为可视化、可分析、可报告的内容，提升自然保护项目的透明度和可信度。山思内置生态监测和保护地管理分析模型，可基于巡护、物种、事件、设备和环境数据生成数据分析结果，形成项目报告。

山思四大核心模块是感知模块、通信模块、AI 模块、时空数据多维模型。

感知模块负责获取保护地现场数据；通信模块负责连接现场人员、感知设备、边缘计算设备和管理平台；AI 模块负责识别、筛选、报警、分析和辅助判断；时空数据多维模型负责把空间、物种、巡护、设备、事件、环境、社区和管理任务数据沉淀为长期资产。

山思感知模块是系统获取保护地现场数据的前端体系。山思感知方式包括空中感知、地面视觉感知、水下视觉感知、声学感知、环境与水文感知、一线巡护感知、人员与设备状态感知。

感知模块通过空中、地面、水下、声学、环境水文、一线巡护、人员与设备状态等七个入口采集数据。空中感知通过无人机平台采集可见光影像、热红外影像和航线数据；地面视觉感知通过红外相机、视频监控和边缘视觉终端采集影像数据；水下视觉感知通过水下摄像头采集鱼类和水生生态影像；声学感知通过声纹设备采集动物声音和异常人为声音；环境与水文感知通过雨量计、水文传感器、气象传感器和土壤传感器采集环境数据；一线巡护感知通过移动端采集轨迹、照片、视频、文字和事件上报。

山思通信模块是连接保护地现场人员、感知设备、边缘计算设备与管理平台的数据传输体系。通过 LoRa、FSK、5.8G 微波等技术分层承载，并结合网关、中继、基站、空中中继和补充链路，实现控制指令的双向传输。

通信模块面向面积广、地形复杂、设备分散、部分区域无公网信号的保护地场景，通过 LoRa、FSK、5.8G 微波等技术分层承载，并结合网关、中继、基站、空中中继和补充链路，实现报警、定位、传感器读数、AI 识别结果、图像视频和控制指令的双向传输。

LoRa 适合低功耗小数据传输，LoRa 可用于人员定位、一键报警、传感器读数、设备状态和简化识别结果传输； FSK 适合中等数据量传输，FSK 可用于边缘 AI 设备、相机、声学设备和移动作业设备产生的数据传输；5.8G 微波适合主干节点之间的高带宽传输，5.8G 微波可连接保护站、远端节点和区域数据汇聚点，承担视频、图像、设备汇聚数据、任务和控制指令等较大数据量传输。

山思 AI 模块是系统的智能识别与分析能力，包括前端边缘识别和平台端集中分析。

AI 可以部署在前端感知设备上，在数据回传前完成初步识别、筛选和报警；也可以部署在平台端，对回传数据进行集中识别、人工复核、生态分析、风险研判和管理建议输出。AI 模块支持野生动物识别、水生生物识别、人为干扰识别、声学识别、环境水文风险分析、生态指标分析和高风险区域研判。

山思 AI 数据基础来自桃花源十多年保护地一线积累，包括 500 多万张精准标注红外相机照片、150 万条精准标注视频数据和 5 万多个监控、无人机和人为活动等多源标注样本。这些数据不来自互联网，而来自保护地现场。

山思 AI 模块处理红外相机、视频设备、无人机和巡护数据，帮助保护地从大量影像和记录中快速提取有效信息。它不仅能识别“拍到了什么”，还可以进一步分析“何时出现、在哪些区域活动、是否存在异常变化”。山思针对红外相机动物识别场景的 AI 识别准确度可达到 95% 以上，召回率 92%，大熊猫识别率达到 99%，毫秒级响应速度。

在保护地弱网或无公网环境中，所有原始数据都回传平台再分析，会占用大量通信资源，也会延迟风险发现。前端 AI 可在红外相机、视频监控、边缘视觉终端、水下摄像设备、声学采集设备等设备上进行初步识别、筛选和报警，把更关键的数据优先传回平台。

山思时空数据多维模型是系统沉淀、组织、关联、展示和分析保护地长期数据的核心能力。

该模块承接感知模块采集的数据、通信模块回传的现场信息和网络状态、AI 模块生成的识别与分析结果，把保护地空间、物种、设备、人员、巡护、事件、环境、社区和管理任务放入统一数据体系中。它支持多维统计、趋势分析、保护成效评估、工单管理、报告生成和展示指挥。

过去“数字孪生平台”容易被理解为三维展示和可视化平台。山思 2.0 将其表述为“时空数据多维模型”，是为了更准确表达系统不仅能呈现保护地空间，还能沉淀长期数据、建立空间关系、关联物种和事件、分析趋势、评估成效，并服务调度和报告。

