近地面气温（T2m）是北极地区气候变化的关键指标之一。作为多种研究的基础信息，高时空分辨率的格陵兰冰盖（GrIS）地区的近地面气温产品非常重要。由于格陵兰冰盖上的实测数据稀疏，遥感数据和机器学习方法便有了巨大的优势。我们使用来自中分辨率成像光谱仪（MODIS）的780m分辨率的近地表温度产品（LST）和来自25个自动气象站（AWS）的近地面气温建立关系。使用四种机器学习方法：神经网络（NN）、高斯过程回归（GPR）、支持向量机（SVM）和随机森林（RF），重建了日尺度和月尺度的近地面气温。我们根据反照率、风速和湿度等关键气象参数开发了一个可靠的近地面气温重建模型。地表温度、湿度、风速、反照率、海拔、经度、月份和纬度是重建近地面气温最合适和最可靠的影响因素。与实测数据相比，神经网络方法的重建精度最高，相关性（R）为0.96，均方根误差（RMSE）为2.67◦C，偏差(Bias)为-0.36 ◦C。与区域气候模型（RACMO2.3p2）相比，使用神经网络重建的近地面气温可以更好地反映纬度、经度和海拔效应的空间格局。重建的近地面气温数据可以为格陵兰冰盖的后续研究（如表面物质平衡、表面能量平衡、表面消融等）提供数据支持。
 

MODIS,气温,机器学习,格陵兰冰盖