中国农科院| English| 全重网站| 数字农科院| 邮箱登陆| 联系我们
农业遥感团队提出耦合物理模型和机器学习的地表温度遥感反演新方法
发布者：管理员发布时间：2026-04-23作者：段四波来源：农业遥感团队点击量：
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团队在地表温度遥感反演方面取得了重要进展，研究成果以“A framework of coupling split-window and machine learning (SW-ML) for land surface temperature retrieval from MODIS thermal infrared data”为题发表在《Remote Sensing of Environment》上。
地表温度是控制陆地与大气之间能量和水分交换的关键参数，在气象、生态和水文研究中具有重要价值。然而，现有的地表温度遥感反演方法面临诸多挑战。基于物理机理的分裂窗方法在精度和计算效率上存在不足，而数据驱动的机器学习方法则缺乏泛化能力和可解释性。
针对上述问题，本研究提出了一种耦合物理模型和机器学习模型的地表温度遥感反演新框架。该框架通过耦合机器学习估算的地表温度残差来校正分裂窗算法的反演偏差，实现了高温高湿、裸露地表条件下地表温度反演的高精度和强鲁棒性。基于时空独立验证、十折交叉验证以及不同条件下模型性能的比较，对该框架的性能进行了系统评估，并通过SHAP模型对估算的地表温度残差进行了归因分析。
该研究表明，耦合物理模型和机器学习模型能够实现高精度、强鲁棒、可解释的地表温度反演，尤其适用于复杂地表和大气条件。相关成果为陆气相互作用、气候变化和生态过程研究提供了技术支撑。
图.耦合物理模型和机器学习的地表温度反演框架流程图
中国农业科学院农业资源与农业区划研究所农业遥感团队博士生管永娟为论文第一作者，段四波研究员为通讯作者。该研究得到北方干旱半干旱耕地高效利用全国重点实验室、国家自然科学基金项目的支持。
原文链接：https://www.sciencedirect.com/science/article/pii/S0034425726001823
