用于中高分辨率地表温度反演的机制耦合分窗网络

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：A mechanism-coupled split-window network for medium- to high-resolution land surface temperature retrieval

　　

摘要

在中高空间分辨率热红外（TIR）观测条件下，复杂大气与地表条件下的地表温度（LST）反演仍具有挑战性。传统 split-window（SW）算法依赖经验系数，在诸如高温高湿等复杂场景下的适应性可能有限；而纯数据驱动模型往往缺乏显式物理约束，在训练分布之外的泛化能力较差。为应对上述问题，本研究提出了一种并行组分解耦神经网络（PCD-Net），将 SW 反演重构为物理组分参数的自适应学习问题。PCD-Net 以 SW 方程作为物理骨架，将反演过程分解为常数项、一阶亮度温差项和二阶亮度温差项；同时引入残差分支，以补充由地表发射率与大气水汽联合效应引起的非线性耦合修正。并行子网络从大气水汽和地表发射率中动态估计相应的系数。PCD-Net 首先基于 MODTRAN 辐射传输模拟数据进行初始化并联合优化，随后利用地面实况 LST 观测进行微调，以减小模拟与真实观测条件之间的偏差。利用来自全球 29 个基准场站的 4,450 个 Landsat–地面实况样本进行验证，结果显示 PCD-Net 的平均绝对误差（MAE）为 1.84 K，均方根误差（RMSE）为 2.55 K，决定系数（R2）为 0.966，优于传统 split-window 机理模型（MM(SW)）、辐射传输机理模型（MM(RT)）和机器学习基线模型。在极低或极高 LST 及大气水汽条件下，PCD-Net 相比传统 MM(SW) 显著降低了反演误差，在某些场景中降幅超过 50%。敏感性分析进一步表明，PCD-Net 对传感器辐射亮度、大气水汽含量和地表发射率的扰动表现出更平滑的响应。

引言

地表温度（LST）是控制陆–气相互作用、地表能量收支和气候变化过程的关键参数（Li et al., 2013, Li et al., 2023）。它在气候变化监测（Li et al., 2025, Li and Thompson, 2021）、城市热岛效应评估（Shen et al., 2016）、水循环建模（Anderson et al., 2012）和极端热浪预警（Gu et al., 2025）中发挥着基础性作用。LST 也被国际地圈生物圈计划（IGBP）（Townshend et al., 1994）确定为优先核心参数，并纳入美国国家航空航天局（NASA）的地球系统数据记录（ESDR）项目（Hulley et al., 2012）。

然而，现有卫星热红外（TIR）观测系统面临空间分辨率与时空连续性的持续权衡（Wu et al., 2021, Weng et al., 2014, Zhan et al., 2013）。MODIS 和 VIIRS 等粗分辨率传感器能够提供稳定、长期的全球 LST 产品（Hulley et al., 2018, Wan, 2014, Wan, 2008），但其公里级像素不足以刻画城市建成区、农业镶嵌区和自然植被斑块内部的精细尺度热变异（Weng, 2009, Li et al., 2023, Zhan et al., 2013, Bian et al., 2024）。相比之下，很高空间分辨率的 TIR 观测受限于有限的空间覆盖率和重访频率，难以支持全球尺度的长期连续分析（Wu et al., 2021, Weng et al., 2014）。在此背景下，30–100 m 的中高空间分辨率 TIR 数据（如 Landsat、ASTER 和 ECOSTRESS）提供了连接局部地表过程与全球变化研究的重要尺度，其具有较强的景观尺度热分异捕捉能力和大面积覆盖潜力（Wu et al., 2021, Weng et al., 2014）。尽管如此，在复杂的全球大气背景和多变的土地利用条件下，如何在保持物理合理性的同时实现准确稳健的中高空间分辨率 LST 反演，仍是 TIR 遥感领域面临的关键挑战（Li et al., 2023, Jimenez-Munoz et al., 2014, Hulley et al., 2012, Cao et al., 2021）。

