La fusion temporelle-spaciale est actuellement la méthode la plus efficace pour combiner les deux attributs de haute résolution spatiale d'image et de haute fréquence temporelle, ce qui est crucial pour la production de produits de données de télédétection de haute précision. Cependant, la plupart des modèles de fusion temporelle-spaciale sont basés sur le taux de réflectance de surface et l'indice de végétation et sont rarement appliqués à la température de surface (LST) ; de plus, l'évaluation des modèles de fusion temporelle-spaciale de la température de surface existants ne tient pas pleinement compte de l'impact des différentes combinaisons de données et de la corrélation des données sur les performances du modèle. Par conséquent, cette étude repose sur quatre types de modèles de fusion temporelle-spaciale (ESTARFM, STRUM, FSDAF et EDCSTFN), comparant les résultats de fusion de la température de surface de chaque modèle, ainsi qu'analyser l'impact de l'environnement de surface, des différences d'échelle spatiale des données et de la corrélation des données sur les résultats de fusion. Les résultats montrent : (1) Le modèle EDCSTFN fusionne avec une précision LST la plus élevée, suivi par le modèle FSDAF et ESTARFM, le modèle STRUM est relativement moins précis; Les effets de fusion ESTARFM et EDCSTFN ont un effet visuel supérieur, tandis que les effets de fusion STRUM et FSDAF sont plus lisses ; (2) Les quatre modèles ont montré les meilleurs résultats de fusion dans les régions de structure terrestre homogène en premier, puis dans les régions de changement phénologique évident et dans les régions de types de couverture terrestre mélangés, la fusion était inférieure. Le modèle EDCSTFN maintient une haute précision dans différentes conditions de surface, en particulier dans les zones de types de couverture terrestre mixtes, mais dans les régions de structure terrestre simple, il ne performe pas aussi bien que le modèle ESTARFM ; (3) avec l'augmentation de l'échelle spatiale, précision de fusion des modèles ESTARFM, STRUM et FSDAF montre une baisse régulière, tandis que le modèle EDCSTFN n'a pas de tendance à la baisse ; (4) Avec la baisse de la corrélation des données, la précision de fusion des quatre modèles montre toutes une baisse régulière, dont le modèle EDCSTFN montre une relative stabilité et fiabilité.

Fusion temporelle-spaciale, température de surface, ESTARFM, STRUM, FSDAF, EDCSTFN