地表温度(Land Surface Temerature, LST)作为长波辐射和地表大气界面湍流热交换的直接驱动因素，是描述从局部到全球的许多尺度的地表水热过程的最基本参数之一（P. Dash et al，2022； Li et al，，2013）。LST 经常被用于城市热岛、干旱灾害等领域马，并作为地球系统模型的重要输入变量, 如气象、生态、水文和生物模型（L. Li et.al, 2022; L. Liu et al.2017） 。
由于气象站点观测在时间空间上的不连续，以及遥感技术的快速发展步，卫星数据是目前在全球范围内LST的唯一途径。为了从热红外(TIR)遥感数据中提取LST，已经开发了包括单通道(SC)算法（J. C. Jiménez‐Muñoz et al， 2003）、分窗(SW)/双窗(DW)算法（Z. Wan et al， 1996； F. Becker et al，， 1996）、温度和发射率分离(TES)算法（A. Gillespie et al， 1998）以及基于物理学的昼/夜(D/N)算法（F. Becker et al， 1990）的几类算法。卫星观测的LST数据集因云层覆盖而存在许多数据缝隙，这大大限制了其实际应用，因此有必要对这些数据缺口进行修补。在过去的几十年中，一些研究试图填补这些数据的空白，已经开发建立了基于空间信息（S. Tong et al， 2014）、时间信息（Z. Chao, et al， 2015）、时空信息（Z. Liu, et al， 2017）、被动微波遥感（H. R. Shwetha and D. N. Kumar, 2016）和表面能量辐射平衡（M. Jin and R. E. Dickinson， 2000）的几类重构算法。
本研究的重构方法基于改进年温度循环模型的时序信息（W. Zhao et al， 2021），构建理想时序信息与实际观测信息之间的残余项与地表属性之间的模型关系，用以重建云雾覆盖区域的地表温度，这种重构方法可以有效降低因空间信息的突变而导致的重构误差，并且在长时序数据集生产中也有较为稳定的应用结果。
 

地表温度,随机森林回归,年温度周期