《Estuarine, Coastal and Shelf Science》：Marine Monitoring Using UAVs: A Bibliometric and Systematic Review From 2022 to 2025 Addressing Macroalgae and Organic Waste in Marine Environment.
编辑推荐：
本综述系统梳理了2022至2025年间无人机（UAV）在海洋大型藻类及有机废物监测领域的研究进展。文章采用PRISMA方法，总结了无人机在大型藻类检测、生物量评估方面的最新技术发展，并指出了当前存在的主要技术局限（如阳光反射、水体透明度影响）与研究空白。研究揭示了该领域的时间演化趋势、主要主题集群、高产国家分布，并强调了无人机技术如何通过支持大规模、高分辨率监测，改善海岸有机废物管理，从而为基于证据的、符合可持续发展目标（SDGs）的决策提供支持，推动可持续实践。
引言：海洋环境挑战与监测技术革新
海洋与海岸带生态系统是全球最具动态性和生产力的区域之一，承担着抵御侵蚀、维持生物多样性及碳固存等重要生态功能。然而，这些区域也极易受到人类活动的压力，如无计划的城市化、过度捕捞、不可持续的旅游业以及扩散性污染。其中，大型藻类过度增殖和海洋有机固体废物的积累构成了突出的环境问题。这些废物，包括大型藻类、动植物残体，当其到达海岸环境，特别是海滩和潮间带时，若管理不当，会改变分解动态、溶解氧可用性和营养盐流动，甚至产生缺氧条件、异味，并影响旅游等社会经济活动。传统的海洋监测方法，如野外实地调查、潜水和水船作业，虽能提供高精度的原位数据，但成本高昂、耗时且仅限于小范围应用。卫星遥感虽能提供大范围覆盖和长期时间序列数据，但其空间分辨率较低（10-100米或更多），且易受大气条件（如云层、水汽、太阳耀斑）干扰。
在此背景下，无人驾驶航空器（UAV），或称无人机，作为一种创新的监测工具迅速崛起。它们能够在低空作业，获取厘米级空间分辨率的图像，操作灵活，可抵达难以进入的区域，并支持近实时监测和三维模型生成。无人机技术与人工智能（AI）、机器学习（ML）和深度学习（DL）算法的结合，进一步提升了其在海洋环境监测中的效能，特别是在大型藻类分布测绘、生物量估算和海洋垃圾检测方面。
无人机在海洋监测中的应用广度
无人机已被广泛应用于多种海洋监测场景。在珊瑚礁生态系统中，RGB成像有助于在特定后勤和环境条件下，以相对较低的成本获取连续的高分辨率数据，实现对生态过程的长期观测。在废物监测方面，配备高分辨率摄像头的无人机能够自动检测难以到达区域的废弃物，其细节丰富度优于卫星图像，尤其在识别有机废物非法倾倒方面表现出高效率。
对于大型藻类，无人机技术展现出独特优势。利用搭载多光谱传感器的无人机，结合统计分析和机器学习技术，研究人员能够稳健地估算潮间带大型藻类的生物量，并识别其空间分布模式。例如，基于无人机摄影测量的技术，与实地测量相结合，可以量化海滩上的海洋碳和营养物沉积，提供详细的三维模型和一致的体积估算。此外，高光谱传感器的应用增强了对潮间带藻类群落的表征能力，为在特定环境条件下区分不同藻类物种提供了新方法。
在海洋污染监测领域，无人机也被探索用于沿海地区塑料废物的实时监测，通过集成AI、5G网络和热传感器，提高了宏观塑料检测的准确性，甚至在夜间作业中也表现出潜力。
无人机、卫星与传统方法的比较权衡
