La temperatura de la superficie del mar (SST, Sea Surface Temperature) es uno de los indicadores importantes para estudiar la dinámica oceánica, la interacción océano-atmósfera y el cambio climático. Aunque los métodos tradicionales de obtención de SST son precisos, están limitados por la cantidad de puntos de muestreo y el alcance de cobertura, lo que dificulta satisfacer las necesidades de investigación oceánica a gran escala y alta resolución. Aunque los datos de teledetección vía satélite pueden cubrir todos los océanos del mundo con una alta frecuencia de actualización, y son ampliamente utilizados en la investigación oceánica, los datos de teledetección satelital tienden a tener lagunas debido a las condiciones meteorológicas durante la recopilación, el rango de trayectoria de exploración del satélite y fallas en el funcionamiento de los sensores, lo que limita en cierta medida su uso. Por lo tanto, para reconstruir los datos de teledetección y mejorar su eficiencia de uso, y obtener un conjunto de datos de alta calidad con cobertura total, esta investigación propone utilizar el módulo Inception incrustado en el auto-codificador convolucional profundo DINCAE (Data-Interpolating Convolutional Auto-Encoder) para la reconstrucción de los datos de temperatura de la superficie del mar del satélite FY-3C; al mismo tiempo, combinando los datos medidos en el área de investigación a lo largo de varios años, se utiliza el modelo de redes neuronales profundas DNN (Deep Neural Networks) para corregir los datos de temperatura reconstruidos por el nuevo modelo, y se verifica utilizando el conjunto de datos de 11993 puntos independientes del conjunto de datos iQuam SST. Los resultados muestran que el RMSE entre el SST reconstruido y el SST medido es de 1.27°C, el MAE es de 0.96°C, y R² es de 0.84; después de la corrección del modelo DNN, el RMSE se reduce a 0.57°C, el MAE se reduce a 0.43°C, y R² se aumenta a 0.92. Basándose en los datos de temperatura superficial del mar corregidos, se analizan las características temporales y espaciales de la distribución y cambio de la temperatura superficial del mar en la escala mensual y trimestral en el Mar del Sur. Los resultados muestran que a escala estacional, las características de cambio de SST en el Mar del Sur son significativas, con la SST alcanzando su valor máximo en verano y disminuyendo al mínimo en invierno; a escala mensual, el cambio de SST en el Mar del Sur muestra una forma de onda sinusoidal, con la SST generalmente alcanzando su valor máximo en junio y su valor mínimo en enero. Esta investigación no solo proporciona un nuevo algoritmo para obtener datos de temperatura superficial del mar de alta cobertura y alta calidad en el Mar del Sur, sino que también revela las características de cambio temporal y espacial de la temperatura superficial del mar en el Mar del Sur.

Temperatura de la superficie del mar; Reconstrucción de datos; Aprendizaje profundo; FY-3C; Cambio temporal y espacial