Die Meeresoberflächentemperatur (Sea Surface Temperature, SST) ist einer der wichtigen Indikatoren für die Untersuchung der Ozeandynamik, der Wechselwirkung zwischen Ozean und Atmosphäre und des Klimawandels. Obwohl die traditionellen Methoden zur Ermittlung der SST genau sind, sind sie durch die Anzahl der Probenahmepunkte und die Abdeckung begrenzt, was nicht den Anforderungen an die ozeanographische Forschung im Großmaßstab und mit hoher Auflösung entspricht. Obwohl die satellitengestützten Fernerkundungsdaten die Weltmeere abdecken können und eine hohe Aktualisierungsfrequenz aufweisen und weit verbreitet in der ozeanographischen Forschung eingesetzt werden, sind die satellitengestützten Fernerkundungsdaten oft unvollständig aufgrund von Witterungsbedingungen, der orbitalen Abdeckung der Satellitenscans und Ausfällen der Satellitensensoren, die in gewissem Maße ihre Verwendung einschränken. Daher schlug diese Studie vor, das in den tiefen konvolutiven Autoencoder DINCAE (Data-Interpolating Convolutional Auto-Encoder) eingebettete Inception-Modul zur Rekonstruktion der Meeresoberflächentemperaturdaten des Satelliten FY-3C zu verwenden, um die Effizienz der Nutzung zu verbessern und hochwertige und vollständige Datensätze zu erhalten. Gleichzeitig wurden in Verbindung mit tatsächlichen Messdaten aus mehreren Jahren des Untersuchungsgebiets, die durch den neuen Modell rekonstruierten Temperaturdaten durch das tiefe neuronale Netzmodell (DNN, Deep Neural Networks) korrigiert, und 11.993 unabhängige Messpunktdaten des SST-Temperaturdatensatzes iQuam für Überprüfung verwendet. Die Ergebnisse zeigen, dass der mittlere quadratische Fehler (RMSE) zwischen der rekonstruierten SST und der gemessenen SST 1,27 °C beträgt, der mittlere absolute Fehler (MAE) 0,96 °C beträgt und R² 0,84 beträgt; nach der Korrektur durch das DNN-Modell sinkt der RMSE auf 0,57 °C, der MAE auf 0,43 °C und R² steigt auf 0,92. Auf der Grundlage der korrigierten Meeresoberflächentemperaturdaten wurden die zeitlichen und räumlichen Verteilungs- und Veränderungsmerkmale der Meeresoberflächentemperatur im Südchinesischen Meer auf monatlicher und jahreszeitlicher Ebene analysiert. Die Ergebnisse zeigen, dass auf jahreszeitlicher Ebene die Merkmale der SST-Veränderung im Südchinesischen Meer deutlich sind, mit maximalen Werten im Sommer und minimalen Werten im Winter; auf monatlicher Ebene zeigt die SST-Änderung im Südchinesischen Meer eine sinusförmige Wellenform, wobei die SST in der Regel im Juni ein Maximum und im Januar ein Minimum erreicht. Diese Studie bietet nicht nur einen neuen Algorithmus zur Gewinnung hochwertiger und hochwertiger Daten zur Meeresoberflächentemperatur in der Region des Südchinesischen Meeres, sondern zeigt auch die zeitlichen und räumlichen Veränderungsmerkmale der Meeresoberflächentemperatur in dieser Region auf.

sea surface temperature;data reconstruction;deep learning;FY-3C;spatio-temporal variation