Mit der schnellen Entwicklung von Fernerkundungssatelliten ersetzen Daten von Fernerkundungsprodukten der Meeresoberflächentemperatur mit multiskaligen und großflächigen Merkmalen allmählich die traditionellen Methoden der Erfassung der Meeresoberflächentemperatur SST (Sea Surface Temperature). Thermisch-infrarote Satellitensensoren zeigen dank ihrer hohen Frequenz und der Fähigkeit, SST-Daten großflächig zu invertieren, ein großes Potenzial in wissenschaftlichen Anwendungen. Wolkenbedeckung führt jedoch häufig zu Anomalien bei der Schätzung der SST unter Wolken, und in teilweise bewölkten Bereichen treten sogar fehlende SST-Daten auf. Um diese Probleme zu überwinden, verwendet dieser Artikel in-situ-Meeresoberflächentemperaturdaten als Referenz, verwendet eine raum-zeitliche Anpassungsmethode zur Fusion von AHI (Advanced Himawari Imager) Nahinfrarotbildern mit den Mikrowellenradiometer-Banddaten von ATMS (Advanced Technology Microwave Sounder), erstellt einen angepassten Datensatz und bewertet die Genauigkeit der SST-Inversion der fusionierten Daten mittels dreier maschineller Lernmethoden. Gleichzeitig wird die Genauigkeit der SST-Inversion unter Tages- und Nachtbedingungen separat analysiert. Die Studienergebnisse zeigen, dass die gemeinsamen Leuchttemperaturdaten von AHI/ATMS die Genauigkeit der ganztägigen SST-Daten signifikant verbessern; im Vergleich zur reinen Verwendung von AHI-Daten erhöht die Fusion der AHI/ATMS-Daten die Bestimmtheitsmaß R² um 7,7 % und senkt den RMSE um 0,896 ℃. Darüber hinaus kann die Fusion von ATMS-Daten im Vergleich zur thermisch-infraroten Inversionsmethode die SST in wolkenbedeckten Gebieten effektiv invertieren und bietet eine wichtige technische Referenz für die SST-Inversion unter ganzjährigen Bedingungen.

multisource Fernerkundungsdaten; Meeresoberflächentemperatur; ganzjährige SST-Inversion; raum-zeitliche Anpassung; maschinelles Lernen; thermisch-infrarote und Mikrowellenfernerkundung; AHI Nahinfrarotbilder; ATMS Mikrowellenradiometer