La fusion spatio-temporelle est actuellement la méthode la plus efficace pour combiner des images à haute résolution spatiale et temporelle, et a une importance majeure dans la production de produits de télédétection raffinés. Cependant, la grande majorité des modèles de fusion spatio-temporelle sont basés sur la réflectance de surface et les indices de végétation, et sont rarement appliqués à la température de surface terrestre (LST, Land Surface Temperature) ; de plus, les évaluations actuelles des modèles de fusion de température de surface ne prennent pas suffisamment en compte l'impact des différentes combinaisons de données et de la corrélation des données sur les performances des modèles. Par conséquent, cet article s'appuie sur quatre types de modèles de fusion spatio-temporelle (ESTARFM, STRUM, FSDAF et EDCSTFN) pour comparer les résultats de fusion de la température de surface, tout en analysant l'impact de l'environnement de surface, des différences d'échelle spatiale et de la corrélation des données sur les résultats de fusion. Les résultats montrent : (1) le modèle EDCSTFN présente la meilleure précision de fusion du LST, suivi de FSDAF et ESTARFM, tandis que le modèle STRUM a une précision relativement plus faible ; les images fusionnées des modèles ESTARFM et EDCSTFN ont un meilleur effet visuel, tandis que celles des modèles STRUM et FSDAF sont plus douces. (2) Les quatre modèles ont les meilleurs résultats de fusion dans une zone à structure de surface unique, suivie des zones à variations phénologiques marquées, tandis que les résultats sont médiocres dans les zones à types de couverture du sol complexes. Le modèle EDCSTFN maintient une haute précision dans différents environnements de surface, notamment dans les zones à types de couverture complexes, mais ses performances sont inférieures à celles d'ESTARFM dans les zones à structure de surface simple. (3) Avec l'augmentation des différences d'échelle spatiale, la précision de fusion des modèles ESTARFM, STRUM et FSDAF diminue régulièrement, tandis que le modèle EDCSTFN ne montre pas cette tendance. (4) Avec la diminution de la corrélation des données, la précision de fusion des quatre modèles diminue régulièrement, le modèle EDCSTFN montrant une stabilité et une robustesse relativement meilleures.

fusion spatio-temporelle, température de surface, ESTARFM (Modèle amélioré de fusion adaptative réflectance spatiale et temporelle), STRUM (Modèle de démélange spatial et temporel), FSDAF (Fusion flexible des données spatio-temporelles), EDCSTFN (Réseau convolutif profond amélioré)