La temperatura de la superficie del mar (Sea Surface Temperature, SST) es uno de los indicadores importantes para el estudio de la dinámica oceánica, la interacción océano-atmósfera y el cambio climático. Aunque los métodos tradicionales de obtención de la SST son precisos, están limitados por la cantidad de puntos de muestreo y la cobertura, lo que no satisface las necesidades de investigación oceanográfica a gran escala y alta resolución. Aunque los datos satelitales de teledetección pueden cubrir los océanos mundiales y tienen una frecuencia de actualización alta y son ampliamente utilizados en la investigación oceanográfica, los datos de teledetección satelital a menudo están incompletos debido a las condiciones meteorológicas, la cobertura orbital de los escaneos satelitales y las fallas en los sensores satelitales, lo que limita en cierta medida su uso. Por lo tanto, para reconstruir los datos de teledetección para mejorar su eficiencia de uso y obtener conjuntos de datos de alta calidad y cobertura completa, este estudio propuso utilizar el módulo Inception incorporado en el auto-codificador convolucional profundo DINCAE (Data-Interpolating Convolutional Auto-Encoder) para reconstruir los datos de temperatura de superficie del mar del satélite FY-3C. Al mismo tiempo, combinando los datos de medición reales de varios años de la zona de estudio, se utilizó un modelo de redes neuronales profundas (DNN, Deep Neural Networks) para corregir los datos de temperatura reconstruidos por el nuevo modelo, y se utilizó un conjunto de datos de temperatura SST iQuam de 11,993 puntos de medición independientes para verificación. Los resultados muestran que el error cuadrático medio (RMSE) entre la SST reconstruida y la SST medida es de 1,27 °C, el error absoluto medio (MAE) es de 0,96 °C y R² es de 0,84 ; después de la corrección por el modelo DNN, el RMSE desciende a 0,57 °C, el MAE desciende a 0,43 °C y R² aumenta a 0,92. Basándose en los datos corregidos de la temperatura de superficie del mar, se analizaron las características de distribución temporal y espacial de la temperatura de superficie del mar en el mar de China Meridional a escalas mensuales y estacionales. Los resultados muestran que a escala estacional, las características de variación de la SST en el mar de China Meridional son evidentes, con valores máximos en verano y valores mínimos en invierno; a escala mensual, la variación de la SST en el mar de China Meridional presenta una forma ondulatoria sinusoide, con la SST generalmente alcanzando un máximo en junio y un mínimo en enero. Este estudio no solo proporciona un nuevo algoritmo para obtener datos de temperatura de superficie del mar de alta cobertura y alta calidad en el mar de China Meridional, sino que también revela las características de variación temporal y espacial de la temperatura de superficie del mar en esta región.

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