Editorial: Remote sensing applications in oceanography with deep learning

doi:10.3389/fmars.2025.1701125

Editorial: Remote sensing applications in oceanography with deep learning

2025-09-30

0

OA

AI

DOI：10.3389/fmars.2025.1701125

原文链接

查看原文

摘要

En 中文

深度学习与遥感技术在海洋领域的应用：从概念到实际影响深度学习（DL）和遥感（RS）正在改变我们观测和管理海洋的方式。现代算法、平台以及多传感器数据集成现在能够提供过去几年间不可能实现的规模和速度的见解。本专题收集了17项贡献，涵盖海底地貌学、船舶与灾害监测、水质评估、中尺度动力学、冰下过程、声纳感知以及使能方法——展示了这一领域既技术新颖又任务驱动的特点。从海底到海岸线海洋科学依赖于海底的精确制图。自动化可以快速分析广阔区域，同时收集卫星测高数据遗漏的特征；正如多波束数据中识别微小海山的CNN + U-Net管道所展示的那样。RipFinder是一款用于实时识别离岸流的移动机器学习系统，在连接受限的地区也可作为公民科学工具，体现了“AI边缘化”在陆海交界处的应用。船舶、安全与灾害对于海洋态势感知，合成孔径雷达（SAR）仍然是必不可少的。虽然以往研究使用AIS数据、海雾和遥感技术评估碰撞风险，但一种超分辨率Mask R-CNN架构通过尺度感知融合提高了噪声SAR环境下的船舶检测能力，为基于证据的导航管理工具提供了支持。生态系统与水质叶绿素a（Chl-a）变化和有害藻华是重要的生态指标。MODIS图像中的绿潮识别通过WaveNet（VGG16 + BiFPN + CBAM）得到增强。物理感知特征的重要性通过将海洋-大气动力学与南海Chl-a相关联的ResUNet模型得到证明。重建的MODIS数据集揭示了波斯湾和阿曼海的长周期变化，而新技术也产生了适用于河口的可迁移Chl-a产品。MarGEN是一种基于GAN的增强技术，在标签音频有限的情况下提升了海洋哺乳动物叫声分类，是声学生态学领域的一项进步。中尺度和 cryosphere 动力学 OIEDNet通过检测哨兵1号双极化数据中的冰下涡旋，生成了首个大规模MIZ涡旋目录；而Conv-LSTM GAN混合模型以高保真度预测中尺度涡旋特性。水下感知声纳和视觉传感对自主系统至关重要。前视声纳目标检测通过MLFANet得到改进，侧扫声纳小目标识别通过SOCA-YOLO得到提升，而水下光学成像通过CUG-UIEF（基于边缘和注意力融合）得到优化。数据、平台与决策支持新贡献还涉及可扩展数据管理（基于LSH的海洋档案检索）和决策制定（水下物联网和AUV部署的多准则方法），强调了协同设计传感、连接和计算的需求。跨领域启示五大主题浮现：（1）多尺度架构持续提升可检测性；（2）嵌入物理感知特征增强泛化能力；（3）将模型转化为边缘部署工具实现实际影响；（4）在数据稀疏区域，数据效率策略（如增强和自监督）至关重要；（5）基准测试和开放性将加速进展。展望本合集凸显了海洋人工智能从概念验证到实际潜力的决定性转变。未来优先事项包括嵌入物理先验、推进稀疏数据的生成/自监督方法，并确保可扩展性、效率和实用性以适应实际应用。这些工作共同展示了DL和RS如何保护航海者、监测生态系统并揭示海洋动力学——使我们更接近真正可操作的海上智能。

Editorial: Remote sensing applications in oceanography with deep learning

摘要

AI总结

期刊

机构

引用论文