综述：利用机器学习进行海水养殖废水中氮素管理的综述

《Environmental Research》：Machine learning-driven nitrogen management in mariculture wastewater: A critical review

　　陶阳 | 钱旺 | 李圆圆 | 曾颖旭 | 刘瑞娜 | 周国权 | 李亦颖 | 苏志 | 李风敏
中国海洋大学三亚海洋研究所，三亚 572000

**摘要**
随着全球对水生蛋白需求的增长，海水养殖已成为重要的食物来源。有效的氮管理是海水养殖可持续发展的关键挑战。海水养殖废水具有高盐度、低碳氮（C/N）比以及复杂的氮形态，这对现有的物理化学、生物和新兴处理技术的稳定性和经济可行性构成了严峻考验。当前的控制策略主要依赖人工操作和静态参数，无法有效应对这类系统中固有的复杂非线性问题。本文旨在系统总结海水养殖废水氮管理的挑战，并探索机器学习（ML）驱动策略的潜力以解决这些问题。首先描述了氮的来源、转化和命运，以确定关键的处理目标。随后，本文批判性地评估了现有处理技术的效率和固有局限性，将其性能不稳定性归因于静态控制范式与动态系统需求之间的核心矛盾。通过数据驱动的方法，ML能够实现氮形态的动态预测、单元过程的智能优化以及整个处理流程的协调控制，从而将管理策略从被动响应转变为主动预测。文章还讨论了实际应用ML面临的关键挑战，包括数据质量、边缘计算限制、系统集成和经济可行性等问题。通过整合这些方面，本文为海水养殖行业从传统氮去除向智能、精确和可持续的管理模式转型建立了基础框架。

**引言**
海水养殖已成为全球水生食品供应的关键组成部分，满足了日益增长的海产品需求，并减轻了对野生捕捞的压力（Asche等人，2022年；Clawson等人，2022年）。报告显示，2022年全球海水养殖产量达到了7170万吨，显示出持续增长的趋势（图1A）（FAO，2024年）。亚洲是全球海水养殖的主要区域（图1B），产量占全球总量的89.9%，其中中国是最大的贡献者（Naylor等人，2021年）。据估计，全球海水养殖的年废水量超过122.6立方千米（Simeonidou和Mente，2024年）。虽然只有20%–40%的饲料中的氮可以被利用并转化为生物量，但60%–80%的氮仍随废水排放（Xu等人，2022年），这对海洋生态系统构成了威胁。此外，高浓度的氮会消耗溶解氧（DO），引发有害藻类大量繁殖，导致水生环境退化并造成经济损失（Camargo和Alonso，2006年；Prakash和Khanam，2021年；Singh等人，2022年）。因此，成本效益高的氮管理对于实现海水养殖的绿色和可持续发展至关重要。

海水养殖废水的特点在于高盐度、低碳氮（C/N）比以及复杂的氮形态，这些因素受饲料投放方式、生物代谢节奏和季节性水交换操作的影响（Yusoff等人，2024年；Zhang等人，2020c；Zheng等人，2022年）。这种动态且不稳定的环境对氮去除过程的稳定性造成了多方面的影响。具体而言，盐度波动会给微生物群落带来显著的渗透压力，抑制硝化作用（Chen等人，2024年）；通常较低的C/N比限制了异养反硝化的电子供体供应（Song等人，2021年）；多种氮形态的共存和转化使反应动力学和过程控制变得更加复杂（Deng等人，2020b；Hutchins和Capone，2022年）。为缓解海水养殖系统中的氮污染，已经采用了各种物理化学、生物和新兴技术，在优化条件下去除效率可达到70%至95%以上（Ahmad等人，2024年；Jiang等人，2025b；Kang等人，2023年）。然而，这些技术的实际应用受到海水复杂、动态和高盐度环境的显著制约。物理化学技术常受到竞争离子效应、化学消耗和规模效应的影响，使得化学剂量的动态优化和材料再生变得困难，导致运营成本高昂（Millero等人，2008年；Reynaud等人，2022年）。相比之下，生物技术因其成本效益、较低的化学足迹和循环经济原则下的可持续性优势而成为目前的首选方法（Kashem等人，2023年）。然而，这些技术适应性较弱，且容易受到盐度、温度和碳可用性波动的影响（Chang等人，2025年；Chen等人，2006年；Peng等人，2024年）。更严重的是，这些关键操作参数依赖于人工操作和静态设定点，难以及时响应快速的环境变化和非线性干扰（Wang等人，2021年；Yun等人，2025a）。虽然新兴技术提供了快速的处理能力，但面临高能耗和有毒副产物风险，需要动态优化来平衡处理效率、成本和安全性（Kaniadakis等人，2024年；Radjenovic和Sedlak，2015年；Zhang等人，2020b）。总体而言，所有技术的核心局限性在于无法动态感知和适应复杂非线性过程变化，导致性能不稳定、运营成本高昂和资源利用不足。这一根本性差距强调了开发具有实时预测和自适应优化能力的智能、数据驱动系统的紧迫性（Zhang和Wang，2025年）。

