《Marine Pollution Bulletin》：Chronic oil pollution in small ports: A review of the role and potential of AUVs
编辑推荐：
本文系统梳理了AUV（自主水下航行器）在小型港口慢性油污监测中的技术突破，涵盖多传感器（荧光/质谱）融合、自适应路径规划（如GDTP算法）及物理约束机器学习模型，为解决低浓度PAHs（多环芳烃）的弱信号检测难题提供了创新方案，显著提升了污染热点追踪与生态风险评估的精准度。
在看似平静的小型港口水域，一场无声的生态危机正在悄然蔓延——慢性油污污染。与惊天动地的巨型溢油事故不同，这类污染如同“温水煮青蛙”，以低浓度、持续性、隐蔽性的特点长期侵蚀着海洋生态系统。传统监测手段（如固定式传感器、船载采样）往往“力不从心”：稀疏的采样点难以捕捉污染物的三维分布，浑浊水体干扰光学检测，而GPS信号遮蔽的复杂港口环境更让精准定位成为难题。
2. 慢性油污的“隐形杀手”特性
多环芳烃（PAHs）是这类污染的核心“主角”。这类由化石燃料产生的顽固分子，能在沉积物中“潜伏”数年，通过食物链层层富集，最终威胁人类健康。典型案例显示，阿曼港口沉积物中PAHs浓度曾飙升至3000微克/克，而印度渔港的污染峰值更突破1200微克/克。更棘手的是，潮汐搅动、船舶螺旋桨扰动会周期性“唤醒”沉睡在沉积物中的PAHs，形成“污染脉冲”——这正是慢性污染难以被常规监测捕捉的关键原因。
3. AUV的“水下猎手”装备升级
自主水下航行器（AUV）凭借其“游弋自如”的特性，成为破解监测困局的利器。新一代AUV搭载的“装备库”令人瞩目：
- •
荧光传感器：像“分子探针”般实时捕捉水中PAHs的微弱荧光信号，但易受浊度干扰；
- •
微型质谱仪（MIMS）：可精准“指纹识别”不同油品来源，检测限达ppb（十亿分之一）级，但能耗较高；
- •
多传感器融合技术：将光学、声学、化学数据“编织”成三维污染地图，显著降低误报率。
例如，搭载CDOM（有色可溶性有机物）荧光探针的AUV，曾在巴西海域成功追踪到深度达1200米的隐蔽油污羽流。
4. 智能算法的“大脑进化”
AUV的“聪明才智”不仅在于硬件，更源于其“思考方式”的革新：
- •
自适应路径规划：当传感器检测到污染异常时，AUV能像“猎犬追踪气味”般自主调整航线，采用“之字形”或“螺旋式”搜索策略，将检测效率提升37%；
- •
物理约束机器学习：结合流体动力学模型与深度学习算法，精准预测污染物扩散路径，误差控制在2米以内；
- •
群体智能协作：多台AUV组成“水下蜂群”，通过5G/卫星实时共享数据，实现港口全域“无死角”监测。
5. 挑战与未来展望
尽管技术突飞猛进，AUV监测仍面临“续航焦虑”（目前最长72小时）和“复杂环境适应”难题。未来，更轻薄的柔性电池、仿生软体机器人设计，以及结合卫星遥感的“空-天-地-海”一体化监测网络，将推动慢性油污治理从“被动响应”迈向“精准预警”。正如研究者所言：“当AUV能像鱼群般在港口自如穿梭时，我们才能真正‘看见’那些曾被忽视的生态伤痕。”
