日均短波下行辐射（SWDR）是驱动地球能量与水循环的核心变量，也是气候模拟和生态水文研究不可或缺的基础数据。获取山区日均SWDR通常依赖高频率的地球静止卫星观测，但这类数据量庞大，处理成本极高；而常用的极轨卫星观测次数有限，难以直接满足山区日均辐射反演需求。如何在有限观测条件下兼顾精度与效率，是当前山地辐射研究面临的主要挑战。
        针对山区日均短波下行辐射（SWDR）估算过程中观测频次不足与计算效率低下的双重难题，研究提出了一种融合物理模型与机器学习的创新方法。基于Himawari-8高频观测数据和数字高程模型，首先利用发展的通用山区辐射模型（USWTRM）对瞬时辐射进行地形校正，生成高精度的参考数据集；在此基础上，进一步引入机器学习算法，构建了时间尺度扩展模型“SWDaily-3O”，该模型仅需少量卫星观测即可得到高精度日均辐射量。SWDaily-3O能够准确刻画不同坡度和云量条件下的辐射变化特征，尤其在超过25°的陡峭地形以及薄云或散射占比高的复杂大气环境下，依然保持较高的精度和稳定性。同时，SWDaily-3O模型的计算效率明显优于传统物理模型，为大范围、长时间序列的产品研发和山区的能量收支等研究提供了算法支撑。