A Mechanism-Learning Deeply Coupled Model for Remote Sensing Retrieval of Global Land Surface Temperature

要約

リモートセンシングデータからの陸面温度（LST）検索は、気候プロセスと地表エネルギー予算を分析するために極めて重要です。
ただし、LST検索は不適切な逆の問題であり、1つのバンドのみが利用可能な場合に特に深刻になります。
この論文では、シングルチャネルLST検索の精度と一般化を強化するために、機械的モデリングと機械学習を統合する深く結合されたフレームワークを提案します。
トレーニングサンプルは、物理ベースの放射伝達モデルと5810大気プロファイルのグローバルコレクションを使用して生成されます。
物理学に基づいた機械学習フレームワークが、古典的な物理的反転モデルからの最初の原則を学習ワークフローに体系的に組み込むために提案されています。
グローバル検証により、スタンドアロンの方法に対するルート平均平方根誤差が30％減少したことが示されました。
極端な湿度では、平均絶対誤差は4.87 Kから2.29 Kに減少しました（53％の改善）。
5つの大陸にわたる大陸規模のテストにより、このモデルの優れた一般化可能性が確認されました。

要約(オリジナル)

Land surface temperature (LST) retrieval from remote sensing data is pivotal for analyzing climate processes and surface energy budgets. However, LST retrieval is an ill-posed inverse problem, which becomes particularly severe when only a single band is available. In this paper, we propose a deeply coupled framework integrating mechanistic modeling and machine learning to enhance the accuracy and generalizability of single-channel LST retrieval. Training samples are generated using a physically-based radiative transfer model and a global collection of 5810 atmospheric profiles. A physics-informed machine learning framework is proposed to systematically incorporate the first principles from classical physical inversion models into the learning workflow, with optimization constrained by radiative transfer equations. Global validation demonstrated a 30% reduction in root-mean-square error versus standalone methods. Under extreme humidity, the mean absolute error decreased from 4.87 K to 2.29 K (53% improvement). Continental-scale tests across five continents confirmed the superior generalizability of this model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google