地表温度是研究地表和大气之间物质交换和能量交换的重要参数，是监测资源环境以及气候变化的重要指标之一，它影响着地表和大气之间的能量交换和水热均衡过程，在地表研究中扮演着重要的作用，在评估城市热岛效应、地表水管理、农业干旱监测、气候变化、地质和勘察等领域中有着特别广泛的应用。
传统的LST数据通过地面气象站获得的站点数据进行测量，但是气象站点数据无法提供大面积连续的真实LST数据。基于热红外遥感和微波遥感的测量方法已经被广泛应用于城市气候、水文等研究，但是热红外遥感易受到云的干扰，卫星遥感影像在多云条件下反映的地表温度与真实值存在差异，在全球实际日间天气中，多云天气较多，用于时空分析的可操作LST产品的应用很有限。而微波遥感的空间分辨率较粗，导致在复杂城市地表场景下获得时空连续的高精度高时间分辨率地表温度产品较难，极大限制了其在城市热环境中的应用。为了解决这一问题，本研究采用耦合区域气象模式（WRF）与遥感的方法，通过 WRF 构建时空连续、分辨率较高但精度较低的地表温度产品，采用机器学习的方法构建 WRF 地表温度与 MODIS 地表温度之间转换关系，并通过空间优化算法进行优化，得到重建 MODIS 由于受到云遮挡未能反演的地表温度数据的模型—WRFFM，以进一步研究地表城市热岛。结果表明，WRFFM  LST与MODIS LST空间格局一致，相关系数都在0.8以上。与之前的时空填隙法、被动微波测量法与地表能量平衡法来估算多云条件下的 LST的反演算法相比，本研究所提出的WRFFM模型更有效。因为它考虑了WRF模型所提供的地表和大气条件，许多的大气强迫变量（如风速、温度与湿度）是已知的或是WRF模型进行预处理的。并且WRFFM模型的源数据是在真实的历史再分析数据基础上进行模拟所得，而非其他方法所得到的假设数据，要比以往基于理论进行纯模拟的研究更加接近真值。本研究方法通过结合气象与遥感两方面的优势，与以上列举的填补云方法相比，它的优势在于形成耦合WRF/UCM模拟框架时考虑了陆地表面和大气条件，同时采用Terra星以及Aqua星的数据资料，保证进入RF模型进行拟合时具有足够数量的有效像元，大大提高了模型反演的精度，可以提供时空连续、精度较高（类似 MODIS）且分辨率与 MODIS 相同的地表温度产品。
 

MODIS，WRF，地表温度重建