汪亚平教授团队在基于多源卫星数据融合与深度学习的珊瑚礁高精度水深反演研究方面取得新进展。以南海九章群礁为研究区（图1），提出了一种结合生成对抗网络（GAN）数据增强与分层卷积神经网络（CNN）的新型水深反演模型，有效解决了深水区（>15米）光学信号衰减和训练样本不足的难题。相关成果以“Advancing Coral Reef Bathymetry: A GAN-Augmented and Stratified CNN Analysis of Fused ICESat-2 and Sentinel-2 Dataset”为题发表于中科院一区TOP期刊 IEEE Transactions on Geoscience and Remote Sensing (TGRS)。

图1 南海九章环礁研究区示意图

研究背景

珊瑚礁虽然仅占海底面积的不到1%，却孕育了极高的生物多样性。高分辨率的珊瑚礁水深地形图是开展礁区水动力学、地貌学研究的基础，对全球气候变化背景下的生态监测、保护以及航行安全具有重要意义。然而，传统的水基或机载测量成本高昂且覆盖范围有限。基于多光谱卫星（如Sentinel-2）和星载激光雷达（如ICESat-2）的卫星衍生水深（SDB）技术近年来备受关注。但在水深超过15米的区域，由于光信号的快速衰减和实测参考数据的匮乏，传统数据驱动的SDB模型精度显著下降。这一瓶颈使得深水区（15–30米，通常是生物多样性增幅最大的区域）的精细化制图面临严峻挑战。

研究结果

基于ICESat-2的高精度测深数据和Sentinel-2多光谱影像，创新性地提出一套结合数据增强与分层建模的深度学习水深反演框架，成功突破现有技术瓶颈。该研究一方面引入生成对抗网络定向扩充深水区的稀缺样本，有效解决了深水段训练数据不足的核心痛点；另一方面，针对不同深度的光学衰减差异构建了分层卷积神经网络，使模型能够智能自适应从浅水至深水区复杂的光学环境变化。

结果表明，该方法获得了九章群礁高分辨率水深（图2），与实测多波束数据验证良好。基于 ICESat-2 样本验证，在 0–19 m 水深范围内，相关系数（R⟡）达到 0.95，平均绝对误差（MAE）为 0.75 m，均方根误差（RMSE）为 1.30 m。进一步采用独立多波束测深数据进行外部验证，分层 CNN 模型整体 RMSE 为 2.40 m、MAE 为 1.64 m，表明该方法具有较好的应用潜力。

图2 九章环礁水深反演结果图

本研究综合利用主动激光雷达与被动多光谱遥感数据，验证了 GAN 数据增强和分层 CNN 在提升深水区水深反演精度方面的有效性，为珊瑚礁地形精细制图、海岸带生态系统管理、栖息地监测及防灾减灾提供了新的技术支撑。

文章信息

南京师范大学海洋科学与工程学院陈子尧为论文第一作者，华东师范大学李瑾博士与南京师范大学汪亚平教授为共同通讯作者。研究得到了青年教师科研创新能力支持项目（ZYGXQNJSKYCXNLZCXM-O2）的资助。

文章链接

Chen, Z., Wang, L., Feng, W., Gu, Y., Li, J., & Wang, Y. P. (2026). Advancing Coral Reef Bathymetry: A GAN-Augmented and Stratified CNN analysis of fused ICESat-2 and Sentinel-2 dataset. IEEE Transactions on Geoscience and Remote Sensing. https://doi.org/10.1109/TGRS.2026.3659873