香港科技大學成立海洋智能中心,結合人工智慧、機器人與海洋科學,推進海域觀測、自主探索、生物多樣性研究及生態保育。中心並與沙烏地阿拉伯阿卜杜拉國王科技大學(KAUST)珊瑚復育倡議合作啟動首個國際研究專案「AI4Coral」,以紅海與NEOM海域的珊瑚復育工作為主要驗證場域。
香港科大模型可對完整影像進行自動密集分割,相較傳統人工標註,影像分析速度提高逾1,000倍。以500×500像素影像為例,模型可辨識全部25萬個像素,提供的人工分類位置數量達傳統50點人工標註的5,000倍。
目前模型已使用紅海、KAUST水上與陸地珊瑚苗圃,以及香港蚝涌灣影像進行初步測試,並正推動邊緣運算水下裝置、KAUST海洋機器人平台、3D礁體重建及跨區域研究合作。
這項合作的核心並非政治或商業勢力對抗,而是傳統海洋保育體系能否把AI從示範工具轉化為可規模化、可靠且可融入現場作業的基礎設施。珊瑚礁復育長期面臨監測成本高、資料密度不足及跨海域標準難以統一的結構性限制;研究人員雖能提出復育方案,仍須回答「哪些珊瑚存活、覆蓋率如何變化、物種組成是否改善及白化是否加劇」等問題。傳統定點調查仰賴人員潛水、影像取樣與逐張標註,作業受限於時間、經費及安全條件,難以形成高頻率、可重複的長期紀錄。
AI4Coral的技術關鍵,是把完整影像中的每一個像素都轉成可分析的分類資料,再將密集觀測結果嵌入珊瑚覆蓋率、成長速率、物種多樣性及白化率等健康指標。真正的進步不在單一模型的辨識準確度,而在於監測成本結構能否由人力密集轉向機器密集。若能與水下機器人及邊緣運算整合,研究人員便能讓裝置在現場即時辨識目標珊瑚,減少影像回傳與人工判讀所帶來的延遲。
模型目前仍處於初步測試與更廣泛現場驗證階段,跨海域泛化能力、不同水深與照度下的準確度、極端氣候下的穩定性,以及保育單位能否依賴AI輸出,都將決定成果能否由研究展示跨入政策工具。團隊另計畫由樣線影片重建3D礁體結構,顯示研究目標正由平面覆蓋率監測,擴大至立體生態系數值的量測。若這些技術可被標準化,成本較低的無人載具便可能補足大型保育組織難以持續投入的人力缺口。
戰略貿易流向與供應鏈依賴度
HS 2709資料來源:UN Comtrade 聯合國商品貿易統計庫 · 全球市場規模 每日約 1.02 億桶 (全球最大宗貿易商品)
上,珊瑚復育從人工移殖與定點監測走向數位化輔助,類似人工智慧由單點辨識發展為跨裝置資料分析的軌跡。然而,海洋環境的長週期、高變異性與跨物種差異,使人工智慧導入速度可能低於一般商業影像應用。
01 起因觸發:珊瑚礁持續受氣候變遷與人類壓力威脅,傳統人工監測難以支撐大規模復育
02 一階傳導:港科大與KAUST整合AI、機器人、海洋科學及珊瑚復育資料,建立AI4Coral研究平台
03 二階擴散:密集影像分析、3D礁體重建與水下邊緣運算,擴大海洋監測、保育教育及機器人產業需求
04 宏觀終局:珊瑚健康資料若標準化,可望串接海洋旅遊、保險、生物多樣性信用與沿岸風險管理
領域延伸情報推薦 相關延伸研讀
依主題領域自動關聯之高參考價值外電情報
ACLED 地緣衝突與安全熱區監測
CRITICAL (極高衝突)監測熱區:中東與紅海走廊 (Middle East & Red Sea Corridor)(葉門 · 以色列 · 黎巴嫩 · 荷姆茲海峽)
📡 區域安全態勢評估: 紅海曼德海峽商船遇襲風險持續高企,多國海軍聯合護航行動持續進行,牽動蘇伊士運河全球航運保費。