基于OBE-CDIO理念的“人工智能遥感应用”课程改革研究

基于OBE-CDIO理念的“人工智能遥感应用”课程改革研究摘要[目的]针对现有人工智能遥感应用课程在课程目标、教学内容、工程实践与评价方式等方面存在的局限，本文以OBE成果导向理念与CDIO工程教育模式为框架，结合矿业类高校特色开展系统改革。[方法]内容包括重构课程目标，设计贯穿全工程周期的教学逻辑，实施项目驱动的实践教学，并建立能力导向的过程化评价机制。[结果]教学改革形成了以学习成果为导向、工程项目为主线的闭环教学模式。[结论]改革有助于提升学生的工程实践能力与技术应用水平，可为测绘遥感类相关课程的教学改革提供参考。关键词:OBE;CDIO;人工智能；遥感；课程改革随着空天信息和人工智能技术的快速发展，人工智能正深刻重塑遥感技术体系与工程模式。遥感技术由传统的数据获取与人工解译，逐步转向以深度学习为驱动的自动特征提取与智能分析。新一代人工智能技术(如多模态大模型)进一步推动遥感应用由单一算法处理向复杂场景综合建模转变，对测绘遥感类人才的工程思维与实践能力提出了更高要求。作为连接理论知识与工程应用的核心课程，人工智能遥感应用课程在建设与实施中仍存在不足。课程目标与行业能力需求对接不够紧密；教学内容组织呈现碎片化特征，缺乏对遥感智能工程完整技术流程的系统引导；实践教学以演示型实验为主，学生对模型迁移、方法适配及复杂工程问题解决过程的理解不足；评价方式侧重结果考核，对学习过程与能力达成情况的反馈机制不完善，制约了课程教学质量的持续提升。本文结合矿业类高校学科特色，将OBE(outcome-basededucation)与CDIO(conceive-design-implement-operate)理念有机融入课程教学全过程，从课程目标设计、教学内容组织、实践教学模式与评价机制4个方面开展改革探索，构建面向工程问题的课程教学体系，以期提升课程教学质量与人才培养成效。1课程教学现状与改革需求分析1.1课程目标与行业能力需求对接不足课程教学目标多聚焦于知识传递，以掌握遥感原理、人工智能算法与行业应用为核心，忽视成果导向的能力培养要求，导致教学内容与行业实际应用场景脱节，学生毕业后难以快速适配岗位对复合型工程人才的能力要求[8-9]。1.2教学内容碎片化，工程逻辑不完整课程内容多围绕单一算法或局部技术展开，如孤立讲解卷积神经网络，缺乏对遥感智能应用完整技术流程的系统组织，学生对数据获取与处理、模型选择与构建、结果验证与调优及工程应用之间的内在关联理解不深，难以形成面向复杂工程问题的系统性技术认知[10]。1.3实践教学偏演示型，工程参与深度不足实践教学以示范讲解和流程复现为主，如利用预设数据集完成遥感影像分类、模型调用等，学生自主分析问题和设计方案的空间有限。实验设计缺乏完整的工程闭环，既没有需求分析、方案设计的环节，也不涉及成果验证、优化迭代的流程，无法培养学生应对复杂遥感工程问题的系统思维。1.4评价体系重结果轻过程，反馈机制不健全课程评价以期末笔试和实验报告为主，笔试侧重理论知识与算法公式的记忆，实验报告仅关注操作步骤的完整性与结果正确性，对学习过程中学生在问题分析、方案设计、调试优化及团队协作中的表现关注不足。过程性与能力导向评价机制不健全，难以及时反映学生能力达成情况，对教学改进的支撑作用有待加强。2基于OBE-CDIO理念的课程改革思路与总体框架2.1改革思路OBE成果导向教育理念以学习产出为核心，强调目标导向、反向设计与持续改进，CDIO工程教育模式则围绕“构思-设计-实施-运作”的工程全生命周期，注重培养学生的工程实践能力与系统思维[11]。二者融合为解决当前课程教学痛点提供了有效路径。改革思路上，依托OBE的核心优势，解决“培养什么人”的目标定位问题；借助CDIO全生命周期工程流程的结构化特征，解决“怎么培养人”的过程实施问题，二者形成目标与过程的互补支撑[12-14]。2.2课程总体框架基于上述改革思路，构建课程总体框架(如图1所示)。

