自工业时代以来，全球变暖加剧，引发了重大的生态和社会经济变化，迫切需要详细了解区域温度动态。（Platnick等人，2003年；Araújo等人，2006年；Sellers，1997年）。根据政府间气候变化专门委员会的第六次评估报告，自然因素和人为因素共同导致全球表面温度从1850年至1900年上升了0.8°C，到2010–2019年上升至1.3°C（Howarth和Viner，2022年）。IPCC AR6还指出，全球变暖将导致多种气候灾害的增加，并对生态系统和人类构成多重风险（Maurer等人，2002年；Remer等人，2008年）。近地表温度（NST）是地表能量平衡中的一个重要气候参数（Abdillah等人，2017年），它是理解陆地-大气质量和能量交换的关键指标（Liu等人，2020年）。准确理解NST的时空变化性通常是制定应对气候变化策略和行动的基础（Ying，2011年）。识别近地表温度的影响因素对于制定有效缓解全球变暖的策略以及开展其他相关研究至关重要（Root等人，2003年；Wang等人，2025年）。
全球变暖在不同地区表现出不同的时空特征。过去四十年中，全球NST平均升温速率为0.32°C/十年，北半球升温速率为0.362°C/十年，南半球为0.147°C/十年（Zhang等人，2022年）。在某些地区，升温速率最高，格陵兰岛达到了0.654°C/十年（Root等人，2003年）。赤道附近的地区NST升温速率较低，东南亚和南部非洲的升温速率低于0.15°C/十年（Cai等人，2021年）。
地球表面是大气层、生物圈、水圈和岩石圈之间的重要界面（Moss等人，2010年）。近地表温度（NST）是描述陆地与大气之间质量和能量交换的重要变量，其应用范围涵盖气候学、生态学、水文学和农业等领域（Jenerette等人，2007年；Luo等人，2015年；?erban等人，2023年；Le等人，2021年）。全球科学家呼吁评估影响气候变化的因素，以探索NST与其影响因素之间的相互作用（Zanis等人，2020年；Vaibhav和Ankur，2022年）。自16世纪和17世纪早期科学家开始进行气象观测以来，气候研究主要集中在大气-混合层海洋模型上。这些模型研究了包括大陆冰盖、大气CO2和陆地反照率在内的驱动因素对末次冰期气候最大值期间气候变化的影响（Viitasalo和Bonsdorff，2021年）。当时由于对流层环流的作用，NST呈现降温趋势。1976年至2014年间，西西伯利亚地区的NST时空分布分析表明，大气环流因素在NST变化中起主导作用（Kharyutkina等人，2016年）。除了水循环（Zhang等人，2011年）外，土壤湿度、植被、积雪覆盖和特定湿度（SH）（Kosaka等人，2012年）也影响NST的变化。此外，随着全球温度的升高，大气水汽含量增加，导致降水量增加。NST是研究区域内异质性空间变化的主要因素（Zhang等人，2024a）。
随着人类活动的加剧，全球气候变化呈现出由人为因素驱动的升温趋势。人类活动，尤其是温室气体排放，已成为平均温度和极端温度升高的主要原因。化石燃料燃烧和森林砍伐尤其如此（Li等人，2011年；Sun等人，2022年）。气候变化还受到城市化和工业化的影响（Feng等人，2014年）。第六次IPCC评估报告（AR6）定量评估了人为活动在气候变暖中的决定性作用（Ballantyne等人，2017年）。了解长期温度变化对于探索气候变化对区域水文和农业的影响至关重要，例如人为因素加剧的地下土壤干旱以及对农业生产力的显著影响。
机器学习算法能够比传统统计分析方法更精确、更可行地量化自变量和因变量之间的复杂关系。基于分布-演化-平衡模型的改进集成框架被开发出来，用于分析气候变化的时空特征。结果表明，在黄河上游流域（UYRB），北极涛动（AO）和太阳黑子（SN）对气候变化的影响大于南方涛动指数（SOI）和太平洋十年涛动（PDO），但这些影响主要在局部范围内相关（Wang等人，2021年）。Geodetector用于探索黄河源区的荒漠化时空变化及其驱动机制，结果表明，自然因素和人为因素的相互作用比单独的自然因素或人为因素更能解释荒漠化现象（Gong等人，2011年）。Zhang使用四分位数回归评估了年平均气温（MAT）与其他微气象因素（如大气CO2浓度、大气水含量、土壤热通量、显热通量、潜热通量、降水量、相对湿度和土壤含水量）之间的关系。结果表明，大气CO2浓度在改变MAT方面起着重要作用（Zhang等人，2016年）。
阐明NST如何变化及其变化的原因，以及人为因素和自然因素如何影响NST，对于理解气候变化至关重要。然而，NST的影响因素往往具有地理异质性，因为它们不仅取决于自然因素的变化，还取决于社会和经济因素。因此，建立NST及其影响因素的定量模型并识别关键驱动因素对于提高我们对气候变化的理解至关重要。
中国的领土从北到南跨越近50度纬度，包含极其多样的气候类型。由于显著的地理异质性，中国表现出明显的大陆性季风气候。从地形上看，青藏高原是世界上最大、最高的高原，通常被称为“世界屋脊”和“气候变化起始区”（Wang等人，2003年）。中国的气候变化明显受到区域差异的影响，因此探索不同气候子区域的气候变化关键影响因素至关重要。
从NST变化的时空趋势角度来看，本研究探讨了2000年至2023年中国五个气候子区域的多年平均NST（MAT）和年度NST（TAT）的特征。然后通过构建Whale优化算法随机森林（WOA-RF）模型在每个子区域量化了这些因素。WOA-RF模型纳入了多种因素，包括积雪覆盖（SC）、降水量（Pre）、特定湿度（SH）、归一化植被指数（NDVI）、总云量（CC）、土壤湿度（SM）、气溶胶光学厚度（AOD）、中对流层二氧化碳柱浓度（CO2）、人口密度（DP）、数字高程模型（DEM）和夜间光照（NL）。我们的目标是回答以下问题：1）中国不同子区域的多年平均NST（MAT）和年度NST（TAT）的时空分布是什么？2）如何建立结合Whale优化算法的定量随机森林模型来探索气候变化的关键因素？3）中国不同子区域的MAT和TAT的主要影响因素是什么？
通过对中国气候变化的案例研究，这些目标得到了解决。中国的气候变化具有明显的区域差异，因此探索不同气候子区域的气候变化关键因素至关重要，这为中国应对气候变化提供了科学基础。
