中国科学院海洋所李晓峰研究员团队在《遥感学报》发表综述文章“人工智能海岸带遥感进展”！

主题词

海岸带遥感，人工智能，水淹监测，水边线提取，绿潮监测，滨海湿地监测

遥感学报NRSB

图片来源于网络

海岸带是陆海交互最活跃、人口与资产高度聚集的区。近年来，卫星遥感进入多源、高频、高分辨率的大数据时代，但海岸带场景类型复杂、潮汐与光谱扰动显著，传统方法在大范围、快速、稳定提取关键信息方面仍面临挑战。随着深度学习等人工智能技术的快速发展，海岸带水淹识别、岸线/水边线自动提取、养殖设施监测、绿潮追踪与湿地分类正加速迈向智能化、自动化与近实时化。

中国科学院海洋研究所李晓峰研究员团队 在《遥感学报》发表的综述文章“人工智能海岸带遥感进展”，以系统综述方式总结“AI+海岸带遥感”的关键进展与趋势，为防灾减灾、生态保护与精细化管理提供参考。

题目：人工智能海岸带遥感进展

作者：李晓峰，陈万泰，周寅飞，郭媛，刘方怡

第一作者单位：中国科学院海洋研究所

关键词：海岸带遥感；人工智能；图像处理；水淹监测；水边线提取；筏式海洋养殖区监测，绿潮监测，滨海湿地监测

引用格式：李晓峰，陈万泰，周寅飞，郭媛，刘方怡.2025.人工智能海岸带遥感进展.遥感学报，29（11）： 3162-3186 DOI： 10.11834/jrs.20254546.

01 海岸带遥感智能化发展趋势与典型应用进展

文章阐述，过去四十年间，遥感技术的观测能力快速跃升，使海岸带观测进入“高分辨率+高频次+多源异构”的大数据时代；与此同时，海岸带作为陆海交互最强、过程最复杂的区域之一，长期受到潮汐、风暴、泥沙、植被与人类活动的共同塑造，导致影像呈现强非线性、强时空非平稳与显著的不完备性。传统遥感处理在面对海量数据的快速解译、复杂背景下的稳定识别以及不确定性表达时逐渐显露瓶颈，因此，引入以深度学习为代表的人工智能技术，成为提升海岸带遥感自动化、精细化与时效性的关键路径。

围绕“如何让算法在复杂、动态、跨传感器的海岸带场景中稳定工作”这一主线，文章以典型任务为牵引，总结了AI在海岸水淹监测、水边线提取、筏式养殖区监测、绿潮监测与滨海湿地制图等方向的进展，并强调高效模型与多源融合是贯穿这些任务的共同趋势。

02 海岸水淹监测

海岸水淹监测是防灾减灾和应急响应中的核心应用场景之一，尤其在极端降雨和风暴潮条件下，对制图时效性和空间精度提出了更高要求。文章指出，得益于SAR影像全天时、全天候的观测优势，深度学习方法能够有效克服复杂地表和水体混合背景带来的干扰，相比传统变化检测和阈值分割方法，在水淹边界完整性和鲁棒性方面具有明显优势；随着多模态融合和注意力机制的引入，水淹制图正逐步向更高分辨率和更强跨场景适应能力发展。

03 水边线智能提取

在水边线提取方面，文章将其视为连接海岸带动力过程、地貌演变与生态评估的重要基础信息。相较于依赖经验参数和人工调节的传统方法，基于深度学习的语义分割框架能够通过多尺度特征学习，实现水陆边界的自动化识别，并显著降低人为干预需求。与此同时，研究也指出，当前水边线提取在跨区域泛化能力、算力消耗和标注成本等方面仍面临挑战，轻量化模型、少样本与自监督学习以及领域适应方法，将是推动该技术走向大范围业务化应用的重要方向。

图1 基于DFFD分割的水边线分割及其提取高程示意图

04 筏式养殖区和绿潮监测

面向海洋筏式养殖区和绿潮等典型的“人类活动—生态过程”耦合场景，文章进一步展示了人工智能在长期监测和时序分析中的应用潜力。筏式养殖设施在遥感影像中具有一定结构稳定性，但受海况、潮位与成像条件影响显著，深度学习通过多源影像融合和特征自适应建模，有效提升了养殖区识别的准确性与连续性。

