海表温度是海洋学和气候科学中的一个关键参数，对多个领域具有重要影响。然而目前高时空分辨率海表温度数据较为匮乏，其中基于热红外的遥感传感器虽然具有较高空间分辨率（0.02°），却因无法穿透云层而常导致数据缺失和精度下降。本研究提出了一种基于条件扩散模型的SST重建框架，通过整合Himawari 热红外数据和OSTIA 海表温度数据集的时空信息，生成空间分辨率为0.02°的完整海表温度数据集。在南海区域的验证显示，该模型具有优越的重建性能（R²=0.92，RMSE=0.39℃，PSNR=57.93），能够有效表征季节变化、沿岸瞬变过程及离岸稳定波动。此外，模型迁移实验表明，仅通过南海训练即可准确预测印度洋海温（RMSE改善70.8%），证实其普适性，表明其适用于Himawari数据有限的地区并具有更广泛的地理应用潜力。与原始Himawari数据相比，重建数据集显著提升了精度，将RMSE从1.01°C降至0.29°C，R²从0.71提高至0.86，偏差从-0.54°C调整至0.02°C。通过融入时间信息，该方法有效捕捉了海表温度的空间和时间特征，包括季节性变化、小尺度脉动、快速沿海变化以及稳定的离岸波动。本研究为将该框架应用于其他区域奠定了基础，凸显了其在生成高分辨率、全天候海表温度数据方面的应用潜力。
 

海表温度,深度学习,扩散模型,遥感