回顾2024，AI在环境领域都干了啥？ | 科技导报

人工智能技术具有强大、高效和灵活的数据分析处理能力和模式识别与预测能力，能够很好地适应复杂变化的环境系统，已成为环境领域备受关注的新兴工具。本文以发表在国际顶级学术期刊或具有重要影响的研究成果为基础，盘点了2024年人工智能技术在环境监测、气候变化、公共卫生安全等领域的重要研究及应用，并展望了生成式人工智能在环境领域的发展前景，为推动环境领域人工智能技术的研究和应用提供参考。

随着人工智能（AI）技术的迅猛发展，其在环境领域的应用已成为科学研究和实践应用中的一个热点。面对复杂的环境数据，人工智能技术提供了一种实现精确预测、持续监测和风险评估的解决方案。随着深度学习算法在2010年的出现，利用人工智能工具进行环境任务的研究呈爆炸式增长。本文在Web of Science核心合集数据库采用主题词（artificial intelligence OR AI OR machine learning）AND （environment* OR ecological OR sustainability）进行检索，其出版年分布如图1所示。可以认为，目前处在环境领域人工智能应用研究的指数增长期。人工智能在环境领域的应用涉及环境质量监测、环境建模和预测、设计新型处理技术、环境政策评估和风险评估等多个方面。

图1 Web of Science核心合集中与环境中人工智能相关论文的发表时间分布

1 人工智能与环境监测

传统的环境监测技术包括人工采样、实验室分析和统计分析。但是，这些方法存在成本高、程序冗长和准确性差等局限性。因AI技术可以执行传感、推理、学习和决策等活动，已被广泛应用于环境监测领域。

1.1 水环境监测

传统水质监测方法依赖于劳动密集型、昂贵且范围受限的手动采样和实验室分析。此外，通过传统方法实现可靠的预测需漫长处理时间和大量的计算工作，监测成本较高。人工智能技术能有效克服这些限制，利用来自各种来源的数据，发现水质变化的模式和趋势，并提供精确、实时的水质监测结果。

人工智能技术可以用于污水处理过程的管理，优化污水处理技术，简化技术选择过程。华中科技大学郭刚团队引入一种可解释的XGBoost-CatBoost机器学习方法来预测反硝化硫（S）转化相关的强化生物除磷（DS-EBPR）工艺处理含盐废水中S转换驱动的磷去除效率，并优化DS-EBPR流程（图2）。

图2 使用机器学习方法优化生物除磷工艺过程

在地表水管理中，准确预测河流水质对可持续水资源管理至关重要，人工智能技术通过与新型方法或传统水质模型耦合，取得了更好的预测效果。厦门大学的黄金良团队创新性地将小波分析（WA）和迁移学习（TL）方法与长短期记忆网络（LSTM）相结合，同时解决了河流水质预测中的非平稳性和数据限制性问题。武汉大学的夏军团队将传统水质（HWQ）模型与机器学习（ML）方法相结合，以分析2014—2018年长江中下游的每日污染负荷（即化学需氧量COD和总磷TP）及其来源（图3）。

图3 使用机器学习方法分析长江中下游每日污染负荷

人工智能技术还可以用于地下水的管理。不同于地表水，地下水监测需要在地下建设监测井，而监测井和监测设备如水位计、水质传感器等的建设成本较高，且监测过程易受干扰，往往难以实现高频率的监测。同时，受限于地下水监测系统完备程度，部分可能给人类健康造成威胁的污染物尚未被纳入监测范围，机器学习方法能够很好地弥补这种缺口。

1.2 空气质量监测

由AI提供支持的系统可以提供精确、实时的空气质量数据，协助政府制定有效的政策和干预措施，以最大限度地减少空气污染，优化空气质量。

人工智能技术能够用于空气中具体污染物动态变化的监测和预测。南方科技大学的沈惠中团队采用卷积神经网络（CNN）来研究气象场的三维空间变化对深圳大气中臭氧的日动态、季节性和年际动态的影响（图4）。

图4 基于CNN的城市臭氧动态变化研究

此外，AI技术还可与其他技术结合，进而为空气质量管理提供有效建议。复旦大学周斌团队首次实现了从地面到平流层顶（0~60 km）高时高分辨臭氧分布的地面被动遥感（图5）。

