在极端天气事件中推进海洋垃圾计数：以台风“沙奥拉”和“海葵”为例的深度学习应用

《Marine Environmental Research》：Advancing Marine Debris Counting during extreme weather events: Deep Learning Applications in Typhoons Saola and Haikui

海洋垃圾智能监测方法及台风影响研究。通过整合深度学习与岸基固定摄像头，提出SDC系统实现台风期间连续监测，训练十种算法筛选最优模型（mAP 84.48%，0.2153s/图），在东山海域对两次台风（Saola、Haikui）的监测显示垃圾量分别增8.3%和37%，证实该方法比传统抽样更高效可靠。

　　本研究旨在探索一种创新的海洋垃圾监测方法，以应对传统采样手段在极端天气条件下的局限性。海洋垃圾作为全球性环境问题，其影响已引起广泛关注。随着人工智能技术的不断发展，特别是深度学习在图像识别和目标检测领域的应用，为海洋垃圾的自动化监测提供了新的可能性。本研究提出了一种名为“智能垃圾计数”（Smart Debris Counting, SDC）的方法，结合深度学习技术与岸基固定摄像头，实现了在台风天气下对海洋垃圾的连续监测。这种方法不仅提高了监测效率，还有效克服了传统采样手段在极端天气下难以获取数据的难题。

海洋垃圾通常指被遗弃、处置或丢弃在海洋和沿海环境中的持久性、人工制造或加工的固体材料。在亚洲地区，尤其是中国和韩国，海洋垃圾的主要来源被认为是本地的渔业和水产养殖活动，其中泡沫浮标是最常见的污染物。海洋垃圾对海洋生态系统构成严重威胁，可能导致栖息地破坏、疾病传播以及生物死亡。此外，海洋垃圾还带来了显著的经济损失，例如对商业对虾养殖业的研究表明，海洋垃圾可能导致对虾捕捞量下降约17%，造成经济损失。因此，海洋垃圾的监测与研究对于理解其空间分布、聚集趋势以及类型具有重要意义。

传统的海洋垃圾监测方法主要依赖于人工采样和公民科学（Citizen Science）模式。人工采样虽然能够提供较为准确的数据，但其过程往往繁琐且费时，特别是在恶劣天气条件下，如台风期间，采集数据变得更加困难。公民科学模式则通过动员公众参与科学调查，例如通过手动数据收集进行动植物调查，提高了数据采集的效率。然而，这种方法仍然受到环境条件的限制，且在数据质量控制方面存在一定的挑战。相比之下，科学调查方法更为严谨，能够揭示海洋垃圾在外部作用下可能分解为微塑料的现象，以及垃圾在不同海洋环流中的分布机制。这些研究为理解海洋垃圾的迁移路径和聚集区域提供了重要依据。

近年来，人工智能技术在图像分类和目标检测领域的快速发展，为海洋垃圾的自动化监测提供了新的思路。传统的目标检测方法通常分为两阶段和一阶段两种类型。两阶段方法如R-CNN系列，需要对图像进行两次处理：首先生成候选区域，再对每个区域进行分类和定位。这种方法虽然在识别精度方面表现良好，但其处理速度较慢，通常只能达到每秒几帧（FPS）。相比之下，一阶段方法如YOLO系列，能够同时预测目标的位置和类别，大大提高了处理效率。例如，YOLOv5在现代GPU上可以实现超过100 FPS的处理速度，同时保持较高的识别精度。随着YOLOv7和YOLOv8等后续版本的推出，这些模型在识别精度和实时处理能力方面取得了进一步突破。

尽管深度学习技术在海洋垃圾监测方面已取得一定进展，但其应用仍面临一些挑战。例如，一些研究通过无人机、船载摄像头或移动设备采集图像数据，再利用深度学习算法进行分类和识别。这种方法虽然提高了效率，但仍然依赖于人工标注数据，且在极端天气条件下，如台风期间，数据采集和处理面临较大困难。因此，本研究提出了一种新的解决方案，即“智能垃圾计数”（SDC）系统，结合深度学习技术与岸基固定摄像头，实现了在台风天气下对海洋垃圾的连续监测。该系统能够在恶劣天气条件下稳定运行，同时保证较高的识别精度和处理效率。

