世界海洋日 | 深圳先进院李剑平为您讲述浮游生物观测的两场革命——从“看见”海洋,走向真正“看懂”海洋
- 2026-06-12 18:41:40
编者按
海洋孕育生命，关乎人类未来。今天恰逢世界海洋日，让我们将目光投向那些肉眼难以看见却极为重要的“生态引擎”——浮游生物。从“大海捞针”式的采集网捕捞、到深海原位成像，再到人工智能的实时解译，中国科学院深圳先进技术研究院李剑平团队于《光学学报》“AI光学：涉水光学”专题发表的特邀综述勾勒出一场观测范式的深刻跃迁，带您看懂我们如何从“看见”海洋，走向真正“看懂”海洋。
封面解析
本期封面呈现浮游生物观测从原位光学采样迈向智能感知的技术图景。海面波浪能浮标通过无线信号连接外界，象征长期、连续的在线监测；水下原位成像仪穿越海面，对自然生境中的浮游生物进行非接触、低扰动、高分辨率成像。画面下方多样浮游生物与“水下原位观测”“高清彩色成像”“人工智能识别”等标注，共同勾勒出从图像获取、智能解析到生态参数量化的完整链条，体现从“看见”到“看懂”海洋微小生命的范式跃迁。
导读
浮游生物、也就是这些肉眼难以辨别的水生微小生物，是地球生态系统的“隐形引擎”。它们驱动全球碳循环，支撑渔业资源，更是感知海洋环境变化的“哨兵”；如何精准、高效地观测它们，是海洋科学持续百年的挑战。
依赖采集网捕捞、实验室镜检的传统方法，犹如“大海捞针”，时空分辨率低且破坏性强。光学成像技术的进步带来了第一次范式革命——“光学采样”。科学家们将相机送入深海，让浮游生物在自然生境中“留影”，实现了非侵入、连续的原位观测。
然而，新的瓶颈随之出现：相机“看见”了，人类却“看不懂”。对海量图像进行人工分析具有巨大的工作量。于是，以深度学习为代表的人工智能（AI）掀起了第二次范式革命——“智能感知”。AI赋予机器“慧眼”，使其能自动识别物种、统计数量、甚至推断生态功能。
李剑平团队的特邀综述，首次构建了“硬件——数据——算法——量化”的全链条框架，深入剖析了浮游生物智能观测的每个技术环节，为读者勾勒出一幅从技术原理到科学应用的完整地图。
一、从“捞起来”到“拍下来”：观测范式的第一次革命
长久以来，认识浮游生物的唯一方式是将其“捞起来”。科学家使用浮游生物网或采水器获取样本，经固定、染色后，在实验室显微镜下人工鉴定、计数。这一方法流程滞后、效率低下，且网具的过滤会破坏脆弱的胶体生物（如水母等），固定剂会导致细胞变形，所获信息失真严重。
原位光学成像技术的兴起彻底改变了这一局面，其核心思想是将相机送入水中，对目标进行“非接触式拍照”。根据成像原理，主流技术分为四类：
1. 明场/阴影成像：如同拍摄物体的“剪影”，能获得清晰轮廓，适合快速计数与大小测量。
2. 暗场成像：善于捕捉透明生物的精细结构，图像对比度高，色彩丰富，是物种鉴定的利器。
3. 荧光成像：利用特定色素受激发光的特性，专门“捕捉”具有光合作用的浮游植物，甚至能判断其生理活性。
4. 全息成像：记录光的干涉图样，可通过数字重聚焦恢复目标的三维信息，但易受水体浑浊度影响。
这些技术被集成到各式各样的仪器中，从搭载于科考船、进行拖曳式走航扫描观测的成像仪；到集成于Argo浮标实现垂直水深方向观测的剖面成像仪，再到布放于海面浮标或海底着陆器、进行长期连续监控的成像仪。它们共同构成了一个覆盖多尺度、多功能的“海洋显微影像帝国”。
图1 现有代表性原位成像仪器及拍摄的典型浮游生物图像
二、从“拍下来”到“看明白”：感知范式的第二次革命
光学采样产生了海量的图像数据。一张图片可能包含数百个目标，一航次可产生数百万张图片，依赖专家肉眼分析已无可能。这正是AI登场的舞台。
AI，特别是深度学习模型，如同一名不知疲倦、飞速学习的“实习生”。通过“阅读”数十万张已被专家标注好的浮游生物图片，它学会了从像素中捕捉物种的细微特征。当前，AI分析主要沿两条路径进化：
1. “认个体”之路：先将原始大图中的每个目标个体裁剪出来存成小图，再让AI模型识别它是什么。这条路已较为成熟，研究前沿正从识别已知物种（闭集分类），转向让AI具备“自知之明”，能主动承认“我不认识这个”（开集识别），这对真实海洋环境至关重要。
