海洋低云在全球范围内展现出丰富多样的中尺度组织形态。本研究采用深度学习技术，利用MODIS可见光和红外辐射数据构建了两个深度残差网络模型ResNet50，专门用于白天和夜间海洋低云组织形态的分类。我们将低云组织形态划分为六大类别：层云、闭合细胞状对流、无组织细胞状对流、开口细胞状对流、聚集积云和孤立积云。模型在白天和夜间的分类准确率分别达到约94%和92%。基于这两个模型，我们建立了一个新的2003-2022年的海洋低云中尺度形态长期数据集，并对其气候分布及长期趋势进行了深入研究。研究发现，层云和层积云在全球范围内呈现明显的季节性变化，而积云类型则没有明显的季节变化，但都展现出显著的日循环特征。另外，闭合型和无组织型细胞状对流呈现出明显的反向日变化趋势。长期趋势分析显示，孤立积云类型的频率呈现出显著增加。结合气溶胶和气象场数据，我们进一步构建了预测低云形态的深度学习模型，并采用参数扰动方法探讨了气溶胶和气象条件变化对低云形态长期趋势的贡献。

海洋性低云,中尺度组织形态,深度学习,卫星数据