编辑推荐：
：
许多生态决策因生物多样性信息采集与分析之间的时间差而受到制约。边缘计算（Edge Computing）将数据处理移至更靠近传感器的位置，边缘人工智能（Edge AI）则利用AI模型进行数据处理和选择性数据传输。边缘AI通过以实时感知补充回顾性生态分析，拓展
：
许多生态决策因生物多样性信息采集与分析之间的时间差而受到制约。边缘计算（Edge Computing）将数据处理移至更靠近传感器的位置，边缘人工智能（Edge AI）则利用AI模型进行数据处理和选择性数据传输。边缘AI通过以实时感知补充回顾性生态分析，拓展了生物多样性监测的范围，从而支持响应式与适应性决策。然而，边缘AI系统在生态研究中的采用仍呈碎片化状态，因为部署高效可靠的系统具有复杂性。边缘硬件、设备端AI模型与网络配置紧密耦合，优化其中任一组件都会影响其他组件的性能与可行性，因此需要整体性的系统设计。
为推动边缘AI在生物多样性监测中的应用，理解当前系统面临的设计权衡、性能约束与实施挑战至关重要。本研究分析了2017年至2025年间发表的82项将边缘AI系统用于生物多样性监测的研究，涵盖声学、视觉、追踪及多模态感知。研究人员综合分析了硬件平台、AI模型优化及无线通信，以评估这些设计选择如何影响生态推断，并决定野外部署的实用性与持久性。
年发文量从2017年的3篇稳步上升至2025年的19篇。在这些研究中，研究人员识别出四种系统类型，代表了生态监测中边缘计算采用的不同模式，包括：用于单物种或稀有事件检测的低功耗微控制器（MCU）（I型：TinyML）；支持多物种分类和实时告警的单板计算机（SBC）（II型：边缘AI）；协调多设备处理的分布式系统（III型：分布式边缘AI）；以及用于云端处理的联网设备（IV型：云端AI）。每种类型在功耗、计算能力和通信需求之间呈现出不同的权衡。
本分析揭示了边缘AI系统从概念验证向稳健、可扩展工具的演进。研究人员认为，边缘AI系统能够实现及时且可扩展的生态观测，但充分发挥其潜力有赖于生态学家、工程师和数据科学家之间的更紧密合作，以使AI模型开发和系统设计与生态需求及野外实际相契合。
论文主体内容总结
1 引言
生物多样性是生态系统健康与韧性的基础，但全球评估报告持续显示生物圈退化速度之快、规模之大前所未有。生物多样性变化本质上是复杂且多维度的，单一指标无法捕捉遗传、物种和群落层面的变化。传统生物多样性评估依赖人工野外调查，公民科学项目虽拓展了专业调查的时空覆盖范围，但仍耗时费力且难以规模化标准化。自动化传感技术已超越直接人力观测，实现长期高分辨率数据采集，产生海量数据，远超人工分析能力。
现代监测系统支持环境传感与物种监测两个互补维度：前者捕捉非生物条件，后者针对生物因素。生物监测涵盖声学、视觉、追踪、环境DNA（eDNA）及昆虫雷达等多种模态。人工智能（AI）的进展，包括机器学习（ML）和深度学习（DL），已提升跨声学、视觉、运动和航空数据集的物种自动识别能力。MegaDetector、SpeciesNet、BirdNET、BatDetect2等预训练模型减少了人工处理带来的分析瓶颈。
传统上，生态数据在集中式计算基础设施上处理，采用"采集-上传-分析"的顺序流程，依赖可靠的连接和计算基础设施，延迟了生态洞察，限制了快速保护干预。为克服时间和后勤瓶颈，可在采集点或其附近处理数据，即边缘计算。边缘AI指AI模型在设备端处理数据。早期实例包括Shazam for Bats和AI使能的相机陷阱系统。边缘AI可减少对云基础设施和高带宽连接的依赖，但模型训练仍需高性能计算，硬件采购成本和法规往往具有限制性。
尽管技术快速进步，边缘计算系统开发仍碎片化，且常与野外部署现实脱节。边缘计算流程涵盖传感器选择、嵌入式硬件设计、设备端模型优化、无线连接和输出解读，但很少有研究将其作为集成系统处理。
2 边缘计算基础
2.1 什么是边缘计算和边缘AI