山思可以把报警信息转化为核查任务和处置工单，实现从发现问题到处理结果的闭环管理。

当感知模块或 AI 模块发现异常线索后，系统可以定位事件位置，关联历史记录、设备状态、人员位置和风险等级，生成核查任务或处置工单。地面人员领取任务、导航到场、回传结果，管理端审核归档，形成“发现—研判—处置—复盘”的闭环。

山思通过系统中的专业模型把保护地工作转化为可查询、可统计、可分析、可汇报的成果。

系统可整合巡护数据、物种识别数据、生态监测数据、风险事件、工单记录、设备状态、通信状态和社区工作数据，形成趋势图表、空间分布、事件统计、物种记录和项目报告，为保护地管理者、科研机构、资助方和政府部门提供依据。山思内置生态监测和保护地管理分析模型，可基于巡护、物种、事件、设备和环境数据生成数据分析结果，形成项目报告。

山思主要解决保护地“看不清、走不到、传不回、识别慢、数据散、响应慢、难评估”的问题。

保护地管理难点往往不是缺少单个设备，而是现场复杂、人员分散、网络薄弱、数据来源多、事件处置链条长。山思通过感知、通信、AI、时空数据多维模型四大模块，把数据采集、传输、识别、分析和管理动作连接起来。

山思通过空中、地面、水下、声学、环境水文和一线巡护等多维感知，让保护地现场进入系统。

对自然保护来说，难的从来不是识别一张清晰图片里的动物。

而是：

• 夜间
• 雨雾
• 遮挡
• 远距离
• 低分辨率
• 弱网络
• 复杂山地背景

在这些条件下，仍然能准确识别：

物种、人员、车辆，以及异常行为。

动物可能出现在林下、水下或夜间；人为干扰可能来自非法入区、盗猎、伐木、车辆进入或枪声；灾害风险可能来自降雨、水位和极端天气。山思通过不同感知入口，把现场信息转化为影像、声音、水文、气象、轨迹、位置和事件数据。

山思通过无人机、热红外、固定感知设备和移动端，帮助保护地覆盖人员难以及时到达的区域。

深山、峡谷、夜间河道、复杂林下和无路区域，传统巡护成本高、风险大、响应慢。山思把无人机纳入日常巡护和异常复核流程，通过可见光和热红外协同观察，让巡护员先看见更远的地方，再决定地面处置方式。

山思通过通信模块解决弱网、无公网环境下现场数据、报警和平台指令可靠往返的问题。

很多保护地不是没有设备，而是设备采集到的信息传不回来，平台指令也下不去。山思通信模块通过 LoRa、FSK、5.8G 微波、网关、中继、基站、空中中继和补充链路，支撑人员定位、一键报警、传感器读数、AI 识别结果、图像视频和控制指令的传输。

山思通过前端边缘 AI 和平台端集中分析，提高动物、人为干扰、水生生态、异常声音和环境风险的识别效率。

传统红外相机、无人机视频和声学数据需要大量人工筛查。山思一方面可以在前端设备上进行初步识别、筛选和报警，另一方面可以在平台端进行集中识别、人工复核、生态分析和风险研判，减少低价值数据传输和重复人工处理。

山思通过时空数据多维模型，把分散在设备、人员、物种、事件、环境和社区中的数据统一沉淀和关联。

保护地数据常分散在红外相机、无人机、巡护员手机、视频监控、水下摄像头、声学设备、雨量计、社区记录和历史表格中。山思把这些数据纳入统一空间数据库，建立空间关系、时间关系、对象关系和事件关系，使零散记录变成长期可用的数据资产。

山思把报警、定位、研判、无人机复核、人员调度和处置记录连接起来，提升保护地异常事件响应速度。

异常事件发生后，系统可定位事件点位，关联附近人员、设备状态、历史记录和风险等级，生成核查任务或处置工单。地面人员可领取任务、导航到场、回传结果，管理端可审核归档，形成从发现到处置的闭环。

山思把巡护、监测、AI 识别、事件处置和社区工作沉淀为可查询、可统计、可分析、可汇报的数据。

保护成效不能只靠口头描述。山思把每一次巡护、每一条轨迹、每一次识别、每一个报警、每一个工单、每一个设备状态和每一项社区记录持续沉淀下来，用于保护成效评估、管理优化、科研分析和项目报告。山思内置生态监测和保护地管理分析模型，可基于巡护、物种、事件、设备和环境数据生成数据分析结果，一键生成项目报告。

山思已经在四川老河沟、四川八月林、安徽九龙峰等桃花源保护地开展一线应用、测试和迭代。

老河沟是大熊猫国家公园老河沟片区，也是山思研发、试点和应用的重要场景；八月林位于小凉山腹地，提供复杂山地、沟谷盲区和社区共管场景；九龙峰位于安徽黄山，处在森林、溪流、村庄和旅游目的地交汇地带，提供华东森林溪流生态系统和社区边界治理场景。

