天津
近日，中国科学院海洋研究所人工智能海洋学研究组联合国内相关单位在国际期刊Proceedings of the IEEE（IF 25.9）发表综述论文，系统总结了近年来人工智能（AI）在海洋卫星遥感中的关键进展并阐述未来发展方向。
海洋观测数据是认识海洋过程与气候变化的基础。卫星遥感能够提供大范围、长时间序列、连续的海洋观测，但随着多源卫星数据快速增长，数据缺测、复杂环境干扰以及传统反演方法在非线性与极端条件下的局限性日益凸显。近年来，AI作为一种高效可行的技术路线，为提升海洋遥感信息提取能力、增强复杂场景鲁棒性提供了新的解决方案。
该综述围绕海洋卫星遥感中的AI技术发展，聚焦三大核心应用方向：海洋参数反演、海洋数据重建、海洋现象识别，并从建模方法、应用场景与未来趋势等维度进行了系统梳理（图1）。在海洋参数反演方面，论文总结了卷积神经网络（CNN）与Transformer等模型在海浪、海表盐度、海面风场与水色参数反演中的应用进展，强调其在极端或噪声条件下提升精度与稳定性的潜力（图2）。在海洋数据重构方面，论文指出AI可用于海表与次表层数据的补全与重构，在时空分辨率与一致性方面优于传统插值思路，为海洋三维结构与生物地球化学要素的连续监测提供支撑。在海洋现象识别方面，深度学习YOLO、U-Net等架构已广泛用于冰涡、内波、中尺度涡与热带气旋等动态现象的检测与分割，实现了更高效率与更精细的自动化解译。
图1 海洋卫星遥感与AI的发展历程及融合应用进程
左：主要海洋观测卫星平台和传感器系列，包括极轨和地球静止轨道上的可见光/红外辐射计、被动微波辐射计和主动微波仪器（散射计、雷达高度计、SAR）；中：代表性AI范式从早期深度CNN里程碑（如AlexNet、ResNet）到基于注意力的模型（Transformer/ViT），再到近期基础和生成式发展（如LLM、扩散模型）以及新兴的多智能体框架的示意性进展；右：该文综述的三个主要应用领域：海洋参数反演、海洋数据重建、海洋现象识别。
图2：AI海洋参数反演应用示意图
(a) 多源卫星观测输入数据；(b) 主要AI模型（包括ANN和CNN）；(c) 反演得到的海洋环境参数结果。
论文进一步讨论指出，AI海洋遥感尽管进展迅速，但在可重复、可迁移和业务应用上仍有明显短板，主要体现在五个方面：极端场景数据稀缺与样本不平衡、跨传感器/跨区域偏移导致泛化不足、不确定性量化与可解释性欠缺、多传感器/多模态融合在异质与不匹配条件下仍难落地，以及面向业务的低延迟、可追溯验证与部署约束（如星上部署）。围绕这些问题，论文提出五个未来方向：面向亚公里精细尺度的融合重构；推进物理约束与AI融合并引入一致性检验；构建面向海洋遥感的基础模型；建立不确定性量化和可解释性框架；发展压缩蒸馏、硬件感知训练与轻量化等技术支撑近实时/星上应用。
该研究为海洋卫星遥感领域AI方法的选型、数据集建设、可信评估与业务化应用提供了系统参考，可为未来多源协同观测与智能化海洋环境监测产品研发提供重要的学术支撑。
论文第一/通讯作者为中国科学院海洋研究所李晓峰研究员，合作者包括中国海洋大学徐青教授、殷晓斌教授，福州大学苏华教授、王安博士，深圳大学蒋浩宇教授，以及人工智能海洋学研究组的王浩宇、穆珊珊、李晓龙、杨艺、王彦俊、任沂斌、张旭东、刘颖洁、王充。研究得到国家自然科学基金创新研究群体项目与中国科学院战略性先导科技专项等支持。
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
信息来源:中国科学院海洋所。
转载请注明信息来源及海洋知圈编排。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
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.