边缘计算是一种分布式计算范式，指在数据生成位置或其附近执行计算任务。边缘计算系统包含采集和处理观测数据、做出本地决策及传输数据或行动的集成硬件、软件和通信组件。边缘AI的成功部署依赖于边缘硬件、软件和无线连接的协调设计。硬件、AI模型架构和网络配置的选择相互依存。
在采集点处理数据相比集中式处理具有优势，通常以带宽、延迟、经济成本、可靠性和隐私（BLERP）框架表述。本地处理减少传输数据量，降低带宽和能源需求，使设备在连接间歇时仍可运行。这还提高了系统响应性，并加强了隐私与安全。然而，这些优势的价值因地理和社会经济背景而异，BLERP框架在很大程度上反映了高收入和资源充足地区的假设。
2.2 硬件
边缘系统常用三类芯片：微控制器（MCU）、微处理器（MPU）和片上系统（SoC）。MCU广泛可用、低成本且节能，功耗通常在毫瓦级，但仅提供千字节级内存。MPU和SoC可运行操作系统，处理更复杂的数据流程，专用硬件加速器加速AI推理。SoC如ESP32将Wi-Fi和蓝牙无线电集成到单一硅封装中，实现可穿戴和小型物联网设备所需的极致紧凑性。
选择合适硬件需平衡三个竞争性优先事项：限制AI模型规模和复杂性的计算资源、决定部署时长的功耗、影响监测空间规模的设备成本。MCU实现年长自主运行且成本最低，但通常仅处理轻量级AI模型；SBC提供更强计算能力但功耗和成本更高。处理能力、能效和专用AI加速器的改进正模糊资源受限设备与可运行复杂AI应用设备之间的界限。
2.3 软件和AI模型
边缘计算系统的第二个核心组件是运行在硬件上的软件，尤其是执行设备端推理的AI模型。TinyML是边缘AI的子领域，专注于在超低功耗MCU上部署ML模型。AI推理是边缘设备上的常见计算负载，设定了内存占用、处理器利用率和能耗的基线。
AI推理暴露了开发准确模型与在嵌入式设备严格资源预算内运行之间的内在张力。模型大小仅是决定因素之一，计算需求还反映传感器采样率、并发推理流程及传入观测的时间和突发性。模型优化技术旨在减少内存占用和算术复杂度，包括量化、剪枝和知识蒸馏。量化将参数从32位浮点数（FP32）转换为8位整数（INT8）或16位浮点数（FP16），分别减少约75%和50%的内存需求。高效的边缘AI应用依赖AI推理运行时框架，如LiteRT、PyTorch ExecuTorch和ONNX Runtime，将训练好的模型转换为紧凑表示。Edge Impulse等端到端平台通过集成数据采集、特征提取、模型训练和部署的流程，降低了技术门槛。
2.4 无线通信技术
无线传感器网络（WSN）使边缘设备能够交换观测数据和AI输出、协调传感活动、发出近实时警报及接收配置更新。WSN在传输范围、数据吞吐量、功耗、基础设施要求和成本方面各异。短程协议如Wi-Fi、BLE和Zigbee在节点层面成本低廉，但预设附近有网关或接入点。长距离低功耗广域网（LPWAN）如LoRaWAN和蜂窝物联网标准适合稀疏野外部署和小型载荷。蜂窝网络在覆盖可用时减少对本地网关的需求，但数据计划和SIM管理增加运营成本。卫星连接通常最昂贵，但对超出地面网络覆盖范围的站点仍具价值。
2.5 实际部署考虑
支持响应式边缘AI应用依赖于持续的野外可靠性。环境背景施加物理限制，能源可用性通常是最主要的瓶颈。边缘系统通常依赖电池或小型太阳能板，因此仔细的能源预算至关重要。电池化学和容量影响野外可靠性，寒冷温度加速电池放电，高温带来过热风险。能源消耗可通过传感计划本身主动管理，策略包括固定时间间隔采样、外部触发捕获和根据先前观测或设备条件调整传感活动的自适应计划。自适应采样体现了从被动数据处理向实时生态决策的转变，但必须反映所追求的生态目标。除电力外，物理稳健性同样关键，边缘设备须承受温度波动、湿度、降水、灰尘和动物干扰。有效部署意味着将硬件、AI模型、连接、能源供应和物理保护与明确定义的科学和操作目标对齐。
3 生态学中的边缘计算应用
3.1 边缘计算综述范围和分析框架
