中國科學院海洋所李曉峰研究員團隊在《遙感學報》發表綜述文章“人工智能海岸帶遙感進展”！

主題詞

海岸帶遙感，人工智能，水淹監測，水邊線提取，綠潮監測，濱海濕地監測

遙感學報NRSB

圖片來源于網絡

海岸帶是陸海交互最活躍、人口與資產高度聚集的區。近年來，衛星遙感進入多源、高頻、高分辨率的大數據時代，但海岸帶場景類型復雜、潮汐與光譜擾動顯著，傳統方法在大范圍、快速、穩定提取關鍵信息方面仍面臨挑戰。隨著深度學習等人工智能技術的快速發展，海岸帶水淹識別、岸線/水邊線自動提取、養殖設施監測、綠潮追蹤與濕地分類正加速邁向智能化、自動化與近實時化。

中國科學院海洋研究所李曉峰研究員團隊 在《遙感學報》發表的綜述文章“人工智能海岸帶遙感進展”，以系統綜述方式總結“AI+海岸帶遙感”的關鍵進展與趨勢，為防災減災、生態保護與精細化管理提供參考。

題目：人工智能海岸帶遙感進展

作者：李曉峰，陳萬泰，周寅飛，郭媛，劉方怡

第一作者單位：中國科學院海洋研究所

關鍵詞：海岸帶遙感；人工智能；圖像處理；水淹監測；水邊線提取；筏式海洋養殖區監測，綠潮監測，濱海濕地監測

引用格式：李曉峰，陳萬泰，周寅飛，郭媛，劉方怡.2025.人工智能海岸帶遙感進展.遙感學報，29（11）： 3162-3186 DOI： 10.11834/jrs.20254546.

01 海岸帶遙感智能化發展趨勢與典型應用進展

文章闡述，過去四十年間，遙感技術的觀測能力快速躍升，使海岸帶觀測進入“高分辨率+高頻次+多源異構”的大數據時代；與此同時，海岸帶作為陸海交互最強、過程最復雜的區域之一，長期受到潮汐、風暴、泥沙、植被與人類活動的共同塑造，導致影像呈現強非線性、強時空非平穩與顯著的不完備性。傳統遙感處理在面對海量數據的快速解譯、復雜背景下的穩定識別以及不確定性表達時逐漸顯露瓶頸，因此，引入以深度學習為代表的人工智能技術，成為提升海岸帶遙感自動化、精細化與時效性的關鍵路徑。

圍繞“如何讓算法在復雜、動態、跨傳感器的海岸帶場景中穩定工作”這一主線，文章以典型任務為牽引，總結了AI在海岸水淹監測、水邊線提取、筏式養殖區監測、綠潮監測與濱海濕地制圖等方向的進展，并強調高效模型與多源融合是貫穿這些任務的共同趨勢。

02 海岸水淹監測

海岸水淹監測是防災減災和應急響應中的核心應用場景之一，尤其在極端降雨和風暴潮條件下，對制圖時效性和空間精度提出了更高要求。文章指出，得益于SAR影像全天時、全天候的觀測優勢，深度學習方法能夠有效克服復雜地表和水體混合背景帶來的干擾，相比傳統變化檢測和閾值分割方法，在水淹邊界完整性和魯棒性方面具有明顯優勢；隨著多模態融合和注意力機制的引入，水淹制圖正逐步向更高分辨率和更強跨場景適應能力發展。

03 水邊線智能提取

在水邊線提取方面，文章將其視為連接海岸帶動力過程、地貌演變與生態評估的重要基礎信息。相較于依賴經驗參數和人工調節的傳統方法，基于深度學習的語義分割框架能夠通過多尺度特征學習，實現水陸邊界的自動化識別，并顯著降低人為干預需求。與此同時，研究也指出，當前水邊線提取在跨區域泛化能力、算力消耗和標注成本等方面仍面臨挑戰，輕量化模型、少樣本與自監督學習以及領域適應方法，將是推動該技術走向大范圍業務化應用的重要方向。

圖1 基于DFFD分割的水邊線分割及其提取高程示意圖

04 筏式養殖區和綠潮監測

面向海洋筏式養殖區和綠潮等典型的“人類活動—生態過程”耦合場景，文章進一步展示了人工智能在長期監測和時序分析中的應用潛力。筏式養殖設施在遙感影像中具有一定結構穩定性，但受海況、潮位與成像條件影響顯著，深度學習通過多源影像融合和特征自適應建模，有效提升了養殖區識別的準確性與連續性。

圖2 浮動筏式養殖區和淺灘半浮動筏式養殖區

綠潮監測方面，文章總結了基于深度分割模型與時間序列方法的研究進展，通過對多源遙感數據的聯合利用與缺測信息重建，實現了更高時間分辨率的綠潮覆蓋監測，為災害評估和預警提供了技術支撐。

圖3 黃海綠潮的MODIS影像、Sentinel-1影像及基于深度學習的提取結果（Gao等，2024）

05 濱海濕地監測

在濱海濕地監測領域，文章強調濕地類型多樣、背景復雜且樣本獲取成本高，是制約模型泛化的重要因素。針對這一問題，近年來研究逐漸從單一傳感器應用轉向多模態協同觀測，并通過半監督學習、領域對齊與特征解耦等策略，提升模型在不同區域和環境條件下的穩定性。相關進展表明，人工智能方法在復雜濕地環境中的應用正由“局部有效”向“跨區域可推廣”邁進。

06 展望

文章最后指出，人工智能正在推動海岸帶遙感從單一任務驅動向多源融合、跨場景適應和業務化應用方向演進。未來研究需進一步加強物理約束與模型可解釋性，降低對大規模人工標注數據的依賴，并提升模型在不同傳感器、不同區域條件下的遷移能力，從而支撐海岸帶防災減災、生態保護與精細化管理的長期需求。

更多信息

詳見論文

網址鏈接：

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

作者及團隊簡介

李曉峰， IEEE Fellow、亞太人工智能協會 Fellow (Asia-Pacific Artificial Intelligence Association)。現任中科院海洋所研究員，人工智能海洋學首席科學家、大數據中心總工程師，主要從事衛星海洋學、大數據、人工智能方向研究。現任IEEE TGRS (影響因子8.125),International Journal of Remote Sensing (影響因子3.531)、《海洋與湖沼》副主編，也是中國科學院同Science合辦的新刊 Journal Remote Sensing 的執行主編（影響因子11.0）以及 International Journal of Digital Earth(影響因子 4.606)，Big Earth Data等刊物編委。共編輯出版3本專著，發表SCI論文200余篇，引用次數超過10000次。

E-mail: lixf@qdio.ac.cn

研究團隊介紹

李曉峰課題組長期從事基于人工智能的“海洋大數據研究”， 課題組成員研究方向包括海洋遙感、物理海洋、大氣科學、人工智能等，成員在所從事的研究領域具有豐富的工作積累，且在國際知名研究機構留學和交流的經歷，走在人工智能海洋學研究的國際前沿。

相關論文

李曉峰，王浩宇，楊曉峰，徐青，管磊，高樂，張旭東，任沂斌，劉穎潔，陳萬泰.2025.人工智能海洋遙感進展.遙感學報，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

• 信息來源：遙感學報。

  轉載請注明信息來源及海洋知圈編排。