Este documento propone un marco de aprendizaje automático con modelo de mecanismo acoplado (MM-ML) que integra restricciones físicas y aprendizaje basado en datos para abordar los desafíos de estimar con precisión la temperatura de la superficie terrestre (LST) bajo cobertura terrestre heterogénea y condiciones atmosféricas extremas. Para abordar el sesgo de los algoritmos de ventana de separación (SW) existentes en entornos húmedos y el bajo rendimiento de interpretabilidad y generalización de los métodos de aprendizaje automático (ML) puro debido a las limitaciones de los datos, integramos modelos de transferencia radiativa y componentes de datos, utilizamos simulaciones MODTRAN y perfiles atmosféricos globales, y aplicamos optimización con restricciones físicas. Validado en 4450 observaciones de 29 sitios de observación globales, MM-ML logra un error medio de 1,84 K, un error cuadrático medio (RMSE) de 2,55 K y un R cuadrado de 0,966, superando los métodos existentes y reduciendo el error en más del 50 %, particularmente en condiciones extremas. Los resultados del análisis de sensibilidad mostraron que las estimaciones de LST fueron más sensibles a la irradiancia del sensor, pero también al vapor de agua, pero menos sensibles a la emisividad, y MM-ML demostró una excelente estabilidad. En conclusión, este estudio demuestra la eficacia del marco MM-ML, que combina la interpretabilidad física y las capacidades de modelado no lineal para facilitar cálculos fiables de LST en entornos complejos y apoyar el monitoreo climático y la investigación de ecosistemas.
