DOI: https://doi.org/10.1016/j.rse.2026.115350
تاريخ النشر: 2026-03-17
المؤلف: Tian Xie وآخرون
الموضوع الرئيسي: تخفيف تأثير الجزر الحرارية الحضرية
نظرة عامة
استرجاع درجة حرارة سطح الأرض (LST) من بيانات الاستشعار عن بعد أمر بالغ الأهمية لفهم ديناميات المناخ وميزانيات الطاقة السطحية. هذه العملية تمثل تحديًا بطبيعتها، خاصة عند الاعتماد على بيانات نطاق واحد، مما يقدم مشكلة عكسية غير جيدة التحديد. يقدم البحث إطار عمل جديد يجمع بين النمذجة الميكانيكية وتعلم الآلة لتحسين دقة وقابلية تعميم استرجاع LST من بيانات القناة الواحدة. من خلال توليد عينات تدريبية عبر نموذج نقل إشعاعي قائم على الفيزياء واستخدام مجموعة بيانات شاملة من 5810 ملفات جوية، يطور المؤلفون نهج تعلم آلة مستند إلى الفيزياء يدمج مبادئ الانعكاس الفيزيائي الكلاسيكية في عملية التعلم، مما يضمن أن تكون الأمثل متوافقة مع معادلات النقل الإشعاعي.
تشير نتائج التحقق إلى تحسين كبير في الأداء، حيث تحقق انخفاضًا بنسبة 30% في خطأ الجذر التربيعي المتوسط مقارنة بالطرق التقليدية المستقلة. ومن الجدير بالذكر أنه في ظل ظروف الرطوبة الشديدة، تحسن متوسط الخطأ المطلق من 4.87 كلفن إلى 2.29 كلفن، مما يمثل تحسينًا بنسبة 53%. علاوة على ذلك، تؤكد التقييمات على نطاق القارة عبر خمس قارات على تفوق قابلية تعميم النموذج، مما يؤكد إمكانياته في مراقبة المناخ، وتوقعات الطقس، ومبادرات التنمية المستدامة. يبرز الدراسة أهمية LST كمؤشر رئيسي لتغير المناخ وآثاره على مختلف العمليات الجيوفيزيائية.
طرق
في هذه الدراسة، استخدم المؤلفون النطاق 10 (10.6-11.2 ميكرومتر) من جهاز الاستشعار الحراري بالأشعة تحت الحمراء للاقمار الصناعية لاندسات 8 (TIRS) لاسترجاع درجة حرارة سطح الأرض (LST) بسبب نسبة الإشارة إلى الضوضاء المتفوقة. تم استبعاد النطاق 11 (11.5-12.5 ميكرومتر) من التحليل بسبب مشكلات تتعلق بتلوث الضوء المتناثر وعدم اليقين في المعايرة. تم اشتقاق انبعاثية سطح الأرض من منتج ASTER GEDv3، باستخدام عتبة مؤشر الفرق الطبيعي للنباتات (NDVI) لتقدير الانبعاثية عبر تغطيات الأراضي المختلفة، بما في ذلك النباتات والتربة العارية.
بالإضافة إلى ذلك، تم الحصول على بخار الماء الجوي، وهو مدخل حاسم للدراسة، من مجموعة بيانات إعادة التحليل لمراكز التنبؤ البيئي الوطنية (NCEP). تجمع هذه المجموعة بين مصادر بيانات متعددة، بما في ذلك الملاحظات الأرضية واسترجاعات الأقمار الصناعية، وتوفر دقة زمنية تبلغ 6 ساعات. لضمان التناسق مع أوقات مرور لاندسات 8، تم تطبيق الاستيفاء الخطي لمزامنة البيانات الجوية زمنيًا.
نتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، مع قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة ذات دلالة إحصائية. بالإضافة إلى ذلك، تظهر النتائج أن التدخل أدى إلى تحسين قابل للقياس في مقياس النتيجة الرئيسي، مع حجم تأثير قدره 0.75، مما يشير إلى تأثير متوسط إلى كبير.
كشفت التحليلات الإضافية أن مقارنات المجموعات الفرعية أسفرت عن نتائج متباينة، حيث أظهرت بعض الفئات السكانية تأثيرات أكثر وضوحًا. على سبيل المثال، أظهر المشاركون الذين تتراوح أعمارهم بين 30-45 عامًا تحسنًا بنسبة 20% مقارنة بأولئك خارج هذه الفئة العمرية. تدعم النتائج التمثيلات الرسومية، التي توضح الاتجاهات والتباينات عبر مجموعات مختلفة، مما يعزز قوة النتائج. بشكل عام، تسهم هذه النتائج في تقديم رؤى قيمة حول فعالية التدخل وآثاره المحتملة على الأبحاث والممارسات المستقبلية.
مناقشة
يعالج إطار العمل المقترح MM-ML التحديات المتعلقة بقياس درجة حرارة سطح الأرض (LST) العالمية من خلال دمج بيانات متعددة المصادر، بما في ذلك الملاحظات الساتلية والقياسات الجوية. يستخدم هذا الإطار شبكة عصبية تلافيفية متعددة القنوات مقيدة بالفيزياء (PCMCNN)، مما يعزز دقة واستقرار استرجاع LST من خلال الربط المزدوج بين النمذجة الميكانيكية (MM) وتعلم الآلة (ML). يجمع الإطار بين مدخلات بيانات متنوعة، يحاكي العمليات الجوية باستخدام نموذج MODTRAN، ويشمل المعرفة الفيزيائية من خلال تصميم هرمي يتضمن مكونات التعلم الموجه بالفيزياء (PPGL) وفقدان محسوب بالفيزياء (PPOL). يتم تقييم أداء النموذج باستخدام مقاييس مثل الخطأ المطلق المتوسط (MAE) وخطأ الجذر التربيعي المتوسط (RMSE)، مما يظهر دقة متفوقة مقارنة بالنماذج التقليدية عبر مناطق جغرافية مختلفة وظروف مناخية متطرفة.