图2 浮动筏式养殖区和浅滩半浮动筏式养殖区

绿潮监测方面，文章总结了基于深度分割模型与时间序列方法的研究进展，通过对多源遥感数据的联合利用与缺测信息重建，实现了更高时间分辨率的绿潮覆盖监测，为灾害评估和预警提供了技术支撑。

图3 黄海绿潮的MODIS影像、Sentinel-1影像及基于深度学习的提取结果（Gao等，2024）

05 滨海湿地监测

在滨海湿地监测领域，文章强调湿地类型多样、背景复杂且样本获取成本高，是制约模型泛化的重要因素。针对这一问题，近年来研究逐渐从单一传感器应用转向多模态协同观测，并通过半监督学习、领域对齐与特征解耦等策略，提升模型在不同区域和环境条件下的稳定性。相关进展表明，人工智能方法在复杂湿地环境中的应用正由“局部有效”向“跨区域可推广”迈进。

06 展望

文章最后指出，人工智能正在推动海岸带遥感从单一任务驱动向多源融合、跨场景适应和业务化应用方向演进。未来研究需进一步加强物理约束与模型可解释性，降低对大规模人工标注数据的依赖，并提升模型在不同传感器、不同区域条件下的迁移能力，从而支撑海岸带防灾减灾、生态保护与精细化管理的长期需求。

更多信息

详见论文

网址链接：

https://www.ygxb.ac.cn/zh/article/doi/10.11834/jrs.20254546/

作者及团队简介

李晓峰， IEEE Fellow、亚太人工智能协会 Fellow (Asia-Pacific Artificial Intelligence Association)。现任中科院海洋所研究员，人工智能海洋学首席科学家、大数据中心总工程师，主要从事卫星海洋学、大数据、人工智能方向研究。现任IEEE TGRS (影响因子8.125),International Journal of Remote Sensing (影响因子3.531)、《海洋与湖沼》副主编，也是中国科学院同Science合办的新刊 Journal Remote Sensing 的执行主编（影响因子11.0）以及 International Journal of Digital Earth(影响因子 4.606)，Big Earth Data等刊物编委。共编辑出版3本专著，发表SCI论文200余篇，引用次数超过10000次。

E-mail: lixf@qdio.ac.cn

研究团队介绍

李晓峰课题组长期从事基于人工智能的“海洋大数据研究”， 课题组成员研究方向包括海洋遥感、物理海洋、大气科学、人工智能等，成员在所从事的研究领域具有丰富的工作积累，且在国际知名研究机构留学和交流的经历，走在人工智能海洋学研究的国际前沿。

相关论文

李晓峰，王浩宇，杨晓峰，徐青，管磊，高乐，张旭东，任沂斌，刘颖洁，陈万泰.2025.人工智能海洋遥感进展.遥感学报，29（6）： 1863-1889 DOI： 10.11834/jrs.20254403.

Xiaolong Li, Yaopu Zhu, Xiaofeng Li. From Aqua MODIS to PACE OCI: Global-Scale Hyperspectral Rrs Reconstruction via Spectral-Attention Conditional GAN. J Remote Sens. 2026;6:1036.DOI:10.34133/remotesensing.1036

Haoyu Wang, Xiaofeng Li. Expanding Horizons: U-Net Enhancements for Semantic Segmentation, Forecasting, and Super-Resolution in Ocean Remote Sensing. J Remote Sens. 2024;4:0196.DOI:10.34133/remotesensing.0196

Xiaofeng Li, Yuan Zhou, Fan Wang, "Advanced Information Mining from Ocean Remote Sensing Imagery with Deep Learning", Journal of Remote Sensing, vol. 2022, Article ID 9849645, 4 pages, 2022.

Deep-learning-based information mining from ocean remote-sensing imagery[J]. Xiaofeng Li;Bin Liu;Gang Zheng;Yibin Ren;Shuangshang Zhang;Yingjie Liu;Le Gao;Yuhai Liu;Bin Zhang;Fan Wang. National Science Review, 2020(10)[DOI: 0.1093/nsr/nwaa047]

1

1

• 信息来源：遥感学报。

  转载请注明信息来源及海洋知圈编排。