综述：机器学习、环境DNA（eDNA）与公民科学在海洋生物多样性和外来入侵物种监测与评估中的应用

《Frontiers in Marine Science》：Machine learning, eDNA and citizen science in monitoring and assessing biodiversity and invasive alien species at sea

　　

本研究概述了机器学习、公民科学、环境DNA（eDNA）及其他新兴技术的整合，以增强海洋生物多样性和外来入侵物种（IAS）的监测，这些内容在2025年6月由几个欧洲项目组织的暑期学校中进行了讨论。此外，遥感、无人机和机器学习日益补充监测方法，以扩大空间覆盖范围并改进数据处理。机器学习通过深度学习和其他方法支持跨分类群的物种识别，并以稳健的验证协议为基础。基本生物多样性变量（EBVs）和基本海洋变量（EOVs）等框架标准化了数据收集和解释，实现了假设驱动的监测和全球综合。计算机视觉模型（例如YOLO、Mask R-CNN）和迁移学习进一步促进了EBVs所需的物种识别。iNaturalist和MINKA等公民科学倡议将机器学习辅助识别与专家验证相结合，大大拓宽了生物多样性监测范围。然而，空间偏差和局限性仍然存在，特别是对于隐蔽和深海分类群。对于入侵物种，自主航行器和eDNA采样等技术增强了早期检测。CIMPAL+框架通过评估非本地物种的累积影响来支持基于生态系统的管理。总体而言，这些工具提高了监测的效率和包容性，但需要伦理监督、标准化协议和跨学科协作，以确保科学完整性和政策相关性。

综述：机器学习、环境DNA（eDNA）与公民科学在海洋生物多样性和外来入侵物种监测与评估中的应用

1 Introduction
几十年来，海洋监测一直为管理者的决策提供支持。然而，在过去的三四年中，一些研究计划通过引入新兴的创新工具、途径和方法，提升了研究人员监测和评估海洋的能力，例如环境DNA（eDNA）、无人机（空中和水下）、成像、建模等。尽管取得了这些进展，但气候和生物多样性危机日益加剧，需要更强大的工具来监测、分析和评估广阔海域的海洋健康。遥感技术越来越多地被用于覆盖大面积海域，为决策者提供有关水质和生物多样性的有价值数据，有时还与eDNA方法结合使用。尽管如此，为了对非本地物种（NIS）进行早期检测，在广阔区域内进行重复监测仍需使用传统方法进行原位采样，以准确评估生物多样性。NIS被定义为由于人类活动而扩散到其自然生物地理范围之外新区域的物种。在NIS中，外来入侵物种（IAS）被定义为“其引入或扩散已被发现威胁或对生物多样性和相关生态系统服务产生不利影响”的物种。为了实现NIS和IAS监测的广泛覆盖，公民科学的使用正在迅速增长，并取得了可喜的成果。另一方面，技术发展产生了大型数据集，其存储和处理变得日益具有挑战性；然而，机器学习近期促进了海洋监测并提高了数据可访问性。目前，机器学习一词广泛用于基于训练数据集中的模式进行预测的模型，而生成式人工智能（GenAI）是指创作类似于人类作品的文本或图像，但允许更多的“创造余地”。GenAI存在产生错误内容的风险，使其不太适合或在科学应用中更具争议性，而机器学习由于在稳健模型构建、验证和地面实况核实方面具有成熟的知识，在科学研究中被更广泛接受。在此背景下，六个欧洲项目联合举办了一所暑期学校，旨在与参会者审查和讨论公民科学和机器学习在监测和评估海洋生物多样性（包括IAS）中的应用，以支持管理者和决策者做出明智的决策。本文回顾了暑期学校期间所审查方法的状态，并讨论了它们在改进欧洲及其他海域管理方面所取得的进展。文章分为四个部分：监测海洋生物多样性的新兴技术；新兴技术的应用示例；利用生物多样性数据解释和评估影响；以及讨论和未来方向。

2 Emerging technologies to monitor biodiversity in the ocean

2.1 Monitoring biodiversity
监测海洋生物多样性（包括早期检测NIS和IAS）一直依赖潮间带和水下视觉调查、渔业数据、底栖采样以及港口或码头监测。虽然有效，但这些调查成本高且耗时，SCUBA潜水调查还受限于时间、深度和安全性，并且通常在空间和时间覆盖上有限。此外，用于系统调查的资源有限。这些局限性推动了新兴技术（如eDNA、机器学习）和参与式途径（如公民科学）的采用。机器人技术的进步使得遥控潜水器（ROV）和自主水下航行器（AUV）能够使用高分辨率成像技术对更深、更危险的栖息地进行调查。最先进的AUV即使在复杂环境中也能绘制大型海底区域地图，具备高分辨率相机、地形跟踪和避障等功能，并且越来越多地由计算机视觉辅助进行实时识别。然而，对小型或隐蔽物种的机器人检测可能不太可靠，但自动化和计算机视觉的不断发展正在稳步提高其效率。遥感也通过提供广泛的空间覆盖和频繁的更新而扩大了监测能力。遥感的应用受到水深和浊度的限制，非本地物种与本地物种之间的光谱相似性需要谨慎的现场验证。在最近的突破中，eDNA因其敏感性和对IAS新引入的早期预警相关性而脱颖而出。其他创新包括被动声学监测，它利用物种特定的声音特征来检测特定的入侵者。许多海洋动物产生物种特定的声音，一旦声音特征得到确认，就可以训练机器学习在连续的音频流中自动识别它们。被动声学监测可在大面积区域内对IAS进行连续、非侵入性检测，但其有用性仅限于发声分类群，并被嘈杂的沿海环境所复杂化。

