《Current Opinion in Environmental Sustainability》：AI-enabled monitoring of compound coastal hazards in Middle Eastern arid mangroves: evidence, readiness and pathways to early warning
编辑推荐：
中东的干旱红树林生长在生物群落的生理和地貌极限附近，这里极端的高温、高盐度、有限的潮汐交换、沉积物扰动、污染以及偶发的海岸灾害相互作用。监测这些系统仅靠重复测绘是不够的，因为生态状况、暴露程度和响应发生在不同的空间和时间尺度上。我们筛选了2025-2
中东的干旱红树林生长在生物群落的生理和地貌极限附近，这里极端的高温、高盐度、有限的潮汐交换、沉积物扰动、污染以及偶发的海岸灾害相互作用。监测这些系统仅靠重复测绘是不够的，因为生态状况、暴露程度和响应发生在不同的空间和时间尺度上。我们筛选了2025-2026年间发表在Scopus上的125篇记录，并优先选择了35篇进行全文评估，同时参考了选定的区域生态研究和基础方法论资料。研究证据被分为三类：直接适用于中东的情况、可复制到红树林的研究结果，以及更广泛的沿海和计算类比。最近的进展表明，地球观测（EO）和机器学习（ML）可以支持范围绘制、生态压力筛选和退化评估；无人驾驶飞行器（UAV）和多传感器方法可以帮助恢复和生物量估算；自主传感器、过程导向模型和图谱学习可以提供高频监测和预测的组件。然而，报告的性能仍严重依赖于本地参考数据、验证设计、潮汐条件和地理范围。跨区域的迁移能力、不确定性传播、长期传感器可靠性和生态校准阈值尚未得到充分测试。在审查的红树林文献中，没有一项研究将连续观测、预测、不确定性、验证、沟通和机构响应整合到一个完整的操作性早期预警系统中。我们提出了一种分阶段的路径，从区域基线和现场校准到有针对性的监测、阈值测试、机构响应和控制性扩展。
引言
干旱红树林占据红海和阿拉伯/波斯湾海岸的一小部分，但具有重要意义。这些以Avicennia marina为主的森林在极端高温、高盐度和淡水输入有限的情况下稳定了海岸线，支持了沿海食物网，并保留了蓝碳。它们的生存受到气候、水文和地貌过程的共同影响，而不是单一因素的作用。高温和盐度改变了植物的水分平衡；有限的潮汐交换导致盐分和污染物积聚；沉积物的侵蚀或掩埋改变了潮间带的高度；而飓风、石油污染和海岸基础设施会对这些已经受限的系统造成突然的干扰。由此产生的风险是复合的，因为一种压力可以改变生态系统对另一种压力的敏感性。这种生态复杂性带来了相应的观测难题。定期的现场调查仍然是不可或缺的，但无法单独解决区域变化或短暂的环境异常。卫星观测提供了空间连续性，但通常通过间接的光谱或热学指标来测量生态压力。无人机可以在小范围内分辨出幼苗和树冠结构，而原位传感器可以捕捉水质、盐度和温度的快速变化。水动力和生态模型增加了过程解释和预测的能力。因此，核心挑战日益成为方法论上的问题：如何将不同空间和时间尺度收集的观测数据结合起来，以支持恢复、风险降低和及时干预。
最近的区域研究表明，这种转变已经开始。在沙特阿拉伯、阿联酋、卡塔尔和阿曼，机器学习和基于云端的工作流程现在支持范围绘制、生态压力筛选、恢复地点优先选择、幼苗评估和生物量估算。在伊朗，已经展示了弱监督雷达分割、生物量估算和累积退化评估的技术。然而，这些进展仍然不平衡。大多数应用提供的是回顾性映射或决策支持，很少有研究跨区域进行评估，而且在没有一项研究将实时观测、校准的生态阈值、预测、不确定性、机构警报和记录的响应整合到一个完整的早期预警系统中。现有的关于中东干旱红树林的综述主要集中在生态压力源、气候脆弱性、恢复、蓝碳管理和治理上。较少关注如何将异构的观测数据转化为经过验证的、基于不确定性的、具有操作价值的信息。本综述通过围绕观测-决策链组织证据来解决这一差距，探讨了EO、无人机、原位传感、自我监督和弱监督学习、过程导向模型、图谱方法以及新兴的知识架构如何支持生态系统评估、预测和干预。
本文分为三种类型的证据：直接在中东干旱红树林中验证的应用；在其他地方的红树林中测试的方法，经区域验证后可能可以转移应用；以及在缺乏特定红树林证据时使用的更广泛的沿海和计算类比。特别关注了验证、领域转换、不确定性、可解释性、可重复性、基础设施和机构准备情况。这里的人工智能（AI）被视为观察和决策之间的信息组织层，而不是生态专业知识的替代品。因此，早期预警被视为一个需要阈值、信心、验证和响应的过程，而不仅仅是一个已经建立的区域能力。