研究人员进行了有针对性的系统综述，结合计算术语和生态关键词，在ACM数字图书馆、arXiv、bioRxiv、IEEE Xplore和Web of Science数据库中检索。纳入描述在资源受限硬件上执行AI模型或采用无线连接支持远程推理流程的生物多样性监测系统的出版物。范围聚焦于捕获形态或行为数据的传感系统，主要为视觉、声学和追踪类。共保留2017年至2025年的82篇出版物进行分析。
边缘计算系统可分为四种架构类型，各由硬件限制、功耗和连接需求定义：I型TinyML（MCU上的边缘AI）、II型边缘AI（SBC上的边缘AI）、III型分布式边缘AI和IV型云端AI。这一分类为评估工程选择如何塑造生物多样性监测应用提供了统一框架。
3.2 综述出版物概览
年发文量从2017年的3篇增至2025年的19篇。集成设备端AI和连接的系统持续增加，占所有研究近一半。检索到的出版物涵盖广泛物种、感知模态和部署背景，包括鸟类、蝙蝠、昆虫、两栖动物和大型哺乳动物的声学监测，大型哺乳动物和昆虫的视觉监测，以及爬行动物、鸟类和哺乳动物的追踪系统。应用在不同硬件平台上实现，从超低功耗MCU到GPU加速SBC，通信网络涵盖LoRaWAN、蜂窝、Wi-Fi和卫星链路。电力供应策略因架构类型而异，但能量消耗的定量报告不足半数研究。海洋生态系统系统在文献中仍属罕见。地理上，研究产出主要来自欧洲、北美和澳大利亚，但机构与保护组织间的合作已在生物多样性丰富地区实现部署。
3.3 边缘计算架构类型
3.3.1 I型：TinyML（MCU上的边缘AI）
I型系统是功率受限最严格、集成度最高的系统，基于超低功耗MCU，执行高度优化的INT8量化模型或经典ML算法，以模型复杂性和分类分辨率换取极致能效。此类设计选择支持偏远环境中长期部署，但缩小了可解决的问题范围，偏向目标检测任务和焦点物种或稀有事件的二元存在-不存在推断。大多数边缘声学应用采用I型架构，如检测链锯活动打击非法采伐、识别病媒蚊虫、识别蛀木昆虫及从蜂巢声学推断蜂王存在。I型系统还用于动物追踪，LPWAN协议取代GSM显著延长了部署寿命和空间覆盖。为维持长期部署，I型系统优先考虑功率效率而非数据丰富性，通过能量触发流程和低功耗连接协议实现。
3.3.2 II型：边缘AI（SBC上的边缘AI）
II型架构使用更强大的SBC或神经加速器执行设备端推理，支持声学和视觉数据的计算密集型DL模型推理。II型是综述研究中最普遍的架构，支持更广泛的生态调查，如使用多物种分类器的群落级调查和低延迟专家验证流程。然而，SBC增加的计算能力带来显著更高的功耗，通常将电池供电部署限制在数天或数周，除非有市电或太阳能基础设施支持。在声学应用中，II型系统通常部署多物种卷积神经网络，如BirdNET和BatDetect2。在视觉应用中，II型架构支持使用YOLO等模型的实时目标检测，实现人-野生动物冲突缓解和道路碰撞预防。连接选项如Wi-Fi和蜂窝网络常用于传输选定的音频片段或裁剪图像以支持专家验证。II型架构的主要限制是能源消耗。
3.3.3 III型：分布式边缘AI
III型架构协调多个轻量级外围传感节点与本地网关，外围节点执行粗粒度推理或信号捕获，再将紧凑表示或原始数据流传输至更高能力的中央处理器。III型系统用于解决景观尺度问题，如声景和栖息地占用，在节点层面保持低功耗的同时实现广泛空间覆盖。示例包括Bird@Edge声学系统和Elemantra视觉系统。III型架构支持跨多站点的空间显式推理，但引入额外的系统级复杂性，通信可靠性受植被密度、地形和节点-网关距离影响。
3.3.4 IV型：云端AI
IV型系统将原始数据传输至云或远程服务器处理，消除计算瓶颈，适应复杂分类任务并支持回顾性生态分析，在缺乏足够准确的AI模型且需要专家验证流程建立地面真值数据时尤为有用。硬件包括配备连接模块的商业相机陷阱、Arduino MKR MCU和配置用于数据采集的Raspberry Pi设备。数据通过蜂窝、Wi-Fi或卫星网络传输，常采用批量上传计划。示例包括婆罗洲热带雨林的自主生态声学网络和考拉监测的运动触发相机系统。
