《Petroleum Research》：Deep Learning Methodologies for Oil Spill Prevention: A Lifecycle-Based Sustainability Review
编辑推荐：
溢油（Oil Spills）持续对海上生产、海洋运输和海底基础设施构成重大风险。深度学习方法（Deep Learning, DL）现通过预测性维护（Predictive Maintenance）、异常检测（Anomaly Detection）和视觉监控（Vis
溢油（Oil Spills）持续对海上生产、海洋运输和海底基础设施构成重大风险。深度学习方法（Deep Learning, DL）现通过预测性维护（Predictive Maintenance）、异常检测（Anomaly Detection）和视觉监控（Visual Surveillance）支持主动式溢油预防（Oil Spill Prevention, OSP）。这些方法通常取得高性能，但依赖于计算密集型工作流，这些工作流需要大量能源并产生碳排放。现有OSP研究中，此类影响大多仍未量化。本文是对2020年至2025年中期发表的基于DL的OSP研究进行的系统性综述，并按照PRISMA 2020指南进行报告。研究人员分析了90项研究，以评估AI生命周期实践，涵盖模型架构、数据模态、训练机制、评估方法、部署选择和可持续性考虑。结果表明，对以准确性为中心的评估持续依赖，而对生命周期能源使用、碳足迹或硬件相关环境影响的报告有限。为弥补这一空白，研究人员引入了一个面向生命周期的可持续性框架。该框架可操作化四个指标：工作可持续性成本（Job Sustainability Cost, JSC）、摊销可持续性成本（Amortized Sustainability Cost, ASC）、嵌入产品成本（Embodied Product Cost, EPC）和扩展摊销可持续性成本（Expanded Amortized Sustainability Cost, ASCe）。这些指标捕获了AI生命周期中的运行能源需求、碳强度、嵌入硬件排放和重用效应，从而支持模型比较、压缩策略、碳感知调度和轻量级性能记录。它们通过离线分析模型开发、评估和定期审计中的能源使用与碳排放，整合到常规OSP工作流中。分析在实时控制回路外进行，确保安全关键操作逻辑不受影响。通过将DL方法与基于生命周期的评估相结合，本研究展示了如何通过透明、资源感知的分析来补充以准确性为中心的评估。所提出的框架适用于OSP，并可迁移到其他安全关键的工业监控领域。
**1. 引言**
溢油（Oil Spills）无论规模大小，均因碳氢化合物的毒性而对生态和公共健康构成严重风险（Kwok等，2019）。传统监测方法（卫星图像、航空调查和人工检查）在时间分辨率、空间覆盖和响应及时性方面存在不足。深度学习方法（Deep Learning, DL）通过从高维传感器和视觉数据中提取复杂模式，成为溢油预防（Oil Spill Prevention, OSP）的核心技术，支持预测性维护（Predictive Maintenance, PM）、异常检测（Anomaly Detection, AD）和视觉监控（Visual Surveillance, VS）三大应用。尽管DL方法具有强大的预测性能，但其计算密集型工作流（包括数据准备、训练、优化和部署）消耗大量能源并产生碳排放，形成双重可持续性挑战。为弥补这一空白，本研究从自然语言处理、计算机视觉、物联网和边缘计算等领域借鉴可持续性实践，并引入四个基于生命周期的指标（JSC、ASC、EPC、ASCe），用于量化运行能源使用、嵌入硬件排放、重用效应和从摇篮到坟墓的影响。本研究旨在：①综述PM、AD和VS中的DL方法；②评估近期文献中可持续性考虑的现状；③提出适用于安全关键OSP环境的生命周期可持续性框架。
**2. 方法论**
**2.1 综述框架与理由**
采用系统文献综述（Systematic Literature Review, SLR）方法，遵循PRISMA 2020声明（Page等，2021），重点关注“准确性-能源”悖论（Mill等，2022），并借鉴可持续人工智能（Sustainable AI）和绿色人工智能（Green AI）概念（Schwartz等，2020）区分模型性能与资源需求。
