Cet article propose un cadre couplé modèle de mécanisme-apprentissage automatique (MM-ML) qui intègre les contraintes physiques et l'apprentissage piloté par les données pour relever les défis de l'estimation précise de la température de surface terrestre (LST) dans des conditions de couverture terrestre hétérogène et atmosphériques extrêmes. Pour remédier au biais des algorithmes de fenêtre de séparation (SW) existants dans les environnements humides et aux faibles performances d'interprétation et de généralisation des méthodes d'apprentissage automatique (ML) pur dues aux limitations des données, nous intégrons la modélisation du transfert radiatif et les composants de données, utilisons des simulations MODTRAN et des profils atmosphériques globaux, et appliquons une optimisation sous contraintes physiques. Validé sur 4 450 observations provenant de 29 sites d'observation mondiaux, MM-ML atteint une erreur moyenne de 1,84 K, une erreur quadratique moyenne (RMSE) de 2,55 K et un R-carré de 0,966, surpassant les méthodes existantes et réduisant l'erreur de plus de 50 %, en particulier dans des conditions extrêmes. Les résultats de l'analyse de sensibilité ont montré que les estimations LST étaient plus sensibles à l'irradiance du capteur, mais également à la vapeur d'eau, mais moins à l'émissivité. Le modèle MM-ML a démontré une excellente stabilité. En conclusion, cette étude démontre l'efficacité du cadre MM-ML, qui combine interprétabilité physique et capacités de modélisation non linéaire pour soutenir des calculs LST fiables dans des environnements complexes et soutenir la surveillance du climat et la recherche sur les écosystèmes.
