1.一种三阶段的高精度近地表气温遥感估算方法，其特征在于，所述方法包括以下步骤：

S1，对遥感地表温度数据进行时间归一化，以消除成像时间差异；

S2，将研究区根据自然条件差异聚类划分为多个子区，基于时间归一化后的地表温度数据和子区内气象站点对应的空间辅助变量，在每个子区内分别利用四种机器学习模型估算气温，得到空间化的气温估算结果；

S3，通过广义加性模型集成四种机器学习模型的气温估算结果，得到更高精度的近地表气温；

步骤S1进一步包括以下步骤：

采用地表温度归一化公式对MODIS遥感传感器采集的地表温度数据进行时间归一化处理：2

Tnorm＝Tac‑a(tac‑tnorm) +b(tac‑tnorm)；

式中，Tnorm为归一化到基准时间的地表温度，Tac为太阳时的实际地表温度，a和b为系数，tac为太阳时，tnorm为基准时间；

基于ERA5_land再分析气象数据提取逐小时地表温度，结合ERA5的总云量信息进行掩膜，取晴空时相地表温度进行逐小时月合成处理，获得时空连续的月合成逐小时ERA5_Land地表温度数据；采用下述公式将ERA5_Land地表温度数据对应的UTC协调世界时转为太阳时：式中，tsolar_time为太阳时，tUTC为协调世界时，Tzone_offset为研究区所在时区标准时间与UTC的时差，Lon为像元的经度值；

基于月合成逐小时ERA5_Land地表温度数据及对应的太阳时，逐像元基于地表温度归一化公式的形式进行最小二乘拟合得到系数a、b值，并重采样到1km分辨率以与MODIS地表温度数据分辨率一致；逐像元应用地表温度时间归一化公式对MODIS地表温度数据进行时间归一化处理，得到归一化为11时的地表温度数据；步骤S2中，将研究区根据自然条件差异聚类划分为多个子区的过程包括以下步骤：对反照率Albedo、高程Elevation、太阳下行辐射DSR、植被指数NDVI和水体指数MNDWI进行年平均和归一化处理消除分类过程中值域差异的影响，结合经度Longitude和纬度Latitude共同作为分类特征，运用迭代自组织数据分析模型进行聚类分区，通过迭代将研究区划分为若干子区；

步骤S2中，在每个子区内分别利用四种机器学习模型估算气温的过程包括以下步骤：

通过经纬度和时间进行时空匹配，提取出气象站点对应的所有空间变量，空间变量包括归一化后的地表温度以及包括植被指数NDVI、水体指数MNDWI、反照率Albedo、高程Elevation、太阳下行辐射DSR、地形指数CTI、年积日DOY、经度Longitude和纬度Latitude在内的空间辅助变量；

以所有空间变量为自变量，气象站点实测气温值为因变量，在各个子区中运用随机森林、极端梯度提升、分类增强和Cubist这4种机器学习方法分别构建气温估算模型：yi～β0(μi，vi)+β1(μi，vi)xi1+......+β10(μi，vi)xi10+εi；

式中，yi表示站点i处的气温估算值；(μi，vi)表示站点i处的空间坐标；β0(μi，vi)为方程的截距；

β1(μi，vi)～β10(μi，vi)为对应自变量的回归系数；

xi1～xi10分别为在站点i处的归一化后的地表温度、植被指数NDVI、水体指数MNDWI、反照率Albedo、高程Elevation、太阳下行辐射DSR、地形指数CTI、年积日DOY、经度Longitude和纬度Latitude；εi为随机误差项；

将构建的4种机器学习模型应用于时间归一化后地表温度以及包括植被指数NDVI、水体指数MNDWI、反照率Albedo、高程Elevation、太阳下行辐射DSR、地形指数CTI、年积日DOY、经度Longitude和纬度Latitude在内的空间辅助变量，得到空间化的气温估算结果；

步骤S3中，以步骤S2中的各个机器学习模型得到的气温估算结果为自变量，气象站点实测气温为因变量，运用广义加性模型GAM构建集成模型：Ta＝s(Tamodel1)+s(Tamodel2)+s(Tamodel3)+s(Tamodel4)+ei，j；

式中，Ta为观测近地表气温；Tamodel 1、Tamodel 2、Tamodel 3、Tamodel 4分别为随机森林、极端梯度提升、分类增强和Cubist这四种机器学习模型的气温估算值；S()表示对应参数的光滑函数；ei,j表示每个观测值的残差误差项；

将构建好的集成模型应用于4种机器学习模型得到的估算气温，得到集成后的最终气温估算值。

2.根据权利要求1所述的三阶段的高精度近地表气温遥感估算方法，其特征在于，将MODIS反射率产品MOD09A1、MODIS的反照率产品MCD43A3、MODIS反照率产品MCD43A3、ERA5‑Land和SRTM/DEM数据重采样为1km分辨率，以与MODIS地表温度数据分辨率一致；从预处理后MODIS反射率产品MOD09A1中提取红波段、近红外波段、绿波段和短波红外1波段的反射率；从预处理后MODIS反照率产品MCD43A3中提取反照率数据以及经度和纬度数据；从预处理后ERA5‑Land中提取太阳下行辐射DSR；从预处理后SRTM/DEM数据中提取高程Elevation及地形指数CTI；

运用下述公式分别计算得到500m分辨率的植被指数NDVI和水体指数MNDWI：

式中，ρNIR和ρRED分别代表近红外波段和红波段的反射率；ρGreen为绿波段反射率，ρSWIR1为短波红外1波段反射率。