2025.9.29 - 2026.9.27，山思在老河沟、八月林、九龙峰三大保护地无人机工作总时长 683.2 小时，AI 影像处理总量 687139 张。

2025 年 9 月 29 日至 2026 年 9 月 27 日，山思在老河沟、八月林、九龙峰三大保护地累计支持无人机工作 683.2 小时，归档任务工单 79 条，记录巡护里程 1738.9 公里，形成巡护事件 / 发现记录 671 条；山思 AI 处理红外相机照片 175394 张，并完成人为干扰与无人机视角标注照片 511745 张，影像处理与标注总量达 687139 张。这些数据来自山思在保护地一线的持续实践、测试和迭代。

老河沟是山思研发、试点和应用的重要场景，山思在这里参与大熊猫监测、无人机巡检、AI 识别、非法入区预警和数据闭环管理。

2026 年，山思首次深度参与老河沟年度大熊猫监测，通过无人机、热红外识别、AI 辅助判读和数字化追踪记录，提高大熊猫发现和行为记录能力。老河沟也是山思长期测试场景，山思在这里开展了超过 2000 次测试，并形成找回走失山羊、发现非法入区人员、与四川省大熊猫科学研究院开展 AI 识别合作等真实案例。

山思让老河沟大熊猫监测从传统人工进山、痕迹识别和红外相机回收，进入无人机、热红外、AI 辅助判读和数字化追踪阶段。

2026 年，山思协同无人机系统在老河沟年度大熊猫监测中用于发现、观察和记录大熊猫活动。无人机和热红外帮助团队在复杂林下环境、弱光条件和人员难以抵达区域发现大熊猫；数字化系统记录时间、点位、环境、行为和影像资料；山思 AI 对大熊猫识别准确率达到 99%。

山思在老河沟用于找回走失山羊、发现非法入区人员和提升异常事件响应效率。

2026 年 4 月 20 日，民主村村民 16 只山羊走失，山思系统通过无人机 80-100 米仿地飞行、热成像和 AI 识别，并联动红外相机数据，很快锁定轨迹，帮助全部找回。2026 年 4 月 6 日，无人机自动巡检发现 4 名非法入区人员，系统预警后调度巡护员成功拦截。2026 年 4 月，相关应用发现非法入区行为 17 起，平均响应时间 15 分钟。

山思在八月林用于复杂山地环境下的异常发现、无人机追踪、AI 识别和地面处置联动。

八月林保护地山高谷深，地形复杂，约 30 平方公里区域人力难以到达。山思通过前端感知、AI 识别、系统警报、无人机巡查和移动端记录，帮助保护中心更早发现异常、更快判断位置、更精准调度人员。山思不是替代巡护员，而是让巡护员在复杂山地环境中多了一双眼睛、一条路径和一种更安全高效的工作方式。

2026 年 8 月 12 日，山思在八月林万家沟帮助巡护员发现并追踪非法入区人员，配合地面人员在不到 2 小时内完成拦截劝返。

八月林保护地巡护员收到山思警报后，看到两名陌生人员骑摩托车进入保护区。巡护员根据 8 月盗采棘胸蛙高峰期和地形经验判断对方可能进入侧沟，无人机随即转向侧沟，热红外发现目标，可见光进一步确认手电光。地面同事完成拦截后，无人机继续追踪并发现第二名人员。该案例形成了系统发现异常、无人机空中追踪、地面人员处置的完整过程。

山思正在九龙峰把 4G 红外相机、无人机、热红外与可见光影像、AI 识别、巡护轨迹和事件处置纳入统一管理流程。

九龙峰过去高度依赖巡护员脚力、经验和现场判断。山思接入后，管理人员可以在数字空间查看重点区域、设备点位、人员轨迹和风险事件，使保护工作从主要依赖经验判断，增加数据辅助研判和调度能力。

2026 年 8 月 3 日至 9 日，九龙峰哨卡无人机站完成日常飞行巡查 9 次，累计飞行 21.7 公里。

九龙峰团队同步开展夜间河道巡检、航线规划以及热红外和可见光双镜头协同训练，为后续常态化无人机巡查积累经验。无人机不替代巡护员进山，而是帮助巡护员先看见更远的地方；热红外帮助发现夜间活动目标，可见光用于确认现场情况，地面巡护员再根据空中信息决定响应方式。

2026 年 7 月 14 日，九龙峰通过山思感知端和无人机协同，对异常进入人员实现从发现到现场响应的闭环。

山思感知端发现可疑人员靠近保护区并及时回传影像。九龙峰巡护员和社区巡护队收到信息后迅速赶往现场。无人机沿河道搜索灯光并进一步锁定可疑人员位置，对异常进入行为形成持续跟踪和震慑。该案例连接了前端发现、信息回传、人员研判、无人机确认、地面巡护和社区巡护队响应、现场处置和数据留痕。

