物理模型“联手”机器学习让卫星测温更准、更可靠

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方面取得新进展。这项研究为复杂地表和大气温度精准监测提供了可靠的技术路径，对气候变化与陆气相互作用研究具有重要支撑价值。相关成果已发表于《环境遥感》期刊。

地表温度是地球系统能量平衡的关键参数，深刻影响着天气演变、植被生长、水分蒸发等一系列物理与生态过程。因此，获取准确的地表温度数据，对于提升气象预报精度、指导生态保护实践、深化水文循环研究都至关重要。然而，现有的地表温度遥感反演方法仍面临不小挑战：基于物理机理的模型在精度与计算效率之间难以兼顾；而纯粹的机器学习方法虽能拟合数据，却往往缺乏物理机理支撑，其泛化能力和结果的可解释性也常受质疑。

针对这一瓶颈，研究团队创新性地提出了一种“物理模型+机器学习”耦合反演新框架。该框架的核心思路是，首先利用物理模型生成初步的温度反演结果，随后引入机器学习模型，专门负责估算并修正物理模型未能捕捉的剩余偏差。这种“物理打底、AI精修”的策略，巧妙结合了物理模型的机理可靠性与机器学习的数据驱动优势。

验证结果表明，即使在高温高湿、裸露地表等传统方法容易失效的复杂环境条件下，这一新框架依然表现出优异的反演精度和强大的稳定性。更值得一提的是，研究团队还利用该框架深入分析了误差来源，使得通常被视为“黑箱”的机器学习过程变得部分可解释，为理解模型决策、进一步提升可靠性打开了新的窗口。