综述：遥感与图像分析在宏观塑料垃圾监测中的应用综述

本综述系统梳理了利用遥感（RS）与人工智能（AI）图像分析技术监测宏观塑料垃圾（>2.5 cm）的最新进展。涵盖了从固定摄像头、无人机（UAV）、气球、飞机到卫星等多种平台，重点探讨了RGB影像结合机器学习（ML）与深度学习（DL）方法在海岸、河流等水生环境塑料垃圾检测与量化中的应用。文章强调了当前量化单位（如垃圾覆盖面积、数量、重量/体积）缺乏标准化的问题，并指出垃圾覆盖面积与单位面积物品数最适于跨平台比较。尽管面临环境干扰、分辨率限制与协议不一等挑战，该技术仍有望推动科学政策制定与塑料从陆到海的长期监测。

　　

引言

海洋塑料污染已成为全球重大环境问题，国际社会如2019年G20大阪峰会提出的“大阪蓝色海洋愿景”旨在2050年前消除新增海洋塑料污染。尽管政治承诺增强，但基于科学的可测量目标与操作策略仍显不足。现有监测多依赖人工现场调查，如美国国家海洋和大气管理局（NOAA）与联合国环境规划署（UNEP）的标准化协议，但这些方法劳动密集、空间有限且难以国际比较。遥感技术与AI图像分析为此提供了自动化、可扩展的解决方案，本综述聚焦于RGB影像的宏观塑料垃圾（>2.5 cm）检测，旨在总结当前遥感方法、探讨AI作用，并提出标准化自动监测系统的路线图。

材料与方法

通过Scopus数据库系统检索截至2024年的同行评议研究，关键词包括“海洋垃圾”、“塑料垃圾”等，并结合平台如无人机、卫星等术语。经手动筛选保留109项研究进行深入分析，按平台（固定摄像头、无人机、气球、飞机、卫星）和图像分析技术（手动筛查、规则基础、机器学习、深度学习）分类。重点关注RGB影像应用，排除会议论文与非同行评议来源，确保数据质量。

文献检索与筛选结果

初始检索获401篇文章，经筛选后保留109项：7项基于固定摄像头、54项无人机、3项气球、12项飞机、33项卫星。自2020年起，无人机与卫星研究显著增加。图像分析中，机器学习于2018年出现，深度学习在2020年后快速增长，但手动与规则基础方法仍广泛使用。无人机研究中深度学习应用多于机器学习，而卫星研究因分辨率低、训练数据少等因素，深度学习未占主导。

观测平台与传感器

时空特性

RGB影像的空间分辨率由地面采样距离（GSD）决定，计算公式为GSD (cm) = H × S_w / (f × W)，其中H为高度(m)，S_w为传感器宽度(mm)，f为焦距(mm)，W为图像宽度(像素)。平台覆盖范围从无人机O(10²) m²到飞机O(10⁴–10⁵) m²，卫星则覆盖更广但受轨道限制。

固定摄像头监测

早期研究如Kako等（2010）使用VGA分辨率摄像头监测海滩，通过亮度阈值量化白色泡沫塑料。现代4K摄像头在典型高度下GSD可达1.2 cm，能检测瓶子等宏观塑料。河流监测中，摄像头固定于桥梁或手持录制，估算塑料通量（如单位时间物品数）。挑战包括安装需高程、数据传输依赖移动网络，以及水位变化影响GSD一致性。自适应系统如集成超声波水位计（WLGCAM）可调整拍摄间隔。

无人机

无人机自2017年起成为河流与海岸塑料监测的有效工具，具高机动性、分辨率与成本效益。常用DJI Phantom系列，GSD在0.5–1.25 cm时有效检测垃圾。结合实时动态（RTK）定位与运动结构（SfM）技术，生成正射影像与数字表面模型（DSM），支持面积、数量、体积与重量估计。深度学习自动化检测提升效率，但电池寿命短（<30分钟）、天气限制（风雨）与法规约束仍为挑战。

气球

气球为早期低空观测技术，如Nakashima等（2011）使用氦气球影像估算海滩垃圾重量。优势为长时操作无需电源，但稳定性差（易随风倾斜）、覆盖范围窄（<100 m²）、缺乏地理定位与3D建模能力，且准备耗时。无人机因自动化与高精度已逐步取代气球，但气球在资源有限地区仍具价值。

