Bài báo này đề xuất một khuôn khổ học máy mô hình cơ chế kết hợp (MM-ML) tích hợp các ràng buộc vật lý và học tập dựa trên dữ liệu để giải quyết những thách thức trong việc ước tính chính xác nhiệt độ bề mặt đất (LST) trong điều kiện che phủ đất không đồng nhất và điều kiện khí quyển khắc nghiệt. Để giải quyết độ lệch của các thuật toán cửa sổ phân cách (SW) hiện có trong môi trường ẩm ướt và khả năng diễn giải và hiệu suất tổng quát kém của các phương pháp học máy (ML) thuần túy do hạn chế về dữ liệu, chúng tôi tích hợp mô hình truyền bức xạ và các thành phần dữ liệu, sử dụng mô phỏng MODTRAN và các cấu hình khí quyển toàn cầu, đồng thời áp dụng tối ưu hóa bị ràng buộc vật lý. Được xác thực trên 4.450 quan sát từ 29 địa điểm quan sát toàn cầu, MM-ML đạt được sai số trung bình là 1,84K, sai số bình phương trung bình căn bậc hai (RMSE) là 2,55K và R-squared là 0,966, vượt trội hơn các phương pháp hiện có và giảm sai số hơn 50%, đặc biệt là trong điều kiện khắc nghiệt. Kết quả phân tích độ nhạy cho thấy ước tính LST nhạy nhất với bức xạ cảm biến, nhưng cũng nhạy với hơi nước, nhưng ít nhạy hơn với độ phát xạ, và MM-ML thể hiện độ ổn định tuyệt vời. Tóm lại, nghiên cứu này chứng minh hiệu quả của khung MM-ML, kết hợp khả năng diễn giải vật lý và khả năng mô hình hóa phi tuyến tính để hỗ trợ tính toán LST đáng tin cậy trong các môi trường phức tạp, đồng thời hỗ trợ giám sát khí hậu và nghiên cứu hệ sinh thái.
