基于深度时空融合模型的全球无缝日尺度海表温度产品重建与验证研究

本研究针对卫星遥感海表温度(SST)产品因云层覆盖、气溶胶干扰等因素导致的大范围数据缺失问题，开发了深度时空融合模型(SGD-SST)，利用SNPP-VIIRS卫星2013-2024年9公里分辨率数据，重建了全球无缝日尺度SST产品。通过原位验证（相关系数0.991）、时间序列验证及与传统插值法对比，证实该方法具有更高空间连续性和重建精度，为气候监测、海洋生态研究提供了高精度数据支持。

　　

海表温度(SST)是地球气候系统的核心变量，直接影响海洋-大气相互作用和生态系统平衡。然而，云层覆盖、气溶胶干扰和太阳耀斑等现象导致卫星遥感获取的全球日尺度SST产品存在高达40%-60%的数据缺失，严重制约了气候模型精度和极端天气预警能力。传统基于统计的SST重建方法（如SODA、ERSST v5）虽能填补空白，但存在时空分辨率低（1^°×1^°）、无法捕捉日尺度波动等缺陷。

针对这一挑战，中国研究人员开发了深度时空融合模型(SGD-SST)，利用SNPP-VIIRS卫星2013-2024年9公里分辨率数据，首次实现了全球无缝日尺度SST产品重建。该模型创新性地融合了门控卷积局部注意力机制和月平均SST约束策略，有效抑制异常值生成。关键技术包括：1) 多源数据预处理构建训练样本；2) 时空特征联合提取网络架构；3) 基于MAE（平均绝对误差）和SSIM（结构相似性）的混合损失函数优化。

实验验证部分显示：原位验证中SGD-SST与浮标数据相关系数达0.991，MAE仅0.685°C；时间序列验证证实重建值与原始有效值高度吻合；与传统插值法相比，其空间连续性提升23%，极地区域重建精度提高18%。特别值得注意的是，模型在太阳耀斑频发的高纬度区域仍保持稳定性能，解决了传统方法在极地研究的瓶颈问题。

结论指出，SGD-SST产品首次实现了兼顾高时空分辨率（日尺度/9公里）与完整覆盖的全球SST数据集，其开源发布（Zenodo平台）将推动气候模型精细化、赤潮预警等应用。未来研究可扩展至多卫星数据融合，进一步提升短时天气事件的捕捉能力。该成果为《巴黎协定》框架下的海洋气候变化评估提供了关键技术支撑。