在卫星 TIR 遥感中，大气吸收和再发射使得 LST 反演本质上是一个复杂且不适定的反演问题（Li et al., 2013, Li et al., 2023）。为应对这一问题，研究者们通过对辐射传输方程（RTE）引入物理近似或简化，发展了多种基于物理的 LST 反演算法（Du et al., 2015, Gillespie et al., 2011, He et al., 2026, Jimenez-Munoz et al., 2009, Jimenez-Munoz et al., 2014, Jimenez-Munoz and Sobrino, 2008, Qin et al., 2001, Rozenstein et al., 2014, Wang et al., 2016, Yu et al., 2014b, Jimenez-Munoz and Sobrino, 2003）。根据 TIR 观测通道的配置，这些方法通常可分为单通道、双通道和多通道方法。其中，双通道 split-window（SW）算法利用两个相邻 TIR 波段之间的差分大气吸收来减少大气水汽的影响（Jimenez-Munoz et al., 2014, Jimenez-Munoz and Sobrino, 2008），因其数学形式简洁且性能稳健而被广泛采用。然而，传统 SW 方法通常依赖固定的经验系数或预定义的经验参数化，在极端地表和大气条件下（如高温高湿环境）可能导致显著的系统偏差（Li et al., 2013, Yu et al., 2014b, Duan et al., 2018, Li et al., 2023）。因此，它们仍不足以在全球复杂场景下满足中高空间分辨率 LST 反演的高精度要求。

近年来，机器学习（ML）技术因其在建模复杂非线性关系方面的强大能力，在地物理参数反演中展现了显著潜力（Yuan et al., 2020, Reichstein et al., 2019, Bergen et al., 2019）。与传统经验参数化相比，ML 能够从大规模数据集中自动学习输入特征与目标变量之间的高维非线性关系。然而，数据驱动模型通常缺乏显式物理约束和可解释机制，当训练样本不能充分代表特定气候带、土地利用类型或极端条件时，其性能可能会退化（Koldasbayeva et al., 2024, Reichstein et al., 2019）。在此类分布外（OOD）场景下，纯数据驱动的反演模型更容易产生物理不一致或不稳定的预测（Shen and Zhang, 2023, Karpatne et al., 2017）。在更广泛的遥感领域，近期研究已探索结构化特征表示和迁移学习，以提高模型在复杂观测条件和不同数据域之间的适应性（Liu et al., 2022a, Liu et al., 2022b, Liu et al., 2024, Cong et al., 2022, Wu et al., 2025）。

对于 LST 反演而言，这一泛化问题进一步因卫星观测到的热辐射亮度同时受地表温度、地表发射率和大气条件共同影响而变得更为复杂。为考虑这些物理耦合效应，近期研究尝试通过知识引导策略、物理约束或模型嵌入将辐射传输机理与 ML 相结合，以提高反演精度（Cheng et al., 2025, Zhang et al., 2025, Wang et al., 2021）。尽管如此，仍存在两个局限性。首先，大多数机理–学习耦合方法主要针对 MODIS 等粗分辨率产品设计并验证（Guan et al., 2026, Cheng et al., 2025），在中高空间分辨率场景下的系统性评估有限。在这些分辨率下，LST 反演对局部地表热异质性、土地利用差异和大气变异性更为敏感。其次，在网络设计方面，现有方法通常通过一体化网络通路学习多个 split-window 相关参数或修正关系（Cheng et al., 2025, Zhang et al., 2025）。这种整体学习策略可能会在共享特征空间中使不同物理项相关的表示相互纠缠，从而削弱模型对特定物理过程的表征能力，限制其在全球复杂场景中的稳健性和泛化能力。

为应对上述局限性，本研究提出了一种并行组分解耦神经网络框架（PCD-Net），用于全球中高空间分辨率 LST 反演。PCD-Net 以双通道 SW 方程作为物理骨架，显式地将 LST 反演分解为常数项、一阶亮度温差项、二阶亮度温差项和耦合残差项。构建多个并行子网络分别估计这些物理组分的动态系数和耦合残差。在训练策略方面，PCD-Net 首先利用辐射传输模拟样本以物理先验初始化并行子网络，并在完整的 SW 物理骨架内进行模拟驱动的端到端联合优化。随后，利用全球地面实况 LST 样本进行有监督微调，以减小模拟环境与真实遥感观测之间的差异。与基于单一网络的整体参数学习策略相比，PCD-Net 旨在通过解耦学习通路来减少不同物理项在统一特征空间中的纠缠，从而增强模型在复杂地表和大气条件下的适应性。

本研究以 Landsat 8 TIR 观测作为代表性的中高空间分辨率双通道 TIR 数据源，结合基于 GAPRI 和 TIGR 大气廓线数据库的 MODTRAN 驱动模拟样本、再分析数据以及全球 29 个地面站的观测，在五大洲范围内进行了系统评估。评估涵盖了多样的地表和大气条件，从干旱到湿润环境、从热带到高纬度地区，以及多种代表性土地利用类型，包括耕地、草地、沙漠、湿地、苔原和高山草甸。此外，还开展了极端条件实验和参数敏感性分析，以量化模型在边界条件下的稳定性，并刻画其对输入不确定性的误差响应。

