RVDCU-Net：一种用于卫星导出海表温度时空重建的模块化深度学习框架

《Marine Geodesy》：RVDCU-Net: A Modular Deep Learning Framework for Spatiotemporal Reconstruction of Satellite-Derived Sea Surface Temperature

云污染海表温度数据缺失问题，RVDCU-Net融合密集卷积、内容感知重汇编等模块实现时空重建，在南海FY-4A/AGRI数据上验证优于DINEOF、U-Net和ViT基线，保持参数紧凑与推理高效。

　　

摘要

卫星获取的海表温度（SST）数据对于研究海洋-大气相互作用至关重要，但这些观测数据常常受到云层覆盖和传感器限制的影响，导致大量数据缺失。传统的插值技术和卷积神经网络（CNN）方法在高数据缺失率的情况下容易过度平滑中尺度及次中尺度结构。我们提出了RVDCU-Net，这是一种模块化的编码器-解码器框架，结合了DenseBlock（密集连接卷积块）、CARAFE（特征感知重组）、SE（挤压-激励）注意力机制以及RepVGG（重新参数化的视觉几何网络），用于重建受云层干扰的海表温度数据。该模型在南海地区的FY-4A（风云-4A）/AGRI（高级地球静止辐射成像仪）海表温度数据上进行训练和评估，采用物理上合理的、类似分形的云层掩膜作为监督信号。与DINEOF（数据插值经验正交函数）、U-Net和ViT（视觉变换器）等基线模型相比，RVDCU-Net在均方误差（MSE）、结构相似度（SSIM）以及滞后1阶自相关性方面表现更优，同时保持了参数的紧凑性和快速的推理速度。该框架能够准确重建中尺度涡旋、锋面系统及时间变化模式，显示出其在海洋监测、海洋预报和气候研究中的实际应用潜力。