La identificación de factores influyentes (IFs) de la temperatura de la superficie terrestre (LST) es crucial para desarrollar estrategias efectivas para mitigar el calentamiento global y realizar otros estudios relevantes. Sin embargo, la mayoría de los estudios anteriores ignoraron el impacto potencial de las interacciones entre los IFs, lo que podría llevar a conclusiones sesgadas. Los modelos de aditividad generalizada (GAMs) pueden proporcionar resultados más explicativos en comparación con los modelos de aprendizaje automático tradicionales. Por lo tanto, este estudio emplea GAMs para investigar el impacto de los IFs y sus interacciones en la LST, con el objetivo de detectar con precisión los factores significativos que impulsan los cambios en la LST. Los resultados de este estudio de caso realizado en Nanjing, China, mostraron que los GAMs que incorporan las interacciones entre factores podrían mejorar el ajuste de la LST y aumentar el poder explicativo del modelo. El modelo de otoño mostró la mejora más significativa en el rendimiento, con un aumento de 0.19 en el R2 ajustado y un aumento del 17.9% en la devianza explicada. En el modelo estacional sin interacción, la vegetación, la superficie impermeable, el cuerpo de agua, la precipitación, las horas de sol y la humedad relativa mostraron efectos significativos en la LST. Sin embargo, al considerar la interacción, la influencia significativa previamente observada del cuerpo de agua en primavera y de la superficie impermeable en verano sobre la LST se volvió insignificante. Además, bajo la interacción de la precipitación, la humedad relativa y las horas de sol, así como el efecto de enfriamiento del NDVI, no hubo una tendencia ascendente estadísticamente significativa en la LST media estacional durante 2000-2020. Nuestro estudio sugiere que tener en cuenta las interacciones entre los IFs puede identificar los factores impulsores que afectan la LST de manera más precisa.