飞机

飞机用于大范围海岸与 offshore 监测，早期依赖视觉观察，近年结合RGB相机与GNSS实现半自动检测。如Kataoka等（2018）使用固定翼飞机拍摄1500公里海岸线影像。GSD在1–10 cm，单张覆盖100–10,000 m²。限制包括图像不稳定、位置精度低、运营成本高，且检测能力受植被与建筑遮挡影响，适用于大规模基线评估。

卫星

卫星遥感提供全球覆盖，使用多光谱（如Sentinel-2、WorldView）与高光谱（如PRISMA）传感器。多光谱GSD数米至数十米，高光谱GSD多大于20–30 m且重访周期长。研究通过规则基础分析、机器学习与深度学习识别塑料像素，但面临时间分辨率粗、最小可检测尺寸受限、与类似特征（如海藻）区分难、验证数据缺乏等挑战。量化方法不一，凸显标准化需求。

声学成像与水下监测

虽本综述主攻表面与岸边垃圾，但成像声纳与水下机器人（ROV/AUV）用于 submerged 塑料检测。声纳利用声反射差异分类塑料类型，视频技术提供高分辨率但受水质透明度限制。这些技术处于早期，但有望增强水下塑料监测能力。

图像分析检测与量化塑料垃圾

视觉检查与手动分类

传统方法依赖专家现场或影像检查，主观且耗时。标准化协议减少差异，但难以扩展，促计算机分析发展。

规则基础方法

如Kako等（2010）使用亮度阈值量化垃圾覆盖面积，仅限白色物体。Kataoka等（2012）引入CIELUV色彩空间欧氏距离阈值，检测多色垃圾。方法简单计算高效，但阈值手动定义，受环境因素影响，泛化性差。

机器学习基础方法

概述与优势

2020年起机器学习逐步替代规则方法，通过训练数据优化参数，减少主观性。深度学习经过多层神经网络识别复杂形状，泛化性能优。

主要任务：图像分割与物体检测

图像分割（语义分割）将像素分类为垃圾、自然碎片或背景，适于估计面积、体积与重量。物体检测使用边界框或掩码定位单个物品，计数更准。实例分割提供像素级掩码，提升复杂场景精度。

深度学习模型

经典机器学习如支持向量机（SVM）、随机森林（RF）用于特征手工提取，深度学习如YOLO、Faster R-CNN（物体检测）、U-Net、HRNet（语义分割）自动学习特征，准确率更高（80–90% vs 70%）。模型选择需考虑数据量与任务复杂度。

数据集选择与可转移性

公共数据集（如Proen?a和Sim?es, 2020）促进模型比较，但数据成本高且具区域偏差。跨平台数据可共享，但需注意分辨率变化与几何变形。

限制与未来挑战

标注成本高、区域特性影响泛化，与传统方法 harmonize 难。国际标准如MSFD主垃圾类别列表 aim 对齐分类。合成数据（数字孪生）生成可能解决数据稀缺，支持稳健模型开发。

讨论——迈向标准化观测方法与统一量化方法

优势与限制

遥感支持短时连续与大范围批量观测，但各平台优劣各异（图7）。手动调查详细但无法大尺度制图，遥感补足此 gap，但方法多样使数据整合难。

标准化需求与现有指南

OSPAR（2010）、EU（2013）、UNEP淡水指南（2020）与日本环境省（MOEJ）/GESAMP海洋微塑料指南（2019）致力标准化，但多限于现场采样。遥感平台无统一指南，亟需制定。

量化单位标准化挑战

单位如物品数、体积、重量/单位面积或覆盖面积不一，因平台能力、GSD、环境与目标异。计数适于分散垃圾，重量/体积适于堆积区。无 universal 单位，但覆盖面积与单位面积物品数可能跨平台比较基础。

多平台集成与地面真相

固定摄像头与无人机已实现自动拍摄，日本环境省无人机指南（2024）在线发布。组合平台补偿各自限制，如无人机与固定摄像头协同提供全海滩时空变化 insight。飞机/卫星与无人机结合实现大范围调查与目标高分辨率。地面真相数据验证关键，无人机高GSD适于 accuracy 评估，推荐在飞机/卫星标识积累点用无人机数据验证。

结论

塑料污染监测与量化对评估环境现状与制定减塑政策至关重要。缺乏统一量化阻碍全球存量与流动评估。开放平台允许利益相关者上传遥感影像，AI分析生成标准化估计，如日本海洋研究开发机构（JAMSTEC）海滩AI服务。随着技术进步，制定清晰观测指南将扩大适用影像库，增强塑料垃圾时空变化理解，支持陆到海废物流预测，最终推动跨地理背景的有效污染控制策略。