《Blue Biotechnology》：Leveraging artificial intelligence (AI) techniques for sustainable marine resources
编辑推荐：
本文综述了人工智能（AI）在海洋科学中的前沿应用，重点阐述了机器学习（ML）与深度学习（DL）如何变革海洋生物多样性监测、渔业管理、污染检测及气候变化影响评估。作者指出，传统方法在应对复杂、动态的海洋挑战时存在局限，而数据驱动的人工智能模型能从多源、高维观测数据中提取可操作知识。文章系统评述了长短期记忆网络（LSTM）、卷积神经网络（CNN）、随机森林回归器（RFR）、U-Net、U2-Net、生成对抗网络（GAN）等关键方法及其在海洋各领域的应用模式、优势与瓶颈。最后，文章批判性审视了当前AI方法的能力与局限性，识别了数据稀缺、算法泛化、计算基础设施及伦理治理等关键结构性挑战，并为AI未来融入可持续海洋治理与政策相关决策提供了前瞻性见解。
海洋覆盖了地球70%以上的表面积，是维持全球生物多样性、调节气候和支持人类生计的关键。然而，过度捕捞、污染和气候变化等日益加剧的压力正威胁着全球海洋生态系统。应对这些复杂且相互关联的挑战，需要先进的、适应性强的监测和决策工具。人工智能（AI），包括机器学习（ML）和深度学习（DL），已成为海洋科学中的一股变革性力量，能够彻底改变生物多样性评估、渔业管理、污染检测和气候影响预测。
AI方法论及其在可持续海洋资源管理中的应用
AI方法论简介
海洋科学研究中应用了多种AI模型。长短期记忆网络（LSTM） 是一种特殊的循环神经网络（RNN），擅长处理时间序列数据，能有效捕捉长期依赖关系，常用于预测海浪高度、潮位变化或水质参数（如盐度、溶解氧）的时间变化。
卷积神经网络（CNN） 是处理网格状数据（尤其是图像）的基础深度学习架构，能自动学习从简单边缘到复杂物体的层次化空间特征。在海洋科学中，CNN被广泛应用于从底栖图像进行珊瑚礁分类、从显微图像识别浮游生物，以及从遥感数据检测溢油或海洋垃圾等任务。
随机森林回归器（RFR） 是一种集成学习方法，通过聚合多个不相关的决策树的预测来提高准确性和鲁棒性。在海洋科学中，RFR已被用于模拟非线性生态系统动态，包括预测鱼类栖息地适宜性、模拟海洋污染扩散以及融合遥感和原位观测估算叶绿素a浓度。
U-Net与U2-Net 是用于图像分割的经典架构。U-Net采用对称的编码器-解码器结构，通过跳跃连接融合深层语义特征和浅层高分辨率空间细节，能实现精确的像素级定位，常用于划分珊瑚礁范围、从卫星图像中分割海冰或识别溢油边界。
U2-Net 是U-Net的进阶变体，采用嵌套的U型结构，用残差U块替代标准块，增强了多尺度特征提取能力，同时不降低特征图分辨率，适用于复杂的海洋分割任务，如详细的海底分类和精确的珊瑚礁划界。2-net for salient object detection. U2-net employs a two-level nested U-shaped topology with residual U-blocks">
生成对抗网络（GAN） 基于博弈论，通过生成器和判别器的对抗游戏来生成逼真的合成样本。在海洋学中，GAN已被用于海洋颜色图像的超分辨率、卫星时间序列的间隙填充、沿海水域图像的大气校正替代，以及从多传感器输入中映射浊度、叶绿素a或悬浮沉积物的无配对图像到图像转换。
按领域划分的AI应用
海洋生物多样性监测
AI的集成极大地改变了观察和保护海洋生态系统的传统方法。CNN在基于图像的物种识别中应用突出，例如AquaVision利用CNN检测地中海的外来入侵鱼类物种，并自适应更新模型以适应新图像。TagLab平台应用基于CNN的分割技术来标注珊瑚礁中的底栖栖息地，支持通过标注的正射影像检测白化和物种分布趋势。
在声学监测方面，先进的被动声学监测系统，如实时齿鲸叫声分类算法，利用ML分类器区分物种特异性叫声，实现长期、无干扰的监测。深度学习进一步扩展了声学监测的范围，能够跨更宽的频带实现实时检测。
AI技术在量化人类对海洋生态系统的影响方面也发挥着关键作用。机器学习模型可以分析环境传感器的时间序列数据，以检测海洋物种在风电场或石油管道等人为结构附近的行为变化或空间位移。在污染监测中，莫纳什大学开发了一种基于ML的微塑料分类系统，比人工方法更快、更可靠地处理环境样品，大大加速了海洋垃圾的评估。
