Die Oberflächentemperatur des Meeres (SST, Sea Surface Temperature) ist einer der wichtigen Indikatoren für die Erforschung der Ozeandynamik, der Wechselwirkung zwischen Ozean und Atmosphäre und der Klimaveränderung. Obwohl die herkömmlichen Methoden zur Erfassung von SST genau sind, können sie aufgrund der begrenzten Anzahl von Probenahmestellen und des begrenzten Untersuchungsbereichs die Anforderungen an die ozeanographische Forschung in großem Maßstab und hoher Auflösung nicht erfüllen. Obwohl Fernerkundungsdaten von Satelliten den weltweiten Ozean abdecken und sich durch hohe Aktualität auszeichnen und breite Anwendung in der ozeanographischen Forschung finden, werden die gewonnenen SST-Daten häufig durch fehlende Werte beeinträchtigt, die auf Wetterbedingungen, den Scanbereich der Satellitenbahn und den Betriebsausfall von Satellitensensoren während des Erfassungsprozesses zurückzuführen sind. Dies begrenzt in gewissem Maße die Anwendung der Daten. Um die Nutzungseffizienz von Fernerkundungsdaten zu verbessern und hochwertige, flächendeckende Datensätze zu erhalten, wurde in dieser Studie durch die Integration des Inception-Moduls in den tiefen Convolutional Autoencoder DINCAE (Data-Interpolating Convolutional Auto-Encoder) vorgeschlagen, das I-DINCAE-Modell zur Datenrekonstruktion der SST-Produkte des südchinesischen Meeres auf dem Satelliten FY-3C zu verwenden. Gleichzeitig wurde das neu rekonstruierte Temperaturdatenmodell mit den mehrjährigen gemessenen Daten der Untersuchungsregion kombiniert, und das Tiefen-Neuronen-Netzwerkmodell (DNN, Deep Neural Networks) wurde zur Korrektur der Temperaturdaten des neuen Modells verwendet. Außerdem wurde das datensatz der 11993 unabhängigen messdatenpunkte von iQuam SST für die Überprüfung verwendet. Die Ergebnisse zeigten: Die RMSE der rekonstruierten SST und der gemessenen SST beträgt 1,27 ℃, die MAE beträgt 0,96 ℃, R² beträgt 0,84; Nach der Korrektur des DNN-Modells verringerte sich die RMSE auf 0,57 ℃, die MAE auf 0,43 ℃ und R² erhöhte sich auf 0,92. Basierend auf den korrigierten Oberflächentemperaturdaten wurden die zeitlichen und räumlichen Verteilungs- und Änderungsmerkmale der Oberflächentemperatur des Südchinesischen Meeres auf monatlicher und quartalsweiser Skala analysiert. Die Ergebnisse zeigten: Auf quartalsweiser Skala ist das SST des Südchinesischen Meeres offensichtlich veränderlich und erreicht im Sommer den Höchstwert, während es im Winter den Tiefstwert erreicht; Auf monatlicher Skala zeigt das SST des Südchinesischen Meeres eine sinusförmige Schwankungsform, wobei das SST normalerweise im Juni den Maximalwert und im Januar den Minimalwert erreicht. Diese Studie hat nicht nur einen neuen Algorithmus zur Gewinnung von hochwertigen SST-Daten für die südchinesischen Meeresregionen entwickelt, sondern auch die zeitlichen und räumlichen Veränderungsmerkmale der SST in der südchinesischen Meeresregion aufgedeckt.

Oberflächentemperatur des Meeres; Datenrekonstruktion; Tiefenlernen; FY-3C; zeitliche und räumliche Veränderung