全球尺度的高分辨率、全天候地表温度（Land Surface Temperature, LST）数据对于准确表征下垫面热反馈过程具有关键意义。本文构建了一种新的时间序列重建框架，该框架基于物理约束的陆面模型（Land Surface Model, LSM）模拟LST降尺度方法与极轨卫星LST数据相结合，能够有效应对山地地区频繁云覆盖和降水条件带来的观测缺失问题。该框架利用11个观测站资料与MODIS数据，融合 Noah-MP 模型 与 集合卡尔曼滤波（Ensemble Kalman Filter, EnKF），构建了一个数据同化降尺度框架（Data Assimilation Downscaling Framework, DADF）。该方法为获取具有高时间分辨率（逐小时）和高空间分辨率（1 km）的全天候LST数据提供了系统性解决方案。为进一步提升陆面模型及DADF框架的模拟精度，基于站点观测资料对六类典型下垫面的动量粗糙度长度及土壤发射率参数进行了校正。由实测数据反演得到的六项下垫面参数为区域陆面过程研究提供了重要参考。通过利用11个观测站数据对MODIS昼夜LST进行验证，结果表明，在高海拔高寒山区（Kalasai 和 Arou）以及起伏沙漠地形（Tazhong A–E站点）中均表现出较高精度。然而，受风致沙–气混合过程影响，沙漠地区的站点观测仍存在一定误差。结果显示，DADF-LST 的平均均方根误差（RMSE）为 3.85 K（相比之下，MODIS LST 的 RMSE 为 4.72 K），且在六类下垫面条件下决定系数 R² 均大于 0.82。该框架通过引入数据同化算法实现LST降尺度，能够在云覆盖条件下准确刻画真实地表温度变化，为全球尺度获取高时空分辨率LST数据提供了一种具有明确物理约束的技术路径。

陆面过程模型,地表温度,陆面过程参数化方案,昆仑山区