시공간 융합은 현재 영상의 높은 공간 해상도와 높은 시간 해상도 두 가지 속성을 결합하는 가장 효과적인 방법으로, 정밀 원격 탐사 데이터 제품 생산에 중요한 의미를 가진다. 하지만 대다수의 시공간 융합 모델은 지표 반사율과 식생 지수를 기반으로 개발되었으며, 지표면 온도(LST, Land Surface Temperature)에는 상대적으로 적게 적용되고 있다. 또한, 기존의 지표면 온도 시공간 융합 모델 평가에서는 다양한 데이터 조합 및 데이터 상관관계가 모델 성능에 미치는 영향을 충분히 고려하지 않았다. 이에 본 논문은 네 가지 유형의 시공간 융합 모델(ESTARFM, STRUM, FSDAF, EDCSTFN)을 기반으로 각 모델의 지표면 온도 융합 결과를 비교하고, 지표 환경, 데이터 공간 규모 차이 및 데이터 상관관계가 융합 결과에 미치는 영향을 분석하였다. 결과는 다음과 같다: (1) EDCSTFN 모델이 LST 융합 정확도가 가장 높았으며, 그 다음이 FSDAF와 ESTARFM 모델이고, STRUM 모델의 정확도는 상대적으로 낮았다; ESTARFM과 EDCSTFN 모델의 융합 영상은 시각적 효과가 우수했으며, STRUM과 FSDAF 모델의 융합 영상은 상대적으로 부드러웠다. (2) 네 가지 모델 모두 단일 지상 구조 지역에서 융합 효과가 가장 이상적이었고, 그 다음은 뚜렷한 생리 변화 지역이며, 복잡한 지표 피복 유형 지역에서는 융합 효과가 좋지 않았다. EDCSTFN 모델은 다양한 지표 환경에서 높은 수준의 정확도를 유지했으며, 특히 복잡한 지표 피복 유형 지역에서 우수했으나, 단순한 지상 구조 지역에서는 ESTARFM 모델보다 성능이 떨어졌다. (3) 공간 규모 차이가 커질수록 ESTARFM, STRUM 및 FSDAF 모델의 융합 정확도는 규칙적으로 감소하는 반면, EDCSTFN 모델은 이런 감소 추세가 없었다. (4) 데이터 상관관계가 낮아질수록 네 가지 모델 모두 융합 정확도가 규칙적으로 감소하였으며, EDCSTFN 모델은 상대적으로 안정성과 강인성을 보였다.

시공간 융합, 지표면 온도, ESTARFM (향상된 공간 및 시간 적응 반사 융합 모델), STRUM (공간 및 시간 분해 모델), FSDAF (유연한 시공간 데이터 융합), EDCSTFN (향상된 심층 합성곱 신경망)