图5 使用机器学习和MAX-DOAS方法立体监测臭氧分布

除管理单一环境介质如水、空气质量外，人工智能技术还能够实现两种以上环境介质的同步监测。南京农业大学的高翔团队开发了一种基于物联网（IoT）的新型监测系统（WG-IoT-MS），同步监测稻谷种植区的水质和温室气体排放（图6）。

图6 WG-IoT-MS系统用于监测稻谷种植区的水质和温室气体排放

1.3 土壤质量监测

人工智能在土壤监测中的应用代表了农业管理、环境保护和土地利用规划的重大进步，可以提高准确性、效率和可扩展性，彻底改变土壤健康的监测和管理方式。康奈尔大学的Woolf团队使用深度学习方法探讨了各种协变量对局部（长达1.25 km）和大陆（美国）尺度土壤有机碳（SOC）空间分布的重要性（图7）。深度学习工具还可用于农业领域，为智慧农业改革提供新颖的技术解决方案。Yeungnam University的Ashraf团队使用梯度提升、支持向量机（SVM）、递归神经网络（RNN）和长短期记忆（LSTM）等算法，分析不同农作物对干旱的抗性，揭示了植物（主要是作物）对干旱胁迫的典型生理反应。

图7 深度学习方法用于分析土壤有机碳影响因素

2 人工智能与气候变化

随着全球气温的持续上升，极端天气事件频发，以及生态系统的脆弱性日益增加，人类社会正面临着前所未有的挑战。为了更好地应对由气候变化带来的天气变化和极端天气事件，目前，机器学习方法已应用于天气预报，以及其他气候变化问题如自然灾害预测等，以其强大的数据处理能力、模式识别和预测分析功能，在气候模型构建、灾害预警、能源管理以及环境政策制定等方面展现出了巨大潜力。

2.1 天气预测

天气预报总是会有一些不确定性，即使是当前最优秀的天气模型，也只能部分地观察当前的天气。基于ML的天气预报（MLWP）的最新研究成果已被证明在非概率天气预报领域拥有比数值天气预报（NWP）更高的准确性和效率。来自Google DeepMind公司的Willson团队首次提出了一种MLWP方法GenCast，比ENS在97.2%的目标上具有更好的表现（图8）并且可以更好地预测极端天气、热带气旋路径和风力发电。

在次季节性预测上，ML方法也有比传统天气预测模型更好的表现。复旦大学的李昊团队首次开发了一个用于次季节性天气预报的ML模型FuXi Subseasonal-to-Seasonal（FuXi-S2S）（图9），可提供长达42d的全球日平均预报，在总降水和出射长波辐射的集成均值和集成预报方面均优于ECMWF最先进的次季节-季节模型。

图8 GenCast预测的集合RMSE均值与ENS相同甚至更好

图9 FuXi Subseasonal-to-Seasonal（FuXi-S2S）模型的结构示意

除了全面的天气系统预测外，ML方法还可用于闪电等特殊天气现象的预测。来自意大利的Mazzino团队提出了一种集成AI和NWP模型的方法FlashNet，使用人工智能增强NWP对闪电的预测（图10）。结果表明，人工智能增强算法的预测能力明显高于ECMWF模型中采用的完全确定性算法。

图10 FlashNet集成网络的示意

此外，机器学习方法在全球尺度的气候预测领域也有着亮眼的表现。来自University of Hawai‘i at Mānoa的Jin团队开发了一种扩展的非线性补给振荡器（XRO）模型，实现了对厄尔尼诺（ENSO）现象的精准预测。该研究发现，XRO模型在长达16~18个月的时间内提供了巧妙且可解释的预测（图11），并优于全球气候模型。

图11 XRO模型在模拟和预测ENSO现象上的卓越表现

2.2 自然灾害预测

基于AI的解决方案通过学习历史数据，从中总结归纳数据变化规律，无须过多了解数据变化背后的机制，即可提供有关自然灾害的精确、实时数据，协助当局制定有效的响应计划并降低对公共安全的危险。目前，包括地震、海啸和洪水在内的自然灾害已使用AI进行预测和管理。韩国Koo团队开发了一种专为小溪量身定制的新型洪水预警系统（SSFEWS）（图12）。该系统将实时水动力数据收集、洪水概率预测和主动预警发布集成于一体，有望实现高效的灾害响应来防止可能与溪流相关的伤亡。

