Морская температура поверхности SST (Sea Surface Temperature) является одним из важных показателей в изучении океанической динамики, взаимодействия океанов с атмосферой и изменения климата. Традиционные способы получения данных о морской температуре, хотя и точны, ограничены количеством точек выборки и охватом, что затрудняет обеспечение потребностей в масштабном и высокоразрешенном океанографическом исследовании. Несмотря на то, что данные дистанционного зондирования океана с использованием спутниковых данных могут покрывать все мировые океаны и обладают высокой частотой обновления, их широко используют в океанографии, однако данные дистанционного зондирования океана с использованием спутниковых данных подвержены влиянию погодных условий, диапазону орбитальной области и неисправностям датчиков спутников, что приводит к частичному отсутствию данных о морской температуре поверхности, в значительной степени ограничивая их использование. Поэтому для реконструкции данных удаленного зондирования для повышения их эффективности использования и получения высококачественных полностью охватывающих наборов данных, в данном исследовании был предложен вариант использования модуля Inception в глубоком сверточном автоэнкодере DINCAE (Data-Interpolating Convolutional Auto-Encoder) и предложена модель I-DINCAE для реконструкции данных о морской температуре поверхности продукции от спутника FY-3C в Южно-Китайском море. Одновременно, с использованием фактических измеряемых данных в течение нескольких лет в исследуемой области, была использована модель глубоких нейронных сетей DNN (Deep Neural Networks) для калибровки новой модели реконструированных температурных данных, и также их проверки по набору данных iQuam SST, состоящему из 11993 независимых точек измерения. Результаты показывают: RMSE между реконструированными и фактическими данными SST составляет 1,27 ℃, MAE составляет 0,96 ℃, R² составляет 0,84; после калибровки моделью DNN, RMSE сократилось до 0,57 ℃, MAE сократилось до 0,43 ℃, R² увеличилось до 0,92. На основе скорректированных данных о температуре поверхности моря был проведен анализ пространственного и временного распределения и характеристик изменений температуры морской поверхности в Южно-Китайском море на месячной и сезонной шкалах. Результаты показывают: на сезонной шкале характеристики изменений SST в Южно-Китайском море ярко выражены, проявляясь в том, что летняя SST достигает максимальных значений, а зимняя SST опускается до минимальных; на месячной шкале изменения SST в Южно-Китайском море проявляются в виде синусоидальных колебаний, где SST обычно достигает максимума в июне и минимума в январе. Это исследование не только предоставляет новые алгоритмы для получения данных о морской температуре поверхности в районе Южно-Китайского моря с высоким охватом и высоким качеством, но также раскрывает характеристики пространственно-временных изменений температуры морской поверхности в районе Южно-Китайского моря.

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