在全球气候变暖的背景下，极端天气事件频率和强度增加。现有数据集在“高空间分辨率”与“高时间分辨率”之间难以兼得。本研究基于 Google Earth Engine (GEE) 平台，融合多源时空数据，构建了一套 1 km 逐日热舒适度多指数数据集（DTMI）的生产框架，并以陕西省为例进行验证，为区域热环境演变研究及热风险评估提供精细化数据支撑。
极端高温事件频发对公共健康构成严重威胁，而现有热舒适度数据集在时空分辨率上存在明显局限。
全球气候变暖导致极端高温事件频率和强度不断增加，严重威胁全球环境稳定性及人类公共健康。
现有数据集（如 ERA5-HEAT, HiTiSEA 等）往往在“高空间分辨率”与“高时间分辨率”之间难以兼得，缺乏区域精细化评估产品。
基于 GEE 平台融合多源时空数据，构建一套 1 km 逐日热舒适度多指数数据集（DTMI）的生产框架。
通过整合站点、再分析及卫星遥感数据，利用随机森林算法实现气象变量的高精度估算与多指数计算。
整合气象站点观测数据、ERA5-Land 再分析数据、MODIS 卫星遥感产品（NDVI, LST 等）、SRTM 地形数据及 WorldPop 人口密度数据。
利用随机森林 (RF) 等机器学习模型，结合地表特征参数，将粗分辨率气象数据降尺度，估算 1 km 分辨率的逐日气温、风速和相对湿度。
将估算的高分辨率气象变量代入物理与经验模型，计算通用热气候指数 (UTCI)、表观温度 (AT)、酷热指数 (HI)、湿润指数 (Humidex) 和风寒温度 (WCT)。
作为表观温度 (AT) 和湿润指数 (Humidex) 计算的关键中间变量，由气温 (Ta) 和相对湿度 (RH) 共同决定。
针对不同气象变量的物理机制，构建了特定的多源特征输入集，以提升机器学习模型的估算精度。
引入 1 km 高分辨率气象变量后，各热舒适度指数精度显著提升，局部空间细节刻画能力大幅增强。
| 指数名称 | R² | RMSE (℃) | MAE (℃) | Bias (℃) |
|---|---|---|---|---|
| 通用热气候指数 (UTCI) | 0.968 | 2.441 | 1.757 | -0.027 |
| 表观温度 (AT) | 0.983 | 1.701 | 1.337 | 0.395 |
| 酷热指数 (HI) | 0.985 | 1.362 | 1.046 | -0.042 |
| 湿润指数 (Humidex) | 0.988 | 1.468 | 1.138 | -0.007 |
| 风寒温度 (WCT) | 0.982 | 1.436 | 1.116 | -0.083 |
本研究构建的 DTMI 生产框架实现了时空分辨率的双重突破，为应对气候变化提供了有力支撑。
验证了在 GEE 平台上利用随机森林算法整合多源数据生产高精度气象变量的可行性，5 种指数的 R² 均在 0.968 以上，空间连续性极佳。
在地形位置指数高、地形多样的复杂山区，局地风场非线性变化难以被统计模型完全捕捉，未来需进一步优化微气象特征的提取。
该框架可扩展至更长的时间序列和更广的地理范围，为城市规划、公共卫生预警及极端气候风险评估提供精细化、高频次的数据基础。