整合数字工具与基于人工智能的预测建模用于环境污染物监测：推进实时检测与生态解读

《Physics and Chemistry of the Earth, Parts A/B/C》：Integrating digital tools and AI-based predictive modelling for environmental pollutant monitoring: Advancing real-time detection and ecological interpretation

　　

•数字工具可提升对环境污染物的实时监测能力。
•人工智能和机器学习可实现污染物的精准检测与污染源识别。
•预测模型能够捕捉污染物的时空动态变化。
•案例研究展示了土壤、空气和水生生物监测的应用实例。
•未来展望指出了相关挑战及数据驱动型发展机遇。

引言

近几十年来，随着快速工业化、城市化、集约化农业和人口增长的出现，各种来源的污染程度日益加剧，导致污染形势日益复杂，这可能对生态系统稳定性、生物多样性和人类健康产生影响。由于污染事件频发且具有长期影响，迫切需要建立可靠、可扩展且实时的监测策略（Li等，2025）。污染物及其相关疾病的发生与分布与人为活动和环境条件等因素密切相关，如水体、土壤组成、气候变化和饮食习惯等（Bolan等，2024）。这些因素导致了多种具有长期流行特征疾病的出现。这些疾病长期流行不仅影响人类健康和生质量，还影响国家的经济增长和社会进步。污染物的强度和分布受气候变化、农业实践和工业生产等因素影响（Sim等，2024）。社会经济因素，如医疗保健可及性、公共卫生和基础设施扩展，也在疾病防控中发挥着关键作用（Zhang等，2023）。尽管政府和国际组织在实施管控方面做出了努力，但相关疾病仍在全球范围内持续存在。准确检测和环境污染物监测对于设计有效的防控策略至关重要（Awewomom等，2024）。将监测技术与先进检测方法相结合，如数字工具、人工智能和预测建模，可为污染物识别提供必要数据。这反过来有助于评估暴露风险并减轻与人类健康和生态系统相关的影响（Krishnan和Devarajan，2025）。

环境监测涉及对环境及其组成部分的评估、程度和系统观测。其核心目标是监测环境的当前状态和状况，并识别对生态系统和人类健康造成有害影响的主要变化（Gyaase等，2025）。在此视角下，目前采用的传统监测技术包括人工采样、实验室分析和统计分析。这些方法的局限性包括精度低、成本高和程序耗时。实验室和人工采样技术需要熟练劳动力、化学品和设备，导致成本高昂（Ditria等，2022）。近年来的一些区域调查也强调了引入新型监测技术的必要性。在印度，对空气污染物的时空评估揭示了显著的季节和区域差异，凸显了开发和应用污染预测工具以补充环境监测、改善空气质量管理的必要性（Kumari等，2024；Kumar和Choudhary，2025）。将环境监测与流行病学信息相结合以探索污染相关疾病负担的趋势日益明显。最近，Kumar等（2025）展示了印度结核病发病率与空气污染物之间存在显著的空间关联，以及空间分析方法如何用于识别可攻击群体及其公共卫生干预措施。因此，监测项目往往聚焦狭窄、样本量较小，而非提供当前状态的全貌。传统方法所需的较长周期是另一个需要重点考虑的因素。在污染危机情况下，传统方法在结果生成方面延迟，导致决策和应急响应迟缓（Hameed等，2017）。此外，由于需要人工解释，数据处理和收集也不一致。

因此，利用先进技术和专业人员对于污染物精准监测至关重要，但成本高昂和合格人员缺乏构成了障碍。在资源受限地区定期监测污染物是更大的挑战（Olawade等，2024；Li等，2020）。将数字工具、人工智能和预测建模整合到环境污染物监测中，旨在提升已有成果并改善资源有限地区的可及性。数字工具如遥感（RS）和地理信息系统（GIS）近年来已成为有价值的污染物监测工具（Parra，2022；Shube等，2024）。遥感能够获取数十年的广泛数据库信息。所获得的图像可进一步分析遥感与GIS在环境监测中的协同作用和相似性（Dritsas和Trigka，2025）。另一方面，传感器与物联网（IoT）的结合有助于监测物理、生物和化学参数。该系统通过将数据传输到中央平台进行分析，实现大规模监测和快速响应（Essamlali等，2024）。云计算系统等数据收集平台从各个系统收集信息，促进大规模和协作性生物监测（Gupta等，2022）。人工智能在污染物监测中的整合通过全面评估和改进数据处理进一步推进了该领域发展。人工智能可通过分析大数据集并识别模式来进行精确预测（Sarker，2021a；Chen等，2024b）。在精度方面，人工智能方法包括深度学习模型、随机森林（RF）和支持向量机（SVMs）。在速度和可扩展性方面，方法包括实时数据处理、自动监测系统和基于云的平台。此外，人工智能在实时热点追踪、趋势识别和影响建模中发挥着关键作用（Masood和Ahmad，2021；Subramaniam等，2022）。

基于预测和时空建模的环境污染物监测方法能够实现包容性制图、准确预测以及对污染动态的更好理解（Garbagna等，2025）。自回归、线性回归和加法建模等统计模型利用历史数据集和环境因素预测即将出现的污染物水平（Gangwar等，2023）。这些模型利用大量数据集预测颗粒物、臭氧和氮氧化物等，同时在捕捉非线性关系方面优于传统模型（Chen等，2024a）。时空建模是另一种技术，将时间相关性和空间相关性相结合，监测污染物随时间和空间的变化，同时考虑干预措施和协变量（Beloconi等，2021；Zhang等，2025a）。这些方法共同使污染物监测更加主动和具有预测性，使社区和监管机构能够聚焦于环境健康安全。