**2.2 数据源与搜索策略**
在Scopus、Web of Science、IEEE Xplore和ACM Digital Library中检索，搜索词分为三组：OSP相关术语、DL或机器学习术语、可持续性描述符。检索区间为2020年1月至2025年6月，辅以基于引文的补充搜索。
**2.3 资格与筛选标准**
纳入标准：仅包含主动式OSP研究（应用PM、AD或VS识别早期溢油风险）；需实施DL或机器学习方法；仅接受同行评审期刊或会议论文；数据需包含模型描述、数据集特征、训练/推理配置和可重复性指标。
**2.4 研究选择与PRISMA流程**
初始检索返回4,347条记录，去重后3,487篇，经标题/摘要筛选、全文评估后，最终纳入90篇研究进行详细分析。
**2.5 数据提取与分析框架**
提取每项研究的发表信息、OSP领域、数据类型、DL架构、性能指标，以及计算特征（模型大小、训练时间、延迟、硬件配置）和可持续性相关指标（FLOPs、能源使用、碳排放、能源追踪工具如CodeCarbon或CarbonTracker）。依据Green AI框架（Schwartz等，2020）将研究分类为“绿色”AI（轻量级模型、边缘部署、明确能源报告）与“红色”AI（高计算架构、无效率考虑）。
**3. 综合与分析**
**3.1 预测性维护（PM）**
PM主要作为有监督回归或分类任务，输入为传感器信号（压力、流量、振动）的固定大小特征向量或短时窗，输出为剩余使用寿命或故障类别。多数研究以预测准确性为评价标准，很少报告计算成本、模型占用空间和部署约束。部分研究通过浅层神经网络、紧凑贝叶斯正则化模型、小规模深度神经网络实现隐含效率提升，另有研究通过仿真模拟器、小波变换、自编码器和采样减少数据维度。对比显示，轻量级模型与大型架构性能相近，但计算成本未被常规报告。
**3.2 异常检测（AD）**
AD通常为无监督或半监督检测问题，输入为多变量传感器读数的滑动窗口，输出异常分数或二元标签。连续数据流要求低延迟推理和高效资源利用。许多研究通过频谱图、小波变换、压缩特征空间和浅层神经网络实现效率，但准确性驱动的AD研究（如GAN混合模型、Transformer增强卷积神经网络）计算强度高，能源使用和碳排放未被量化。连续运行使推理阶段能耗可能主导生命周期足迹。
**3.3 视觉监控（VS）**
VS定义为图像或视频数据上的有监督检测、分割或分类问题，输入为来自闭路电视、合成孔径雷达、高光谱或红外传感器的单帧或短序列，输出边界框、分割掩码或类别标签。VS是三个领域中计算负担最重的，需处理高分辨率图像并满足实时约束。少数研究采用适当大小的预训练骨干网络或经典计算机视觉方法实现效率，但大多数研究使用深度分割网络、注意力增强卷积神经网络或卷积神经网络-Transformer混合模型，能源使用、延迟和帧率指标未被报告。连续运行和高计算强度使VS生命周期成本可能最大。
**3.4 跨领域发现**
跨领域比较揭示三个模式：①仅少数研究采用明确的效率导向设计机制（紧凑架构、特征缩减、选择性采样、迁移学习、边缘部署）；②绝大多数研究仅优化预测性能，模型占用空间、运行时间要求、推理占空比和硬件假设很少被记录；③可持续性报告几乎缺失，所有研究均未报告FLOPs、能源消耗、功率使用效率（PUE）、运行碳排放或嵌入硬件影响。OSP研究在预测能力上成熟，但可持续性评估不足。
**4. 可持续人工智能实践与工具**
**4.1 数据实践**
数据相关决策影响AI生命周期每个阶段。可持续数据实践包括目标性选择、维度缩减和噪声控制。在PM中，数据常经过清洗、对齐和压缩（自编码器、小波、正交采样）；AD中高频信号转换为频谱图或小波域；VS中处理大型视频、多光谱和高光谱输入。数据移动跨越运营技术、云和边缘，但计算影响披露不一致。
**4.2 模型架构与训练**
模型架构和训练策略通过参数数量、训练时长、实验开销和硬件利用率驱动计算和环境足迹。效率导向选择包括有针对性的超参数搜索、早停、迁移学习中的层冻结、碳感知调度。在OSP应用中，紧凑架构（浅层网络、小多层感知机）被隐含采用，但可持续性影响难以评估，因能源使用、实验预算和硬件假设很少被报告。