教学改革总体思路

(Conceive)构思：基于OBE明确课程预期学习产出，对齐毕业要求重构教学内容体系

反馈改进

(Operate)运作：通过多元评价支撑持续教学改进

(Implement)实施：项目驱动实施课堂与实践教学

(Design)设计图1基于OBE-CDIO理念的教学改革思路1)OBE目标体系：以行业需求为导向，构建“知识-能力-素养”3类课程目标，并将其细化映射至毕业要求指标点，明确每一类目标在课程中的具体承载环节，为教学设计与评价提供依据。

2)CDIO教学流程：作为改革的实施主线，按照“构思-设计-实施-运作”工程全生命周期，贯穿课堂与实践教学全过程，实现理论教学与实践训练的有机融合。

3)项目实践平台：依托矿业类高校特色，选取矿区目标识别、矿区开采监测等工程场景，构建递进式实践项目体系，使学生在真实数据和任务下开展工程训练。

4)多元评价机制：以能力达成为核心，构建过程性与结果性相结合的评价体系，既考核知识掌握程度，也评估工程能力与综合素养，同时反向支撑教学内容、实践项目的动态优化。3课程改革实施路径与教学设计3.1基于OBE理念的课程目标设计针对当前课程目标偏重知识传授，对工程能力与职业素养关注不足的问题，引入OBE成果导向理念，对课程目标进行重构(见表1)。以遥感智能应用工程岗位能力需求为牵引，将原有目标从算法知识掌握导向，拓展为“知识-能力-素养”复合型目标体系。在知识层面，强调学生系统掌握人工智能遥感应用的基础理论、典型模型原理及技术发展趋势，夯实专业认知基础；在能力层面，突出工程问题分析、多源遥感数据处理、模型构建与优化、结果验证等核心工程能力培养；在素养层面，强化工程伦理意识与团队协作能力，提升学生综合工程素养。同时，设计预期学习产出，以毕业要求指标点为约束条件，对课程目标进行反向对齐，实现课程目标与毕业要求的精准映射。表1课程目标OBE导向设计课程目标课程目标OBE导向设计预期学习产出对应毕业要求课程目标1(知识导向)学生能够系统掌握人工智能遥感应用的基础理论、典型模型原理及技术发展趋势，并将相关专业知识与数学模型方法用于复杂工程问题分析与推演。①能掌握人工智能遥感工程问题的基本类型、任务特征及典型应用场景；

②能掌握常见人工智能模型的基本原理、结构特点及适用条件，并理解不同模型在遥感场景中的优势与局限。工程知识课程目标2(能力导向)学生能够独立或协作完成基于人工智能的遥感工程实验任务，规范开展实验方案设计、数据获取与预处理、模型训练及结果分析评价等全过程研究活动。①能利用多源遥感数据，针对具体应用问题进行研究方案设计与实验流程规划；

②能利用定量评价指标，对不同人工智能模型与参数组合的实验结果进行对比分析与效果验证；

③能利用实验结果进行问题诊断，提出改进思路并优化模型或技术方案。研究课程目标3(能力导向)学生能够面向遥感工程实际需求，合理选择数据源、软件平台与模型工具，对不同技术方案进行实现与优化。①能利用Python及深度学习框架完成数据处理、模型搭建、训练与调参等工程实现过程；

②能利用多种工具与模型开展对比实验，对不同技术方案进行效果评估与可视化表达。使用现代工具课程目标4(素养导向)学生能够在工程实践与团队项目中形成规范意识与协作能力，体现工程责任感与职业素养。①能够在工程实践中遵守职业道德与数据规范，具备责任意识；

②能够在团队协作中承担角色、有效沟通并完成分工任务。个人和团队3.2基于CDIO模式的教学内容设计为解决教学内容碎片化问题，以完整工程流程为逻辑主线，对教学内容进行重构，形成知识基础模块和认知型CDIO工程模块课程内容体系(如图2所示)。知识基础块第1章人工智能概述：AI发展背景，典型应用场景，夯实AI认知基础，拓宽应用视野

第2章AI遥感发展现状：行业技术演进趋势(传统AI到深度学习),多领域典型案例(矿业、城市、农业等领域)，强化行业需求感知，衔接后续模型学习与CDIO工程模块

第3章常见遥感AI模型：传统模型(BP网络等)原理，适用场景(如小样本数据、简单地物分类),模型优缺点对比，从单纯讲授模型转向理解模型适配性，掌握模型适用边界与应用场景

第4章深度学习算法：深度学习模型核心原理、网络结构、参数配置逻辑、优化策略(如样本增强、迁移学习等)，聚焦复杂遥感场景，强调算法机理与复杂场景的适配认知型CDIO块（第5章典型应用）(C-构思)：工程背景分析、业务需求拆解、核心目标明确(如矿区开采监测时间和精度要求)，立足真实项目任务，引导学生精准定位工程目标与约束条件

