土壤和植被温度的重要性：
土壤温度：影响碳循环、有机物分解和水热过程，决定了土壤质量与生物分布。
植被温度：反映植物生理状态，影响光合作用和蒸腾效率。
土壤和植被温度作为气候动态的重要指标，比单纯的地表温度（LST）更能反映生态系统内部的变化。
现有方法的不足：
ERA5-Land：再分析数据覆盖全球，但空间分辨率较低（0.1°），且无法完全反映地表真实温度。
GSBV（全球土壤生物气候变量）：基于机器学习模型生成，分辨率较高（1 km），但仅为多年均值，缺乏时间序列分析能力。
卫星遥感（如MODIS）：提供地表温度（LST），但云层遮挡、时间采样不足和空间分辨率限制，影响数据完整性。
主要创新：FuSVeT结合MODIS卫星数据（提供高分辨率但低时间频率的LST）和ERA5-Land再分析数据（提供高时间分辨率但低空间分辨率的LST），采用参数化和模型优化策略，提出了一种全新的土壤与植被温度提取方法。
核心方法：
时间循环模型（MDC）：描述土壤和植被温度的日变化规律，包括6个关键参数（如日出温度
T 0 T_0 T a T_a t m t_m 空间滑动窗口：假设相邻像元共享相似的温度变化参数，以增加模型方程数量，从而缓解遥感观测数据不足的问题。
多源数据融合：将ERA5-Land数据用于初步估算时间无关参数（如日出温度
T 0 T_0 T a T_a FuSVeT的改进点：
减少未知参数：利用ERA5-Land数据优化模型，降低需要解算的参数数量，从“增加方程”转向“减少未知数”。
数据空缺处理：通过多源数据融合，克服云层干扰引起的数据缺失问题。
数据来源：
1 km级卫星温度产品，用于区域精度验证。
实地测量数据（235个全球通量站点），用于点尺度验证。
MODIS LST（MOD11C3/MYD11C3）：月均地表温度数据，分辨率0.05°。
ERA5-Land LST：小时级地表温度数据，分辨率0.1°，用于参数优化。
GLASS FVC（植被覆盖度）：基于MODIS反射率的高分辨率植被覆盖度产品，用于土壤和植被温度分离。
高分辨率数据验证：
模拟数据：
构建了包含5.52万条样本的模拟数据集，生成合成“卫星LST”和“再分析LST”作为输入，真实的土壤与植被温度用于对比分析。
验证与分析方法：
模拟实验：比较FuSVeT和传统方法（TAS）的表现，评估其RMSE（均方根误差）和Bias（偏差）。
区域验证：通过1 km分辨率的卫星数据验证FuSVeT在不同纬度和植被覆盖度下的表现。
点验证：利用地面实测数据评估模型的精度。
模拟结果：
RMSE从TAS的1.4 K（土壤）和1.5 K（植被）降低到1.2 K（均值）。
Bias从TAS的-1.1 K（土壤）和-1.2 K（植被）减少到-0.3 K和-0.6 K。
FuSVeT在土壤和植被温度提取中表现优于TAS方法：
在植被覆盖度（FVC）较高或较低的区域，FuSVeT提取精度显著高于传统方法。
区域验证：
FuSVeT在全球范围内的温度提取误差小于2 K，偏差小于1 K。
与TAS相比，FuSVeT填补了云层引起的1.5%的空间数据缺失，覆盖范围更完整。
点验证：
FuSVeT的RMSE为2.3 K（土壤）和2.2 K（植被），Bias分别为-1.3 K和-1.9 K。
与地面实测数据吻合度更高。
全球土壤和植被温度特性：
1月：北半球中高纬度地区温度较低，热带区域土壤温度显著高于植被温度。
7月：北半球土壤温度高于植被温度，热带区域温差更显著。
FuSVeT提取的温度在空间分布上与GSBV和ERA5-Land一致，展现出显著的季节和纬度变化特征：
数据异质性：
FuSVeT土壤温度具有更高的空间异质性，能捕捉生物群落间的细微温度差异。
图4展示了TAS方法的反演精度。就RMSE而言，如图3和图4所示，在69个FVC分布中，FuSVeT方法在41个土壤温度案例和56个植被温度案例中实现了较小的RMSE，而TAS方法分别为28个和13个案例。FuSVeT方法对土壤和植被温度的总体RMSE均为1.2 K，而TAS方法分别为1.4 K和1.5 K。至于偏差，FuSVeT方法在54个土壤和65个植被温度案例中显示的值更接近于零。FuSVeT方法对土壤温度的总体偏差为-0.3 K，对植被温度的总体偏差为-0.6 K，而TAS方法分别为-1.1 K和-1.2 K。这些结果凸显了FuSVeT方法的优势，并且Bias的改善比RMSE的改善更为明显。
模型局限：
高纬度地区的温度模型表现不佳，需结合特定区域调整。
对皮肤温度（1-100 μm深度）敏感，但与深层土壤温度（0-5 cm或更深）存在差异。
云层影响：
尽管通过ERA5-Land数据减少了缺失，但每日尺度数据缺失问题仍较显著。
未来改进：
引入更精细的参数优化策略，解决T0（黎明温度）偏低的问题。
针对积雪区域，考虑雪和土壤的分离温度估算。
图 8. 2020 年 1 月不同土壤温度数据集的比较。（a）至（c）显示全球空间分布模式，（d）显示不同生物群落中土壤温度的分布。在（d）中，不同的颜色代表不同的数据集，左侧的数字表示平均温度，括号中的数字表示温度标准差。T/ST、MBF、DBF、GSS、GS、XS、Med、FWS、Temp、BMF、CF、F/T 分别是“热带/亚热带”、“湿润阔叶林”、“干旱阔叶林”、“草原、稀树草原和灌木丛”、“草原和稀树草原”、“旱生灌木丛”、“地中海”、“森林、林地和灌木或硬叶林”、“温带”、“阔叶混交林”、“针叶林”和“森林/针叶林”的缩写。
生态与农业监测：
FuSVeT方法可用于长期生态动态和农业生产力监测，支持气候变化研究。
多分辨率分析：
可扩展至日尺度或1 km分辨率，适应敏感区域的精细化分析需求。
全球数据集生成：
FuSVeT生成的月均全球土壤和植被温度数据（0.05°）为生态、气候和农业研究提供了高分辨率、长时间序列的数据支持。
