La température de surface de la mer SST (Sea Surface Temperature) est l'un des indicateurs importants pour l'étude de la dynamique des océans, de l'interaction océan-atmosphère et des changements climatiques. Les méthodes traditionnelles de collecte de données sur la température de surface de la mer, bien que précises, sont limitées par le nombre de points d'échantillonnage et la couverture, ce qui rend difficile de répondre aux besoins de recherche océanographique à grande échelle et à haute résolution. Bien que les données de télédétection par satellite puissent couvrir tous les océans du monde et soient mises à jour fréquemment, elles sont largement utilisées en océanographie, cependant, les données de télédétection par satellite sont influencées par les conditions météorologiques, la portée de l'orbite de balayage et les défaillances des capteurs du satellite, ce qui entraîne une perte partielle de données sur la température de surface de la mer, limitant ainsi grandement leur utilisation. Par conséquent, pour la reconstitution des données de télédétection afin d'en améliorer l'efficacité et d'obtenir des ensembles de données de haute qualité à couverture complète, cette étude a proposé l'utilisation du module Inception dans l'auto-codeur convolutif interpolant de données DINCAE (Data-Interpolating Convolutional Auto-Encoder) et a proposé le modèle I-DINCAE pour la reconstitution des données de température de surface de la mer du satellite FY-3C dans la mer de Chine méridionale. En même temps, en utilisant des données mesurées réelles sur plusieurs années dans la zone d'étude, le modèle de réseaux neuronaux profonds DNN (Deep Neural Networks) a été utilisé pour calibrer les nouvelles données de température reconstruites, et elles ont également été vérifiées à l'aide de l'ensemble de données iQuam SST, composé de 11993 points de mesure indépendants. Les résultats montrent que : l'écart quadratique moyen entre les SST reconstruites et réelles est de 1,27 ℃, l'EMA est de 0,96 ℃, R² est de 0,84 ; après calibrage par le modèle DNN, l'écart quadratique moyen est réduit à 0,57 ℃, l'EMA est réduit à 0,43 ℃, R² est augmenté à 0,92. Sur la base des données corrigées de la température de surface de la mer, une analyse de la distribution spatiale-temporelle et des caractéristiques des changements de la température de surface de la mer dans la mer de Chine méridionale à l'échelle mensuelle et saisonnière a été effectuée. Les résultats montrent que : à l'échelle saisonnière, les caractéristiques de variation des SST dans la mer de Chine méridionale sont nettes, se manifestant par une SST estivale atteignant des valeurs maximales, et une SST hivernale descendant à des valeurs minimales; à l'échelle mensuelle, les variations de la SST dans la mer de Chine méridionale se présentent sous forme d'oscillations sinusoïdales, avec la SST atteignant généralement son maximum en juin et son minimum en janvier. Cette étude fournit non seulement de nouveaux algorithmes pour obtenir des données de température de surface de la mer de haute qualité et à couverture complète dans la mer de Chine méridionale, mais révèle également les caractéristiques des changements spatiaux-temporels de la température de surface de la mer dans la mer de Chine méridionale.

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