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。

       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。