人工智能在海洋污染治理中的多元化应用：系统性文献综述
作者及机构
本综述由Jia Ning（武汉大学国际法与全球治理学院）、Shufen Pang（厦门大学法学院）、Zainal Arifin（印度尼西亚国家研究与创新署海洋学研究中心）等来自中国、印度尼西亚、斯里兰卡、印度等多国机构的14位学者合作完成，发表于*Journal of Marine Science and Engineering*（2024年7月，第12卷，第1181页）。通讯作者为Yuncheng Deng（常州大学史良法学院）和Haiwen Zhang（中国海洋发展研究院）。
研究背景与目标
海洋污染（Marine Pollution, MP）威胁生态系统健康和可持续发展，而人工智能（Artificial Intelligence, AI）技术的快速发展为MP治理提供了新工具。尽管AI在MP领域的应用逐年增加（1992-2023年文献量增长显著），但缺乏系统性总结。本研究通过文献计量分析，旨在回答核心问题：AI如何通过监测、管理和预测三类应用助力MP治理？ 重点聚焦三大领域：石油污染检测与响应、水质监测、塑料污染识别。
文献筛选与方法论
1. 数据来源：从Web of Science（WOS）和Scopus数据库检索关键词“AI”与“MP”，初筛295篇文献（WOS 129篇，Scopus 166篇）。
2. 去重与筛选：剔除重复文献49篇、撤稿2篇及无关文献46篇，最终纳入198篇文献进行分析。
3. 时间趋势：研究分为三个阶段：
- 萌芽期（1992-2003年）：仅2篇文献，受限于AI技术早期发展。
- 发展期（2004-2018年）：年发文量波动上升，2015-2016年达峰值（每年7篇），研究集中于石油泄漏和水质监测。
- 高速发展期（2019-2023年）：年发文量跃升至11篇以上，得益于深度学习算法和大数据技术的突破。
AI在MP治理中的应用分布
- 监测（57%）：以合成孔径雷达（SAR）图像分析石油污染、传感器网络实时水质监测为主。
- 管理（24%）：包括污染应急决策支持、资源优化配置（如油污清理路径规划）。
- 预测（19%）：通过机器学习模型预警水质恶化或塑料垃圾扩散趋势。
核心研究领域与成果
1. 石油污染检测与响应（73篇文献）
- 技术流程：
- 图像预处理：采用小波变换（à trous算法）和Lee均值滤波抑制SAR图像噪声。
- 图像分割：改进区域生长算法（Region-Growing）与混合方法（如SKFCM+LT局部阈值法）提升油膜识别精度。
- 特征分类：结合主成分分析（PCA）降维和人工神经网络（ANN）分类，准确率超90%。
- 创新点：TransUNet模型（结合CNN与Transformer）显著提升低质量SAR图像的语义分割能力。
水质监测与决策支持（47篇文献）
塑料污染识别（29篇文献）
结论与未来方向
1. 科学价值：AI通过高效数据处理和模式识别，弥补传统MP治理方法的滞后性与低覆盖率。
2. 应用瓶颈：
- 实验成果尚未大规模工业化（如区域限定性算法需泛化）；
- 经济成本效益需进一步验证；
- AI在MP立法与政策中的角色待强化（参考美国2023年《AI行政令》）。
3. 未来建议：
- 推动跨学科技术转化（如将深海机器人AI技术应用于污染监测）；
- 开发低成本解决方案（如基于边缘计算的实时监测设备）；
- 构建AI驱动的MP政策评估框架。
亮点与创新
- 方法论创新：首次系统量化AI在MP治理中的三类应用比例（监测/管理/预测），揭示技术应用偏好。
- 技术整合：提出“AI+N”模型（如ANN与流体动力学模型结合），提升复杂海洋环境下的预测鲁棒性。
- 跨学科视角：涵盖海洋科学、环境工程与计算机科学，为可持续发展目标（SDG 14）提供技术路径。
文献影响力
本文被收录于*Marine Pollution Bulletin*（占比8.59%）、*Remote Sensing*（3.53%）等高影响力期刊，反映了AI在环境科学领域的交叉渗透趋势。研究团队建议后续关注AI伦理与海洋治理的协同机制，以应对全球性MP挑战。