研究人員利用衛星影像和人工智慧，比以往任何時候都更精確地繪製了人類的海上活動圖。這項工作揭露了大量以前不為人知的工業活動，從可疑的捕魚作業到近海能源開發的爆炸性增長。

這些地圖今天發表在《自然》雜誌上。由Google支持的非營利組織”全球漁業觀察”（Global Fishing Watch）領導的研究顯示，全球高達四分之三的工業漁船沒有被公開追蹤。多達30%的運輸和能源船隻也沒有被公開追蹤。

研究人員說，這些盲點可能會阻礙全球的保育工作。為了更好地保護世界海洋和漁業，決策者需要更準確地了解人們在海上開發資源的地點。

根據去年通過的《昆明-蒙特婁全球生物多樣性框架》，地球上幾乎所有國家都同意在2030年保護地球陸地和水域30%的共同目標，那麼，問題是我們應該保護哪30%？《自然》雜誌論文作者之一、全球漁業觀察組織研究與創新總監大衛-克羅德斯馬（David Kroodsma）說：”如果沒有這張地圖，你就無法討論捕魚活動在哪裡、石油平台在哪裡。”

到目前為止，全球漁業觀察和其他組織主要依靠海事自動識別系統（AIS）來了解海上發生的情況。該系統可以追蹤攜帶無線電訊號發射盒的船隻，這些數據過去曾被用於記錄過度捕撈和船上強迫勞動的情況。即便如此，該系統也存在著很大的限制。攜帶AIS 的要求因國家和船隻類型而異。而且，當有人想躲避偵測或在訊號不強的地方巡航時，他們很容易就會關掉盒子。

為了填補空白，Kroodsma 和他的同事分析了歐洲太空總署哨兵-1 衛星星座提供的2000 TB 影像。哨兵-1 使用先進的雷達儀器觀測地球表面，而不是拍攝傳統的光學影像（就像用相機拍攝照片一樣）。雷達可以穿透雲層，在黑暗中”看見”–它能夠發現AIS 遺漏的近海活動。

在世界地圖上，紅色標示了漁船最多的海岸，而這些漁船之前都逃過了公共追蹤系統的追蹤。數據分析顯示，全球約有75% 的工業漁船未被公開追踪，其中大部分在非洲和南亞一帶捕魚。圖片全球漁業觀察

由於2000 TB 的資料量非常龐大，研究人員開發了三種深度學習模型，對偵測到的每艘船進行分類，估算其大小，並對不同類型的近海基礎設施進行分類。他們對全球約15% 的海洋進行了監測，其中75% 的工業活動都在這些海洋中進行，同時關注2017 年至2021 年期間船隻的移動以及固定近海結構（如石油鑽井平台和風力渦輪機）的發展情況。

在2020 年”COVID-19″大流行開始時，捕魚活動有所減少，但他們發現，在公共追蹤系統中”以前幾乎沒有船隻活動”的地區，船隻往來密集，尤其是南亞和東南亞以及非洲北部和西部沿海地區。

數據也顯示了近海能源開發的蓬勃發展。到2020 年底，風力渦輪機的數量將超過石油結構。到第二年，渦輪機佔所有海洋基礎設施的48%，而石油結構佔38%。

幾乎所有的離岸風電開發都是在北歐和中國沿海進行的。在美國東北部，清潔能源的反對者試圖將鯨魚的死亡與即將進行的離岸風電開發錯誤地聯繫起來，儘管有證據表明船隻撞擊才是問題所在。

與風力渦輪機相比，石油結構周圍有更多的船隻。油輪有時被用來將石油運送到岸上，作為管道的替代品。在研究的五年中，石油結構的數量增加了16%。到2021 年，近海石油開發造成的全球船舶運輸量是風力渦輪機的五倍。克羅茲馬說：”與其他交通相比，風力渦輪機在全球範圍內造成的實際船舶運輸量微乎其微。”

在世界地圖上，藍色圓圈表示離岸風電基礎設施的位置，主要集中在歐洲和中國。黃色圓圈表示石油平台的位置。紫色圓圈表示”其他結構”的位置。

我們分析了2000 TB 的衛星影像，以探測六大洲沿海水域的近海基礎設施，四分之三以上的工業活動都集中在這些水域。圖： 全球漁業觀察

當被問及如果沒有人工智慧，此類研究是否可能實現時，”簡短的回答是不，我認為不可能，”該研究的主要作者、全球漁業觀察的機器學習工程師費爾南多-保羅（Fernando Paolo）說。”深度學習擅長從海量資料發現模式”。

今天發表在《自然》（Nature）上的另一篇文章評論了Paolo和Kroodsma的研究，文章說，作為處理全球衛星圖像的開源軟體，新的機器學習工具”使數據和工具的獲取變得民主化，讓低收入國家的研究人員、分析師和政策制定者能夠以低成本利用追蹤技術”。這篇文章由微軟博士後研究員康斯坦丁-克萊默（Konstantin Klemmer）和科羅拉多大學博爾德分校助理教授埃斯特-羅爾夫（Esther Rolf）撰寫。

在各國試圖阻止氣候變遷和保護生物多樣性，以免為時已晚的關鍵時刻，這些技術進步為記錄海上活動的快速變化提供了重要依據。克羅茲馬說：”這之所以重要，是因為[海上]越來越擁擠，使用率越來越高，突然之間，你必須決定如何管理這個巨大的全球公域。它不能是狂野的西部。歷史上就是這樣”。