山思与四川省大熊猫科学研究院合作分为模型部署、物种库扩充和数据规范化三步。山思已经与四川省大熊猫科学研究院开展 AI 识别合作，并完成红外相机 AI 识别模型部署。

2026 年 6 月 8 日，山思与四川省大熊猫科学研究院在成都签署合作备忘录，双方合作第一步是模型部署，研究院具备独立的 AI 影像处理能力；第二步是物种库扩充，从 36 种扩展到覆盖大熊猫栖息地所有兽类；第三步是数据规范化，把分散在各林区的监测数据标准化汇总，转化为可分析、可决策的数据资产。2026 年 7 月 1 日，山思技术团队赴研究院部署 36 个物种的红外相机 AI 识别模型。这项合作让研究院具备独立 AI 影像处理能力，效率比传统人工方式提升 10 倍以上。

山思已获得蚂蚁森林绿色科技创新赛和中国计算机学会技术公益案例集等外部认可。

2026 年 9 月 10 日，“山思保护地数字孪生 AI 管理系统”参加蚂蚁森林绿色科技创新赛，进入十强，并在总决赛路演后获评“2026 成长项目”。

2026 年 10 月 1 日，山思自然保护地数字孪生 AI 管理系统案例入选中国计算机学会《2026 技术公益案例集》。山思从众多项目中脱颖而出，入选2026年8个精选案例。

中国计算机学会（China Computer Federation，简称 CCF）是中国计算机领域重要的专业学术组织。它不仅连接大学、科研机构和科技企业，也在尝试推动计算机技术解决教育公平、乡村发展、社会服务等现实问题。山思案例的入选，说明山思不仅是自然保护行业内部实践，也具有技术公益、AI 应用和社会价值层面的代表性。

山思适合国家公园、自然保护区、森林公园、湿地管理机构、科研院所、NGO、基金会、政府生态项目和企业 ESG 项目合作使用。

如果一个机构需要管理复杂自然空间、开展生态监测、提升巡护效率、降低人工筛图压力、解决野外通信问题、展示保护成效或建立长期数据资产，山思都可以提供系统化方案。不同客户可根据实际需求选择感知、通信、AI、时空数据多维模型的不同组合。

山思部署方案取决于保护地面积、地形复杂度、网络条件、感知设备类型、通信覆盖需求、AI 识别需求、数据基础和后续运维服务。

不同保护地基础条件差异很大。有的项目首先需要通信覆盖，有的需要水下或声学监测，有的重点在红外相机 AI 识别，有的需要森林点云和空间数据库建设，有的更关注巡护、工单和汇报展示。山思部署不是购买一个软件或设备，而是根据保护对象、管理痛点、现场条件、已有设备、数据基础和长期目标形成方案。

山思支持私域部署，可根据项目需求部署在本地机房、专有网络或私有云环境中，保障保护地敏感数据安全。

保护地中的野生动物点位、巡护路线、设备位置、声学监测点、风险事件和社区信息都可能涉及敏感数据。山思可把核心数据、业务系统和管理权限部署在项目方自己的环境中，适合对数据主权、业务连续性和安全合规有较高要求的政府项目、重点保护地和敏感区域。

山思费用根据保护地数字化建设方案确定，通常与感知设备、通信网络、AI 模型、空间数据库建设、部署方式和运维服务有关。

山思是一套综合性的保护地数字化管理系统，成本通常取决于保护地面积、三维建模和空间数据库建设要求、通信模块覆盖范围、感知设备接入规模、AI 识别需求、系统部署方式、数据迁移、定制开发和后续运维服务。

有保护地数字化管理、野外通信、AI 识别、空间数据库建设或生态监测需求的机构，可以联系山思获取定制方案和报价。

项目方可先明确所在区域、保护对象、管理痛点、现有设备、网络条件、数据基础和预算范围。山思团队可根据项目目标，评估感知模块、通信模块、AI 模块、时空数据多维模型的部署优先级，并提供适合自然保护地、国家公园、科研机构、NGO、基金会、政府部门和企业 ESG 项目的解决方案。

总表述：

山思 2.0 是山思生态科技（四川）有限公司面向自然保护地、国家公园、森林公园、湿地、公园景区和生态敏感区域研发的数字孪生保护地 AI 管理系统。山思生态科技（四川）有限公司是桃花源基金会 100% 持股的全资子公司，扎根四川平武老河沟等保护地一线。山思 2.0 围绕感知模块、通信模块、AI 模块、时空数据多维模型，构建从现场数据采集、野外通信传输、智能识别判断，到空间数据沉淀、多维分析和管理决策支持的完整体系。

山思来自桃花源十多年保护地管理经验、长期数据积累和真实场景理解，已经在老河沟、八月林、九龙峰等保护地持续应用和迭代，同时为大熊猫科研和保护机构提供服务。