图12 用于水深、流量排放和速度预警的SSFEWS系统概念图

随着极端降雨事件的不断增多，洪水发生的频率也在不断增加。人工智能技术可以与天气预报系统相结合，在暴雨来临前发出预警，帮助相关部门和居民及时反应，降低财产和生命损失。

在地震预测领域，Georgia Southern University的Yavas团队利用机器学习和神经网络模型，构建了一个全面的特征矩阵以预测洛杉矶的地震（图13）。通过综合现有研究和整合新的预测特征，该团队开发了一个能够估计最大潜在地震震级的稳健子集，当与随机森林模型一起应用时，可以预测未来30 d内6个不同类别的地震，准确率高达97.97%。在易受地震活动影响的洛杉矶地区，实现高准确性地震预测对于加强备灾和响应战略至关重要。

图13 用于地震预测的机器学习方法论

机器学习方法还可以有效识别山火的发生并及时提醒相关部门做出反应。来自Emory University的Liu团队通过优化模型输入开发了一种计算成本更低的机器学习模型，创新性地将AOD空白填充、小波变换和随机森林算法相结合（图14），用于1 km高空间分辨率下无空间差距的每小时PM2.5水平预测。通过将模型应用于2020和2021年发生在加利福尼亚州的重大野火事件，证实了该模型不仅能够捕获大型的山火烟柱，小型的火灾事件也可以监测到。

图14 基于机器学习的PM2.5预测工作流程

干旱同样被认为是一种重大的自然灾害，可导致严重的经济和社会影响。由于干旱现象的内在复杂性和水文气候条件的差异，没有通用的干旱指数可用于有效监测世界各地的干旱。来自University of Sharjah的Abdallah团队开发了一种新的基于AI的干旱指数，与各种人工智能模型配合使用以描述和预测干旱（图15）。

图15 基于AI的干旱预测方法框架示意

3 人工智能与公共卫生安全

在疫情后的新常态下，基于人工智能的环境病原微生物管理不仅能够识别和预测病原微生物的分布和传播模式，还能够提高相关部门对环境健康风险的响应能力，革新医生在疾病诊断、治疗方案制定、手术实施以及患者健康管理等方面的工作模式，在预防和控制未来可能的疫情中发挥关键作用。

3.1 病原菌监测和管理

人工智能技术可以用于监测环境中具体种类的病原微生物。来自The Ohio State University的Weir团队开发了一种可以用于预测军团菌（Legionella pneumophila）浓度的低成本实时监控机器学习模型（图16）。这项研究为公共卫生领域提供了一种新的工具，以改善军团菌的管理策略。

图16 基于机器学习的军团菌浓度实时监测模型

食源性疾病是公共卫生管理的紧迫问题，监测食源性疾病以确定其流行率和流行病学特征，并监测新发或变种病原体的出现，对于维护公共卫生非常重要。来自Kyung Hee University的Seungdae Oh团队开发了一个数据驱动的机器学习模型，用于与产气荚膜梭菌（CP）相关疾病的监测（图 17）。研究结果揭示了污水中CP的存在及其基因型/毒素型，验证了微生物组数据支持的ML监测对食源性疾病的效用。

图17 基于机器学习模型的食源性传染病监测系统

在全球化的背景下，疫苗作为预防和控制传染病的重要工具，对维护公共卫生安全起着至关重要的作用。来自University of Oxford的McCullagh团队开发了基质辅助激光解吸/电离-质谱（MALDI-MS）（图18），并结合开源机器学习和统计分析方法来区分疫苗的真伪。

图18 基质辅助激光解吸/电离-质谱（MALDI-MS）样品制备和分析工作流程

3.2 医疗中的人工智能技术

AI技术在临床医学中的应用背景是多方面的。首先，AI技术能够处理和分析大量复杂数据，识别模式和趋势，这在疾病的早期诊断、精准治疗和预后发展中显示出巨大潜力。在预后管理方面，引入AI技术能够更好地帮助医生监管患者预后发展情况，有利于患者康复。此外，AI还可以辅助医生进行决策，通过预测模型减少医疗错误，提高治疗效果。一方面，环境因素会导致疾病的多样性和复杂性增加。机器学习算法可以整合患者所在地区的环境数据，结合患者的临床症状、病史和基因数据等，构建更精准的疾病预测和诊断模型。另一方面，环境中的细菌耐药性问题日益严峻，这与抗生素的滥用以及环境中抗生素残留等因素密切相关。机器学习方法可以帮助医生优化抗生素使用方案，减少抗生素滥用。来自Germany University of Koblenz的Kschischo团队开发了抗生素选择模型OptAB，这是第一个完全由数据驱动的基于人工智能的适用于脓毒症患者的在线可更新抗生素选择模型（图19）。最后，人工智能技术还可用于预测癌症患者的生存率。

