Los modelos de ciclo de temperatura anual (ATC) se utilizan ampliamente para caracterizar la dinámica de la temperatura de la superficie terrestre (LST) de manera temporalmente continua dentro de un ciclo anual. Sin embargo, los modelos ATC existentes ignoran las correlaciones locales espaciotemporales entre píxeles de LST adyacentes y son inadecuados para capturar las complejas relaciones entre las LST y los descriptores relacionados con la LST. Para abordar estos problemas, proponemos un modelo ATC mejorado (denominado ATC_GL), que combina tanto las interpolaciones globales como locales espaciotemporales. Utilizando el algoritmo de bosque aleatorio (RF), el modelo ATC_GL cuantifica las complejas relaciones entre las LST y los descriptores relacionados con la LST, como la temperatura del aire en la superficie, el índice de vegetación de diferencia normalizada y el modelo digital de elevación. Se compararon las actuaciones del ATC_GL y varios métodos de reconstrucción de LST ampliamente utilizados bajo condiciones de cielo despejado y nublado. En el escenario con LST faltantes de manera aleatoria, la precisión del ATC_GL fue 2.3 K y 3.1 K más alta que la del ATCE (el modelo ATC mejorado) y el ATCO (el modelo ATC original), respectivamente. En el escenario con huecos de LST de varios tamaños, el ATC_GL mantuvo la mayor precisión y fue menos sensible al tamaño del hueco en comparación con el ATCH (el modelo ATC híbrido), la interpolación de Kriging, RSDAST (Temperatura de Superficie Terrestre Diaria Remotamente Sensada) y HIT (Técnica de Interpolación Híbrida). En el escenario de condiciones nubladas, la precisión del ATC_GL fue 1.0 K más alta que la de otros métodos de reconstrucción de LST. El ATC_GL enriquece la familia de modelos ATC y proporciona un rendimiento mejorado para generar productos de LST espaciotemporalmente continuos con alta precisión.