这篇文档属于类型a，即报告了一项单一原创研究的学术论文。以下是对该研究的详细介绍：
该研究的主要作者包括Wang Zhou、Bin Peng、Jiancheng Shi等，分别来自中国科学院遥感与数字地球研究所、美国伊利诺伊大学厄巴纳-香槟分校、中国科学院地理科学与资源研究所等机构。该研究于2017年9月15日发表在期刊《Remote Sensing》上，题为“Estimating High Resolution Daily Air Temperature Based on Remote Sensing Products and Climate Reanalysis Datasets over Glacierized Basins: A Case Study in the Langtang Valley, Nepal”。
该研究的主要科学领域为遥感技术与气候模型结合的气温估算。近地表气温（Ta）是地表模型和水文模型的关键输入参数，影响地球表面系统的生物地球物理和生物地球化学过程。然而，在冰川覆盖的流域中，获取高分辨率的Ta数据仍然是一个主要挑战。传统方法依赖于气象站观测，但其空间分布不均匀，尤其是在冰川覆盖的流域中，气象站数量稀少且分布不均。气候再分析数据集虽然提供了大范围的气温信息，但其空间分辨率较低，难以满足小流域的需求。因此，该研究提出了一种结合遥感产品和气候再分析数据集的高分辨率气温估算方法，旨在为冰川流域的水文模拟提供更精确的气温数据。
该研究主要分为以下几个步骤：
数据准备：研究区域为尼泊尔的Langtang Valley，该区域位于喜马拉雅山脉，海拔范围从3800米到7234米，冰川覆盖面积为166平方公里。研究使用了MODIS（中分辨率成像光谱仪）的地表温度（LST）产品和中国气象局（CMA）的陆地数据同化系统（CLDAS）再分析数据集。此外，研究还使用了两个自动气象站（Kyanging和Yala）的观测数据用于验证。
LST数据重建：由于云层覆盖和轨道间隙，MODIS LST数据存在大量缺失。研究采用数据插值经验正交函数（DINEOF）方法对MODIS LST数据进行重建，以获得时空连续的LST数据。DINEOF方法基于经验正交函数（EOF）和奇异值分解（SVD），能够有效处理高缺失率的数据。
气温估算模型建立：研究将重建的MODIS LST数据、数字高程模型（DEM）和日照时间（DDL）等参数升尺度到CLDAS的尺度，并建立多变量回归模型来估算气温。回归模型考虑了Terra和Aqua卫星的白天和夜间LST数据，以及DEM和DDL的影响。研究还采用了分段多变量线性回归（PML）方法，分别针对夏季和冬季建立模型，以考虑季节变化对气温的影响。
气温估算与验证：研究将建立的回归模型应用于原始的MODIS LST尺度，得到高分辨率的气温估算结果。估算结果与Kyanging和Yala气象站的观测数据进行了验证，评估了估算的日最高气温、日平均气温和日最低气温的准确性。
LST数据重建结果：DINEOF方法成功重建了MODIS LST数据，重建后的LST数据在空间和时间上均表现出良好的连续性。重建的LST数据与原始数据在空间分布和季节变化上高度一致，且重建后的数据更加稳定。
气温估算结果：研究提出的气温估算方法在Langtang Valley表现出良好的性能。在Kyanging站，日最高气温、日平均气温和日最低气温的RMSE（均方根误差）分别为2.05 K、1.88 K和3.63 K，偏差分别为0.42 K、-0.68 K和-2.86 K。在Yala站，日最高气温、日平均气温和日最低气温的RMSE分别为4.53 K、2.68 K和2.36 K，偏差分别为4.03 K、1.96 K和-0.35 K。PML方法在大多数情况下表现优于简单多变量线性回归（SML）方法。
气温空间分布：估算的气温在Langtang Valley表现出合理的空间分布模式，与地形和土地利用数据高度一致。PML方法在夏季和冬季均能提供更详细的气温空间分布信息，尤其在夏季，PML方法能够更好地捕捉气温的空间变化。
该研究提出了一种基于遥感产品和气候再分析数据集的高分辨率气温估算方法，并在尼泊尔的Langtang Valley进行了验证。结果表明，该方法能够有效估算冰川覆盖流域的高分辨率气温，为水文模拟提供了重要的输入数据。与传统的气温插值方法相比，该方法不需要额外的气象站观测数据进行校准，适用于无观测资料的冰川流域。
研究还探讨了气温估算的不确定性来源，包括CLDAS数据集的误差、MODIS LST数据反演的误差以及降尺度算法引入的误差。此外，研究还分析了气温与冰川融水径流之间的关系，发现气温与径流呈指数关系，进一步验证了气温估算在水文模拟中的重要性。
总体而言，该研究为冰川覆盖流域的气温估算提供了一种新的解决方案，具有重要的科学价值和应用价值。