用于微塑料监测和海岸韧性提升的实时情报框架

《iScience》：Real-time intelligence framework for microplastic monitoring and coastal resilience

　　亮点：
- 机器学习框架在实时检测直径小至75微米的微塑料时准确率达到96.3%
- 预测模型的相关系数（r）为0.92，能够提前72小时预测污染情况，准确率为84%
- 该系统的处理速度比实验室方法快340%，同时成本降低了67%
- 在半封闭环境中，污染热点的颗粒浓度超过4000个/立方米，比背景值高出420%

摘要：
随着微塑料对海洋生态系统污染的威胁日益严重，监测技术需要超越传统方法的局限。本文介绍了一种基于机器学习的综合框架的开发与验证，该框架可用于实时检测和管理沿海环境中的微塑料。其主要创新在于实现了物联网（IoT）边缘设备与云端的实时集成、多传感器数据融合以及72小时预测建模。在18个月内，我们在五个监测地点部署了一个结合高光谱成像（400-2,500纳米）和物联网传感器网络的多传感器平台。分析流程采用了CNN、SVM和随机森林算法的堆叠集成，并采用软投票融合技术。该框架在分类微塑料聚合物方面准确率达到96.3%，成功检测到直径小至75微米的颗粒。系统预测的污染水平与实际观测值之间存在强相关性（r = 0.92，p < 0.001），能够以84%的概率提前72小时预测污染事件。该系统的处理速度比传统实验室方法快340%，同时运营成本降低了67%。通过持续的实时评估，这一可扩展的解决方案将成为全球沿海监测网络中的快速工具，有助于制定基于证据的政策和采取有针对性的干预措施。

引言：
微塑料污染已成为21世纪环境灾难的特征，对海洋生态系统造成了根本性影响，成为全球海洋的普遍危害。这些颗粒直径小于5微米，现已污染海洋的各个区域，包括表层水域和深海沉积物，在受影响最严重的沿海地区，某些区域的颗粒浓度可达10,000个/立方米。这种普遍存在的情况凸显出一个亟需非传统解决方案的严重环境问题。沿海环境中的微塑料污染已经达到相当大的程度，最新数据显示，颗粒浓度正在威胁水生生物的生态完整性和食物网的稳定性。事实上，深度学习的最新发展，包括卷积神经网络（CNN）和迁移学习，使得各类聚合物的自动化识别率超过90%，从而实现了更先进的监测环境，有助于实时分析和辅助沿海管理决策。高光谱成像是一种极具前景的检测技术，可以利用不同塑料在电磁频率光谱中的特征进行非破坏性快速识别。结合高度先进的基于机器学习的系统，高光谱系统能够识别直径小至50微米的颗粒，并保持高效的处理能力。此外，物联网（IoT）技术实现了自主和连续的监测网络。通过ML模型可以立即分析实时数据流，从而无需大量人工操作即可进行持续监测，且运营成本远低于离散采样方法。最新的深度学习架构（如Faster R-CNN和YOLO）在复杂环境中有效分割和分类颗粒，即使在背景干扰较大的情况下也能保持高精度。表面增强拉曼光谱（SERS）技术与神经网络分析的结合使得化学成分相关的聚合物能够以纳米级量级被快速检测到，无需复杂的样本制备过程。

沿海环境具有特殊的物理和文化挑战，涉及陆地来源的排放、海水流动以及复杂的区域水域动态。这些因素导致塑料废水在河流、地表径流、海洋运动及直接海洋活动中大量积累。解读这些动态需要具备能够在大尺度和小尺度上检测变化能力的观测设备，包括远程感应技术，后者可以在广阔的海洋环境中检测浮游塑料垃圾，从而监测其传输路径和集中区域。构建高效的实时监测系统需要复杂的数据处理架构，能够处理来自多种传感器平台的大量多维信息。当前的机器学习技术和深度学习方法（如集成模型）具备将环境数据转化为可用信息的能力，能够自动检测污染情况并及时作出响应。通过开发或改进新型传感器技术（如等离子体传感器、阻抗光谱学或电化学检测方法），可以使分析工具更加强大，提高监测平台的整体质量。

从经济和运营角度来看，使用这些自动化系统的优势日益明显。基于机器学习的系统能够在几乎无需人工干预的情况下实现实时运行，大幅降低运营成本，并提供远优于传统算法的时间分辨率。其预测功能还推动了管理方式从被动响应向主动管理的转变。随着技术的发展，自动化检测系统的标准和方法变得越来越重要，确保了不同监测项目之间的数据兼容性和可比性。本文描述了一种全面的基于机器学习的海岸废物控制和微塑料污染监测框架。高光谱成像、传感器网络、计算机视觉和深度学习算法协同工作，共同构成了一个强大且可扩展的系统，能够在恶劣的海洋环境中全天候进行监测。

