近日，我室与上海交通大学联合培养博士研究生王祎硕为第一作者，在国际地球科学领域顶级期刊《IEEE Transactions on Geoscience and Remote Sensing》发表题为“GBM: An ocean front detection framework”的研究论文。我室周木平副研究员、周锋研究员为通讯作者，孟启承、胡志军、张程庆、赵田浩参与合作研究。

海洋锋作为海洋动力与生态过程的核心结构，具有空间形态复杂、尺度跨度大、边界模糊等特征，其自动化识别一直是海洋遥感与地理智能感知领域的难点问题。现有海洋锋检测方法多依赖深度学习模型，普遍存在可解释性不足、跨区域泛化能力受限等问题。基于此，研究团队提出一种融入物理先验知识且完全可解释的海洋锋检测计算机视觉框架——梯度-贝叶斯-形态学框架（Gradient-Bayesian-Morphology，GBM）：（1）基于梯度的阈值策略，引入具有物理意义的先验知识，突出海洋要素场的剧烈梯度变化区域；（2）贝叶斯推理决策，将梯度先验信息与局地要素场特征结合，实现对海洋锋区的自适应分类；（3）形态学与图论结合的优化流程，对锋区进行骨架提取、碎片化片段融合、系统性剔除虚假环状结构，保障检测结果的拓扑一致性。

该框架通过分块建模、统计判决与多准则结构约束，实现从局部锋面候选识别到全局锋面一致性融合的全流程检测。区别于端到端的黑箱模型，GBM框架先利用梯度作为先验知识，再将场算子作为似然函数判定锋区，然后提取锋区骨架、拓扑结构剪枝，最后设计锋织环消算法得到锋线。同时通过可视化结果系统性解析各模块对检测性能的贡献，让算法行为具备可分析、可验证、可复现的特性，并在南海、黑潮等不同动力特征的复杂海洋环境中展现出优异的稳定性与鲁棒性。

研究从理论与实验双维度开展系统分析，不仅量化解析了GBM框架的计算复杂度与参数敏感性，还首次揭示了海洋锋检测问题在不同空间尺度下的幂律统计规律。大量对比实验结果表明，该框架在不依赖深度学习的前提下，检测精度、跨区域泛化能力与计算效率均达到甚至超越当前主流海洋锋检测方法，充分显示了可解释计算机视觉技术在地学智能感知领域的独特优势与工程应用潜力，也为海洋动力要素的自动化识别提供了全新的技术思路。

图 1. 海洋锋检测方法整体流程示意。方法分为三个阶段：基于 SST/SSS 梯度提取锋区候选区域；通过贝叶斯决策融合

图 2. 基于SST的海洋锋检测定性对比结果。该图为2025年1月1日南海与黑潮延伸区上的海洋锋检测结果。与多种经典与代表性方法相比，本文提出的GBM方法在复杂热梯度背景下能够更稳定地提取连续、结构清晰的锋线，显著减少虚假边界与断裂现象。所有检测结果均叠加在海表温度梯度幅值场上（单位：°C/km），暖色表示较强的温度梯度。

图 3. 基于SSS的海洋锋检测定性对比结果。在盐度梯度更弱、噪声更强的条件下，对比不同方法在南海与黑潮延伸区海域的海洋锋检测表现。结果表明，GBM框架在盐度场中依然能够保持锋线的连续性与结构一致性，体现了其对复杂环境条件的良好鲁棒性。检测结果叠加在盐度梯度幅值场上（单位：PSU/km），用于直观展示不同方法对弱梯度锋面的响应差异。