自19世纪以来,在工业化、城市化的大背景下,大量温室气体排放引发了全球气候变暖,并造成一系列自然生态、人群健康问题。而宏观角度的社会生态因子调控被认为是有效缓解区域气温升高的有效手段之一,然而不同因子对气温响应的能力尚不明确。因此,刻画高精度的区域气温时空变化,进一步量化不同社会生态因子对区域气温影响程度,该过程有利于明确区域气温的变化态势。为调控区域热环境、推动我国“碳中和”提供技术支撑,也为调节全球气候变化的远期规划提供新思路。本研究运用海量遥感数据结合机器学习Light GBM模型,引入随机ID变量优化Lg RID,用于模拟区域1km分辨率近地面气温空间分布。采用Moran’I指数、热点分析方法和方向分布分析提取关键区域近地面气温空间分布格局,分析多年近地面气温空间分布变化趋势。采用地理探测器模型中因子探测和交互探测量化不同社会生态因子对区域近地面气温空间分布的影响程度。结合以上方法,探究闽西南2008-2018年月均近地面气温空间分布的格局、变化及受不同因素的影响程度。主要取得以下研究成果:1.结合Light GBM机器学习模型和随机分布地理编码参函数构建Lg RID模型,通过交叉验证确定Lg RID模型的可靠性（R=0.99）,并获取2008-2018年间,月度闽西南1km空间分辨率近地面气温空间分布产品。2.通过空间分析方法发现,闽西南近地面气温空间分布空间格局复杂,呈现山区破碎、沿海较为统一的格局（热点区域空间格局较为统一,冷点区域空间格局较为破碎）,热点区域主要集中在沿海地区以及内陆城市的人口聚集地区,热点和冷点面积分别占闽西南全区的27.5%和27.4%;2008年至2012年闽西南平均气温逐渐下降,气温空间重心向西北移动,2013至2018年闽西南平均气温逐渐上升,气温空间重心向东南移动。3.运用地理探测器分析发现以下主要结果:不同区域影响近地面气温空间分布的主要因子的类型和强度差异较大;不同年份间,因子影响程度具有一定差异;因子之间依照不同性质类型可以进行归类总结（人为活动、地形、植被及气象因素等）;存在其他关键的主导因子未被本研究收录;不同因子的交互作用均呈现非线性增强的特点;植被对近地面气温空间分布的影响强烈（特别在近地面气温空间分布的冷点区域）,主要表现在树种类型、森林覆盖率、树高及林龄等诸多要素,这些要素与海拔交互作用后对气温格局的影响更为强烈。4.闽西南地区复杂的地形结构对水汽传输、土地利用、人口分布、植被分布等多种因素具有深刻影响,也导致其对近地面气温空间分布的主要影响;全球气候变化作为难以区域量化的指标,潜在的掌控着区域气温的变化和空间分布,因此也影响着2008-2018年气温在本地的整体升降趋势;因子之间交互作用强度并不一致表明,近地面气温空间分布的影响因素众多,关系复杂,深层关系有待深入研究;区域位置、尺度等各项差异对气温空间分布的影响同样意义重大,例如,土地利用的变化、人类的活动对热点区域中的气温空间分布显著影响,而植被类型、森林覆盖率等植被指标则显著影响冷点区域的气温空间分布。不同因子在不同年份间综合作用后,呈现量化强度和因子排序不一致等多种现象。本研究以海量多源的大数据结合机器学习模型进行区域近地面气温空间分布模拟,利用空间统计方法量化不同社会生态因素对区域尺度近地面气温空间分布的影响程度,并阐明具体机制。该研究填补了区域尺度气温空间响应机制的部分空白,也为推动可持续发展、调节全球气候变化提出新思路。