分类性能与准确性评估：
综合机器学习框架（IMLF）在各项评估指标中表现出色，为混合海洋环境中的微塑料自动检测和分类树立了新的里程碑。对五个沿海监测点的广泛评估表明，该框架在不同环境条件下具有高精度和可靠性，其性能指标远高于传统监测方法。如图1所示，基于深度学习的分类系统在识别微塑料方面的总体准确率为96.3%（±1.8%）。各种聚合物的检测准确率分别为：聚苯乙烯颗粒93.7%，聚乙烯碎片98.2%，在整个尺寸范围（75-500微米）内表现一致。混淆矩阵分析显示，不同类型聚合物之间的误分类情况很少，其中高密度和低密度聚乙烯之间的误分类率为2.1%。表1展示了该模型在不同聚合物类型上的分类性能。

图1 显示了所有监测点不同聚合物类型的分类准确性结果，误差条代表95%的置信区间。

精度（%）召回率（%）F1分数（%）支持数（n）
聚乙烯（PE）98.2 97.8 98.0 2,847
聚丙烯（PP）96.7 95.9 96.3 2,156
聚苯乙烯（PS）93.7 94.3 94.0 1,923
PET 97.1 96.8 96.9 1,677
PVC 95.4 96.2 95.8 1,234
其他聚合物 92.8 91.7 92.2 876
总体 96.3 95.9 96.1 10,713

无论评估哪种聚合物类型，精度和召回率始终超过94%，且假正率和假负率之间的平衡良好。其中聚对苯二甲酸乙二醇酯（PET）的精度最高（97.1%），召回率也最高（97.8%）。F1分数在92.2%到98.0%之间变化，表明不同类型颗粒之间的精度和召回率具有很好的协调性。图2展示了颗粒直径与分类准确性之间的关系。

图2 显示了颗粒直径与分类准确性之间的关系。

检测灵敏度与尺寸限制：
高光谱成像系统成功检测到直径小至75微米的微塑料，在75-100微米范围内检测概率为89%，其中75微米的颗粒检测效果最佳。随着颗粒尺寸的增加，检测成功率显著提高，直径超过200微米的颗粒检测成功率达到99.1%。25微米的像素空间分辨率使得可以对颗粒进行详细的形态学研究，并精确确定超出检测范围的颗粒大小。表2展示了该模型在不同颗粒尺寸下的检测性能。

表2 显示了不同颗粒尺寸下的检测性能。

图3 表明了每种聚合物在400-2,500纳米光谱范围内的特征吸收谱线，其中C-H键的伸缩和弯曲振动具有明显的特征。主成分分析（PCA）显示前五个成分解释了96.7%的光谱方差，表明它们能够在不损失重要信息的情况下有效降维。

实时监测性能：
物联网传感器网络在18个月的测试期间提供了24小时连续监测，可用性达到98.9%，在极端海洋条件下仍表现出极高的可靠性。当污染水平超过设定限值时，系统可在几秒内生成警报，实现实时信息处理，及时通知管理人员。表3展示了该模型在不同环境条件下的时间相关性分析结果。

预测建模能力：
图5展示了预测模型评估结果。ARIMA预测组分的皮尔逊相关系数（r）为0.92（p < 0.001），预测浓度与实际观测浓度之间的相关性良好。其他性能指标如下：24小时预测的均方根误差（RMSE）为98个/立方米，平均绝对误差（MAE）为76个/立方米（MAPE为6.8%）；48小时预测的RMSE为142个/立方米，MAE为109个/立方米（MAPE为11.3%）；72小时预测的RMSE为187个/立方米，MAE为143个/立方米（MAPE为15.7%）。校准分析显示在整个浓度范围内系统偏差最小（斜率为0.97，截距为12个/立方米）。这些预测范围支持对污染事件进行72小时的前期预警，事件检测概率为84%。图5显示了不同预测范围内观测到的和预测的微塑料浓度之间的比较结果。季节性分析表明，周末期间污染率出现显著上升趋势，这是由于娱乐活动和旅游活动的增加。季节因素解释了总变差的34%，趋势因素解释了28%，不规则波动解释了剩余的38%。

空间分布和热点分析显示，每个监测点都存在三个主要的污染热点聚集区。所有热点都与残余流模式的交汇处以及潮汐冲洗率低（估计的水体更新时间>72小时）的位置相吻合，这证实了水动力滞留是形成热点的主导因素。半封闭海湾中的平均污染浓度最高（2,847 ± 412颗粒/立方米），比开放海岸站点高出420%，这与波浪能量减弱和交换流受限有关，这些因素限制了颗粒向外扩散。

对流-扩散传输模型（方程24）被应用于100米的水平网格上进行二维有限差分数值模拟，该模型受SCHISM水动力模型提供的每小时潮汐速度场和10米ERA5再分析风场的影响。边界条件设定为海岸线处零通量，离岸边界处自由流动；源项S根据每个站点的实地测量的河流输入率进行参数化，去除常数k根据18个月的实地浓度数据集进行校准。独立站点验证显示，该模型在预测24小时颗粒传输路径方面的准确率为91.2%。在强风条件下（>12米/秒），表面传输主要由风的作用主导；而在天气平静的情况下，潮汐流则决定了空间分布模式。表4展示了按站点类型划分的空间浓度分布。

