随着卫星遥感技术的发展,越来越多的卫星观测数据被应用于预测海洋内部温盐结构信息,而如何有效提高海洋内部温盐信息的预测精度仍是一个挑战.本文应用LightGBM算法结合随机森林算法构建全球海洋次表层(0-1000　m)温度异常(STA)与盐度异常(SSA)的预测模型,模型使用海表卫星观测数据(海表高度异常(SSHA)、海表温度异常(SSTA)、海表盐度异常(SSSA)和海表风场异常水平和垂直分量(USSWA、VSSWA),结合经纬度信息(LON、LAT)作为预测变量,使用Argo次表层温盐数据作为模型训练与测试标记.本文使用五参数模型(SSTA、SSHA、SSSA、USSWA、VSSWA)、带纬度六参数模型(LAT、SSTA、SSHA、SSSA、USSWA、VSSWA)、带经度六参数模型(LON、SSTA、SSHA、SSSA、USSWA、VSSWA)与带经纬度七参数模型(LON、LAT、SSTA、SSHA、SSSA、USSWA、VSSWA)来着重分析LON与LAT在STA、SSA遥感预测中发挥的作用.结果　表明LON与LAT在STA、SSA各自预测中发挥不同的作用.在单时相和时序预测STA中LON与LAT对模型的贡献随着深度的增加逐渐增大,而在单时相和时序预测SSA中LON与LAT对不同深度预测模型始终保持较大的贡献.在单时相预测STA与SSA中LON较LAT对模型贡献更大,而在时序预测STA与SSA中LAT较LON对模型贡献更大.经纬度信息是全球海洋次表层温盐机器学习预测的重要参数,可以提高模型的预测精度.同时,LightGBM较随机森林在预测海洋次表层温盐异常时精度更高鲁棒性更强.