海岸带生态系统动态监测新技术：从卫星遥感到人工智能的整合应用

《Annual Review of Marine Science》：New Technologies for Monitoring Coastal Ecosystem Dynamics

这篇综述系统梳理了近20年海岸带生态系统监测技术的突破性进展，重点探讨了卫星遥感（如Landsat、CubeSat）、无人平台（UAV/AUV）、原位传感器网络、光纤监测系统（DTS/DAS）和公众科学观测站等六大技术体系，揭示了人工智能（AI）和机器学习（ML）在数据处理中的核心作用，为应对气候变化和人类活动压力下的海岸带管理提供了技术路线图。

　　

海岸带生态系统动态监测的新技术

摘要

近年来，海岸带生态系统监测技术呈现跨越式发展。通过整合卫星遥感、无人平台、原位传感器和人工智能（AI）等技术，科学家们首次实现了从厘米级到全球尺度的多维度观测。这些技术进步恰逢其时——全球50%以上的滨海湿地已消失，珊瑚礁在过去30年减少超50%，而海洋热浪频率激增82%。本文系统评估了六类新兴监测技术如何突破时空分辨率限制，为海岸带韧性管理提供数据支撑。

观测进展：时间、空间与可测变量

技术革新使观测能力在三个维度拓展：

1. 1.

   时间维度：CubeSat星座将遥感重访周期缩短至小时级，而跨平台校准的海洋水色数据（如CZCS-SeaWiFS-MODIS）构建了40年时间序列。

2. 2.

   空间维度：PlanetScope卫星群提供3米分辨率全球日覆盖数据，成功绘制全球珊瑚礁分布（Li et al. 2020），而无人机（UAV）可实现厘米级岩礁带藻类分类（Murfitt et al. 2017）。

3. 3.

   变量拓展：高光谱卫星可区分红树林树种（Lassalle et al. 2023），声学监测系统解析了鱼类群落声景特征（Lindseth & Lobel 2018）。

卫星监测

Landsat的30米分辨率数据揭示了全球红树林年损失率从0.2%降至0.04%（Friess et al. 2020），而新兴的NASA任务（PACE/SBG/GLIMR）将实现高光谱水体参数反演。值得注意的是，PlanetScope数据帮助定位加州热浪后残存的巨型海藻斑块（Cavanaugh et al. 2023），凸显小卫星在生态灾害评估中的价值。

无人机（UAV）技术

配备多光谱/热成像仪的无人机在盐沼监测中展现独特优势：

• •

  识别入侵植物（Cruz et al. 2023）

• •

  量化风暴对沉积物垂直加积的影响（Pinton et al. 2020b）

• •

  通过流体透镜技术（fluid lensing）消除水下折射，获得珊瑚礁厘米级三维结构（Chirayath & Instrella 2019）

  岩礁带监测案例显示，UAV影像对冠层藻类的分类准确率与人工调查相当（Konar & Iken 2018），但被藻类遮盖的底层物种仍易被低估。

自主水下航行器（AUV）

现代AUV形成三类技术谱系：

类型	续航力	定位精度	典型应用
ROV式	4小时	厘米级USBL	珊瑚礁精细测绘（Girdhar et al. 2023）
鱼雷式	5天	米级DVL	海底地形扫描（Allen et al. 1997）
滑翔机式	8周	百米级DR	跨洋锋面追踪（Schofield et al. 2014）

自适应采样算法使AUV效率提升61%（图4），例如通过实时叶绿素荧光数据动态调整路径（Hwang et al. 2019）。视觉AI更实现无标记鱼类追踪（Cai et al. 2023），突破传统声学标签限制。

原位传感器网络

技术创新推动网络密度提升：

• •

  成本降低：微型CO₂光谱传感器成本下降90%（Yang et al. 2014）

• •

  生物监测突破：成像流式细胞仪网络（如加州HAB监测网）通过ML实现浮游植物自动鉴定（Dashkova et al. 2017）

• •

  eDNA技术：自动化采样器克服手动采样局限，但参考数据库完整性仍是瓶颈（Stoeckle et al. 2020）

光纤监测系统

全球120万公里海底光缆（图5）衍生出新应用：

• •

  分布式温度传感（DTS）：4公里光缆捕获珊瑚礁内部波致温度脉动（Reid et al. 2019）

• •

  分布式声学传感（DAS）：解析上升流事件（Pelaez Qui?ones et al. 2023），并成功监测鲸类声纹（Bouffaut et al. 2022）

  声景指数分析表明，DAS有望成为海岸带生物多样性监测新工具（Pieretti & Danovaro 2020）。

公众科学观测站

创新参与模式扩大数据覆盖：

• •

  REEF：潜水员累计提交800万条鱼类观测

• •

  Zooniverse：15万志愿者分类浮游生物图像（Robinson et al. 2017）

• •

  CoastSnap：智能手机拍摄海岸线实现毫米级精度潮位监测（Harley & Kinsela 2022）

  "漂浮森林"项目通过Landsat影像众包分析，绘制全球海藻林变化（Rosenthal et al. 2018）。

人工智能的关键作用

ML算法突破数据处理瓶颈：

1. 1.

   监督学习：NASA流体透镜+卷积神经网络实现珊瑚礁亚厘米级分类（Chirayath & Instrella 2019）

2. 2.

   无监督学习：聚类分析优化26年海气CO₂通量估算（Watson et al. 2020）

3. 3.

   混合建模：将物理机制嵌入神经网络，提升泛化能力（Boukabara et al. 2019）

未来方向

五大优先领域包括：

1. 1.

   加强近海-远洋观测数据融合

2. 2.

   维持长期监测计划（如全球红树林观察）

3. 3.

   开发基于现有基础设施（如风电平台）的传感器网络

4. 4.

   通过eDNA-声学-AI融合提升生物多样性监测

5. 5.

   缩短数据产品延迟（如Allen珊瑚地图集近实时更新）

这些技术进步正重塑人类理解海岸带生态系统的范式，为应对全球变化提供前所未有的科学支撑。