机器学习算法的比较分析揭示了适合不同操作需求的互补性能特点。卷积神经网络（CNN）实现了最高的整体准确性，但需要最多的计算资源，而支持向量机（SVM）则提供了高效的推理能力且内存开销较低。最终的集成架构将这些分类器以堆叠配置结合：CNN和随机森林的输出作为基础分类器，它们的后验概率向量被连接起来，然后传递给逻辑回归元学习器，通过加权软投票产生最终分类结果。这种集成带来了3.4%–6.2%的准确性提升，并使假阳性率降低了7.3个百分点。图7表明，随机森林算法在各种环境条件下最能抵抗过拟合，表现稳定。多种算法的结合在集成中展示了最高的整体性能，准确性提高了3.4%–6.2%，假阳性率降低了多达7.3%。表5包含了各种机器学习算法在准确性、精确度和所需内存方面的比较。

模块化系统架构显示出良好的可扩展性潜力，性能可扩展至多达50个监测节点。使用网络连接的传感器网络在传输数据时的延迟不到85毫秒，这使得系统具有实时响应能力，能够及时检测和管理污染事件。太阳能充电加上电池备份可将每个节点的自主运行时间减少84小时。成本效益分析表明，与传统监测方法相比，这种方法具有巨大优势，操作成本降低了67%，并且可以实现持续监测，而无需依赖每周采样协议。

这些发现表明，基于机器学习的集成监测系统在微塑料污染评估和沿海废物管理方面提供了显著的、基于证据的改进。我们的集成框架实现的96.3%分类准确性超过了先前报告的自动化检测系统基准，为实时环境监测应用树立了新的性能标杆。特别是在使用高光谱成像进行聚合物识别时，深度学习算法的应用表现出色，其最小检测限为75微米，接近实验室水平分析的灵敏度，同时处理速度比传统工作流程快十倍。这种性能优于传统自动化系统，后者的检测限通常为100–150微米，表明机器学习技术显著提高了环境测量的灵敏度和特异性。集成学习方法的更高性能证明了机器学习算法组合能够协同提升分类准确性。尽管报告的准确性提升幅度仅为3.4%–6.2%，但它显著降低了假阳性率。当前在这一领域的发展以及计算机视觉在环境监测中的应用支持了上述观察结果。

人工肉眼显微镜的检测限较高（50–98微米），成本也较高（每次样本数十美元），而每周一次的FTIR光谱检测具有较高的准确性（96.3%）和较低的成本（每次样本几美元），但采样频率较低（每周一次）。相比之下，基于超光谱成像或深度学习的现代自动微塑料检测系统在三个特定方面提升了技术水平：（1）实时物联网-边缘-云计算协同作用，无需实验室样品准备即可实现亚秒级警报延迟；（2）多传感器数据融合结合光谱、空间和环境协变量流，提高了在不同环境条件下的分类鲁棒性；（3）结合环境协变量的集成预测模型，实现了72小时污染预测，而不仅仅是被动检测。基于实验室的FTIR和拉曼光谱技术虽然检测限较低（10–20微米），在受控条件下的准确性略高（表6），但无法在野外连续运行。

这些关于城市滨水区和避风港口污染热点的发现对于理解微塑料对海洋生态系统的影响具有重要意义。测得的这些高水平污染物对于生物体具有严重后果。在受保护的海港地区，每立方米4,000个或更多颗粒的浓度超过了无观察效应浓度（NOEC）1,000个颗粒，以及对滤食性生物摄入率的限制（2,500个颗粒/立方米），超过了自然排泄能力。半封闭海湾中的浓度比开放海岸水域高出420%，表明这些水动力保护区域成为长期暴露于高浓度污染物的区域。然而，应记住，这些浓度对生态的重要性取决于颗粒大小分布、聚合物组成以及吸附污染物的存在，这些因素都需要通过具体的生态毒性研究来转化为具有结论性的影响测量。未来的工作应结合该框架提供的持续监测信息与在监测海岸生态系统中的生物响应指标，以发展基于实验证据的剂量-反应关系。

人类活动与污染水平之间的密切关系（r = 0.87）证实了微塑料污染物的人为性质。周末期间的污染负荷是平日基础污染负荷的240%–350%，表明娱乐活动是沿海污染的主要来源。这一发现对管理策略有直接影响，意味着在高峰期需要采取特别干预措施以获取更大的效益。季节性变化表明环境条件、人类活动与污染动态之间的相互作用。夏季微塑料浓度的增加与旅游业的高水平有关，这意味着在沿海管理计划中应考虑污染压力的变化。成功提前72小时预测污染状态是主动经济环境管理的杰出进展。预测建模可以帮助管理者预测并预防污染行为，从而将对自然的干扰减少40%–60%。该集成框架利用了每种技术的优势，并弥补了单一技术的不足。在正常运行条件下（浊度<50 NTU），系统的分类准确率达到了96.3%，这一数据在整篇论文中均有提及。在性能下降的情况下（浊度50–100 NTU），检测准确率降至78.4%；而在极端浊度条件下（浊度>100 NTU，通常发生在风暴事件或高沉积物含量的河口地区），准确率进一步降至约62%。所有监测点中，大约有12%的监测时间处于这种性能下降的范围内。值得注意的是，在这些情况下，系统仍能提供部分分类结果和超标警报，而纯粹基于光学的传统系统则会完全停止运行。虽然性能有所下降，但在这种条件下系统仍然能够正常工作，而那些更传统的光学系统可能会立即停止运行。