部分摘录
方法论和综述方法
本文是一篇结构化的叙述性综述，具有明确的搜索和证据分类程序；它不是作为系统综述或元分析而设计的，因为各项研究在数据来源、目标、空间尺度、模型结构和性能指标上存在显著差异，因此不适合进行定量元分析。通过Scopus搜索了人工智能和数字技术在红树林观测、生态状况方面的最新发展。
从清单到学习系统
在2000年之前，红树林的监测主要依赖于现场清单、样带和航空摄影。2000年至2015年间，Landsat档案使得生态系统范围和变化的重复评估成为可能，尽管混合像素、潮汐变化和大气污染限制了对小范围或分散分布的红树林的检测。2015年至2020年，Sentinel卫星观测、云计算、机器学习和无人机调查提高了空间细节和计算效率。自2020年以来，
将复合灾害转化为可测量的监测要求
复合灾害只有当表现为生态系统状态的可观察变化时才能被有效处理。对于干旱红树林而言，核心问题不仅仅是哪些压力存在，而是哪些响应可以被测量、以何种频率以及为哪些决策提供依据。卫星观测可以解决长期的空间变化。无人机和现场调查可以解析红树林的结构和恢复情况。原位仪器可以捕捉水和沉积物条件的短暂变化。这些观测结果
从观测到决策链中的人工智能和大数据方法
人工智能只有在解决明确的观测或管理问题时才有用。在干旱红树林中，这些问题包括区分小范围和分散的红树林、检测生态状况的变化、估算生物量和碳储量、评估恢复效果、解析短暂的环境异常以及模拟未来的暴露情况。每项任务都需要不同的数据、验证和计算工作。因此，证据根据其功能和成熟度进行考虑：
模型可信度：验证、不确定性、可解释性和可重复性
模型的有效性在于它能在未包含在拟合过程中的条件下依然成立。在干旱红树林中，这一要求尤其严格，因为红树林分布范围小、潮汐变化快且参考数据稀少。因此，报告的准确性必须结合采样设计、验证数据的独立性、地理范围和预期决策来解释。
从监测到操作性早期预警
早期预警不应与重复观测等同。测绘确定了红树林的位置，监测记录了其范围或状况的变化。异常检测识别出与预期基线的偏离。预测是在设定的时间范围内对未来状态的预估。只有当异常或预测结果超过约定的阈值时，才会发出警报，并附有信心度估算，通知相关机构并与其相关联。
区域准备和实施路线图
区域部署应分阶段进行。立即的目标不是一个单一的集成平台，而是一组观测结果已知、不确定性清楚且用途明确的系统。这些证据支持常规的地球观测监测、有针对性的无人机调查、恢复情况筛选、现场校准的生物量估算和试点原位传感。它不支持立即部署一个完全自动化的区域早期预警系统。
结论
审查的证据表明有三个不同的成熟度水平。在中东干旱红树林中，范围绘制和广泛的压力筛选已在现场得到验证。恢复适宜性、幼苗评估、生物量估算和累积退化绘制可以在保留本地校准和现场验证的情况下支持决策。自主传感仍处于试点阶段，而水动力模型、图谱模型和情景模型提供了可转移的组件，而不是完整的集成系统。
CRediT作者贡献声明
Gowhar Meraj：概念化、方法论、调查、文献整理、形式分析、可视化、初稿撰写、审稿与编辑、项目管理。Mohamed Yehia Abouleish：概念化、调查、验证、审稿与编辑。Shizuka Hashimoto：概念化、方法论、验证、监督、审稿与编辑。Rabin Chakrabortty：方法论、形式分析、审稿与编辑。Tarig Ali：
在准备本稿时，作者使用了Paperpal这一基于AI的编辑服务来辅助语法和语言优化。使用该服务后，作者根据需要审阅和编辑了内容，并对出版物的内容负全责。
作者声明他们没有已知的财务利益或个人关系可能影响本文所报告的工作。
致谢
本工作综合了多项研究的成果。我们感谢被引用的研究的作者们在这一跨学科领域推动了知识的进步。本研究没有收集新数据。我们还衷心感谢编辑和三位匿名审稿人对手稿的仔细评估以及在审稿过程中提供的建设性意见。他们的建议帮助我们改进了结构、清晰度、证据基础和整体的科学呈现。
-Gowhar Meraj|Mohamed Y Abouleish|Shizuka Hashimoto|Rabin Chakrabortty|Tarig Ali
