人工智能赋能多介质环境治理：环境监测、污染控制与低碳管理三级框架综述

《Clean Technologies》：Artificial Intelligence in Environmental Monitoring, Pollution Control, and Low-Carbon Management

　　

空气污染、水体污染、土壤退化、固体废物累积与碳排放日益相互关联，对环境工程构成共同挑战，包括监测目标多样、数据来源异质、控制目标相互竞争以及管理响应滞后。本综述通过涵盖监测、控制与管理三个层次的框架，考察人工智能（AI）在环境领域的应用进展。系统总结机器学习（ML）、深度学习（DL）、强化学习（RL）、迁移学习（TL）、数字孪生（DT）与物联网（IoT）在应对多介质环境挑战中的作用。当前研究表明，人工智能（AI）在环境监测中已形成较为成熟的应用基础，并在污染控制过程展现出可观潜力。在管理层面，机器学习（ML）与生命周期评价（LCA）、数字孪生（DT）及多目标优化（MOO）的融合，正逐步推动环境影响评价从静态核算转向动态预测、反馈与决策。尽管取得上述进展，关键瓶颈仍存在于数据质量、模型可解释性、现场尺度验证以及跨介质协同框架缺失等方面。因此，未来研究应提升人工智能（AI）模型的可靠性、泛化性与可解释性，同时推动人工智能（AI）从任务特定建模工具发展为面向综合环境治理的系统级决策支持技术。

1. Introduction
全球环境治理面临污染暴露、资源消耗、废物累积和气候变化等交叉压力，空气、水、土壤、固体废物和碳排放通过工业化与城市化日益耦合。传统固定站点、人工采样、离线分析、经验调节和静态核算难以支撑连续感知、动态预测与自适应响应。人工智能（AI）可从大规模、异质、连续生成的数据中提取信息并转化为预测与决策支持。现有综述多局限于单一介质或技术，本综述跨空气、水、土壤、固体废物和碳排五个域，沿监测、污染控制与低碳管理三级框架组织，旨在识别方法瓶颈、跨介质知识缺口，并推动人工智能（AI）从任务特定建模走向系统级环境决策支持。

2. Methodology and Overview of Common AI Approaches
2.1. Methodology
该综述采用结构化文献检索与综合方法，检索 Web of Science、ScienceDirect、Springer、IEEE Xplore 和 MDPI，覆盖 2001—2026 年，多数研究发表于 2016—2026 年。检索词分为人工智能（AI）技术组和环境应用域组，并以布尔“AND”组合。纳入同行评审期刊、至少涉及一个环境域且具有方法或定量细节的文献，排除社论和会议摘要，并补充权威评估报告与基础方法教材。最终保留 139 篇文献，按环境介质和决策层级组织。

2.2. Neural Networks and Deep Learning
2.2.1. Feedforward Networks and Convolutional Neural Networks
前馈神经网络由输入层、隐藏层和输出层构成，通过反向传播更新权重，多层结构具有层级特征提取能力。卷积神经网络（CNN）以卷积核滑动提取局部特征，具有参数共享和局部感知优势，已用于河流浊度遥感反演、废物图像分类和激光诱导击穿光谱（LIBS）分析。

2.2.2. Recurrent Neural Networks and Long Short-Term Memory Networks
循环神经网络（RNN）通过隐藏状态沿序列传递信息，但长序列存在梯度消失问题。长短期记忆网络（LSTM）引入遗忘门、输入门和输出门，可动态保留或丢弃信息，用于藻华预测、出水水质预警、空气污染物浓度预报及脱硫系统故障检测。

2.2.3. Graph Neural Networks and Attention Mechanisms
图神经网络（GNN）将深度学习扩展至图结构数据，通过聚合邻居节点更新表示，适用于不规则监测站和复杂管网拓扑，也可用于基于移动 LIBS 数据的土壤重金属空间制图。注意力机制和 Transformer 依靠自注意力并行提取全局依赖，多模态 Transformer 可用于需水预测和泄漏检测。

2.3. Ensemble Learning and Statistical Models
随机森林（RF）通过自助采样构建多棵决策树并投票或取均值，对异常值和缺失数据稳健，可输出变量重要性，用于土壤重金属制图、固体废物产生量预测和脱硫性能评估。支持向量机（SVM）通过核函数映射至高维空间并寻找最优超平面，适用于小样本高维场景，用于厌氧消化出水氨氮和污水厂水质参数反演。极端梯度提升（XGBoost）在梯度提升框架上加入正则化和二阶损失优化，适用于结构化表格数据，用于城市固体废物产生量和水质指标估计。

2.4. Search Optimization and Reinforcement Learning
遗传算法（GA）模拟选择、交叉和变异，粒子群优化（PSO）模拟鸟群觅食，二者适用于非凸、多模态和离散组合优化，用于厌氧消化特征选择、堆肥参数优化和曝气调整。强化学习（RL）通过智能体与环境交互学习最优策略，深度强化学习（DRL）可扩展至高维状态空间，多智能体深度确定性策略梯度用于联合优化溶解氧和化学投加，多智能体强化学习用于园区能源调度和选择性催化还原（SCR）动态氨喷射控制。