深度学习组件对计算资源要求较高，这限制了它们在资源有限环境中的应用。卷积神经网络（CNN）架构需要4.2GB的内存和昂贵的GPU硬件才能实时运行，如果没有边缘计算基础设施，很难将其扩展到大规模应用。未来需要进一步开发模型压缩和优化方法，以在保证准确性的同时降低计算需求。尽管CNN架构需要大量内存和专业GPU设备才能实时处理图像，但所谓的“低成本可扩展解决方案”指的是整体拥有成本相对较低，而非单台设备的成本。每个边缘计算单元都是基于NVIDIA Jetson AGX Orin平台改造而来的（平均成本：1,200美元），它可以在单个监测点同时处理多个传感器的数据流，这种投资需要长达18个月的时间来回报。相比之下，传统实验室分析同样时间分辨率的数据需要多台傅里叶变换红外光谱仪（FTIR/Raman analyzers，每台价格50,000–150,000美元）和训练有素的分析人员。

另一个显著限制是系统对75–100微米大小颗粒的检测能力较弱，这类颗粒在大多数环境样本中占比很大且具有生态重要性。虽然我们的75微米检测限已经优于现有自动化系统，但通过进一步的技术进步，我们可以检测更小的颗粒，这将是未来环境监测的重点。与传统基于实验室的监测方法相比，较低的成本和良好的可扩展性是该系统的重要经济优势。然而，这种性能下降仍然显著存在。

此外，操作成本相比传统监测方法降低了67%，这也是大规模部署这种系统的经济合理性所在。太阳能供电的84小时自主运行能力使得在没有电网覆盖的偏远地区也能实现监测。这种自主性加上无线数据传输功能，使得监测能够到达难以到达的区域，并扩展监测网络，从而实现对大面积区域的有效覆盖。

网络可以扩展到50个节点并保持稳定性能，这表明利用现有技术可以实现区域性的监测网络。在实际部署过程中，一些实际操作限制需要认真考虑，例如系统必须安装在一个有稳定基座的区域，而不是在侵蚀严重的海岸地区。虽然太阳能板和备用电池可以提供84小时的自主供电，但在高纬度地区如果长时间阴天，可能需要额外的电网电源或发电机。每个节点的初步筹备时间约为3个月，调试和校准时间也需计入部署计划。此外，机器学习模型的训练和验证依赖于五个研究站点的代表性样本，如果系统遇到训练数据中未涵盖的聚合物类型或环境条件，分类性能可能会下降。为了解决这一问题并支持在新环境中的泛化，我们建议采取以下措施：（1）每6个月或当地污染源组成发生显著变化时进行定期重新训练，使用本地收集和标记的样本；（2）采用增量在线学习策略，通过小批量新标记的现场数据更新模型权重，无需进行全面重新训练；（3）整合来自全球不同来源的光谱参考库，以扩大训练数据的代表性。信息管理也是一个关键因素，每月每个站点产生的2.3TB数据量要求有全面的数据管理方案和足够的存储设施来处理这些数据。

本文建立的质量保证程序为不同机构和地区的自动化监测方法标准化提供了指导。所定义的验证步骤和性能指标可以作为新部署的参考，帮助开发用于区域性和全球性评估的数据集。当前研究表明，集成机器学习系统在环境监测能力方面取得了实质性进展，显著增强了我们评估和管理沿海微塑料污染的能力。该框架结合了高光谱技术和物联网（IoT）网络以及大多数现代机器学习算法，实现了96.3%的分类准确率和高达75微米的颗粒识别能力。这种技术突破使我们能够深入了解复杂的污染关系，例如与潮汐周期（相关系数r = 0.81）和人类活动（r = 0.87）相关的强相关性，而这些是传统离散采样方法无法检测到的。模型预测的准确率非常高（r = 0.92），因此可以提前72小时预测污染事件，从而实现主动管理。例如，干预措施可以预防污染积累而非事后应对。研究中还量化了强烈的空间异质性，发现了保护区内单位体积超过4,000个颗粒的热点区域，这些区域的浓度增加了420%，表明存在长期的生态压力，需要采取特定的缓解措施。

除了技术性能外，该系统还在经济和操作方面具有明显优势。通过即时监控替代传统监控方式，并将监控成本降低了67%，维护成本也大幅减少。该架构具有可扩展性，仅50个节点的配置就证明了利用现有基础设施实施大规模区域监测网络的可行性。这项研究的深远影响不仅限于微塑料问题，还展示了机器学习在环境科学中的变革潜力。这样的系统有助于基于证据的决策和管理，快速、大规模地应对当代环境问题。

未来研究将重点关注卫星遥感技术的整合，以实现全球范围内的一致监测。随着机器学习和传感器技术的进步，建立一个全球性的微塑料监测网络变得越来越可行。由于污染危机的日益严重，像本文所述的智能系统的实施不仅对保护海洋生态系统至关重要，也是确保有效应对这一全球性问题的关键步骤。结合卫星遥感技术和新的AI模型（如Transformer）将有助于提高检测能力和降低检测限制。此外，微型传感器在自主水下航行器和表面漂流器上的应用，以及标准化数据格式和质量保证标准的建立，对于构建全球性的微塑料污染监测数据集也非常重要。