2.2 Using eDNA in monitoring and early-warning systems
分子生态学的最新进展将eDNA方法置于生物多样性监测和IAS管理的前沿。通过分析释放到水中的遗传物质，eDNA可以揭示物种在更广阔区域内的出现（或最近存在），包括传统调查常遗漏的难以捉摸或低密度物种。几项案例研究报告称，eDNA比传统调查检测到更多的NIS和IAS。eDNA方法能够跨多个站点进行快速、非侵入性采样，qPCR/ddPCR和建模方面的持续进展为丰度和定殖动态提供了见解。然而，其应用仍受方法学挑战的限制，如引物偏差、半定量输出、DNA降解和运输效应以及不完整或不一致的参考数据库，所有这些都可能导致假阳性或假阴性。标准化协议和对传统分类学方法的验证仍然至关重要，这意味着eDNA不应被视为替代品，而应被视为一种补充方法。eDNA监测的主要优势之一是其异常的敏感性，它能够检测到生物体脱落的微量遗传物质，使研究人员能够在IAS通过传统调查方法可靠观察到之前很久就识别出它们。即使低浓度的eDNA也可以使用如定量PCR（qPCR）或微滴式数字PCR（ddPCR）等分子技术进行扩增，为快速响应遏制提供不可或缺的早期预警能力，这对于防止广泛的生态和经济破坏至关重要。此外，eDNA能够提供关于NIS和IAS在广阔且后勤困难的系统中分布的空间明确信息。eDNA采样固有的“一次采集，多次使用”原则进一步增强了这一能力，因为单次水样可以同时产生关于多个物种的信息。此外，eDNA技术可以通过量化物种特异性DNA浓度来提供有关种群相对丰度的见解，这些浓度已显示与生物量和种群密度相关。通过纳入eDNA时间序列数据，研究人员可以跟踪新NIS和IAS的到来及其对本地生物多样性的级联效应，从而能够进行全面、具有成本效益的影响评估。

2.3 Citizen science in monitoring biodiversity
公民科学倡议在监测海洋生物多样性方面十分重要，因为它们动员潜水员、渔民和沿海社区通过社交媒体或其他数字平台报告不寻常的目击事件。吸引公民参与大大扩展了跨空间和时间的监测能力。公民科学提供了广泛的覆盖和公众参与的好处，通过培训公民观察员，通过简单的协议集中精力，并实施科学家对公民数据的验证和整理，可以避免未受训参与者的误识别。将eDNA采样与公民科学倡议相结合，有望大大扩展数据收集工作，补充专业监测，并大幅增加生物多样性评估的地理和时间范围。未来海洋NIS和IAS检测的关键在于整合，将传统方法与机器人、遗传、声学和公民来源的数据结合到集中式系统中，可以生成交叉验证结果并馈入早期预警系统。

2.4 Machine learning in monitoring biodiversity
机器学习已用于识别和计数多种海洋生物，支持海洋生物多样性监测。应用范围从微生物到大型藻类和被子植物，再到底栖物种以及更高营养级的鱼类、海鸟、爬行动物和海洋哺乳动物。开发可信的基于机器学习的系统需要三大支柱：社会经济和法律可行性、数据治理以及技术和科学的稳健性。开发这些系统的技术过程包括数据收集、数据预处理、模型训练、验证、部署和结果解释。真实世界收集的数据集由于噪声或缺失值和异常值通常不能直接适用于模型训练，预处理工作可以显著改善最终模型。因此，需要估计整个模型构建过程或管道的性能。然而，如果训练数据中的数据偏差不与其他信息来源对比，可能导致系统性能不佳。最后，还必须考虑训练模型对现实世界部署的适用性。一旦经过训练，评估指标将取决于任务，其中准确率、精确率、召回率和F1分数通常用于分类；平均精度均值（mAP）用于检测；交并比用于分割。

3 Application of emerging technologies to monitor biodiversity at sea

3.1 Machine learning in imaging and species identification (computer vision)
在水下图像分析方面，计算机视觉这就显得尤为重要，海洋图像数据的指数级增长使得传统的手动审查方法变得越来越不切实际。现代基于深度学习的方法自动从原始图像数据中学习分层特征，能够最先进的成果。在海洋领域，数据集面临海洋对象复杂和恶劣水下环境的挑战，如遮挡、动物在可变方向和尺度上以及伪装等计算机视觉中的常见障碍。数据预处理在解决类不平衡或领域转移等挑战中起着关键作用。对于训练模型，流行的框架包括PyTorch、TensorFlow等。在此需重点强调的一种常见模型训练策略称为迁移学习，该方法通过在较小的特定任务数据集上对预训练模型进行微调，大大减少了对大量标记数据和计算资源的需求。最后，确保模型之间的公平比较需要一致的数据集划分、平衡的类别分布以及超参数和训练协议的透明报告。

