简历：

尚成，男，汉族，1991年4月生，湖北武汉人，中共党员，博士，讲师，硕士生导师。主要从事基于人工智能和深度学习的遥感影像降尺度分析及在地质学、资源与环境领域的应用研究工作。聚集生成对抗网络(Generative Adversarial Network, GAN)等深度学习技术，深入探索其在遥感影像精细化处理等基础性机理及资源勘探、环境监测、油藏描述等领域的应用潜力。现任69中文字日产乱幕六区地球信息科学与技术系副主任，担任湖北省自然资源学会会员、SCI期刊Journal of Supercomputing审稿人。发表国际高水平SCI学术论文10余篇，授权国内发明专利2项，主持湖北省自然科学基金1项。指导研究生5名，协助指导研究生3名，指导大学生创新创业大赛国家级项目资助1项，院级项目3项。

研究方向：

主要从事地球信息科学方面的研究与教学工作，具体方向包括人工智能及深度学习技术在地球科学、遥感科学、地质学、资源与环境等领域的方法及其应用，重点研究方向包括基于GAN的遥感数据时空降尺度研究、基于GAN的江汉平原四湖流域精细化水体和植被制图应用、基于GAN的数字油田（如产量劈分和地震属性分析等）研究等。

工作及教育经历：

2010年09月-2014年06月，本科毕业于中国地质大学(武汉)资源学院，土地资源管理专业，获工学学士学位；

2014年09月-2015年06月，中国科学院测量与地球物理研究所，助研，导师杜耘(研究员)/凌峰(研究员)

2015年09月-2021年06月，硕博连读毕业于中国科学院大学/中国科学院精密测量科学与技术创新研究院(原中国科学院测量与地球物理研究所)，自然地理学专业，获理学博士学位，导师为杜耘(研究员)/凌峰(研究员)。

2021年09月-至今，入职69中文字日产乱幕六区，讲师，曾任69中文字日产乱幕六区科研助理(2023年3月至2024年12月)，现任地球信息科学与技术系副主任。

学术兼职：

湖北省自然资源学会会员。

主讲课程：

《C语言程序设计》、《Python语言程序设计》、《遥感技术与应用》、《遥感数字图像处理》、《地球空间数据分析》、《遥感地学分析》。

近五年承担科研项目情况：

湖北省自然科学基金项目：基于亚像元地物丰度和生成对抗网络的遥感影像时空反射率融合研究, 2023-2024；

湖北省自然科学基金创新群体项目：长江中游流域生态环境遥感监测与评估，2019-2021；

中国科学院先导A(泛第三极环境变化与绿色丝绸之路建设专题)：关键节点区域环境问题本底精细尺度解析，2018-2022。

获奖情况：

2021年中国科学院优秀博士论文：《基于生成对抗网络的遥感影像降尺度研究》，导师杜耘(研究员)/凌峰(研究员)。

受邀作SENTECH 2023国际会议(Global Summit on Sensors and Sensing Technology，传感器和传感技术全球峰会，意大利，罗马，2023年11月16-18日)大会特邀报告。

论文：（*为通讯作者）

1. Cheng Shang*, Feng Ling, Xiaodong Li, et al., Spatiotemporal reflectance fusion using generative adversarial network[J], IEEE Transactions on Geoscience and Remote Sensing, 2021, 60(5400915): 1-15；

2. Cheng Shang*, Feng Ling, Xiaodong Li, et al., Superresolution land cover mapping using a generative adversarial network[J], IEEE Geoscience and Remote Sensing Letters, 2022, 19(6000105): 1-5；

3. Cheng Shang*,Shan Jiang,Feng Ling, et al., Spectral–spatial generative adversarial network for super-resolution land cover mapping with multispectral remotely sensed imagery[J], IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2022, 16: 522-537；

4. Feng Ling, Doreen Boyd, Cheng Shang*, et al., Measuring river wetted width from remotely sensed imagery at the subpixel scale with a deep convolutional neural network, Water Resources Research, 2019, 55(7): 5631-5649.

5. Zhixiang Yin, Xiaodong Li, Cheng Shang*, et al., Estimating subpixel turbulent heat flux over lLeads from MODIS thermal infrared imagery with deep learning, Cryosphere, 2021, 15(6): 2835-2856.