尽管集成监测框架的整体性能良好，但仍需明确识别一些关键限制和故障模式，以确保系统的正确解释和未来应用。首先，当浊度很高（超过50 NTU）时，高光谱成像系统的性能会受到显著影响；检测准确率降至78.4%，而在浊度非常高（超过100 NTU）时，准确率进一步降至约62%，这种情况通常发生在风暴事件和河口地区。在18个月的监测过程中，大约12%的监测时间由于浊度超标而处于性能下降状态。其次，系统至少能检测到75微米大小的颗粒，但小于这一尺寸的颗粒在监测数据中占比较低。第三，即使采取了缓解措施，光学表面的生物污染也会导致信号在季度维护期间逐渐退化，夏季温暖条件下信号传输能力平均每月下降8%，需要算法校正因子来进一步提高分类准确性。第四，HDPE/LDPE两种聚合物在近红外光谱范围内的相似性导致分类时的混淆率较高，这一系统缺陷无法仅通过算法解决。第五，基于ARIMA的预测模型在异常污染事件（如非法倾倒和工业泄漏）中的预测准确率较低，这种情况下预测均方绝对误差（MAPE）增加了约72%。最后，系统需要能够连接到蜂窝网络或卫星网络，利用云计算进行集成处理；研究期间网络中断超过4小时会导致处理能力下降至仅93.2%的准确率。图9展示了浊度降低曲线和故障模式影响分析。图9还显示了在浊度逐渐增加的情况下系统性能限制以及检测准确性的下降情况。资源可用性：关于更多信息和资源的请求应联系主要联系人Li Gang（[e-mail]），他将会负责处理这些请求。材料可用性：本研究并未生成新的独特试剂。数据和代码的可用性：本文中报告的所有数据将在需要时由主要联系人提供；本文没有提供原始代码；如需重新分析本文中的数据，也可以向主要联系人请求相关信息。致谢：本项工作得到了中国国家社会科学基金（项目编号25AGL021）在“数据要素市场交易中的多重信任危机及其对策研究”项目中的支持。作者贡献：所有作者共同构思了研究方案并设计了研究方法。Z.N.和L.G.负责实验设计和数据分析；A.Z.、W.A.N.和A.H.参与数据收集和方法论工作；W.U.K.和R.G.负责软件开发和验证；I.M.E.参与审稿和编辑工作。所有作者共同分析并解释了数据，并参与了手稿的撰写。利益声明：作者声明没有已知的利益冲突或个人关系可能影响本文的研究结果。在撰写过程中，作者使用了人工智能辅助工具来提高语言清晰度和语法准确性。经过使用这些工具后，作者对内容进行了审查和编辑，并对出版物的内容负全责。STAR★方法关键资源表：试剂或资源来源标识符存放数据：18个月野外微塑料监测数据集（本研究）可应要求从主要联系人处获取软件和算法：Python（v3.10）Python软件基金会：https://www.python.orgTensorFlow/Keras（v2.13）Google：https://www.tensorflow.orgscikit-learn（v1.3）scikit-learn开发者：https://scikit-learn.orgOpenCV（v4.8）OpenCV团队：https://opencv.orgSCHISM流体动力学模型：Zhang等人：http://ccrm.vims.edu/schism/ERA5再分析风场数据：ECMWF Copernicus：https://cds.climate.copernicus.eu其他设备：高光谱推扫式扫描仪（400–2500纳米，840个波段）商用高光谱成像系统：N/ANVIDIA Jetson AGX Orin边缘计算单元：NVIDIAJetson AGX OrinNVIDIA A100 GPU（云批量处理）：NVIDIAA100IP68海洋级不锈钢（316L）外壳：定制制作：N/A多参数水质传感器（温度、盐度、浊度、流速）：商用海洋学传感器：N/AATR-FTIR光谱仪（验证）：Thermo Fisher ScientificNicolet iS50Micro-Raman光谱仪（验证，785纳米波长）：HoribaLabRAM HR Evolution实验模型和研究参与者详情：本研究未涉及人类参与者、动物、植物、微生物菌株或原代细胞培养，因此不需要相关伦理审批。本研究中使用的实验材料为在五个沿海监测站点现场采集的环境水和微塑料颗粒样本。未使用煤炭或生物材料；目标分析物为来自周围海水的75–500微米大小的微塑料聚合物颗粒。各站点持续运行了18个月，使用相同的监测平台和校准程序以确保测量结果的一致性。由于本研究不涉及与生物性别相关的变量，因此性别对结果没有影响。本研究仅限于基于物理化学和机器学习的微塑料检测与预测评估，未探讨生物变异性。方法细节：综合监测系统部署在五个地理位置具有代表性的沿海地点，这些地点反映了周围环境类型和污染程度。站点选择标准包括：（1）与城市中心和污染源的距离（2–50公里范围）；（2）不同的流体动力条件，如开放海岸、半封闭海湾和河口区域；（3）微塑料浓度范围（10–10,000颗粒/立方米）；（4）站点的设备部署和维护便利性。操作环境参数（温度、盐度、浊度和流速）被持续监测，以确定系统的运行范围。处理速度提升了340%，这是以标准实验室微塑料分析过程为基准的。手动样本收集、密度分离、真空过滤、立体显微镜视觉分选和ATR-FTIR光谱鉴定被用作每个样本约500颗粒（约61颗粒/小时）的基线方法，平均每样本处理时间为8.2小时。我们结合机器学习的框架平均处理时间为1.86小时（相当于每小时约269颗粒），处理量是传统方法的4.4倍。使用NVIDIA Jetson AGX Orin边缘计算单元（12核ARM Cortex-A78AE CPU、2048核Ampere GPU、32 GB统一内存）进行边缘处理，NVIDIA A100 GPU用于云-based批量处理。所有时间数据指标均说明了从原始高光谱图像数据采集到最终聚合物分类输出的端到端处理延迟，基于过去六个月部署期间的500个单一样本进行了平均计算。