近日，我所海洋遥感探测及应用团队聚焦多源海表遥感数据驱动的海洋次表层温度场智能探测开展研究，构建了三类深度学习次表层海温重构框架，给出了基于海表遥感数据重构海洋次表层温度数据的新方案。相关研究成果以“Satellite-based reconstruction of high-resolution ocean subsurface temperature using spatiotemporal graph attention networks”、“Reconstructing subsurface ocean temperature from sea surface multivariate remote sensing data using CSSP-ConvLSTM”和“PSSA-GAN: a network with self-attention and season attention for high spatiotemporal resolution ocean subsurface temperature reconstruction”为题分别发表于国际学术期刊《International Journal of Applied Earth Observation and Geoinformation》、《IEEE Transactions on Geoscience and Remote Sensing》和《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》。

海洋次表层温度场是认识海洋热量输运、温跃层演化及气候变化过程的重要基础。然而，受限于现场观测时空覆盖稀疏且分布不均、传统卫星遥感仅能观测海表，如何有效获取大范围、高时空分辨率的海洋内部温度场，一直是海洋研究的难题。

针对上述问题，研究团队基于GAN、CNN、Swin Transformer、ConvLSTM和GAT构建了三类次表层海水温度重构模型，在提升海洋动力过程多尺度时空特征表征的基础上，实现高分辨率次表层海水温度数据获取。将自注意力与季节注意力机制引入生成对抗网络提出了PSSA-GAN模型，太平洋海域日尺度次表层温度场实验验证了模型的重构能力。针对重构结果中对温跃层和深层温度场结构刻画不足的问题，融合CNN、Swin Transformer与ConvLSTM，提出了CSSP-ConvLSTM模型，提升了温跃层及深层温度场重构精度。针对海洋动力过程复杂海域次表层温度场重构问题，将时间卷积网络与图注意力网络相结合提出了STGAT模型，实现了黑潮延伸区海域20–1941 m深度日尺度海水温度重构。

研究结果表明，提出的海洋次表层温度场重构模型能获得海洋内部温度的空间分布、垂向结构及季节变化特征，特别是在温跃层和深层表现出更好的稳定性，再现了中尺度涡旋与锋面的热结构特征。相关成果为利用卫星遥感反演海洋内部热结构提供了新方法，也可为海洋动力过程分析、气候变化研究和海洋环境业务化监测提供技术支撑。

该研究由我所海洋遥感探测及应用团队牵头，哈尔滨工程大学、中国石油大学（华东）、丹麦技术大学等单位学者共同参与。我所联合培养博士生孙洁和谷浩然、联合培养硕士生荀佳伟分别为论文第一作者，杨俊钢研究员为通讯作者。该研究工作得到了国家自然科学基金重点项目、国家重点研发计划项目及ESA-MOST Dragon 6国际合作项目的资助。

论文链接：

https://doi.org/10.1109/JSTARS.2025.3624008

https://doi.org/10.1109/TGRS.2026.3660826

https://doi.org/10.1016/j.jag.2026.105237

图1赤道东太平洋PSSA-GAN模型重构温度场与GLORYS12V1再分析数据比较图（左图为不同深度层的温度水平分布，右图为温度纬向垂直剖面分布）

图2不同经向垂直剖面CSSP-ConvLSTM模型重构温度场与ARMOR3D对比图（左图为CSSP-ConvLSTM模型重构温度，中间图为ARMOR3D温度，右图为两者差值）

图3 STGAT模型重构温度场与GLORYS12V1再分析数据对比图（左图为380 m水平剖面对比，中图为20–1941 m纬向垂直剖面对比，右图为20–1941 m经向垂直剖面对比）