リモートセンシング衛星の急速な発展により、多スケールかつ広域カバレッジを特徴とする海表面温度リモートセンシング製品データが、従来の海表面温度SST（Sea Surface Temperature）測定手法に徐々に取って代わりつつある。熱赤外衛星センサーは、高頻度かつ広域カバレッジによるSSTデータの反演能力により、科学的応用において大きな可能性を示している。しかし、雲の覆いにより雲下のSST推定に異常が生じることが多く、部分的な雲カバー領域ではSSTデータの欠損が発生する場合もある。これらの問題を克服するために、本研究では現地海洋温度データを基準とし、時空間マッチング手法を用いてAHI（Advanced Himawari Imager）の近赤外画像とATMS（Advanced Technology Microwave Sounder）のマイクロ波放射計バンドデータを融合し、マッチングデータセットを構築した。さらに、3種類の機械学習手法により融合データのSST反演精度を評価するとともに、昼夜条件におけるSST反演精度をそれぞれ解析した。研究結果は、AHI/ATMSの結合輝度温度データを用いたSST反演が全天候型SSTデータの精度を著しく向上させ、単にAHIデータのみを用いた反演結果と比較して、融合AHI/ATMSデータ手法により雲下領域のR²が7.7％向上し、RMSEが0.896 ℃低減したことを示した。さらに、熱赤外反演法と比較して、ATMSデータ融合手法は雲域のSSTを効果的に反演でき、全天候条件下でのSST反演に重要な技術的参考を提供する。

多源リモートセンシングデータ; 海面温度; 全天候SST反演; 時空間マッチング; 機械学習; 熱赤外線とマイクロ波リモートセンシング; AHI近赤外画像; ATMSマイクロ波放射計