此前的文献综述主要涉及污染物的传统监测方法。虽然已有几项关于数字技术、人工智能（AI）和预测建模在环境监测中应用的近期综述（Olawade等，2024；Chadalavada等，2024；Popescu等，2024；Garbagna等，2025），但大多数综述聚焦于特定技术或特定环境应用。虽然以往的综述涵盖了数字技术、人工智能和/或预测建模的特定领域，但缺乏一个将所有这些要素整合在一起、融合环境数据获取、预测风险评估、智能数据解释和决策支持机制的连贯框架。没有这种全面视角，很难将新技术转化为有意义的环境管理实践。本综述采用基于PRISMA框架的系统文献检索和筛选策略，以提高综述过程的透明度和一致性。使用预定义标准识别、筛选和选择相关研究，为综合数字技术、智能建模和环境污染物监测的最新进展提供结构化基础。

因此，本综述旨在系统地整合遥感（RS）、地理信息系统（GIS）、传感器技术、基于物联网（IoT）的监测、环境数据收集平台、人工智能和机器学习技术、预测和时空建模方法，以提供环境污染物监测的整合性和应用导向性视图。此外，通过结合近期案例对重金属污染、城市空气质量和微塑料污染进行批判性综合，以说明这些技术的实际生活应用。本综合综述提供了环境监测和生态解释所面临挑战的统一概述，同时提出了未来研究方向，以创建更加稳健和可解释的环境污染物实时监测系统。希望本综述能够补充现有文献，并为推进下一代环境监测和生态解释提供全面框架。

材料与方法

为确保文献检索和研究筛选过程的透明度和可重复性，本综述遵循了系统综述和Meta分析首选报告条目（PRISMA）指南。使用三大主要科学数据库（Scopus、ScienceDirect和Google Scholar）进行全面文献检索，以查找与数字工具、人工智能、机器学习、遥感、物联网和预测建模在环境污染物生物监测中应用相关的同行评审出版物。

遥感与地理信息系统

遥感与地理信息系统在环境污染物检测方面具有巨大潜力。这些技术广泛应用于水质、土壤和污水处理监测，以及土壤侵蚀和森林砍伐检测（Reid和Castka，2023）。这些技术的日益广泛应用为监测提供了真实性、透明度和及时性。遥感通过安装在飞机、卫星上的传感器获取地球表面信息，而

人工智能技术在环境科学中的应用

人工智能已成为环境污染物监测中有效的整合手段，有助于提升结果的客观性和可及性。作为计算机科学的子集，人工智能能够执行学习、推理、感知和决策等活动，无需依赖人类智慧。凭借其处理大数据集的能力，人工智能使模式识别和精确预测成为可能（Rizzo，2025）。机器学习模型建立了

污染分布的空间建模

时空评估对于检测污染热点和了解长期环境趋势变得越来越重要。Kumar和Choudhary（2025）利用多源数据研究了印度比哈尔邦空气污染物的时空特征，以更好地进行区域空气质量管理和公共卫生规划。利用Google Earth Engine（GEE）上的Sentinel-5卫星数据集分析了2024年新德里的空气污染趋势

土壤系统中的重金属监测

在黄河三角洲石油开采区，分析了116个土壤样品和40个站点的空气质量数据，检测了砷（As）、铬（Cr）、镍（Ni）、铅（Pb）和锌（Zn）。比较了混合地统计模型MLROK、SVMOK和RFOK；RFOK在砷（R2=0.6576）、铬（R2=0.7785）、镍（R2=0.6147）、铅（R2=0.7464）和锌（R2=0.7135）方面取得了最高的R2值。结果证实了油气井/工厂的空中排放与土壤中重金属积累之间存在源-受体关系（Song等，2022）。在俄罗斯乌法，分析了250

政策和法规框架

人工智能、遥感、物联网、地理信息系统和预测建模等数字工具的应用应与政策和法规框架相结合。欧盟2024/2881环境空气质量指令强调了系统性评估、数据质量、网络监测和空气质量数据的公开获取（Lachana等，2025）。这些要求可以通过本综述中讨论的技术通过频繁观测、空间制图和污染物预测信息来支持

挑战、空白与未来展望

本综述表明，该领域的主要挑战不仅源于数据异质性，还涉及人工智能外部验证及其可迁移性的限制。许多研究仍局限于特定地理区域；例如，在一项近期研究中，研究人员通过Landsat-8图像识别了印度Tirupur地区的重金属污染区，并结合克里金插值和仅17个地点的实地测量。这提供了有用的

结论

数字工具、人工智能和预测建模的融合正在通过无缝整合传统生态方法与尖端计算技术，改变环境生物监测的格局。遥感与物联网传感器以及数据集成系统的加入，增强了对空气、水和水土系统中污染物浓度细微变化的监测能力。将这些数据流与人工智能方法相结合，有助于检测污染物

CRediT作者贡献声明

P. Thamarai：写作——审稿与编辑、验证、方法论、概念构思。
R. Kamalesh：可视化、验证、资源、数据管理。
Pavithra Swaminaathan：验证、资源、形式分析。

Alan Shaji：验证、资源、形式分析、数据管理、概念化。A. Saravanan：撰写—审阅与编辑、可视化、监督、方法论。P.R. Yaashikaa：可视化、验证、方法论、数据管理。A.S. Vickram：方法论、调查、利益冲突声明。作者声明他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能影响本文报告的工作。P. Thamarai|R. Kamalesh|Pavithra Swaminaathan|Alan Shaji|A. Saravanan|P.R. Yaashikaa|A.S. Vickram