2.5. Transfer Learning, Digital Twins, and the Internet of Things
迁移学习（TL）通过预训练和微调降低对大规模标注数据的依赖，用于 LIBS 土壤重金属定量和废物分类跨数据集泛化；源域与目标域差异过大时可能发生负迁移。数字孪生（DT）构建物理实体的高保真虚拟表示，连接实时传感器数据，包含物理、数据、模型和应用层，用于膜生物反应器在线监测和供水管网多节点需水预测。物联网（IoT）为数字孪生提供数据入口，智能垃圾桶填充状态监测和焚烧智能燃烧控制是其与 AI 协同的典型应用。

3. Advances in the Application of AI to Environmental Monitoring
3.1. Air Pollution Monitoring
3.1.1. Spatiotemporal Prediction of Conventional Pollutants and Air-Quality Early Warning
空气污染物具有显著时空波动，受气象、交通、工业排放和城市形态共同影响，固定站点空间覆盖不足。AI 与遥感数据结合可重建高分辨率 PM_2.5 数据集，机器学习（ML）和深度学习（DL）广泛用于常规污染物时空预测和空气质量预警。混合与集成模型通常在精度和稳定性上优于单一模型，但模型性能高度依赖训练数据量、站点密度和区域代表性。

3.1.2. Multi-Source Sensing Networks and Dynamic Regulation of Industrial Emissions
低成本传感器、视频影像、物联网（IoT）和连续排放监测系统（CEMS）扩展了空气监测覆盖与实时性。视频深度学习可估算 PM_2.5、PM₁₀ 和空气质量指数（AQI），多节点传感器网络支持实时采集与传输。工业排放中 CO₂、SO₂、NO_x 和 CO 随燃料、负荷和工况动态波动，卫星观测与 RNN/LSTM 可预测 NO₂ 排放率。边缘与雾计算进一步支持低延迟、自主推理。

3.2. Water Pollution Monitoring
3.2.1. Water-Quality State Prediction and Spatial Inversion
传统 WASP、EFDC 等机理水质模型依赖详细边界条件和污染源清单，运维负担较大。深度学习（DL）在多项水质指标预测中精度较高，但模型选择和验证策略差异导致跨研究基准难以统一。LSTM 在叶绿素 a 预测中优于 SARIMA 和 Prophet，AutoML 降低建模门槛。遥感反演适用于无站点水域，RF 跨湖验证较稳定，ML 提高叶绿素 a 和悬浮物估计精度，CNN 浊度反演和可解释 DL 对 DIN、DIP 反演均有改善，但遥感主要提供浓度分布而非污染来源。

3.2.2. Pollution Source Tracing and Intelligent Sensing Support
污染源追踪传统上依赖河道排查或同位素指纹，耗时长。SWAT 水文模型、随机森林（RF）分类和宏基因组指示种结合，可实现流域氮污染源分类并缩短溯源周期。溯源精度依赖输入数据覆盖密度，低成本传感器漂移可通过 ML 补偿并延长校准寿命。数字孪生（DT）与多模态 Transformer 可同时完成需水预测和泄漏检测，但流域尺度应用仍受监测数据密度制约。

3.3. Soil and Solid-Waste Monitoring
3.3.1. Soil Pollution
土壤难以通过固定站点连续在线监测，重金属浓度依赖现场采样和实验室分析。AI 可将离散采样点转化为连续空间分布图。随机森林（RF）结合回归克里金在矿区提高预测精度，并可通过特征消除识别环境因子贡献。引入时间维度可生成历史年份高分辨率镉浓度图，SHAP 可解释驱动因素变化。便携 LIBS 与迁移学习（TL）结合可提升 Cu、Cr 定量，多任务卷积注意力网络可控制湿土水分干扰，移动 LIBS 与 GraphSAGE 可实现多重金属空间制图。但便携 XRF 测得总量与生物有效砷之间无简单线性关系，生态风险仍需进一步评估。

3.3.2. Solid-Waste Monitoring
固体废物监测沿物料流分为产生量、成分、收集状态和处置排放四个节点。产生量预测由宏观线性外推转向 ML，XGBoost 和 SHAP 可识别回收率等因素影响；在数据有限城市，简单线性模型有时更可靠。成分识别借助 CNN 和 YOLO 框架实现自动分类，迁移学习可提高跨数据集泛化。收集侧智能垃圾桶结合传感器和 k 近邻（KNN）可实现满溢报警。处置排放端利用聚类、电阻率成像和人工神经网络（ANN）识别渗滤液与预测甲烷（CH₄）排放，AI 应用顺序与数据获取难度密切相关。