3.2 Active engagement of citizens in marine monitoring
公民在生物多样性监测中的积极参与面临几个具体挑战，虽然公民参与基于生态系统的严重威胁，但在生物学入侵的环境影响公众意识往往有限，因为IAS控制的做法可能与公民“帮助自然”的想法不一致。因此，让更广泛的人群参与到不仅仅是偶然记录的管理实践中，需要新的工具和方法。艺术，特别是参与式艺术，已被证明能够创造独特的激发情感和批判的环境。项目中提出的BioArtBlitz概念将专业艺术家的艺术表演与实地活动相结合，以情感和想象的方式吸引公民参与。这些活动共同探讨了IAS的影响和管理策略，在表演之后，参与者加入实地活动以测试IAS控制措施，从而克服消极内容消费的背景，成为积极的变革推动者。

3.3 Species identification through machine learning and Citizen Science: Harnessing iNaturalist potential
机器学习和公民科学结合使用，是扩展传统生物多样性监测范围的强大工具。作为结合计算机视觉和全球贡献者网络的平台，通过自动整合到全球生物多样性信息机构（GBIF）确保符合“研究级”标准的记录迅速可用且可互操作。该平台集成了基于深度卷积神经网络（DCNN）的计算机视觉模型以提供快速物种建议，并引入了迁移学习，实现了更快的新分类群整合以及更频繁的计算机视觉模型重训练。尽管具有许多优势，但该方法并不普遍适用于所有分类群或栖息地。对于那些隐蔽、微小或栖息于深海等难以进入环境的物种，由于无法从照片中可靠识别，代表性很差，必须与科学团队进行的系统性结构化调查相结合。

3.4 Another example of participatory initiatives to reduce the marine biodiversity gap of knowledge
MINKA是一个受iNaturalist启发的参与式观测站，扩展了观测能力，允许参与者自行提供生物多样性和环境观察。在该项目内开发了一个混合智能系统，通过将自动分类与人类专业知识相结合来支持生物图像分析。其具有交互式工作流，用户上传观察图像并请求机器学习支持，用户可直接选择合适的模型生成顶级候选物种识别，随后由用户验证以完善分类。采用这种模式的参与式活动能够大大提升志愿者参与度，记录的观测数据为多种受威胁和敏感物种的监测做出了贡献。

3.5 Data-validation solutions for citizen science data on IAS using smartphones
许多IAS项目使用智能手机应用报告新物种的存在或更新物种分布，验证步骤至关重要，实行同行验证、专家验证和自动质量评估。可实施空间标准辅助机器验证，并通过加强同行验证使用户能够参与质量控制。当验证过程全面实施时，公民科学在报告新IAS的首批记录方面具有很大的潜力，有助于更好地理解IAS的影响并映射控制活动的成功与否。

4 Using biodiversity data in interpreting and assessing impacts

4.1 Using essential biodiversity variables
基本生物多样性变量（EBVs）和基本海洋变量（EOVs）得以在数据解释和综合新兴数据中应用，为循证决策提供支持框架。EBV框架是为了促进生物多样性数据的系统收集、共享和利用而建立的，提供了一种可衍生指标的结构，基于代表多个生物组织水平和空间尺度的变量。EOV由持续海洋观测综合框架（FOO）推动，其实施涉及具体测量和子变量以全面表征。整个框架越来越多用在协调数据，需要建立明确的假设来指导采样单元的空间和时间分配，从而确保下游分析的逻辑可解释性。这种假设驱动的监测设计能提供数据，从而有效跟踪更大尺度的生物多样性状态和趋势。

4.2 Using data to assess NIS and IAS impacts
CIMPAL（Cumulative IMPacts of invasive ALien species）是一种空间显式指数，用于量化和映射多个IAS对海洋栖息地的影响。其通过结合NIS和IAS分布、栖息地范围以及影响权重计算每个空间单元的指数得分，从而识别累积影响的热点。这项方法已演变成一系列指数，包括评估IAS、有害藻华（HABs）和水母暴发的累积影响并考虑种间相互作用的CIMPAL-JH，以及评估NIS对生物多样性如栖息地创建或食物提供的积极生态结果的CIMPAL+。此外，CIMPAL框架进一步扩展以纳入生态系统服务（CIMPAL-ES），评估入侵如何影响食物供给、海岸保护和娱乐等服务的提供。这些扩展反映了基于生态系统的管理和国际政策目标的需求。

5 Conclusions
本文所展示的方法能够改变海洋生物多样性和IAS的管理监测和评估方式，自动化的程度大大提高数据效率并实现资源重新分配。早期职业研究人员（ECRs）对人工智能等表达了矛盾的看法，这也提示需要在指导计划中正式纳入这些伦理问题。就新兴监测和评估方法是否如传统方法可靠讨论而言，虽然能产生假结果且仍有偏差，但这些工具是对现有工具的重要补充，进而辅助专家将数据转化为管理策略。