La température de surface de la mer (Sea Surface Temperature, SST) est l'un des indicateurs importants pour l'étude de la dynamique océanique, de l'interaction océan-atmosphère et du changement climatique. Bien que les méthodes traditionnelles d'obtention de la SST soient précises, elles sont limitées par le nombre de points d'échantillonnage et la couverture, ce qui ne répond pas aux besoins de recherche océanographique à grande échelle et haute résolution. Bien que les données satellitaires de télédétection puissent couvrir les océans mondiaux et aient une fréquence de mise à jour élevée et soient largement utilisées dans la recherche océanographique, les données de télédétection satellitaire sont souvent lacunaires en raison des conditions météorologiques, de la couverture orbitale des balayages satellitaires et des défaillances des capteurs satellitaires, ce qui limite dans une certaine mesure leur utilisation. Par conséquent, pour reconstruire les données de télédétection afin d'en améliorer l'efficacité d'utilisation et d'obtenir des ensembles de données de haute qualité et à couverture complète, cette étude a proposé d'utiliser le module Inception incorporé dans l'auto-encodeur convolutif profond DINCAE (Data-Interpolating Convolutional Auto-Encoder) pour reconstruire les données de température de surface de la mer du satellite FY-3C. Parallèlement, en combinant les données de mesure réelles de plusieurs années de la zone d'étude, le modèle de réseau de neurones profonds (DNN, Deep Neural Networks) a été utilisé pour corriger les données de température reconstruites par le nouveau modèle, et les données de 11 993 points de mesure indépendants de l'ensemble de données de température SST iQuam ont été utilisées pour vérification. Les résultats montrent que l'erreur quadratique moyenne (RMSE) entre la SST reconstruite et la SST mesurée est de 1,27 °C, l'erreur absolue moyenne (MAE) est de 0,96 °C, et R² est de 0,84 ; après correction par le modèle DNN, le RMSE descend à 0,57 °C, le MAE descend à 0,43 °C et R² augmente à 0,92. Basé sur les données corrigées de température de surface de la mer, les caractéristiques de distribution temporelle et spatiale de la température de surface de la mer dans la mer de Chine méridionale à des échelles mensuelles et saisonnières ont été analysées. Les résultats montrent que à l'échelle saisonnière, les caractéristiques de variation de la SST dans la mer de Chine méridionale sont évidentes, avec des valeurs maximales en été et des valeurs minimales en hiver ; à l'échelle mensuelle, la variation de la SST dans la mer de Chine méridionale présente une forme ondulatoire sinusoïdale, avec la SST atteignant généralement un maximum en Juin et un minimum en Janvier. Cette étude non seulement fournit un nouvel algorithme pour obtenir des données de température de surface de la mer de haute couverture et de haute qualité dans la mer de Chine méridionale, mais révèle également les caractéristiques de variation temporelle et spatiale de la température de surface de la mer dans cette région.

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