机器学习（ML）作为人工智能（AI）的一个重要分支，为解决这一问题提供了有前景的方法。与传统依赖刚性假设的机械模型不同，ML模型擅长从高维和噪声数据集中提取隐藏模式（Wang等人，2025a）。在污水处理厂（WWTP），ML应用已经取得了显著的成功（Ganthavee和Trzcinski，2024年），包括优化曝气和化学药剂投加以获得稳定的出水质量（Bernardelli等人，2020年；Yun等人，2025a）、使用强化学习（RL）实现多目标节能控制（Croll等人，2023a；Hu等人，2024年）以及结合数字孪生技术进行主动系统模拟（Chen等人，2025a；Geetha，2024年）。将ML应用于尚未充分探索的海水养殖尾水处理领域具有巨大潜力。通过持续学习水质参数、水力负荷和环境因素之间的复杂依赖关系，ML能够实现从被动和反应性处理向主动和智能优化的转变（Yun等人，2025a）。然而，目前仍缺乏系统性的综述来整合这些应用。为此，本文旨在从ML优化的角度对海水养殖废水处理中的氮去除进行系统分析。具体目标是：（1）描述海水养殖废水中的氮来源、形态和转化途径，从而确定关键处理目标；（2）评估现有氮去除技术的机制、应用和局限性，包括物理化学、生物和新兴技术；（3）系统总结ML如何促进智能氮管理，并探讨实际应用的挑战。通过整合这些方面，本文旨在为开发智能和精确的氮管理系统奠定基础，以支持海水养殖行业的可持续发展。

**海水养殖废水中的氮来源和形态**
在海水养殖废水中，氮主要来源于外部投入，饲料和化肥占总氮量的90%以上（Jiao等人，2022年）。然而，氮的利用效率很低，仅有不到45%被转化为鱼肉生物量（Dalbem Barbosa等人，2024年）。未被吸收的氮释放到水中和沉积物中，以三种不同的形态存在，包括颗粒有机氮（PON）和溶解有机氮。

**物理化学技术**
物理化学技术具有快速去除和简单设计的优点。吸附技术主要涉及通过弱范德华力进行的物理吸附和形成化学键的化学吸附（Han等人，2021年；Priya等人，2022年）。吸附剂的选择至关重要，直接决定了吸附能力和选择性。目前常用的铵吸附剂包括膨润土、沸石、其他粘土矿物和生物炭（Han等人，2021年）。

**ML驱动的海水养殖废水氮管理**
海水养殖废水中氮管理的智能化转型迫切需要新的范式来克服感知不足、响应延迟和控制不协调的问题。ML为此提供了基础框架。它的核心能力在于从大量高维数据中自动学习复杂模式和非线性关系，从而实现氮管理策略的根本性转变，摆脱对静态模型的依赖。

**挑战和未来方向**
ML在海水养殖氮管理中的实际应用面临多个相互关联的挑战，指出了未来的关键研究方向：
（1）实际传感器数据存在漂移、异常值和缺失值，降低了模型的可靠性（Han等人，2023年；Marycz等人，2025年；Riaz等人，2025年）。尽管存在各种插补和检测方法，但为不完美的现场数据构建健壮、自动化的实时预处理流程仍然是优先任务，以确保...

**结论**
海水养殖废水中氮形态的动态转化构成了一个高度非线性的系统。这一现实从根本上超越了依赖静态设定点和线性反馈的传统控制范式的能力。由此导致的性能不稳定、高能耗和二次污染风险不仅是操作上的缺陷，也是这种结构不匹配的直接后果。ML通过提供智能控制手段，为解决这一问题提供了变革性的替代方案。

**作者贡献声明**
曾颖旭：撰写 – 审稿与编辑，资源部分。
刘瑞娜：监督，资源部分。
周国权：形式分析。
李亦颖：验证。
钱旺：撰写 – 审稿与编辑，方法论，资金获取，概念化。
陶阳：撰写 – 审稿与编辑，原始稿件撰写，方法论，资金获取，数据整理，概念化。
李圆圆：验证，资源部分，方法论，概念化。
李风敏：监督，方法论，资金获取，形式分析。

**未引用的参考文献**
Abou-Okada等人，2025年；Alnemar等人，2025年；Alvi等人，2023年；Aqeel和Liss，2020年；Ben Dassi和Chamam，2025年；Bhatt等人，2023年；Chen等人，2026年；Darabitabar等人，2020年；Deng等人，2020a；Eding等人，2006年；El-Sayed，2020年；Hittinahalli等人，2023年；Jiang等人，2023年；Katipoglu-Yazan等人，2012年；Lam等人，2024年；Liu等人，2022年；Masjidin等人，2024年；Miao等人，2025年；Rajaee等人，2020年；Ray等人，2025年；Sarosh和Ramaswami，2023年；Shitu等人，2023年；Shitu等人，2025年；

**利益冲突声明**
作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。