南极高原近地表温度变化是各种气候研究的基础信息,遥感方法具有获得成本较低且长时间监测的优势,在获取空气温度相关的地表温度等参数方面具有巨大的潜力。Dome A距离中山站1250公里,其海拔高度为4083米。是南极高原的最高点,被称之为“不可接近之极”。由于其独特的位置和高海拔,Dome A也是分析全球气候变化的重要观测站。本研究从过去与未来的角度拓展了实测气温的时间序列,为全球气候变化提供了一定的参考。在2005年中国南极科学考察队抵达Dome A之前,该地区还没有近地表气温的实测记录。本研究利用遥感产品与再分析数据中的地表温度、短波辐射、长波辐射、风速和云类型等气象参数,建立可信的机器学习模型拟合实测气温,并据此推演2005年之前的气温变化。本文在2005年至2020年长时间序列上分析了不同气候参数对气温的响应。结果表明,地表温度与空气温度之间存在较强的相关性,且它们的联系随季节变化而变化。而其它因素之间具有较为复杂的物理机制,无法从简单的相关性分析中得到因子间的相互关系。因此将相关气候因素放入机器学习模型中,利用机器学习模型中的线性回归、随机森林、深度学习方法挖掘物质间深层次联系实现气温的拟合。在上述三种模型的测试集中,随机森林和深度学习表现较好。随机森林的平均偏差（Mean Error,ME）为0.11℃,平均绝对误差（Mean Absolute Error,MAE）为2.77℃,平均百分比误差（Mean Absolute Percentage Error,MAPE）为7.3%,均方根误差（Root Mean Square Error,RMSE）为3.70℃。而深度学习ME为0.25℃,MAE为2.65℃,MAPE为6.99%,RMSE为3.42℃。最后将精度较好的机器学习模型应用于2004年实测气温的模拟中。并与MERRA-2气温产品进行对比,结果表明,深度学习模拟的瞬时气温与再分析产品具有较好的耦合性。南极高原在未来的气温变化趋势也同样值得关注。寻找一种合适的方法来预测气温至关重要。本文针对气温的长时间预测提出了时间序列分解模型与差分自回归移动平均模型（Autoregressive Integrated Moving Average model,ARIMA）,针对气温的短期预报提出了基于长短期记忆人工神经网络（Long Short Term Memory,LSTM）的循环神经网络模型。在时间序列分解模型中,以奇异谱分析法为基础提取了Dome A气温变化的长期趋势,结果表明,Dome A的气温趋势满足y=7.526sin（0.526x+1.152）-52.128的函数形式,x为自变量代表月份。其次本文提出的时间序列分解模型捕捉到了气温的变化规律,其拟合的月平均气温偏差为0.0004℃,均方根误差为2.13℃。对ARIMA模型而言,拟合的气温序列产生的残差项近乎正态分布,且预测曲线值较时间分解模型较为尖锐,代表该模型对异常情况的预测更好。在LSTM中,以2005-2019年气温作为训练集,2020年气温作为模型的测试集,模型ME为-0.33℃,RMSE为5.42℃。最后将时间序列分解模型、ARIMA模型、LSTM预测的2021年气温与MERRA-2气温产品进行比较,LSTM预测的气温在初始阶段与再分析气温产品在数值上非常接近,随着时间的推移两者偏差会增大。时间序列分解模型与ARIMA模型预测结果的有效性比较容易受极端天气的影响。总的来说,随机森林和深度学习能较好地应用于影像皮温模拟气温。在测试集中RMSE控制在3℃左右。但是,由于多源数据的使用,某一数据的缺失将会导致模拟无法进行,因此使用该方法延长时间序列的长度是较为有限的。在预测方面,LSTM可以在短期对瞬时气温进行预测,但对于未来长期的气温变化,LSTM会有误差的累计,而时间序列分解与ARIMA模型缺少对极端事件的响应。