近日，京津冀生态文明发展研究院教师么嘉棋以共同通讯作者，在遥感领域国际权威期刊《GIScience & Remote Sensing》上发表题为“ResWLI: a new method to retrieve water levels in coastal zones by integrating optical remote sensing and deep learning”的研究论文，提出了一种融合光学遥感与深度学习的新型海岸带水位反演方法。该研究开发了基于残差神经网络的ResWLI模型，利用Sentinel-2多时相遥感影像和潮位站实测数据，成功实现了高精度、多区域的水位反演，在全球10个潮位站点平均RMSE仅为0.13米，为填补传统潮位站覆盖不足、提升海岸带水文监测效率提供了全新路径。

  水位作为衡量海洋-陆地相互作用的重要指标，直接影响海岸工程建设、防灾减灾及生态系统演变。然而，传统潮位获取依赖稀疏布设的潮位站，难以满足大范围、长期水位变化分析的需求。本研究创新性地构建了一个融合光学遥感、卷积神经网络与通道注意力机制的反演框架，能自动提取多光谱图像中的有效信息，并建立遥感反射率与水位的非线性映射关系。

图1 本稿件所涉及全球潮位站分布

  研究结果表明，ResWLI模型在时间转移、土地覆盖变化以及极端高水位等情景下均展现出良好泛化能力，并具备通过迁移学习适应数据稀缺区域的潜力，展示了遥感+AI在全球水位监测、洪涝预警和海岸带可持续管理中的广阔应用前景。

图2 本稿件所提出网络结构

  徐南副教授（深圳大学，共同一作），辛会超（河海大学，共同一作），吴家锐（河海大学，共同通讯），任河（天津师范大学），张寒苏（南京中医药大学），徐豪（河海大学），栾虹（自然资源部南海海域海岛中心），徐栋（新加坡国立大学），宋泳泽（澳大利亚科廷大学）等人也参与了本文的研究工作。

  论文链接：https://doi.org/10.1080/15481603.2025.2524891