地表温度(LST)是地球表面能量收支状况的直接反映，是冰冻圈变化的核心指标之一，其对于理解和监测冻土环境变化至关重要。随着人类活动和气候变化的加剧，准确理解地表温度的变化规律与空间格局有利于制定有效的适应政策和应对措施。
冻土对温度变化极为敏感，而其稳定性又深刻影响着寒区工程、生态及气候系统。因此，高时间分辨率的数据对于捕捉冻土环境日内冻融循环过程具有不可替代的价值。为此，我们基于MODIS、Landsat、EAR5-Land以及台站观测数据集，采用机器学习的方法，对地表温度的时空信息进行了融合计算，制备了中国及周边地区多空间分辨率地表温度逐小时数据集，为冻土环境变化研究提供了一套多空间分辨率的逐时温度数据集。相比于卫星遥感的瞬时观测，该地表温度的观测时间分辨率扩展到逐小时，并实现了更连续、完整的空间覆盖，为中国及周边地区的气候变化研究提供了基础数据。
当前数据集覆盖地理范围为3°N–54°N，60°E–136°E，涉及中国、蒙古、巴基斯坦、阿富汗、塔吉克斯坦、吉尔吉斯斯坦等29个国家，时间分辨率为小时，时间范围为2000-2023年。空间分辨率为1km与5km，部分年份还包含100m。为便于使用，数据存储采用GeoTIFF文件格式，命名规则为：CSA_LST_Fused_【空间分辨率】_UTC_YYYYMDD_HH.tif，其中， UTC是指采用的是协调世界时，YYYYMMDD为日期标签。HH为对应的时间标签，以两位小时数表示。为节省存储空间，将温度值转换为int16类型。使用时，将像元值除以10，即可还原为带一位小数的浮点温度值(℃)。后续版本将会对数据结构和存储格式进行进一步优化更新。
基础数据来源于美国国家航空航天局的MODIS卫星数据、美国地质调查局LANDSAT卫星数据、欧洲中期天气预报中心的ERA5-Land数据集等。
数据集制备流程主要包括：(1) 利用站点观测数据对EAR5逐时地表温度进行数据质量控制；(2) 将EAR5逐时数据与卫星遥感数据进行时空配准；(3)制备环境因子集，构建分布式机器学习模型，分别对不同尺度上的温度分布格局进行时空学习，通过质量评估后，进行时空模拟推演。
基于平均绝对误差 (MAE)和决定系数 (R-squared)对数据集进行了抽样质量评估， MAE =1.59℃，R-squared =0.97。
| # | 编号 | 名称 | 类型 |
| 1 | 2022YFF07117 | 冰冻圈大数据挖掘分析关键技术及应用 | 国家重点研发计划 |
本作品采用
知识共享署名
4.0 国际许可协议进行许可。
CSTR:11738.11.NCDC.NIEER.DB7029.2025
10.12072/ncdc.nieer.db7029.2025