本研究的主要成果包括以下几个方面。首先，开发了一种新的深度学习算法，能够有效识别极端天气条件下的海洋垃圾，其识别精度达到84.48%，每张图像的处理时间为0.2153秒。其次，该算法能够在台风期间实现连续8天的数据采集，共收集了来自20个监测站点的2080张图像。这些数据的采集为研究台风对海洋垃圾的影响提供了重要依据。研究发现，台风发生后，海洋垃圾的数量显著增加，其中台风Saola对垃圾的影响最为严重，因为它直接登陆研究区域，导致垃圾的分布和聚集更加明显。相比之下，台风Haikui的影响稍弱，但同样对海洋垃圾的分布产生了显著影响。

本研究的意义在于，它不仅克服了传统监测方法在时间安排上的不足，还显著减少了对人工劳动的依赖。通过引入深度学习技术，实现了对海洋垃圾的自动化监测，提高了数据采集的连续性和稳定性。这种技术的应用对于理解海洋垃圾的分布规律、聚集趋势以及类型具有重要意义。此外，SDC系统还能够提供实时的数据反馈，帮助相关部门更有效地进行海洋环境管理，制定相应的污染防治措施。

研究区域位于中国福建省漳州市的东山湾，地处台湾海峡的西岸。该区域受台湾暖流的影响，是一个繁忙的渔业基地，拥有约110种不同的鱼类资源。同时，该区域也是一个生态多样性较高的地区，包括红树林保护区和珊瑚礁保护区。此外，该区域还存在大量的人工结构，如海水养殖设施，这些结构在台风期间容易成为垃圾的来源。因此，东山湾是一个理想的实验区域，能够全面反映海洋垃圾在极端天气条件下的变化情况。

在算法性能评估方面，本研究重点关注了识别精度、单张图像的处理效率以及模型的整体复杂性。评估指标包括mAP（Mean Average Precision）、单张图像的处理时间以及模型参数的总数。此外，还对不同类别垃圾的识别精度（AP）进行了评估。通过这些指标，可以全面衡量深度学习算法在实际应用中的表现。研究结果表明，SDC系统在这些指标上均表现出色，能够满足实际监测需求。

本研究的结论表明，SDC系统是一种有效的海洋垃圾监测工具，能够在各种天气条件下稳定运行，特别是在台风期间，能够提供连续的数据采集。这种系统不仅提高了监测效率，还为研究海洋垃圾的分布和聚集提供了重要的数据支持。通过引入深度学习技术，SDC系统能够实现对海洋垃圾的自动化识别，减少对人工标注的依赖，提高数据处理的连续性和稳定性。这种技术的应用对于理解海洋垃圾的动态变化、制定相应的污染防治措施具有重要意义。

此外，本研究还强调了未来在海洋垃圾监测方面的研究方向。随着人工智能技术的不断发展，深度学习算法在图像识别和目标检测领域的应用将更加广泛。未来的研究可以进一步优化这些算法，提高其在复杂环境下的识别能力，同时降低计算资源的需求。此外，还可以结合多种传感器技术，如无人机、船载摄像头和固定摄像头，实现对海洋垃圾的多维度监测。这些技术的结合将有助于提高监测的全面性和准确性，为海洋环境保护提供更加科学的依据。

本研究的成果为海洋垃圾监测提供了新的方法，同时也为未来的研究奠定了基础。通过引入深度学习技术，实现了对海洋垃圾的自动化识别，提高了数据采集的效率和连续性。这种技术的应用不仅能够减少对人工劳动的依赖，还能够提供更加精确的数据，帮助相关部门更有效地进行海洋环境管理。未来的研究可以进一步探索这些技术的优化和扩展，以应对更复杂的监测需求。同时，还可以结合更多实际案例，验证这些技术在不同海域和气候条件下的适用性。这些努力将有助于推动海洋环境保护事业的发展，为实现可持续发展目标提供支持。