近日，中国科学院海洋研究所人工智能海洋学研究组在海洋锋面智能识别方面取得新进展，研究团队提出了一种融合空间–频率特征与卫星产品不确定性信息的自适应锋面检测框架，并应用于长期多源卫星海表温度和叶绿素a数据，形成全球逐日温度锋面和叶绿素锋面识别结果，为海洋动力过程、生态系统响应和气候变化研究提供了新的数据基础与智能分析工具。相关研究成果发表于国际遥感领域期刊 Remote Sensing of Environment（IF=11.4）。

海洋锋面是不同水团、物理环境和生物地球化学过程交汇形成的“海上边界线”，常表现为海表温度、叶绿素、盐度等要素的快速变化。锋面不仅影响上层海洋混合、营养盐输运和浮游植物生长，也是渔业资源聚集、生态热点形成和海洋动力过程诊断的重要区域。长期、连续、精细地识别海洋锋面，对于理解海洋物质能量交换、评估生态环境变化和支撑海洋资源管理具有重要意义。

然而，海洋锋面在不同海区、季节和观测变量之间差异显著。传统梯度阈值法和直方图方法往往依赖人工参数选择，容易出现漏检、过检或多解问题；已有深度学习方法通常需要大量高质量标注样本，且在不同卫星产品、空间分辨率和海洋变量之间泛化能力不足。同时，卫星遥感资料还受到云、气溶胶、传感器噪声、插值误差和尺度不匹配等因素影响，可能削弱真实锋面信号，或在低信噪比海区产生伪锋面。针对上述难题，研究团队构建了“空间频率融合—不确定性感知—自监督判别”的智能识别框架。模型以海表温度或叶绿素a等海洋示踪场为输入，通过空间分支提取局地梯度、边界连续性和多尺度纹理信息，通过频率分支增强对快速变化、细丝结构和弱锋面的感知能力；同时引入卫星产品逐像元不确定性，构建物理置信度权重，使模型在高可信区域更敏感，在高误差区域更保守，从而降低噪声和资料误差对锋面识别结果的影响。

与传统方法不同，该框架不依赖人工标注样本进行训练，也不需要为不同海区和不同变量预设固定阈值。模型通过自监督学习自动优化逐像元动态阈值，使锋面判别能够随区域背景梯度、海洋动力环境和观测可靠性自适应变化。最终输出不仅包括锋面位置，还包括锋面强度和锋面不确定性，为气候诊断、模式评估和生态过程分析提供了更具可解释性和可信度的结果。验证结果表明，该方法在热力锋面和叶绿素锋面识别中均表现出较高精度和鲁棒性。基于人工标注样本的评估显示，模型在热力锋面识别中达到 99.88% 的准确率、98.43% 的精确率、98.59% 的召回率和 97.06% 的 IoU；在叶绿素锋面识别中达到 98.73% 的准确率、94.40% 的精确率、98.27% 的召回率和 92.87% 的 IoU，整体优于 U-Net、SegNet、DeepLabv3 和 FastFCN 等典型深度学习分割模型。与船载走航观测对比时，该方法在赤道太平洋达到 79.79% 的总体命中率，并在强、中、弱锋面类别上均保持稳定识别能力，说明其在低信噪比和弱梯度海区仍具有较好可靠性。

图1 自适应海洋锋面检测模型框架。模型融合空间域、频率域与物理置信度信息，实现无人工阈值、可泛化的锋面识别

在全球应用方面，研究团队利用 CMEMS ESA SST CCI/C3S 再处理海表温度产品和 CMEMS GlobColour 叶绿素a产品，生成了 1981~2022 年、0.05° 分辨率的全球逐日热力锋面结果，以及 1997~2022 年、4 km 分辨率的全球逐日叶绿素锋面结果，包含锋面位置、锋面强度和不确定性信息，可支持从天气尺度到年代际尺度的多尺度分析。全球分布结果显示，热力锋面和叶绿素锋面在黑潮–亲潮延伸体、湾流、南大洋绕极流、上升流区和西边界流区域表现突出，但两类锋面并不总是同步变化。在中高纬度海区，热力锋面和生态锋面往往具有较强空间对应关系；而在低纬度海区，热力结构、营养盐供应、混合层深度和光学环境共同调控叶绿素锋面，使热力锋面与叶绿素锋面可能出现明显空间错位。这表明，联合识别多示踪变量锋面能够更全面地揭示海洋动力—生态耦合过程。

研究进一步以东太平洋赤道海区为典型案例，分析热力锋面和叶绿素锋面对热带不稳定波、赤道叶绿素富集带和 ENSO 事件的响应。结果显示，热力锋面主要沿赤道冷舌和热带不稳定波结构分布，而叶绿素锋面更多环绕赤道叶绿素富集带边缘；在拉尼娜期间，增强的信风、南赤道流和上升流共同强化冷水和营养盐输送，使两类锋面更加明显；在厄尔尼诺期间，信风减弱、上升流受抑，冷水和营养盐补给下降，两类锋面均出现削弱。这说明锋面不仅是海洋表层结构的“边界”，也是连接海气相互作用、海洋动力过程和生态响应的重要指示器。

该研究将传统“看温度图、看叶绿素图”的遥感分析进一步推进到“识别海洋动力与生态界面”的智能制图阶段。所提出的自适应方法不仅适用于海表温度和叶绿素a，也可拓展到盐度、悬浮泥沙、营养盐、数值模式输出等多种海洋示踪变量，为全球海洋锋面监测、生态热点识别、渔业资源评估、气候变化诊断和海洋模式验证提供了可复用的方法框架。

图2 基于自适应方法提取的全球热力锋面和叶绿素锋面，结果展示了全球锋面发生频率、锋面强度

论文代码、预训练权重和示例产品已开放共享，有助于推动海洋遥感锋面识别方法的复现、对比和拓展应用。论文第一作者为中国科学院海洋研究所高乐研究员，通讯作者为李晓峰研究员，杨艺、刘楠和王梦娇等研究生为共同作者。

论文信息：

Gao, L., Yang, Y., Liu, N., Wang, M., & Li, X*. (2026). An adaptive method for ocean front detection using spatial–frequency fusion and uncertainty-aware attention. Remote Sensing of Environment, 342, 115483. https://doi.org/10.1016/j.rse.2026.115483

数据集链接：

http://dx.doi.org/10.12157/IOCAS.20251009.001

http://dx.doi.org/10.12157/IOCAS.20251009.002