近日,中國科學院海洋研究所人工智能海洋學研究組聯合國內相關單位在國際期刊Proceedings of the IEEE(IF 25.9)發表綜述論文,系統總結了近年來人工智能(AI)在海洋衛星遙感中的關鍵進展并闡述未來發展方向。
海洋觀測數據是認識海洋過程與氣候變化的基礎。衛星遙感能夠提供大范圍、長時間序列、連續的海洋觀測,但隨著多源衛星數據快速增長,數據缺測、復雜環境干擾以及傳統反演方法在非線性與極端條件下的局限性日益凸顯。近年來,AI作為一種高效可行的技術路線,為提升海洋遙感信息提取能力、增強復雜場景魯棒性提供了新的解決方案。
該綜述圍繞海洋衛星遙感中的AI技術發展,聚焦三大核心應用方向:海洋參數反演、海洋數據重建、海洋現象識別,并從建模方法、應用場景與未來趨勢等維度進行了系統梳理(圖1)。在海洋參數反演方面,論文總結了卷積神經網絡(CNN)與Transformer等模型在海浪、海表鹽度、海面風場與水色參數反演中的應用進展,強調其在極端或噪聲條件下提升精度與穩定性的潛力(圖2)。在海洋數據重構方面,論文指出AI可用于海表與次表層數據的補全與重構,在時空分辨率與一致性方面優于傳統插值思路,為海洋三維結構與生物地球化學要素的連續監測提供支撐。在海洋現象識別方面,深度學習YOLO、U-Net等架構已廣泛用于冰渦、內波、中尺度渦與熱帶氣旋等動態現象的檢測與分割,實現了更高效率與更精細的自動化解譯。
![]()
圖1 海洋衛星遙感與AI的發展歷程及融合應用進程
左:主要海洋觀測衛星平臺和傳感器系列,包括極軌和地球靜止軌道上的可見光/紅外輻射計、被動微波輻射計和主動微波儀器(散射計、雷達高度計、SAR);中:代表性AI范式從早期深度CNN里程碑(如AlexNet、ResNet)到基于注意力的模型(Transformer/ViT),再到近期基礎和生成式發展(如LLM、擴散模型)以及新興的多智能體框架的示意性進展;右:該文綜述的三個主要應用領域:海洋參數反演、海洋數據重建、海洋現象識別。
![]()
圖2:AI海洋參數反演應用示意圖
(a) 多源衛星觀測輸入數據;(b) 主要AI模型(包括ANN和CNN);(c) 反演得到的海洋環境參數結果。
論文進一步討論指出,AI海洋遙感盡管進展迅速,但在可重復、可遷移和業務應用上仍有明顯短板,主要體現在五個方面:極端場景數據稀缺與樣本不平衡、跨傳感器/跨區域偏移導致泛化不足、不確定性量化與可解釋性欠缺、多傳感器/多模態融合在異質與不匹配條件下仍難落地,以及面向業務的低延遲、可追溯驗證與部署約束(如星上部署)。圍繞這些問題,論文提出五個未來方向:面向亞公里精細尺度的融合重構;推進物理約束與AI融合并引入一致性檢驗;構建面向海洋遙感的基礎模型;建立不確定性量化和可解釋性框架;發展壓縮蒸餾、硬件感知訓練與輕量化等技術支撐近實時/星上應用。
該研究為海洋衛星遙感領域AI方法的選型、數據集建設、可信評估與業務化應用提供了系統參考,可為未來多源協同觀測與智能化海洋環境監測產品研發提供重要的學術支撐。
論文第一/通訊作者為中國科學院海洋研究所李曉峰研究員,合作者包括中國海洋大學徐青教授、殷曉斌教授,福州大學蘇華教授、王安博士,深圳大學蔣浩宇教授,以及人工智能海洋學研究組的王浩宇、穆珊珊、李曉龍、楊藝、王彥俊、任沂斌、張旭東、劉穎潔、王充。研究得到國家自然科學基金創新研究群體項目與中國科學院戰略性先導科技專項等支持。
文章信息:
Li, X.*, Xu, Q., Wang, H., Jiang, H., Yin, X., Mu, S., Li, X., Su, H., Wang, A., Yang, Y., Wang, Y., Ren, Y., Zhang, X., Liu, Y., Wang, C. AI in Satellite Remote Sensing of the Ocean. Proceedings of the IEEE. 2026, DOI: 10.1109/JPROC.2026.3664121
信息來源:中國科學院海洋所。
轉載請注明信息來源及海洋知圈編排。
特別聲明:以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布,本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.