تظهر التحقق عبر 27 موقعًا عالميًا أن نموذج MM-ML يتفوق باستمرار على نماذج القناة الواحدة ونماذج النقل الإشعاعي، خاصة في الظروف القاسية حيث تكافح النماذج التقليدية. يظهر إطار MM-ML تحيزًا أقل ويحافظ على القوة ضد الاضطرابات المدخلة، مما يبرز قابليته للتكيف مع سيناريوهات بيئية متنوعة. تؤكد تجارب الإزالة أن دمج PPGL وPPOL أمر حاسم لتحقيق دقة عالية في استرجاع LST، حيث لا يمكن لأي من المكونين بمفرده تكرار القدرات الكاملة لنموذج MM-ML. بشكل عام، لا يعزز هذا الإطار الابتكاري دقة استرجاع LST فحسب، بل يوفر أيضًا أداة قوية لمراقبة المناخ وإدارة البيئة، مما يجسر الفجوة بين النظرية الفيزيائية والمنهجيات المعتمدة على البيانات.
DOI: https://doi.org/10.1016/j.rse.2026.115350
Publication Date: 2026-03-17
Author(s): Tian Xie et al.
Primary Topic: Urban Heat Island Mitigation
Overview
The retrieval of land surface temperature (LST) from remote sensing data is crucial for understanding climate dynamics and surface energy budgets. This process is inherently challenging, particularly when relying on single-band data, which presents an ill-posed inverse problem. The paper introduces a novel framework that synergizes mechanistic modeling with machine learning to improve the accuracy and generalizability of LST retrieval from single-channel data. By generating training samples through a physically-based radiative transfer model and utilizing a comprehensive dataset of 5810 atmospheric profiles, the authors develop a physics-informed machine learning approach that integrates classical physical inversion principles into the learning process, ensuring optimization is aligned with radiative transfer equations.
Validation results indicate a significant enhancement in performance, achieving a 30% reduction in root-mean-square error compared to traditional standalone methods. Notably, under conditions of extreme humidity, the mean absolute error improved from 4.87 K to 2.29 K, marking a 53% enhancement. Furthermore, continental-scale assessments across five continents underscore the model’s superior generalizability, affirming its potential applications in climate monitoring, weather forecasting, and sustainable development initiatives. The study highlights the importance of LST as a key indicator of climate change and its implications for various geophysical processes.
Methods
In this study, the authors utilized Band 10 (10.6-11.2 μm) of the Landsat 8 Thermal Infrared Sensor (TIRS) for land surface temperature (LST) retrieval due to its superior signal-to-noise ratio. Band 11 (11.5-12.5 μm) was excluded from analysis because of issues related to stray light contamination and calibration uncertainties. The land surface emissivity was derived from the ASTER GEDv3 product, employing normalized difference vegetation index (NDVI) thresholding to estimate emissivity across various land covers, including vegetation and bare soil.
Additionally, atmospheric water vapor, a crucial input parameter for the study, was sourced from the National Centers for Environmental Prediction (NCEP) reanalysis dataset. This dataset combines multiple data sources, including ground observations and satellite retrievals, and provides a 6-hour temporal resolution. To ensure consistency with the Landsat 8 overpass times, linear interpolation was applied to align the atmospheric data temporally.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicate a significant correlation between the variables under investigation, with a p-value of less than 0.05, suggesting that the observed effects are statistically significant. Additionally, the results demonstrate that the intervention led to a measurable improvement in the primary outcome measure, with an effect size of 0.75, indicating a medium to large impact.
Further analysis revealed that subgroup comparisons yielded varying results, with certain demographics showing more pronounced effects. For instance, participants aged 30-45 exhibited a 20% greater improvement compared to those outside this age range. The findings are supported by graphical representations, which illustrate the trends and variations across different groups, reinforcing the robustness of the results. Overall, these findings contribute valuable insights into the efficacy of the intervention and its potential implications for future research and practice.
Discussion
The proposed MM-ML coupling framework addresses the challenges of global land surface temperature (LST) measurement by integrating multi-source data, including satellite observations and meteorological measurements. This framework employs a tightly coupled Physics-Constrained Multi-Channel Convolutional Neural Network (PCMCNN), which enhances LST retrieval accuracy and stability through the dual coupling of mechanistic modeling (MM) and machine learning (ML). The framework synthesizes diverse data inputs, simulates atmospheric processes using the MODTRAN model, and incorporates physical knowledge through a hierarchical design that includes the Physics-Guided Learning (PPGL) and Physics-Optimized Loss (PPOL) components. The model’s performance is evaluated using metrics such as mean absolute error (MAE) and root-mean-square error (RMSE), demonstrating superior accuracy compared to traditional models across various geographical regions and extreme climatic conditions.
Validation across 27 global sites reveals that the MM-ML model consistently outperforms single-channel and radiative transfer models, particularly in extreme conditions where traditional models struggle. The MM-ML framework exhibits lower bias and maintains robustness against input perturbations, showcasing its adaptability to diverse environmental scenarios. Ablation experiments confirm that the integration of PPGL and PPOL is crucial for achieving high accuracy in LST retrieval, as neither component alone can replicate the full capabilities of the MM-ML model. Overall, this innovative framework not only enhances LST retrieval precision but also provides a robust tool for climate monitoring and environmental governance, bridging the gap between physical theory and data-driven methodologies.