1.研究背景
地表温度（LST）是陆地-大气相互作用过程中的关键参数，不仅反映了地表能量平衡和通量交换，还广泛应用于多个学科领域的研究，如气候学、城市学、农业、生态学和水文学。因此，LST已被全球气候观测系统确定为最重要的气候参量之一。为了获取LST，基于热红外（TIR）的遥感技术受到越来越多的关注。在过去的几十年中，基于TIR算法的大量LST产品被开发并应用，例如MODIS、SEVIRI、AVHRR和VIIRS的LST产品。然而，云层污染通常会导致TIR LST中出现大量空缺。例如，MODIS LST覆盖率不足全球的40%，这严重限制了该遥感数据的应用潜力。因此，填补因云污染导致的LST空缺已成为LST制图产品研究中的一个亟待解决的重点问题。
2.研究方法及创新之处
将机理知识融入机器学习（ML）是当前研究的热点之一，并已成功应用于多种地表参数的遥感估算。针对LST重建，据我们所知，目前结合机理与机器学习的研究仍较为不足。为了解决这一问题，本研究提出了一种机理引导的ML方法，用于生成无空缺的LST图。具体来说，首先使用一个先进的地表模型（LSM），即社区陆地模型（CLM），通过气象数据计算地表能量平衡以生成基于模型的估算值。通过推导CLM-LST建模的完整过程，明确了具有因果关系的最佳机理变量组合，这些变量被用作ML模型的输入。此外，通过结合关键的CLM数据（原因）和CLM模拟结果（结果），将基于数据的地表能量平衡（SEB）机理有效地耦合到ML模型中。最终，模型生成的全天候LST产品在保持高精度的同时，更显现出机理上的一致性与合理性。
3.关键图表
图1. light gradient-boosting machine模型（LGBM）的示意图
图2.本研究提出的机理引导型机器学习（即MG-LGBM）用于无缝LST制图的流程。
图3 2010年DOY 106期间（a）白天和（b）夜间，原始MODIS LST与Zhang的LST（Zhang等人，2022）、Xu的LST（Xu和Cheng，2021）、Wu的LST（Wu等人，2022）、Zhang的LST（Zhang等人，2021）以及本研究所得出LST的空间分布图
4.主要结论
研究结果表明，MG-LGBM模型在基于样本的验证中表现出良好的精度，具有1.23–2.03 K的RMSE和0.99的相关系数。通过对四个独立地面观测的验证，结果表明MG-LGBM能够生成与完全晴空条件下原始MODIS LST相媲美的晴空LST，同时能够校正可能受云污染的LST像素。生成的LST在多云条件下同样表现出较高的精度（RMSE = 2.91–3.66 K，R = 0.97–0.98）。与纯机理方法和纯机器学习方法相比，MG-LGBM模型提高了LST的预测精度和机理解释性。此外，它在无有效样本的区域中表现出良好的外推能力，这表明MG-LGBM模型的预测不仅在训练数据集上具有低误差，还能与未标记数据集中的已知机理规律保持一致。与其他常用的机器学习方法和高精度无缝产品相比，MG-LGBM模型提供了更高的验证精度和图像质量。
5.发表信息
Ma J, Shen H, Jiang M, et al. A mechanism-guided machine learning method for mapping gapless land surface temperature[J]. Remote Sensing of Environment, 2024, 303: 114001.
6.声明
（1）小编水平有限，文章分析和理解均是个人见解，强烈推荐通过合理渠道获取原文，直接进行阅读。
（2）文稿涉及的材料仅为交流学习，如涉及版权和其他问题，请联系删除，小编对此表示歉意，邮箱：xu_xibo@126.com。