有效成本分析表明运营成本降低了67%。总资本支出为28,400美元，假设系统总价为18,500美元，包括高光谱成像系统、推扫式扫描仪、NVIDIA Jetson AGX Orin边缘计算单元、多参数水质传感器阵列、海洋级IP68外壳及安装基础设施、太阳能电源和无线通信模块，每个站点的成本为28,400美元。按每年运行5年计算，每个站点的年化成本为5,680美元。持续运营费用包括季度维护服务（1,200美元/年）、数据传输和云计算（800美元/年）以及更换部件（如窗户，400美元/年）和清洁（2,400美元/年），每个站点的年化总成本为8,080美元。相比之下，使用传统实验室检测方式的年成本约为24,500美元/站点/年，包括人员费用（8,000美元/年）、现场采样和实验室设备维护（6,500美元/年）、FTIR/Raman仪器折旧（7,000美元/年）以及样品运输（3,000美元/年）。因此实现了67%的成本节省（每年每个站点节省24,500至8,080美元），同时时间分辨率提高了一倍，实现了实时连续监测而非每周采样。下面图表展示了传统实验室监测与提出的机器学习框架之间的成本比较。为确保实践实施的透明性，提供了以下操作细节：整个系统是在每个地点逐步实施的，每个地点的调试期为3个月，在此期间进行传感器校准、通信链路测试以及机器学习模型的初步优化。每个监测站的占地面积为2 × 3米，建在现有海岸基础设施（码头、栈桥或专用混凝土平台上），所有组件均可分段更换，以减少维护所需时间。系统设置为在两次太阳能充电之间运行最长84小时，并自动检测和剔除因传感器退化而收集的无效数据。远程监控限于每周一次的仪表盘控制（每个站点约2小时）和每季度一次的现场维护（4–6小时）。每个月每个站点的原始高光谱数据量平均为2.3 TB，其中约85%的数据在站点以摘要格式处理并进行了局部分析及异常检测（约15%），这些数据可以通过典型的4G LTE网络低成本传输。系统架构和硬件集成：该框架采用分层结构，包括三个关键层次：传感器数据采集、边缘计算处理和云-based分析。高光谱成像系统、多参数水质传感器、气象仪器和高分辨率相机被纳入传感器层，以提供全面的环境特征描述。高光谱成像系统采用推扫式扫描仪，光谱范围为400–2500纳米，光谱分辨率为2.5纳米，每张图像包含840个光谱波段。为了检测75–500微米大小的微塑料颗粒，空间分辨率为每个像素25微米，确保在不同环境条件下数据质量的一致性。分布式边缘计算过程包括每个监测站内嵌入式计算GPU的实时数据预处理和初步分析。这种分散式系统在数据传输方面的要求较低，同时能够实时响应污染事件。大量计算由云完成，长期趋势数据存储在中央数据库中。所有HSI传感器和电子组件都封装在IP68级海洋级不锈钢（316L）外壳中，具有防腐蚀和牺牲锌阳极，以抵御恶劣海洋环境的腐蚀。使用蓝宝石玻璃制作光学窗口，并涂有疏水纳米涂层以减少生物污染沉积，同时引入了自动清洁系统（每6小时清洁一次）。此外，每个外壳还配备了干燥剂盒和正压氮气净化系统，以消除内部冷凝和水雾侵入。这些防护措施确保了18个月部署期间传感器光学清晰度超过92%，只有两个站点因风暴影响而需要紧急维护。高光谱数据处理和特征提取包括多种数据修复和处理过程，以优化用于机器学习的光谱模式。辐射度校准程序将原始数字值转换为绝对反射率值，公式如下：???(??,??,??)=[???(??,??,??)????(??)]/[???(??)????(??)]×???(??)（公式1），其中R(λ,x,y)表示波长λ和空间坐标(x,y)处的反射率，I(λ,x,y)是测量强度，D(λ)是暗电流校正，W(λ)是白色参考强度，C(λ)是校准系数。水表面测量的大气校正采用经验线方法：??_?????????????????????(??)=[??_??????????????????(??)???_???????????????????????(??)]/???(??)（公式2），其中T(λ)是从现场参考测量值确定的 atmospheric 传输系数。光谱特征提取使用主成分分析（PCA）在保留判别信息的同时降低维度：??=?????（公式3），其中X是原始光谱数据矩阵，W包含协方差矩阵的特征向量，Y表示转换后的特征空间。协方差矩阵计算公式为：??=(1/(???1))???∧?????（公式4）。特征选择的解释方差比为：????????_??=??_??/??_{??=1}∧?{??}???_??（公式5），其中λ_i是按降序排列的特征值。卷积神经网络架构采用改进的ResNet架构，增强了高光谱数据分析能力。采用改进的ResNet架构而非更现代的架构（如Vision Transformers (ViTs) 是基于多项实际应用考虑的选择。尽管ViT在处理自然图像的分类任务时目前表现更强，但其计算复杂度较高（尤其是自注意力架构的二次方复杂度与序列长度相关），因此无法在边缘设备（如小型嵌入式GPU）上实现实时处理。在设计阶段，通过对包含5000个微塑料颗粒的代表性5000个标记的高光谱数据集进行比较，获得了ResNet-50、EfficientNet-B4和ViT-Base模型的初步结果。EVT-Base模型训练后的大小为8.6GB，推理（编码）批处理时间为4.8秒，准确率为97.1%；而经过修改的ResNet模型训练后大小为4.2GB，推理时间为2.47秒，准确率为96.3%。由于实时处理的需求以及在NVIDIA Jetson AGX Orin边缘设备上运行的能力（该设备配备32GB共享内存，可作为同时处理多个传感器流的单个服务器），ResNet架构在分类性能和可行性方面提供了最佳平衡。此外，ResNet中的残差连接在处理具有强烈波段间相关性的高光谱数据时特别有效，这种相关性可以通过跳过连接来利用，而 transformer的注意力机制则不依赖于位置信息。