图19 在线可更新的最佳治疗选择模型OptAB示意

4 生成式人工智能的发展前景

生成式人工智能，如大语言模型（LLM），具有自主决策的能力，这使它们有可能成为环境研究人员的有价值的助理或合作伙伴。

4.1 解决传统鉴别式人工智能的数据困境

生成式人工智能能够弥补数据不足的缺陷，解决鉴别式人工智能面临的“数据困境”。来自The Hong Kong Polytechnic University的Xiao团队提出了一种LSTM-GAN方法来实现对供水管网中的漏水检测。该团队从供水管网中收集声信号训练LSTM-GAN模型，生成合成泄漏信号以增强数据集（图20）。结果表明，增强的数据提高了供水管网泄漏检测的性能，这代表了生成式人工智能在解决数据不足问题上的巨大潜力。

图20 用于供水管网泄漏检测的LSTM-GAN模型框架示意

4.2 基于大语言模型的环境聊天机器人

可以使用特定学科的知识构建适用于环境的LLM（聊天机器人）。这种专门的LLM可以作为研究、教学和培训的知识问答库，帮助环境研究人员和从业者快速获取专业知识。Kaiwu GPT是环境聊天机器人的典型例子，它可以给出专业的响应、分析数据和代码。它是在清华大学教授徐明发起的天宫人工智能开源项目的基础上开发的，重点聚焦可持续发展。

4.3 LLM驱动的环境智能代理

由LLM驱动的智能代理领域正在迅速发展。具体来说，代理是由LLM创建的，能够根据LLM的知识自主做出决策，并自主行动（例如，编写代码通过API调用其他应用程序）。LLM可以处理多模态数据（例如文本、声音和图像），允许代理感知外部环境或人类指令。在处理信息、做出决策、推理和计划之后，代理可以文本形式提供结果和反馈，或者直接调用嵌入式工具。

5 结论

目前，人工智能技术在环境监测、天气和自然灾害预测、公共卫生安全管理以及临床医疗等方面都有着广泛的应用，更多先进且精确的人工智能方法被开发出来以更好地解决环境问题。展望未来，人工智能技术在环境领域有着巨大的发展潜力，特别是生成式人工智能，不仅能够模拟和预测环境变化，还能够创造新的数据和解决方案，为环境问题提供创新的解决思路。随着技术的不断进步，AI在环境领域的应用将继续扩大，为全球应对气候变化、改善环境做出重要贡献。

本文作者：郑祥、杨清雯、石磊、程荣

作者简介： 郑祥， 中国人民大学化学与生命资源学院， 中国人民大学膜技术创新与产业发展研究中心， 北京碧水源科技股份有限公司国家企业技术中心， 教授，研究方向为环境公共卫生与膜分离； 程荣（通信作者），中国人民大学化学与生命资源学院，中国人民大学膜技术创新与产业发展研究中心，北京碧水源科技股份有限公司国家企业技术中心，教授，研究方向为环境公共卫生、环境功能材料。

论文全文发表于《科技导报》2025年第1期，原标题为《2024年AI在环境领域的应用热点回眸》，本文有删减，欢迎订阅查看。

内容为【科技导报】公众号原创，欢迎转载
白名单回复后台「转载」

《科技导报》创刊于1980年，中国科协学术会刊，主要刊登科学前沿和技术热点领域突破性的成果报道、权威性的科学评论、引领性的高端综述，发表促进经济社会发展、完善科技管理、优化科研环境、培育科学文化、促进科技创新和科技成果转化的决策咨询建议。常设栏目有院士卷首语、智库观点、科技评论、热点专题、综述、论文、学术聚焦、科学人文等。