近日，中国科学院海洋研究所人工智能海洋学研究组在高分辨率无缺失海表温度（SST）重建研究方面取得新进展，提出了基于深度学习的遥感跨尺度重建（RSCR）模型框架。相关成果发表在遥感领域国际期刊 ISPRS Journal of Photogrammetry and Remote Sensing。

图1 遥感跨尺度重建（RSCR）模型架构示意图

针对红外遥感SST高分辨率但受云遮挡严重、微波遥感SST全天候覆盖但分辨率较低，以及真实云下高分辨率真值难以获取等问题，本研究系统构建了多源卫星联合重建思路。具体而言，以红外卫星（VIIRS）提供高分辨率细尺度结构信息，以微波卫星（AMSR2）提供连续的大尺度背景约束，并引入连续7天时间序列以表征SST演变的时间连续性。在模型设计上，RSCR通过位置编码、时间序列编码器、差异提取编码器、注意力融合模块以及多模态解码器，实现了时间连续性约束与空间互补性约束在网络结构中的统一映射。

结果表明，RSCR整体表现优于业务化多尺度超高分辨率产品（MUR）。RSCR在不同区域和不同季节条件下始终保持更高的结构相似度和更低的误差，体现出较强的时空鲁棒性。功率谱密度分析进一步证明，RSCR不仅在数值精度上优于广泛使用的产品MUR，误差RMSE降至0.32 ℃，较MUR降低了30.43%，而且在短波段保留了更多具有物理意义的小尺度方差，实现10 km尺度的高分辨率无缺失SST重建，而非仅依赖插值造成的表观网格细化。

图2 2023年台风达维在黑潮区域的冷尾迹

在应用方面，RSCR在极端天气过程中准确刻画台风冷尾迹的降温幅度及其空间形态。以2023年台风达维为例，RSCR对冷尾迹核心区强冷却信号的恢复更接近VIIRS参考观测，且与Argo浮标观测一致，说明其在复杂海气背景和强非稳态事件下仍具备较好的物理一致性与应用价值。

该论文第一作者为中国科学院海洋研究所王梦娇博士后，合作者包括李晓峰研究员，王浩宇博士后为通讯作者。本研究工作得到了国家重点研发计划、国家自然科学基金项目、山东省博士后创新项目和中国博士后科学基金的资助，同时得到了中国科学院海洋科学大数据中心的支持。

论文信息：

M. Wang, X. Li, and H. Wang*, Cloud-Free Sea Surface Temperature Reconstruction from Multi-Satellite Observations by Deep Learning, in ISPRS Journal of Photogrammetry and Remote Sensing, vol. 243, pp. 1028-1048, 2026, doi: 10.1016/j.isprsjprs.2026.10.039.