尽管ViT在处理自然图像的分类任务时表现更强，但它们的计算复杂度较高（尤其是自注意力架构的复杂性随序列长度呈二次方增长），因此无法在边缘设备（如小型嵌入式GPU）上实现实时处理。在设计阶段，研究人员使用一个包含5000个微塑料颗粒的5000个标记的高光谱数据集，比较了ResNet-50、EfficientNet-B4和ViT-Base模型的性能。EVT-Base模型训练后的大小为8.6GB，推理（编码）批处理时间为4.8秒，准确率为97.1%；而修改后的ResNet模型训练后的大小为4.2GB，推理时间为2.47秒，准确率为96.3%。由于NVIDIA Jetson AGX Orin边缘设备具有32GB共享内存，可以作为同时处理多个传感器流的服务器，ResNet架构在分类性能和可行性方面提供了最佳平衡。此外，ResNet中的残差连接在处理具有强烈波段间相关性的高光谱数据时特别有效，因为这种相关性可以通过跳过连接来利用，而Transformer的注意力机制则不依赖于位置信息。

在每层中，卷积操作定义为：\(Y_{i,j,k} = \mathbf{W}_{mi} \cdot \mathbf{W}_{nj} \cdot \mathbf{W}_{kk} + b_k\)，其中 \(\mathbf{W}_{mi}\)、\(\mathbf{W}_{nj}\) 和 \(\mathbf{W}_{kk}\) 分别是卷积核权重，\(b_k\) 是偏置项。批量归一化通过标准化层输入来稳定训练过程：\(\hat{x} = \frac{x - \mu_B}{\sqrt{\sigma_B^2 + \epsilon}}\)，其中 \(\mu_B\) 和 \(\sigma_B^2\) 分别是批量均值和方差，\(\epsilon\) 是用于数值稳定性的小常数。激活函数采用漏ReLU函数来防止梯度消失：\(f(x) = x\) 如果 \(x > 0\)；否则 \(f(x) = \alpha \cdot x\)，其中 \(\alpha = 0.01\) 是负斜率参数。

支持向量机（SVM）分类器用于对颗粒进行补充分类，以最大化类别间的边界间隔。这是一个最大化问题，其公式为：\(\min_{w, \beta} \left[ \frac{1}{2} \sum_{i=1}^{m} \left[ (w^T x_i - b_i \right]^2 + \sum_{i=1}^{n} c_i y_i \right]\)，受以下约束：\(y_i (w^T x_i + b_i) \geq 1 - \beta\)，\(y_i \geq 0\)。径向基函数（RBF）核将数据映射到更高维的空间：\(K(x_i, x_j) = e^{-\gamma \cdot \left| \mathbf{x}_i - \mathbf{x}_j \right|^2}\)，其中 \(\gamma\) 控制核宽度并影响决策边界的复杂度。

随机森林（Random Forest）算法结合多棵决策树以提高分类的鲁棒性并减少过拟合。集成预测为：\(\hat{y} = \frac{1}{B} \sum_{b=1}^{B} T_b(x)\)，其中 \(B\) 是树的数量，\(T_b(x)\) 是在第b棵树上基于自助样本 \(b\) 训练得到的预测结果。节点分裂标准使用基尼不纯度：\(G = 1 - \sum_{i=1}^{m} \sum_{j=1}^{n} P_{ij}^{(i, j)}\)。特征重要性通过计算杂质减少的加权平均值来确定：\(F_I_j = \frac{1}{B} \sum_{t \in T_b} P_t \cdot (P_{ij}^2 - P_{ij-1}^2)\)，其中 \(P_t\) 是到达节点 \(t\) 的样本比例。

