一种用于遥感全球陆地表面温度反演的机制学习深度耦合模型
大气与海洋物理
2026-03-18 v3 机器学习
摘要
从遥感数据获取陆地表面温度（LST）是分析气候过程和表面能量预算的关键步骤。然而，LST 反演是一个不确定的逆问题，在仅获得单个波段时尤为严峻。本文提出一种深度耦合框架，集成机制建模和机器学习，以提高单通道 LST 反演的准确性和通用性。训练样本使用基于物理的辐射传递模型和全球收集的5810个大气轮廓生成。提出一种受物理约束的机器学习框架，系统性地将经典物理反演模型中的基本原理纳入学习工作流程，并受辐射传递方程约束。全球验证结果表明，均方根误差相对于独立方法降低了30%。在极端湿度条件下，平均绝对误差从4.87 K降低到2.29 K（改进53%）。大陆规模测试覆盖五大洲，确认了该模型卓越的通用性。
引用
@article{arxiv.2504.07481,
title = {A Mechanism-Learning Deeply Coupled Model for Remote Sensing Retrieval of Global Land Surface Temperature},
author = {Tian Xie and Menghui Jiang and Huanfeng Shen and Huifang Li and Chao Zeng and Jun Ma and Guanhao Zhang and Liangpei Zhang},
journal= {arXiv preprint arXiv:2504.07481},
year = {2026}
}