本研究的主要贡献有三方面：

（1）提出了一种用于双通道 SW 反演的并行组分解耦框架，将传统的静态经验系数估计重构为动态的逐组分系数学习，同时保留 SW 公式的物理结构。

（2）建立了一种从模拟到观测的渐进式训练策略，以保留 SW 公式的物理先验并提高模型对真实观测的适应性。

（3）通过全球场站验证、极端条件测试和输入扰动分析，在多样的大气和地表条件下对提出的框架进行了系统评估，证明了其中高空间分辨率 LST 反演的精度和稳定性。

模拟数据

为构建全球代表性的模拟样本库，本研究基于辐射传输模拟生成了大规模样本。模拟样本主要来源于两个全球大气垂直廓线数据库：全球大气廓线数据库（GAPRI）和热力学初始猜测反演（TIGR）数据库。GAPRI 是一个广泛使用的大气廓线数据集（Mattar et al., 2015），以约 0.75°×0.75° 的分辨率覆盖全球。

物理基础

根据大气辐射传输理论，在晴空条件下，传感器处的辐射亮度由地表热发射、大气上行辐射和大气下行辐射经地表反射共同决定。可表示为：

L_seNi = ε_i · B_i(T_s) · τ_i + (1?ε_i) · L_i↓ · τ_i + L_i↑

其中 L_seNi 为 TIR 波段 i 的带有效传感器辐射亮度，ε_i 为波段 i 对应的地表发射率，B_i(T_s) 为地表温度 T_s 下的带有效黑体辐射亮度。

总体精度验证

为评估各模型在受控辐射传输条件下的拟合性能，在模拟数据集上进行了 10 折交叉验证（图 4）。本部分中，PCD-Netsim 指基于模拟预训练并在模拟数据上微调后的模型，而非进一步利用场站观测微调后的最终 PCD-Net 模型。此设置将真实场站样本排除在训练之外，使比较能够更直接地聚焦于模型的能力。

核心架构消融

为评估所提框架中关键结构设计的贡献，本研究构建了多个具有不同架构和训练设置的消融变体。这些变体包括完整的 PCD-Net、不含初始化预训练的 PCD-Netnpt、移除耦合残差分支并直接回归七个 SW 系数的 PCD-Netdir，以及同时移除初始化预训练和残差分支的 PCD-Netdir, npt。

结论

本研究开发并验证了 PCD-Net——一种用于地表温度反演的机理–学习耦合框架。以 SW 算法作为物理骨架，PCD-Net 显式地将 LST 反演分解为常数项、一阶亮度温差项、二阶亮度温差项和耦合残差项。然后利用并行子网络学习对应不同物理组分的动态系数。

数据与代码可用性

本研究所使用的源数据集可从各自的数据提供商获取：TIGR 大气廓线数据集：（https://ara.lmd.polytechnique.fr/index.php?page = tigr）。GAPRI 大气廓线数据集：（http://biosfera.uchile.cl/descargas/GAPRI-v1.6.zip）。Landsat 8 Collection 2 数据（https://earthexplorer.usgs.gov/）。MODIS MOD11A2 LST 和发射率产品（https://doi.org/10.5067/MODIS/MOD11A2.061）。NCEP 再分析数据。

作者贡献声明

谢天：写作–审阅与编辑、写作–原稿撰写、可视化、方法论、调查研究、数据整理。江梦辉：写作–审阅与编辑、方法论、调查研究。曾超：写作–审阅与编辑、验证、方法论。

李惠芳：监督指导，项目管理。张冠豪：可视化，验证。李灿：调查研究，数据整理。沈焕丰：撰写——审阅与编辑，监督指导，项目管理，方法论，资金支持。

利益冲突声明

作者声明不存在已知的财务利益或个人关系可能对本研究产生影响。

致谢

本研究得到国家自然科学基金重点项目（批准号：42130108）、国家自然科学基金项目（批准号：42571435）以及国家自然科学基金联合基金项目（批准号：U23A2021）的资助。本文中的数值计算均在武汉大学超级计算中心的超级计算机上完成。

田雪|姜梦慧|曾超|李惠芳|张冠豪|李灿|沈焕丰

武汉大学资源与环境科学学院，中国武汉 430079