物联网（IoT）传感器网络由自主监控节点组成，这些节点配备多参数传感器以实现对环境质量的持续监测。传感器融合是通过加权平均多个传感器的测量结果来实现的：\(\hat{x} = \sum_{i=1}^{m} \omega_i x_i\)，其中权重由倒数方差加权确定：\(\omega_i = \frac{1}{\sigma_i^2 + \epsilon}\)。卡尔曼滤波（Kalman Filtering）为动态环境参数提供最优状态估计：\(\hat{x}_k | k = \hat{x}_{k-1} + \mathbf{K}_k \cdot (\mathbf{Z}_k - \mathbf{H}\hat{x}_{k-1})\)，其中 \(\mathbf{K}_k\) 是卡尔曼增益矩阵。

系统通过已知的实验室分析技术进行系统化的交叉验证，以彻底测试自动化分类系统。独立分析使用了衰减全反射傅里叶变换红外光谱（ATR-FTIR；Thermo Fisher Nicolet iS50）和微拉曼光谱（Horiba LabRAM HR Evolution，785 nm激发激光）对3200个颗粒的分层随机子样本（约占总分类数据的30%，共10713个颗粒）进行了测试。子样本的选取根据聚合物类型、尺寸范围和监测位置进行分层，以确保所有分类类别都有代表性覆盖。FTIR分析的光谱分辨率为4 cm-1，每个光谱进行32次共添加扫描，并通过广泛的光谱库（Hummel Polymer Library和S.T. Japan Polymer Library）进行聚合物鉴定，最小光谱匹配率为70%。下图展示了验证混淆矩阵。

自动机器学习（ML）分类系统与ATR-FTIR和微拉曼光谱真实分析的对比结果，涵盖了所有类型的3200个分层颗粒。另外有1500个颗粒由三位专家使用光学立体显微镜和热针测试进行独立分析，以在存在疑问的情况下鉴定聚合物。分析师间的一致性超过94.2%，Cohen kappa值为0.91，基于共识的分类结果为最终的真实分类。自动ML模型与实验室准备的真实分类结果之间的一致性总体为95.8%，大部分差异出现在75–100 μm尺寸范围内，此时光谱信噪比最小。Bland-Altman分析显示，与实验室参考方法相比，自动分类中没有系统性偏差，平均值为0.3%，一致性范围为?2.1%至+2.7%。

实时数据处理流程采用滑动窗口方法进行连续分析：\(y(t) = \alpha \cdot y(t-1) + (1 - \alpha) \cdot x(t)\)，其中 \(P(t)\) 是处理后的信号，\(x(t)\) 是当前测量值，\(\alpha\) 是指数平滑因子。异常检测使用统计过程控制：\(U_C(\lambda) = \lambda \cdot \mu + \lambda \cdot \sigma\)，其中 \(k = 3\) 用于99.7%的置信区间，\(\mu\) 是过程均值，\(\sigma\) 是标准差。

时间序列预测使用ARIMA模型进行污染预测：\(\hat{y}(t) = \phi(B) \cdot \left[ (1 - \phi(B)^{B-1} \cdot \sum_{i=1}^{B-1} x_{i} \cdot \phi(B)^{B-i-1} \right]\)，其中 \(\phi(B)\) 和 \(\theta(B)\) 是自回归和移动平均多项式，\(d\) 是差分阶数，\(\epsilon_t\) 是白噪声。自相关函数用于表征时间依赖性：\(\rho_k = \frac{\sum_{i=1}^{B} \left[ x_{t-i} - \hat{x}_{t-i} \right]^2}{\sigma^2}\)。

微塑料的传输通过平流-扩散方程进行建模：\(\frac{\partial \widetilde{C}}{\partial t} + \mathbf{u} \cdot \nabla \widetilde{C} = \mathrm{D} \nabla^2 \widetilde{C} + \sum_k \mathbf{S}_k \widetilde{C}\)，其中 \(C\) 是浓度，\(\mathbf{u}\) 是速度场，\(D\) 是扩散系数，\(S\) 是源项，\(k\) 是去除率常数。

所有测量结果除非另有说明，否则都进行了三次重复实验，结果以均值±标准差（SD）的形式呈现。分类指标（准确率、精确度、召回率、F1分数）、皮尔逊相关系数（Pearson correlation coefficients）、均方误差（RMSE）、平均绝对误差（MAE）和平均百分比误差（MAPE）被用作系统性能的主要定量指标。Cohen’s kappa用于量化真实值验证期间分析师间的一致性。Bland–Altman分析用于检验自动ML分类与实验室参考方法（ATR-FTIR和微拉曼光谱）之间的系统性偏差。统计显著性通过单因素方差分析（ANOVA）进行评估，显著性阈值设定为\(p < 0.05\)。所有统计处理使用Python（v3.10）和scikit-learn、SciPy、StatsModels包完成，图形使用Matplotlib生成。