**4.3 推理与部署**
对于持续运行的AI系统，推理主导生命周期能源和碳排放。显式推理阶段报告（延迟、占空比、设备功率）在OSP中不常见，边缘部署虽被隐含但未讨论带宽、电池或尺寸-重量-功率（SWaP）约束。量化、剪枝、蒸馏和轻量级骨干网络等效率优化技术未被讨论。可持续部署需平衡计算效率实践与更广泛的运行约束和平台级能源消耗。
**4.4 生命周期测量与可持续性核算**
统一核算能源和碳排放需要四个互补指标：工作可持续性成本（JSC）捕获单个训练或推理作业的运行碳成本；摊销可持续性成本（ASC）分配嵌入硬件排放；嵌入产品成本（EPC）核算创建可重用数字资产的总碳成本；扩展摊销可持续性成本（ASCe）将嵌入创建成本分摊到后续部署和重用事件中。这些指标实现了从摇篮到坟墓的比较，直接回应了第3节中生命周期感知报告的缺失。
**4.5 能源与CO?排放估算工具**
可用工具包括Green Algorithms、CodeCarbon、Eco2AI、CarbonTracker、实验影响追踪器（EIT）、ML CO?计算器和Cumulator，分为在线计算器、嵌入式库和后验聚合器三类。工具的选择取决于测量范围、数据源和报告粒度。
**4.6 OSP导向的概念到生命周期映射**
将可持续AI概念转化为可测量的生命周期报告要求，包括数据集特征、预处理决策、模型大小、部署假设、硬件寿命和碳强度来源，并链接到相应指标和工具示例。
**5. 面向OSP AI评估的生命周期感知框架**
**5.1 框架概述与范围**
框架包含五个步骤：①定义范围（A1：范围声明）；②测量基线性能（A2：基线性能报告）；③记录能源与碳信号（A3：能源与碳日志）；④计算生命周期指标（A4：生命周期指标表）；⑤比较权衡（A5：权衡总结）。步骤分离性能、测量和生命周期核算，保持领域特定灵活性。
**5.2 工作示例：视觉监控部署**
以VS场景为例：海上表面溢油分割，固定边缘设备，1 FPS连续推理。假设训练能耗、碳强度和PUE，计算训练影响（JSC_train）、推理影响（JSC_inf）、盈亏平衡点（约333天）、ASC（设备嵌入碳摊销）、EPC（模型重用50次）和ASCe（系统+模型嵌入成本摊销）。结果表明连续推理成为主导排放源，硬件寿命和重用效应显著影响生命周期成本。
**5.3 场景分析：效率导向修改**
框架可评估量化、剪枝、蒸馏、自适应采样和改进搜索策略等修改。通过固定基线条件，生命周期指标差异直接量化每次修改的可持续性影响，支持基于共同定量基础的排名。
**5.4 场景分析：边缘-云部署权衡**
部署位置影响生命周期影响。边缘部署减少数据传输但增加嵌入硬件影响（移动平台含SWaP惩罚），云部署集中计算但引入传输和数据中心开销。计算JSC、ASC、EPC、ASCe允许用共同生命周期视角比较这些竞争效应。
**6. 局限性、更广泛意义与未来方向**
**6.1 研究局限性**
范围限于2020-2025年英文同行评审文献，排除工业部署、专有系统和非英语研究；分析依赖已报告细节，许多研究省略硬件规格、推理占空比、训练时长和模型占用描述符；生命周期指标尚未在真实OSP部署中大规模验证；仅关注环境可持续性维度，忽略社会和经济考虑。
**6.2 更广泛意义**
OSP中环境目标与准确性导向评估文化之间存在持续张力。所提出的框架表明可持续性评估可整合而不破坏安全关键工作流。一致报告将改善可比性、指导模型选择并支持负责任部署。这些意义扩展到其他持续监控领域（结构健康监测、海底检查、工业控制、环境监测）。
**6.3 未来研究方向**
①通过运营案例研究验证；②开发联合准确性-效率-生命周期基准；③部署感知优化与SWaP建模；④透明记录嵌入硬件成本；⑤跨部门合作与标准化。这些方向可将可持续性评估从概念讨论转向日常工程实践。
**7. 结论**
深度学习已成为主动式溢油预防的基础技术，但评估实践仍以性能指标为主，计算成本、能耗和生命周期环境影响很少被报告。本研究引入的基于生命周期的可持续性框架可操作化四个互补指标（JSC、ASC、EPC、ASCe），使评估与常规OSP实验自然整合，不影响安全关键监控逻辑。工作示例表明连续推理可主导生命周期排放，凸显了生命周期感知比较的必要性。主要贡献在于结合DL方法综合与运营可操作的可持续性框架，展示可持续性可融入AI评估而不牺牲工业监控系统的安全或可靠性要求。