配备了AI的自主水下航行器重新定义了深海生物多样性调查。这些小样本学习技术已应用于检测稀有或濒危物种，显著提高了生态稀疏数据集的数据质量。例如，“海草搜寻者”利用深度学习分析来自AUV的视频数据，用于鳗草绘图——这是蓝碳核算和栖息地保护的重要工具。
渔业管理与可持续捕捞
渔业管理在平衡生产力、可持续性和执法方面历来面临挑战。AI的整合通过加强监测、预测和监管支持，提供了创新的解决途径。
配备AI的电子监控系统处理来自船载传感器和摄像机的数据，以分类鱼类、估算渔获量并识别兼捕事件。例如，基于AI的实时渔获分析系统结合了嵌入式系统内的目标检测和跟踪算法，现场分析渔获，支持及时执行总可捕量法规。
传统的种群评估模型依赖于统计回归和种群动态学，但这些模型正越来越多地由能够捕捉复杂非线性相互作用的ML算法增强。通过利用大规模历史数据、环境指标和渔业输入，这些混合模型——将梯度提升树与传统框架相结合——在动态生态条件下，能更好地预测产卵生物量和补充量变化。
强化学习是AI的一个子集，它通过反馈循环优化策略决策，已被用于制定适应性收获控制规则。这些算法模拟不同生态和经济情景下的各种管理行动，学习平衡捕捞效率与保护需求。这有助于在不确定性下进行动态政策制定，增强数据有限渔业的恢复力。
AI还支持全球打击非法、不报告和不管制捕捞的努力。先进的船舶跟踪系统对自动识别系统数据应用模式识别，以检测表明IUU活动的异常行为。例如，全球渔业观察等平台已整合这些工具，以提高渔业运营的实时透明度和问责制。
在水产养殖中，AI应用从生物监测延伸到运营优化。智能投喂系统分析鱼类运动、食欲和水质，实时调整饲料投喂。例如，eFishery系统实现了20%的饲料成本降低，同时提高了鱼类生长率。AI在疾病预测和诊断中也至关重要：计算机视觉算法识别疾病的视觉迹象，时间序列模型利用水质数据在临床症状出现前预测疫情。这些早期预警系统降低了死亡率，提高了治疗精度。
气候变化影响评估
海洋生态系统越来越容易受到气候变化引起的压力因素的影响，包括海洋变暖、酸化、缺氧和极端天气。AI提供了一个全面的框架，通过从复杂、高容量的数据集中提取信息，来监测、建模和减轻这些影响。
结合ML模型的遥感技术允许快速检测海洋污染物（如溢油）并预测其漂移模式。这些能力对于应急响应至关重要，能够更快地部署围控资源并减少生态危害。AI还利用卫星数据和传感器网络增强了实时环境污染监测，在时间和空间尺度上提供细致的观测。
在更广泛的系统层面，AI有助于预测生态系统建模。通过模拟各种典型浓度路径情景下的未来海洋状况，AI模型预测物种分布范围的变化、营养结构变化和潜在的崩溃阈值。这种建模能力支持主动的保护规划和气候适应性渔业管理。
在缓解科学中，AI支持评估多重风险情景——结合海平面上升、风暴潮和脱氧——以指导脆弱沿海地区的政策。ML技术现在跟踪长期变化，如海洋氧气下降和酸化，整合物理和生物地球化学指标，以增强我们对系统脆弱性的理解。
海洋污染检测与缓解
海洋污染是一个多方面的威胁，包括化学品泄漏、营养物过载、塑料垃圾和重金属。AI提高了检测精度、监测效率和响应协调性。
在溢油检测中，应用于哨兵2号和合成孔径雷达图像的DL模型可以区分油膜和类似的光学特征。例如，一个结合CNN像素级光谱分类和DBSCAN聚类的高光谱溢油检测框架，在受控实验条件下实现了92.12%的平均像素精度，每张图像仅需696毫秒，展示了高效可靠的溢油分割。
对于塑料检测，AI模型分析高光谱卫星图像，以分类漂浮塑料浓度，并区分表层和次表层中的微塑料。
机器学习也应用于预测水质退化，通过识别传感器数据中的前兆。物联网与AI的集成实现了对pH、溶解氧和浊度的连续监测，异常检测算法在阈值被突破前触发警报。
AI赋能的AUV为深海监测和响应提供了移动平台。这些飞行器使用语义分割和空间推理来绘制污染热点图，并指导水下清理工作。通过结合实时分析和地理空间情报，它们可以优先处理高影响区域的修复活动。
水产养殖优化
随着水产养殖的不断扩大以满足对海产品日益增长的需求，AI已成为提高运营效率、盈利能力和环境可持续性的核心。AI驱动的投喂系统监测鱼类食欲、应激指标和水槽条件，以实现营养输送自动化。例如eFishery实施的系统，利用基于传感器的数据收集来优化饲料转化率并减少过度投喂，实现了高达30%的饲料节省，同时提高了生长性能。
