卫星测温精度提升：物理模型与机器学习融合方案权威测评

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近期在地表温度遥感反演技术上实现关键突破。该研究构建了一套适用于复杂地表与大气条件的高精度温度监测方案，为全球气候变化分析与陆气交互作用研究提供了坚实的数据支撑。研究成果已在国际权威期刊《环境遥感》正式发表。

作为地球能量平衡的核心指标，地表温度直接调控着区域气候模式、作物生理活动、蒸散发过程及生态系统碳循环。实现地表温度数据的精准获取，是提升极端天气预警能力、优化农业水资源管理、模拟区域水文过程的基础前提。当前主流反演方法存在明显局限：基于辐射传输方程的物理模型计算成本高昂，难以业务化推广；而依赖数据驱动的机器学习算法虽效率较高，但其物理一致性不足，在未知场景下的泛化性能与机理可解释性均面临挑战。

为攻克这一难题，团队研发了“物理机理约束与机器学习协同”的融合反演框架。该方法首先通过物理模型生成具有明确物理意义的初始温度场，继而采用机器学习模型动态诊断并校正物理模型中的系统性残差。这种分层处理架构，既确保了反演过程的物理逻辑自洽，又充分发挥了数据驱动模型在非线性拟合与误差补偿方面的优势。

在多类典型复杂下垫面（如高温高湿区、干旱裸地）的验证中，该框架均展现出优于传统单一方法的精度与鲁棒性。研究进一步通过误差溯源分析，揭示了机器学习修正项与大气水汽含量、地表发射率等物理参数的内在关联，显著提升了模型决策的透明度，为发展可解释、高可靠性的遥感反演算法提供了新范式。

来源：互联网