SeaCast 是芬兰赫尔辛基大学、地中海气候变化研究中心与意大利萨伦托大学联合研发的图神经网络模型,专为区域海洋预报设计。训练完成后,在单块 GPU 上仅需20秒,即可完成 1/24° 网格下18个垂向层次的15天预报,远快于在 CPU 集群上运行的数值物理模型(后者需89个CPU核心耗时约70分钟)。SeaCast 采用图神经网络捕获不规则海洋网格上的空间依赖关系,在地中海预报系统中验证效果显著,为高时效业务化海洋预报提供了新范式。相关论文发表于 Scientific Reports(2025-03),腾讯科学 2026-02-27 进行了深度报道。
中国科学院空间应用工程与技术中心领导的研究团队于2026年3月在 IEEE 地球科学与遥感汇刊发表研究成果(arXiv:2603.12588v1),提出新方法解决光学卫星与合成孔径雷达(SAR)卫星的跨模态船只识别难题。光学图像呈现船只纹理颜色,SAR 图像显示微波反射强度分布,两者外观差异巨大,该研究通过跨域特征对齐和对比学习方法实现高精度匹配,为海上安全监控、违规捕捞稽查和军事侦察提供了重要技术支撑,于腾讯新闻 2026-03-24 报道。
Springer Nature 于2026年1月出版专著章节 EBA-AI: Ethics-Guided Bias-Aware AI,提出将伦理约束与偏差感知机制融入水下图像增强的 AI 框架。该方法针对复杂水下光学条件(散射、吸收、色偏),构建面向珊瑚礁生态系统多时空监测的多标签分类模型,实现高效、低偏差的珊瑚礁健康状态自动识别,对海洋生物多样性评估和气候变化响应研究具有重要意义。
arXiv 预印本(编号 2603.07413)发布综述论文,系统梳理机器学习在水下物联网(IoUT)的应用,涵盖声学衰减、传播延迟、能耗约束、动态网络拓扑等核心挑战。水下物联网是海洋观测、海洋资源管理和气候科学的关键基础设施,该综述覆盖从强化学习优化路径规划,到联邦学习保护数据隐私,再到深度神经网络实现实时目标识别等多种机器学习范式,为海洋传感器网络智能化提供了全面参考。
石油大学(华东)海洋信息学院与国家海洋局北海环境监测中心联合发表论文,提出一致性驱动的双教师框架(Consistency-Driven Dual-Teacher Framework),用于浮游动物显微图像的半监督语义分割。该方法充分利用少量标注数据和大量未标注图像,在降低人工标注成本的同时显著提升浮游生物识别精度,发表于 MDPI Remote Sensing(2026年3月,12卷3期,论文编号125),对海洋生态系统监测和渔业资源评估具有实际应用价值。