본 논문은 이질적인 지표면 피복과 극심한 대기 조건 하에서 정확한 지표면 온도(LST) 산출의 어려움을 해결하기 위해 물리적 제약 조건과 데이터 기반 학습을 통합한 결합 메커니즘 모델-머신러닝(MM-ML) 프레임워크를 제안한다. 기존 분리 창(SW) 알고리즘의 습윤 환경에서의 편향과 순수 머신러닝(ML) 방법의 해석력 부족 및 데이터 제한으로 인한 일반화 성능 저하 문제를 해결하기 위해, 방사 전달 모델링과 데이터 구성 요소를 융합하고, MODTRAN 시뮬레이션과 전 지구 대기 프로필을 사용하며, 물리적 제약 최적화를 적용한다. 29개의 전 세계 관측 지점에서 4,450개의 관측 자료에 대한 검증 결과, MM-ML은 MAE=1.84K, RMSE=2.55K, R-squared=0.966을 달성하여 기존 방법을 능가하며, 특히 극한 조건에서 오차를 50% 이상 줄였다. 민감도 분석 결과, LST 추정치는 센서 복사량에 가장 민감하고, 수증기에도 민감하지만, 방출률에는 덜 민감하며, MM-ML은 우수한 안정성을 보였다. 결론적으로, 이 연구는 복잡한 환경에서 신뢰할 수 있는 LST 산출과 기후 모니터링 및 생태계 연구를 지원하는 물리적 해석력과 비선형 모델링 능력을 결합한 MM-ML 프레임워크의 효과를 보여준다.
