摘要。混合建模将机器学习与科学知识相结合，以增强对自然定律的解释性，概括和遵守。尽管如此，等于等待和正则化偏见在混合建模中构成挑战，以实现这些目的。本文介绍了一种通过因果推理框架估算混合模型的新方法，该方法专门采用双机器学习（DML）来估计因果关系。我们在两个与二氧化碳通量有关的问题上展示了它对地球科学的使用。在Q 10模型中，我们证明了基于DML的杂种建模在估计因果参数方面优于最终深度神经网络（DNN）方法，证明效率，正规化方法对偏见的稳健性以及稳固性。我们的方法应用于碳通量分配，在适应异质因果效应方面具有灵活性。这项研究强调了明确定义因果图和关系的必要性，并倡导这是一种一般的最佳实践。我们鼓励在混合模型中继续探索因果关系，以使知识指导的机器学习更加可解释和值得信赖。