青藏高原——地球第三极——上空的准确云底高（CBH）对于约束亚洲季风动力学、冰川融化预估以及影响下游19亿人口的水安全至关重要。然而，ERA5再分析数据在南部地区系统性地低估云底高度，偏差最高可达5.20 km，这种误差会传播到气候模型和水文预报中。本研究提出了一种两步的机器学习框架，逐步消除这一隐藏偏差。第一步利用三年地面激光雷达观测数据（2021年10月—2024年12月）优化ERA5的反演算法，使站点级平均偏差误差从1.8 km降低至0.1 km，并将与CALIPSO的区域相关系数从0.25提高到0.40。第二步采用Optuna优化的XGBoost模型，以高置信度CALIPSO观测数据（N=106,718）为训练样本，将优化后的ERA5数据与垂直大气廓线和地表属性相融合。最终产品在测试集上实现了RMSE为1.87 km（R²=0.71，MBE=−0.02 km）的精度，季节相关系数达0.72–0.86，南部高原偏差从−5.20 km降低至−0.11 km，改进了97.9%。这一可扩展的方法实现了可靠的长期云底高度重构，对改进高山亚洲地区气候模式参数化以及水资源评估具有关键意义。