4. Applications of AI in Pollution Control
4.1. Air Pollution Control
工业烟气治理中，脱硫、脱硝和除尘是核心环节。湿法脱硫负荷波动下，人工神经网络（ANN）可用于效率预测和运行参数优化，随机森林（RF）和 XGBoost 可预测脱硫性能并识别入口 SO₂ 浓度和温度等关键变量。LSTM 结合注意力机制和序贯概率比检验可用于脱硫系统故障预警。脱硝方面，NH₃-SCR 催化剂筛选、SCR 出口 NO_x 预测和深度强化学习（DRL）动态氨喷射控制逐步推进。除尘仍主要停留在效率预测阶段，闭环控制尚不充分。

4.2. Water-Pollution Control
水污染控制覆盖进水预测、出水达标、曝气调节和污泥消化。XGBoost 和随机森林（RF）可用于出水总磷超标预警，LSTM 在仅依赖进水参数时仍具有一定预测能力。梯度提升可用于识别硝化—反硝化异常状态。曝气优化涉及能耗与水质权衡，多智能体深度确定性策略梯度可联合优化溶解氧和化学投加，粒子群优化（PSO）与反向传播预测结合可指导总氮控制。厌氧消化中，遗传算法（GA）和蚁群算法用于特征选择，SVM 与 ANN 用于氨氮预测，自适应神经模糊推理系统（ANFIS）可替代传统机理模型。AI 还扩展至污水厂能耗预测、混合机理—数据建模和全厂能源管理。

4.3. Solid-Waste Treatment and Disposal
固体废物处理通过分选、热化学转化和生物降解实现减量与资源化。分类分选中，CNN、区域卷积神经网络（R-CNN）和单阶段多框检测器（SSD）应用较多，但跨数据集泛化不一致；迁移学习（TL）可降低对大规模标注数据的依赖。焚烧环节，AI 与物联网（IoT）结合可实时调整给料和配风，维持燃烧稳定并降低烟气污染物。热解和气化中，决策树和梯度提升回归可用于预测三相产物和合成气组成。堆肥中，神经网络、随机森林（RF）和 XGBoost 用于产物预测和参数优化，深度神经网络（DNN）结合 GA 可实现腐熟度预测与最优工艺参数反搜。

4.4. Carbon Reduction and Sustainable Decision-Making
传统污染—碳减排管理基于排放清单和排放因子，难以反映设备负荷和运行参数的实时变化。AI 首先进入碳排放预测，包括趋势预测、影响因素识别和减排策略支持。水处理设施中，机器学习（ML）与多目标优化可在同一框架下比较出水水质、能耗和碳排放；数字孪生（DT）集成传感器、机理模型和数据驱动模型，使操作人员在虚拟系统中比较不同控制策略的环境影响。生命周期评价（LCA）强调跨全生命周期边界比较环境负担，设备级节能不等同于系统环境改善。ML 可用于填补 LCA 清单数据，数字孪生支持环境指标连续更新。强化学习（RL）与数字孪生结合可自主调整物料输入和维护计划，但 AI 对数据分布敏感，外推场景可能产生系统偏差，系统边界和权重仍取决于工程目标。

5. Challenges and Prospects
AI 模型虽具高预测精度，但本质上是数据驱动的黑箱映射，难以直接揭示污染物迁移转化或过程运行机理。混合建模和物理信息神经网络（PINN）可将物理定律嵌入损失函数，提高外推一致性和可解释性，但计算成本高且对超参数敏感。数据层面存在低成本传感器漂移、交叉敏感以及空气、水、土壤监测标准不统一等问题，跨介质数据定义和时空分辨率不匹配。基础设施层面需采用开放标准，如 OGC SensorThings API、WaterML、O&M 和 W3C SSN/SOSA 本体。跨域模型复用面临负迁移风险，需要记录域差异指标和失败迁移案例。多数应用仍停留在离线预测，闭环控制不足；数字孪生在城市供水等场景可行，但自然流域受数据密度限制。闭环控制还需容错协议、机械和化学安全边界、人工最终决策权及网络安全措施。经济上需考虑训练能耗、传感网络资本支出和全生命周期成本；制度上缺乏数据共享、验证基准和问责机制。更重要地，现有研究多聚焦单一介质和单一任务，五类数据流尚未整合为综合智能环境治理框架。

6. Conclusions
该综述按监测、控制和管理的三级逻辑，系统梳理了 AI 在空气、水、土壤、固体废物和碳排放五个领域的进展。AI 应用的成熟度梯度与数据获取难度密切相关：数据基础较强的方向已进入部署验证阶段，数据获取成本较高的方向仍处于方法探索和案例验证之间，跨介质协同建模和全链条闭环控制刚刚起步。监测端从离散采样向连续感知的范式转变已大体完成，但控制端分化明显，脱硫和曝气优化已实现闭环调节，厌氧消化和除尘仍以预测为主。单设备优化与全系统环境改善之间仍存在结构缺口，动态 LCA 和数字孪生全流程覆盖是潜在工具方向，但其整合仍处于案例研究阶段。未来研究需在提升单任务精度的同时，推动 AI 从单域优化工具升级为跨域系统决策使能技术，并整合监测标准、核算边界和决策逻辑，使五类数据流能够在统一框架下协同工作。