Die räumlich-zeitliche Fusion ist derzeit die effektivste Methode zur Kombination von Bildern mit hoher räumlicher und zeitlicher Auflösung und hat eine wichtige Bedeutung für die Herstellung feinkörniger Fernerkundungsprodukte. Allerdings basieren die meisten räumlich-zeitlichen Fusionsmodelle auf der Oberflächenreflektivität und Vegetationsindizes und werden weniger auf die Landoberflächentemperatur (LST, Land Surface Temperature) angewandt; zudem berücksichtigen bestehende Bewertungen von Oberflächentemperatur-Fusionsmodellen nicht ausreichend den Einfluss unterschiedlicher Datenkombinationen und der Datenkorrelation auf die Modellleistung. Daher basiert diese Arbeit auf vier Typen von räumlich-zeitlichen Fusionsmodellen (ESTARFM, STRUM, FSDAF und EDCSTFN), vergleicht die Fusionsresultate der Oberflächentemperatur der einzelnen Modelle und analysiert den Einfluss der Oberflächenumgebung, der Unterschiede in der räumlichen Skala und der Datenkorrelation auf die Fusionsresultate. Die Ergebnisse zeigen: (1) Das EDCSTFN-Modell erzielt die höchste Genauigkeit bei der Fusion von LST, gefolgt von FSDAF und ESTARFM, während das STRUM-Modell relativ niedriger ist; die Fusionsergebnisse der Bilder der Modelle ESTARFM und EDCSTFN weisen eine bessere visuelle Qualität auf, wohingegen die der Modelle STRUM und FSDAF vergleichsweise glatter sind. (2) Die vier Modelle erzielen die besten Fusionsergebnisse in Gebieten mit einheitlicher Oberflächenstruktur, gefolgt von Gebieten mit ausgeprägten phänologischen Veränderungen, und schlechtere Ergebnisse in Gebieten mit komplexen Oberflächenbedeckungstypen. Das EDCSTFN-Modell hält unter verschiedenen Oberflächenumgebungen eine hohe Genauigkeit, insbesondere in Gebieten mit komplexen Oberflächenbedeckungsarten, zeigt jedoch in Gebieten mit einfacher Oberflächenstruktur eine geringere Leistung als das ESTARFM-Modell. (3) Mit zunehmenden Unterschieden im räumlichen Maßstab nimmt die Genauigkeit der Fusion bei den Modellen ESTARFM, STRUM und FSDAF regelmäßig ab, während das EDCSTFN-Modell diesen Trend nicht aufweist. (4) Mit abnehmender Datenkorrelation nimmt die Fusionsgenauigkeit aller vier Modelle regelmäßig ab, wobei das EDCSTFN-Modell eine relativ bessere Stabilität und Robustheit zeigt.

räumlich-zeitliche Fusion, Landoberflächentemperatur, ESTARFM (Erweitertes räumlich-zeitliches adaptives Reflexionsfusionsmodell), STRUM (Räumlich-zeitliches Unmixing-Modell), FSDAF (Flexibles spatio-temporales Datenfusionsmodell), EDCSTFN (Erweitertes tiefes Faltungsnetzwerk)