南极冰盖表面温度是全球温度变化的直接体现，也是研究冰盖表面能量和物质平衡的关键参数，对南极冰盖的监测和模拟具有重要意义。基于热红外数据可以获取较高精度的地表温度，但热红外受到云雨影响较大，导致大量数据缺失。被动微波数据具备全天时、全天候的优势。本研究旨在结合热红外与被动微波数据的优势，生成高精度的覆盖全南极的时空连续的温度产品。本研究将MODIS温度产品视为地表真值作为模型输出，AMSR2轨道数据作为主要输入，同时加入经纬度、地形参数和传感器的扫面时间差异作为辅助数据构建样本集。训练了典型的线性（多重线性归回，岭回归，Lasso回归和Elastic-Net 回归）与非线性反演模型（K-NN算法，深层感知器，随机深林和LightGBM模型）。基于测试样本的精度评估显示，非线性模型精度普遍高于线性模型。此外，LightGMB模型取得最好的反演精度。基于LigthtGBM模型取得的最高精度为1.7 K。多源数据精度验证显示，对比Landasat-8反演的地表温度，LigthGBM反演模型取得的精度为1.4-2.3 K。对比DOM自动气象站测量的辐射数据反演的表面温度，LightGBM模型取得的RMSE为5.0 K。通过分析不同月份、温度范围以及扫面时间差异下的误差分布可知，反演模型在南极夏季取得的精度高于南极冬季，在较高温度环境下取得的精度高于较低温度环境，这可能与被动微波对积雪的穿透性有关。此外，反演模型在不同的扫面时间差异下精度变化不明显。

南极冰盖，温度反演，机器学习模型