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 IEEE Geoscience and Remote Sensing Magazine（IF 13.7）发表综述论文，系统总结了近年来人工智能技术在北极海冰卫星遥感领域的发展历程、关键应用及未来趋势，为推动智能化极地海冰监测和预报提供了重要参考。

北极海冰是全球气候系统的重要组成部分，在调节海洋—大气能量交换、影响全球气候变化和保障极地航运安全等方面发挥关键作用。卫星遥感凭借大范围、高频次和长期连续观测能力，已成为监测北极海冰变化的重要手段。然而，随着多源卫星数据快速增长，传统基于人工经验和特征设计的方法在海冰分类、参数反演、数据集构建和预报预测等任务中面临新的挑战。近年来，人工智能技术凭借强大的特征学习和时空信息挖掘能力，为海冰遥感智能化发展提供了新的技术路径。

该综述面向北极海冰遥感的五类典型任务，系统梳理了人工智能在海冰分类、参数反演、海冰相关目标检测、海冰参数超分辨率重建和海冰预测等方面的研究进展。图像分类、语义分割、目标检测、超分辨率重建和时空预测等人工智能架构与海冰遥感应用不断融合，推动了海冰信息自动提取、精细化监测和未来演变预测能力的提升（图1）。在此基础上，论文进一步归纳了深度学习在北极海冰遥感中的三个发展阶段：从人工特征设计向自动特征学习演进，从单一任务应用向多源融合和多任务协同发展，从数据驱动学习向统一表征学习、物理一致性建模和基础模型方向演进。同时，综述从数据类型、任务目标和模型选择等角度总结了面向不同海冰遥感场景的人工智能方法框架，为不同任务的技术路线选择和智能化应用提供了系统参考。

图1 北极海冰卫星遥感与深度学习应用的发展历程

（左侧展示主要卫星遥感平台及传感器发展，包括微波辐射计、散射计、SAR、光学传感器和高度计；右侧展示深度学习模型与应用框架演进，包括DNN、CNN、RNN和Transformer等模型，以及分类、分割、检测、超分辨率和预测等典型任务；下方总结了海冰智能遥感由自动特征学习、多源信息融合到统一表征学习和物理一致性智能遥感的发展阶段）

论文进一步指出，人工智能海冰遥感仍面临跨区域与传感器泛化能力不足、标注数据有限、物理约束和模型可解释性不足等挑战。未来需要发展面向海冰遥感的基础模型，融合物理机制与多源观测信息，推动智能遥感方法向高可靠、高精度和业务化应用方向发展。

该研究系统总结了人工智能在北极海冰遥感中的发展演变、应用模式和未来趋势，为海冰遥感智能化方法选择、模型构建和应用拓展提供了重要参考，有助于推动人工智能技术在极地环境监测和海冰变化研究中的深入应用。

论文第一作者为中国科学院海洋研究所任沂斌副研究员，通讯作者为李晓峰研究员，合作者包括中国海洋大学苏洁教授、南京信息工程大学张彪教授、自然资源部第一海洋研究所张晰研究员、华南理工大学陈新蔚副教授、中山大学杨清华教授和程晓教授、大连理工大学卢鹏教授、空天信息大学（筹）李晓明教授、同济大学冯甜甜副教授、中国极地研究中心雷瑞波研究员。研究得到了国家自然科学基金、中国科学院海洋研究所自主部署等项目支持。

文章信息：

Ren, Y., Su, J., Zhang, B., Zhang, X., Chen, X., Yang, Q., Cheng, X., Lu, P., Li, X., Feng, T., Lei, R., Li, X*. "Deep Learning Applications in Arctic Sea Ice Remote Sensing: A review," IEEE Geoscience and Remote Sensing Magazine, doi: 10.1109/MGRS.2026.3720616.