不同的监测技术各有优劣。传统野外方法精度高，是验证数据的“金标准”，但成本高、风险大、覆盖范围有限。卫星遥感覆盖范围广，具有重访周期，适合大尺度现象（如漂浮大型藻类、马尾藻繁殖、污染羽流）和全球分析，但空间分辨率不足，且受大气条件限制。无人机则在空间分辨率和操作灵活性之间取得了平衡，非常适合于海滩、海岸线和水面废弃物的详细测绘、物种识别以及小尺度生物量估算。
最有效的策略并非择一而用，而是将三者集成。无人机可以填补卫星数据和实地观测之间的空白。例如，无人机数据可用于验证和校准卫星观测结果，减少不确定性；同时，卫星数据可为无人机监测提供背景信息和更大范围的趋势分析。这种多尺度集成方法已在海洋生物量估算和海洋垃圾监测等领域显示出显著优势。
大型藻类的生态学基础与监测挑战
大型藻类群落是海岸生态系统的重要组成部分，作为许多物种的繁殖地、育幼场、摄食区和避难所，同时有助于海岸稳定。然而，其过度增殖会带来一系列环境影响。富营养化（由氮、磷等营养盐过度输入引起）是导致大型藻类大量繁殖的关键因素之一。大型藻类释放的溶解有机质（DOM）会刺激有害藻华，改变浮游植物群落结构。分解过程会消耗水中氧气，导致局部缺氧，并释放硫化氢（H2S）和甲烷等温室气体。
从监测角度看，区分活体大型藻类群落、脱离的生物量以及已分解的有机碎屑至关重要，因为每种状态对应不同的检测挑战和管理需求。活体藻类是初级生产者，而堆积的生物量可能成为需要管理的有机固体废物。无人机监测需要克服的技术难点包括：水面太阳耀斑对图像的干扰、水体透明度（浊度）变化对水下目标探测的影响、不同基质（如藻类、海草、人为垃圾）的光谱混合，以及缺乏标准化的数据集用于训练机器学习模型。
无人机监测大型藻类的技术趋势与可持续管理
当前的研究趋势紧密围绕技术集成与智能化。人工智能模型，如卷积神经网络（CNN）、U-Net和YOLO，在区分海岸栖息地、分类大型藻类和实时检测海洋垃圾方面表现出强大的能力，即使在复杂的光谱混合或不利环境条件下也是如此。多光谱和高光谱数据的融合，提高了区分大型藻类与海草或探测油污的准确性。新兴的混合平台，如空中-水下无人机MEDUSA，整合了空中和水下数据收集，扩展了监测数据的多样性。
无人机监测的实践应用正与可持续管理紧密结合。通过精准监测，可以更有效地指导大型藻类的清除与资源化利用，避免过度清除造成的生态破坏（如栖息地丧失），同时将废物转化为资源。积累的大型藻类生物量可以被用于生产生物炭、生物肥料（通过厌氧消化产生富含营养的消化液），甚至作为生产沼气、生物氢等生物能源的原料，这符合循环经济原则，并将环境负担转化为经济效益，直接支持可持续发展目标（SDGs），特别是SDG 14（水下生命）、SDG 12（负责任消费和生产）以及SDG 9（产业、创新和基础设施）。
研究空白与未来展望
尽管无人机海洋监测研究取得了显著进展，但仍存在诸多挑战和空白领域。主要包括：针对无人机RGB图像的太阳耀斑校正算法仍需改进；缺乏公开、标准化的大型数据集用于机器学习模型训练；长期、连续的监测研究较少，限制了对藻类生态动态的理解；对不同类型废弃物（特别是水下和微塑料）的探测能力有限；多尺度数据（无人机、卫星、实地）的有效融合与解释性机器学习框架尚不完善；此外，空域法规（禁飞区）和操作成本也在一定程度上限制了无人机的大规模应用。
未来的研究方向应致力于开发更强大的光学校正算法，促进数据共享以建立标准数据集，加强长期监测研究，深化多尺度数据融合与AI解释能力，并探索无人机在工业堆肥厂污染物识别等新兴应用场景中的潜力。通过解决这些挑战，无人机技术有望更好地服务于海洋环境保护和资源可持续管理，为实现全球可持续发展目标提供关键技术支持。