(D-设计)：技术路线规划、数据源选择、模型适配设计、实验方案制定，综合运用前4章知识，培养按需选型的工程设计能力

(I-实施)：数据预处理、样本构建、模型训练与调优、结果验证，聚焦不同模型的实现差异，理解不同技术路线的优缺点

(O-运作)：不同模型的性能对比评估与改进方案，成果应用分析，评估不同模型的实用价值，强化工程应用导向与问题反思意识图2CDIO导向课堂教学内容设计(1)知识基础模块(第1-4章):系统讲授人工智能概述、AI遥感发展现状、常见遥感AI模型及深度学习算法等基础内容，为学生理解工程流程、开展工程实践奠定知识基础。教学中引入矿区目标识别、城市绿地监测、农作物分类等多领域案例，既突出矿业特色，也拓宽学生行业视野。

(2)认知型CDIO工程模块(第5章):以真实工程案例为载体，对遥感智能工程的完整流程进行系统解析，按照“构思-设计-实施-运作”四个阶段组织教学内容，帮助学生建立完整的工程认知。以自然资源部门矿区开采动态监测为例，构思阶段：研读任务书，明确服务于矿区执法监管部门，聚焦违法开采识别、开采范围跟踪等需求，确定地物识别精度要求；设计阶段：对比Sentinel-2与高分六等数据适用性，分析UNet等模型优劣，确定技术方案；实施阶段：完成时序数据预处理、样本标注、模型训练与参数调优，通过混淆矩阵验证精度；运作阶段：分析成果在执法巡查、生态修复规划中的应用，讨论数据源差异下模型精度下降的优化方向。

该阶段不要求学生独立完成完整实验，重点在于理解工程各环节之间的逻辑关系，为后续实践课程中学生独立实施工程奠定基础。3.3项目驱动的实践教学模式构建基于CDIO理念，设计递进式实践教学体系，分为基础型(基础流程入门，引导学生初步掌握遥感智能工程的核心环节)、综合型(多环节整合优化，强化学生的复杂工程问题解决能力)、创新型(前沿技术自主创新，培养学生的创新思维与综合应用能力)3个层次，引导学生从“跟着做”到“独立做”再到“创新做”逐步提升(如图3所示)。实践教学中教师仅提供任务书及基础数据，学生自行组队，自主完成从任务拆解到成果输出的全过程，最终形成代码工程、技术方案书和应用分析报告等成果。(1)基础型实践(实验1:矿区典型地物智能识别):聚焦采坑、复垦区、尾矿库等常见地物，引导学生掌握“数据预处理-模型选择-训练验证”基础流程。要求自主确定识别类别与精度指标，选用卷积神经网络等模型完成实验，结合矿区用地监测，说明识别成果如何辅助自然资源调查监测。(2)综合型实践(实验2:矿区用地时序变化检测):围绕矿区开采监测、复垦进度跟踪等实际需求，提供两期及以上时序遥感数据。要求学生明确监测对象(如违法开采、复垦进度),设计多方案对比策略(如传统变化检测法与深度学习模型的对比)[15],完成数据配准、样本制作、变化提取与精度验证，分析样本差异、参数设置等对结果的影响，形成支撑治理决策的监测报告。(3)创新型实践(实验3:遥感大模型多场景应用探索):结合矿业或城市、农业等拓展场景，鼓励学生自定义任务(如城市功能分类、农作物类型识别)。要求设计实施方案，调用公开遥感大模型(如AlphaEarthFoundations)完成解译，对比大模型与传统模型的精度、效率差异，评估其工程应用可行性并提出优化建议。图3CDIO导向实践教学内容设计3.4能力导向的多元过程化评价机制构建遵循OBE理念与CDIO模式要求，构建“学习过程-实践能力-结课考试”三位一体的多元过程化评价体系(见表2),实现评价与课程目标、毕业要求的精准对齐。评价重点从知识记忆转向能力达成，通过对学习全过程的持续跟踪与综合评估，全面反映学生的知识掌握、能力提升与素养养成情况，并将评价结果作为教学改进的重要依据，形成闭环机制。表2能力导向的多元过程化评价机制评价模块对应课程目标评价内容评价方式占比/(%)学习过程评价知识课堂参与情况、章节作业完成质量、模型原理理解深度随堂测验、课堂互动研讨、作业批改10实践能力评价能力+素养递进式实践项目全流程表现(实验完成质量、报告规范性)、项目方案设计、成果应用价值、团队协作成