La temperatura del suelo (ST) juega un papel importante en el balance de energía térmica superficial, y una descripción precisa de las temperaturas del suelo es crítica para la predicción numérica del tiempo; sin embargo, es difícil medir consistentemente las temperaturas del suelo. Desarrollamos un modelo de aprendizaje profundo basado en U-Net para derivar las temperaturas del suelo (designado como ST-U-Net) principalmente basado en las previsiones de temperatura del aire a 2 m (T2). El modelo, cuyo dominio cubre la región del Monte Lushan, fue entrenado y probado utilizando el archivo de previsiones de alta resolución de un sistema operativo de investigación y previsión meteorológica de asimilación de datos en cuatro dimensiones (WRF-FDDA). Los resultados mostraron que ST-U-Net puede estimar con precisión las temperaturas del suelo basándose en las entradas de T2, logrando un error absoluto medio (MAE) de menos de 0.8 K en el conjunto de prueba de 5055 muestras. El rendimiento de ST-U-Net varió diurnamente, con errores más pequeños por la noche y errores ligeramente mayores durante el día. Incorporar entradas adicionales como usos del suelo, altura del terreno, flujo de radiación, flujo de calor superficial y tiempo codificado redujo aún más el MAE para ST en un 26.7%. Al desarrollar una estrategia de entrenamiento guiada por la física de la capa límite, el error se redujo aún más en un 8.8%.