尽管近百年来的全球气温升高的结论已形成广泛共识，但是其变化的幅度仍然存在不确定性。全球及区域气温估计的精度受多方面的影响，包括气象站点温度计读数、观测站点的变迁、观测仪器的变更、观测站所处地理环境的变化、气温数据的收集统计方法、地面观测站点的布局等方面。在这些不确定性因素中，单个观测值的不确定性以及空间分层(strata)（带来的抽样的不确定性）是两个基本因素，并且最终会影响到区域平均气温的估计。基于以上的考虑，本论文就气温观测值的单点不确定性建模以及气温距平的空间分层方法进行了研究，主要包括以下成果:　　提出了BSHADE点估计模型(P-BSHADE)的气象站点气温缺失值插补方法。此方法通过先验知识把气温数据的空间相关性、异质性融入到模型中，并对样本点纠偏，最终得到目标站点的线性无偏最优估计。在本研究中，P-BSHADE的计算结果与Kriging，IDW(inverse distance weighting)和SRT(spatial regression test)三种方法做了理论和实验的比较，并且通过实际数据进行了验证。结果表明: P-BSHADE与其它方法相比有明显的优势。此外， P-BSHADE也具有理论方面的先进性，因为这种方法同时考虑到了气温数据的空间相关性，异质性以及站点观测值的有偏性，这个假设前提更加符合气温场的空间分布实际情况。　　基于P-BSHADE及SRT-PS(probabilistic spatiotemporal approach based on a spatialregression test)，分别提出了两套气温观测值的不确定性定量评估方法。(1)P-BSHADE模型:此方法可以利用已有观测值对目标站点进行线性无偏最优估计，同时目标站点的气温估计的期望值和估计误差的方差也可以同时得出。此方法假设目标站点气温值的估计误差服从以P-BSHADE的估计值和估计误差的方差为期望和方差的正态分布，并计算目标站点的实际观测值在这此概率分布中的p值，它反映的是目标站点气温值的置信概率(confidence probability)。(2) SRT的时空概率方法(SRT-PS):此方法的假设前提是:如果目标站点的SRT估计值与观测值之间存在较大的残差，则认为此站点的气温记录值很可能存在较大的不确定性。实际数据验证表明，P-BSHADE和SRT-PS方法可以有效地用于气温观测值不确定性的定量评估。两种方法相比:P-BSHADE可以考虑先验知识及气温的空间相关性及异质性，因而更加符合实际;而SRT-PS需要利用较长的时间序列数据，但相对简单实现。　　通过气温的空间相关性以及异质性的分析，提出了一种基于GeoDetector的空间分层方法，此方法中研究对象的空间域与属性域分别考虑，并且计算过程中可以利用先验知识以提高空间分层的效率。这种方法的目标是分层结果中层内方差最小，层间方差最大。实验结果表明，此空间分层方法可以合理地对气温距平进行空间分层。　　单个观测值的不确定性以及空间分层是统计推断中两个重要的方面，对这两个方面深入研究可以为区域总量或均值估算的精度评价提供依据。通过本论文气温数据集中单个站点气温观测值的不确定性及其分区方法的探索，有利于进一步加深对区域及全球气温变化趋势及其不确定性的认识。