Zeitlich-räumliche Fusion ist derzeit die effektivste Methode, um die beiden Attribute hoher räumlicher Auflösung von Bildern und hoher zeitlicher Frequenz zu kombinieren, was für die Herstellung von hochgenauen Fernerkundungsdatenprodukten von entscheidender Bedeutung ist. Die meisten zeitlich-räumlichen Fusionsmodelle basieren jedoch auf dem Oberflächenreflexionsgrad und dem Vegetationsindex und werden selten auf die Oberflächentemperatur (LST) angewendet; Darüber hinaus berücksichtigt die Bewertung bestehender zeitlich-räumlicher Fusionsmodelle für Oberflächentemperatur nicht vollständig die Auswirkungen verschiedener Datenkombinationen und der Datenkorrelation auf die Leistung des Modells. Daher basiert diese Studie auf vier Arten von zeitlich-räumlichen Fusionsmodellen (ESTARFM, STRUM, FSDAF und EDCSTFN), die die Ergebnisse der Oberflächentemperaturfusion jedes Modells vergleichen, und analysieren Sie die Auswirkungen der Geländeumgebung, der räumlichen Skalenunterschiede der Daten und der Datenkorrelation aufdie Fusions Ergebnisse. Die Ergebnisse zeigen: (1) Das Modell EDCSTFN fusioniert mit der höchsten Genauigkeit die LST, gefolgt von dem FSDAF-Modell und der ESTARFM, das STRUM-Modell ist relativ ungenauer; Die Fusionseffekte von ESTARFM und EDCSTFN haben einen überlegenen visuellen Effekt, während die Fusionseffekte von STRUM und FSDAF weicher sind; (2) Die vier Modelle zeigten zunächst die besten Vereinigungsergebnisse in Regionen mit gleichmäßiger Landstruktur, dann in Regionen mit deutlichen phänologischen Veränderungen und in Regionen mit gemischten Landbedeckungstypen war die Fusion geringer. Das Modell EDCSTFN behält eine hohe Präzision in verschiedenen Geländebedingungen, insbesondere in Gebieten mit gemischten Arten von Landbedeckung, aber in Gebieten mit einfacher Gelände struktur ist die Leistung nicht so gut wie beim ESTARFM-Modell; (3) Mit zunehmendem räumlichen Maßstab zeigt die Fusionsgenauigkeit der Modelle ESTARFM, STRUM und FSDAF einen regelmäßigen Abfall, während das Modell EDCSTFN sich nicht abwärts tendiert,; (4) Mit dem Rückgang der Datenkorrelation zeigt auch die Fusionsgenauigkeit der vier Modelle einen regelmäßigen Abfall, wobei das Modell EDCSTFN relative Stabilität und Robustheit zeigt.

Zeitlich-räumliche Fusion, Oberflächentemperatur, ESTARFM, STRUM, FSDAF, EDCSTFN