論文の概要: High-Resolution Global Land Surface Temperature Retrieval via a Coupled Mechanism-Machine Learning Framework

• arxiv url: http://arxiv.org/abs/2509.04991v1
• Date: Fri, 05 Sep 2025 10:37:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 14:27:25.565027
• Title: High-Resolution Global Land Surface Temperature Retrieval via a Coupled Mechanism-Machine Learning Framework
• Title（参考訳）: 結合機構-機械学習フレームワークによる高分解能地球表面温度の検索
• Authors: Tian Xie, Huanfeng Shen, Menghui Jiang, Juan-Carlos Jiménez-Muñoz, José A. Sobrino, Huifang Li, Chao Zeng,
• Abstract要約: 陸地表面温度(LST)は、陸地と大気の相互作用と気候過程に不可欠である。 従来のスプリットウィンドウ(SW)アルゴリズムは湿潤な環境でバイアスを示す。 本稿では,ロバストLST検索のための物理制約とデータ駆動学習を統合する機構モデル-MLフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.446900030915625
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Land surface temperature (LST) is vital for land-atmosphere interactions and climate processes. Accurate LST retrieval remains challenging under heterogeneous land cover and extreme atmospheric conditions. Traditional split window (SW) algorithms show biases in humid environments; purely machine learning (ML) methods lack interpretability and generalize poorly with limited data. We propose a coupled mechanism model-ML (MM-ML) framework integrating physical constraints with data-driven learning for robust LST retrieval. Our approach fuses radiative transfer modeling with data components, uses MODTRAN simulations with global atmospheric profiles, and employs physics-constrained optimization. Validation against 4,450 observations from 29 global sites shows MM-ML achieves MAE=1.84K, RMSE=2.55K, and R-squared=0.966, outperforming conventional methods. Under extreme conditions, MM-ML reduces errors by over 50%. Sensitivity analysis indicates LST estimates are most sensitive to sensor radiance, then water vapor, and less to emissivity, with MM-ML showing superior stability. These results demonstrate the effectiveness of our coupled modeling strategy for retrieving geophysical parameters. The MM-ML framework combines physical interpretability with nonlinear modeling capacity, enabling reliable LST retrieval in complex environments and supporting climate monitoring and ecosystem studies.
• Abstract（参考訳）: 陸地表面温度(LST)は、陸地と大気の相互作用と気候過程に不可欠である。 不均一な土地被覆と極端大気条件下での正確なLSTの回収は依然として困難である。 従来のスプリットウィンドウ(SW)アルゴリズムは、湿潤な環境でのバイアスを示し、純粋に機械学習(ML)メソッドは解釈可能性に欠け、限られたデータでは一般化が不十分である。 本稿では,ロバストLST検索のための物理制約とデータ駆動学習を統合した結合機構モデルML(MM-ML)フレームワークを提案する。 提案手法は, 放射移動モデルとデータ成分を融合し, 地球大気プロファイルを用いたMODTRANシミュレーションを用い, 物理制約による最適化を行う。 29のグローバルサイトから4450の観測結果に対して、MM-MLはMAE=1.84K、RMSE=2.55K、R-squared=0.966を達成し、従来の手法より優れていた。 極端な条件下では、MM-MLはエラーを50%以上削減する。 感度分析の結果,LST推定値の感度はセンサの放射率が最も高く,水蒸気は透過率に劣り,MM-MLは安定性に優れていた。 これらの結果から, 物理パラメータの検索に結合したモデリング手法の有効性が示された。 MM-MLフレームワークは、物理的解釈可能性と非線形モデリング能力を組み合わせて、複雑な環境における信頼性の高いLST検索を可能にし、気候モニタリングと生態系研究をサポートする。

関連論文リスト

• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• A Mechanism-Learning Deeply Coupled Model for Remote Sensing Retrieval of Global Land Surface Temperature [17.57893699503326]
  リモートセンシングデータから地表面温度(LST)を抽出することは、気候過程や地表面エネルギー予算を分析する上で重要である。 本稿では,単一チャネルLST検索の精度と一般化性を高めるため,メカニスティックモデリングと機械学習を統合した深い結合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-10T06:19:01Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• A physics-constrained machine learning method for mapping gapless land surface temperature [6.735896406986559]
  本稿では,物理的意味と高精度なLSTを生成する物理MLモデルを提案する。 勾配入力としてリモートセンシングデータのみを使用する光発振機(LGBM)モデルは、純粋なMLモデルとして機能する。 純粋な物理法や純粋なML法と比較して、PC-LGBMモデルはLSTの予測精度と物理的解釈性を改善する。
  論文  参考訳（メタデータ） (2023-07-03T01:44:48Z)
• ClimSim-Online: A Large Multi-scale Dataset and Framework for Hybrid ML-physics Climate Emulation [45.201929285600606]
  我々は、ハイブリッドML物理シミュレータを開発するためのエンドツーエンドワークフローを含むClimSim-Onlineを提案する。 データセットはグローバルで、高いサンプリング頻度で10年間にわたっています。 MLモデルを運用環境シミュレータに統合するための、クロスプラットフォームでコンテナ化されたパイプラインを提供します。
  論文  参考訳（メタデータ） (2023-06-14T21:26:31Z)
• Generating gapless land surface temperature with a high spatio-temporal resolution by fusing multi-source satellite-observed and model-simulated data [7.166180462786921]
  本研究では,60m空間分解能と半時間時間時間分解能で空隙のないLSTをマッピングするために,衛星観測とLSMシミュレーションによるLSTデータの統合温度融合フレームワークを提案する。 都市支配地域(中国の武漢市)と自然支配地域(中国の平河流域)で評価を行った。
  論文  参考訳（メタデータ） (2021-11-29T02:28:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。