物理模型结合机器学习提升卫星测温精度与可靠性

近日，中国农业科学院农业资源与农业区划研究所农业遥感创新团队，在地表温度遥感反演技术领域取得重要突破。该研究成功构建了一种高精度、强适应性的地表温度反演新方法，为复杂地形与多变大气条件下的温度精准监测提供了创新解决方案，对深化全球气候变化研究与陆气相互作用分析具有关键支撑作用。相关研究成果已在国际权威期刊《环境遥感》上正式发表。

地表温度是表征地球系统能量平衡状态的核心物理参数，直接驱动着天气气候演变、植被物候变化、地表蒸散发等关键生态与物理过程。因此，获取高精度、高时空分辨率的地表温度数据，对于提升气象预测与气候模拟的准确性、优化农业水资源管理、评估生态环境变化等应用领域具有不可替代的价值。然而，当前主流的地表温度遥感反演技术仍存在明显局限：基于严格物理定律的辐射传输模型虽机理清晰，但计算复杂且对输入参数精度要求苛刻；而完全依赖数据驱动的机器学习算法，虽能获得较高拟合精度，却普遍存在物理可解释性差、在未知场景下泛化能力不足等问题。

为攻克上述技术难题，该研究团队开创性地提出了一种“物理机理与数据驱动协同”的耦合反演新框架。该技术路径的核心在于，首先利用物理模型生成具有明确物理意义的初始反演值，随后引入先进的机器学习模型，专门用于学习和校正物理模型因简化假设或参数误差所导致的系统性偏差。这种“物理约束、智能校正”的创新策略，有机融合了物理模型的机理可靠性与机器学习模型强大的非线性拟合能力。

广泛的验证实验表明，在高温高湿、复杂下垫面（如裸露地表、城市区域）等传统算法精度显著下降的挑战性环境中，这一新框架展现出了卓越的反演性能与稳定的鲁棒性。尤为重要的是，研究团队通过该框架实现了对反演误差来源的定量解析，有效提升了机器学习环节的透明度与可解释性，为理解和信任人工智能模型的决策逻辑、进而推动遥感反演技术向更高可靠性发展提供了新的方法论。