Las altas complejidades espaciales de la modelización de la temperatura del suelo en tierras semiáridas han desafiado el marco de calibración-predicción, cuyo objetivo compuesto carece de una evaluación integral. Por lo tanto, este estudio, basado en el modelo de superficie terrestre Noah y su tabla de parámetros completa, utiliza dos algoritmos de búsqueda global y ocho tipos de objetivos con métricas de dimensiones variadas, combinados con observaciones densas de humedad y temperatura del suelo en el Tíbet central, para explorar el rendimiento de diferentes métricas sobre la heterogeneidad espacial y la incertidumbre de los parámetros de la superficie terrestre regional, la eficiencia y efectividad de la calibración, y las complejidades espaciotemporales en la predicción de la superficie. Los resultados han mostrado que la diversidad de métricas tiene una mayor influencia en el marco de calibración-predicción que las diferencias en los algoritmos de búsqueda global. La métrica multiobjetivo mejorada (EMO) y la eficiencia de Kling-Gupta mejorada (EKGE) tienen sus propias ventajas y desventajas en simulaciones y parámetros, respectivamente. En particular, la EMO compuesta con las cuatro métricas de coeficiente de correlación, error cuadrático medio, error absoluto medio y eficiencia de Nash-Sutcliffe ha mostrado un rendimiento relativamente equilibrado en la predicción de la temperatura del suelo en comparación con otras métricas. Además, el marco de calibración-predicción que se benefició de la EMO podría reducir en gran medida las complejidades espaciales en la modelización del suelo superficial de tierras semiáridas. En general, estos hallazgos podrían mejorar el conocimiento de las ventajas de las métricas para resolver las complejidades de los parámetros y simulaciones del LSM y promover la aplicación del marco de calibración-predicción, mejorando potencialmente la predicción de la superficie regional en regiones semiáridas.