2. “看全景”之路：不预先裁剪，让AI直接在一整张复杂的原始大图中定位并识别出所有目标。这条路更能还原生物的空间分布，但面临标注成本极高的挑战。为此，科学家开始利用生成式AI创造逼真的合成图像来训练模型，开辟了新的解决思路。
图2 浮游生物原位图像识别算法（2014年后）谱系示意图
三、从“看明白”到“用得上”：智能反演的终极价值
识别物种只是第一步。海洋生态学研究与管理需要的是定量化的生态参数：个体有多大？数量有多少？生物量是多少？功能特性如何？群落多样性怎样？这需要从图像中完成一系列的智能反演。
1. 从2D到3D的跨越：相机拍到的是二维投影，但生物是三维的。通过建立几何模型（将生物等效为球体、圆柱体等），AI可以估算生物体积。但这存在误差，发展真三维成像技术（如光场成像）是根本方向。
2. 从形态到碳汇的关联：估算出体积后，利用生物类群特异的经验公式，可以进一步推算其生物量（碳含量），这是量化海洋碳汇功能的关键。
3. 从图片到性状的挖掘：AI可以自动测量个体的形态、光学等功能性状（如长度、表面积、颜色），甚至通过行为姿态推断其摄食、逃逸等状态，将形态与生态功能直接关联。
4. 从计数到多样性的评估：基于AI的自动识别与计数结果，可以快速计算香农指数等多种生物多样性指数，以超高时空分辨率绘制海洋生物多样性图谱。
图3 基于光场成像三维重构的水下微小目标体积测量结果
四、未来愿景：从“智能感知”到“自主认知”
当前，我们正站在“智能感知”的门槛上。展望未来，浮游生物观测将向更高级的“自主认知”系统演进，其核心是构建海洋观测的“智慧物联网”。
1. 感知智能：仪器前端将更加“聪明”。新型传感器与AI芯片前置结合，实现在端侧实时处理，只回传有价值的信息。
2. 系统智能：形成“边缘-云端”协同的观测网络。单个搭载轻量化AI的浮标或AUV成为“感知智能体”，能在现场快速决策；云端则作为“中心智能体”，进行复杂模型训练和多源数据融合，并向下发送优化指令，形成自主适应、协同作业的观测闭环。
3. 应用深化：这套技术体系将不仅服务于基础科研，揭示全球变化下浮游生物的响应机制，更将广泛应用于有害藻华预警、核电冷源生物防控、海洋碳汇监测等业务化场景，真正守护海洋蓝色家园。
图4 迈向基于智慧物联的浮游生物原位成像观测网络
五、结语
从拖着生物采集网出海、到布放智能传感网络，从在显微镜前耗尽目力、到让人工智能解译生命密码，浮游生物观测的历程，是一部人类不断拓展认知边界、与技术共舞的史诗。这篇综述系统梳理了这段征程中，光学工程、人工智能与海洋科学碰撞出的璀璨火花。它不仅仅是对过去的总结，更是对未来的一封邀请函：邀请更多跨领域的学者，共同投身于这项充满挑战与魅力的事业，共同揭开海洋浮游世界更深层次的奥秘，为理解、保护和可持续利用这片蓝色星球做出贡献。
作者简介
李剑平，男，中国科学院深圳先进技术研究院正高级工程师，中国科学院大学博士生导师，深圳市海洋声光探测技术及装备工程研究中心主任。
研究领域包括创新光学方法、先进光电仪器与人工智能技术在海洋生物和生物地球化学要素原位观测中的应用基础研究与仪器研制。先后主持和参与国家重点研发计划、国家自然科学基金、中国科学院、香港大学教育资助局(RGC)、广东省科技厅、深圳市科技创新局等研究项目。近10年带领先进院海洋科学仪器研制团队I-Do（Instrument Development for Oceanology）推动研制水下浮游生物成像仪、船载浮游植物成像流式细胞仪、水下营养盐自动分析仪、深海辐照度计、水下吸收光谱仪、水下荧光光度计等多种海洋光学观测仪器，构建了中国首个近海浮游生物与颗粒物原位图像数据库DYB-PlanktonNet和浮游植物荧光图像数据库FluoPhyto，发展了IsPlanktonXX系列水下微小目标图像自动识别与复原AI算法，对提升海洋浮游生物、颗粒物、营养盐、辐照度、叶绿素a、COD、BOD等海水要素的观/监能力做出贡献。
END
点在看联系更紧密