AI也彻底改变了鱼类健康监测。计算机视觉算法检测病变、异常行为和颜色变化，而预测模型则整合历史和环境数据以识别疾病爆发的早期迹象。在循环水养殖系统中，已提出结合CNN、LSTM网络和注意力机制的混合DL架构来预测硝酸盐浓度，有助于将水质维持在最佳参数范围内。
在更广泛的空间尺度上，人工智能物联网系统实现了实时生态系统诊断和适应性管理。与环境传感器集成的边缘AI平台持续监测pH、溶解氧和氨等参数。当检测到异常时，警报系统会触发及时的干预策略，降低系统故障的风险。
在实际操作中，AI集成的机器人技术越来越多地用于网箱检查、收获计划和鱼类分级。这些技术降低了劳动强度，提高了产量一致性，并实现了可扩展的精准水产养殖，特别是在近海和深海环境中。
海洋领域AI应用总结
AI技术正在从根本上重塑海洋可持续发展的未来。基于所综述的研究，CNN是最常应用的模型，占所有用例的近一半，主要用于基于图像的任务，如栖息地绘图、物种识别和污染检测。人工神经网络和LSTM模型也被广泛使用，特别是用于环境参数、鱼类生物量和水质的时间序列预测。同时，集成模型和RF算法出现在数据有限的研究中，这些研究优先考虑可解释性和鲁棒性。这些分布表明了一个明确的趋势，即根据数据类型和监测目标，采用面向任务的模型选择。这些工具正在实现从被动管理向预见性、数据驱动战略的转变。
然而，数据碎片化、标准不一致、计算基础设施访问受限以及缺乏跨学科框架等障碍必须加以解决。对开放数据、符合伦理的AI开发和跨部门协作的战略性投资，对于实现AI在弹性海洋治理方面的全部潜力至关重要。
随着创新的继续，深度学习、混合建模和数据驱动治理的整合可能会进一步加速海洋科学的数字化转型。然而，要获得这些好处，需要解决数据可访问性、互操作性和节能计算方面的系统性差距。通过将AI发展与透明的治理和可持续实践相结合，未来的海洋系统可以在全球环境变化下实现科学进步和公平的资源管理。
局限、挑战与建议
尽管前景广阔，但AI在海洋应用中的采纳和影响仍然受到多种相互交织的挑战的阻碍。这些挑战涉及数据相关限制、算法泛化、计算障碍、基础设施差异、可解释性问题和伦理关切——所有这些都必须加以战略性地解决，以充分利用AI促进海洋可持续发展。
数据稀缺性、异质性和互操作性
海洋AI模型依赖于大量高分辨率、带标签的数据，然而大部分海洋仍然观测不足。数据通常是零散的、稀疏的且地理分布不平衡——特别是在极地地区、深海和发展中沿海国家——这是由于海洋监测的高成本和技术限制。此外，不同组织收集的数据通常在格式、度量单位和元数据模式上缺乏标准化，使得跨平台集成变得困难。在实践中，视觉数据集中的小样本量和标注瓶颈被反复报道，类别不平衡且正例稀少是遥感检测工作流程中的常见障碍，这直接限制了鲁棒性和跨站点重用。当混合不同项目和平台的异构格式和元数据标准时，互操作性也变得困难，使多源集成和联合训练复杂化。
算法泛化与可解释性
在受控条件下训练的AI模型，在应用于具有不同环境条件、物种组成或传感器配置的新区域时，往往难以保持高性能。这种领域转移问题在海洋环境中尤其突出，因为海洋环境具有高度的时空变异性。此外，许多最先进的AI模型，特别是深度学习模型，作为“黑箱”运行，其内部决策过程难以解释。在需要透明决策的渔业管理或保护政策等应用中，缺乏可解释性是一个重大障碍。
计算与基础设施挑战
训练和部署复杂的AI模型需要大量的计算资源和高性能计算基础设施，这可能超出许多海洋研究机构，特别是资源有限地区的机构的承受能力。实时或近实时处理的需求——例如，用于监测非法捕捞或污染事件——进一步加剧了计算需求，需要强大的边缘计算设备或可靠的云服务连接，而这些在偏远海域可能无法实现。
伦理、治理与公平获取
AI在海洋领域的应用引发了重要的伦理问题，包括数据隐私、算法偏见以及自动化系统对沿海社区生计的潜在影响。此外，AI技术进步的利益分配可能不均衡，发达国家和大型企业可能比发展中国家和小规模渔业从业者获得更多优势。需要健全的治理框架来确保AI的开发和使用是负责任的、透明的，并促进海洋资源的公平和可持续利用。
为了充分发挥AI在推进海洋可持续性方面的潜力，必须采取多方面的战略。这包括投资于开放、标准化和可互操作的海洋数据基础设施；开发对领域转移更鲁棒、更具可解释性的AI算法；建设计算能力和数字技能，特别是在服务不足的地区；以及制定优先考虑公平、问责和环境保护的伦理准则和治理机制。通过应对这些挑战，AI可以成为变革性工具，帮助我们更好地理解、管理和保护为地球生命提供支持的至关重要的海洋生态系统。
