La fusión espacio-temporal es el método más efectivo actualmente para combinar imágenes con alta resolución espacial y temporal, y tiene gran importancia para la producción de productos detallados de datos de teledetección. Sin embargo, la gran mayoría de los modelos de fusión espacio-temporal se basan en la reflectancia de la superficie y los índices de vegetación, y se aplican menos a la temperatura de la superficie terrestre LST (Temperatura de la Superficie Terrestre); además, las evaluaciones actuales de los modelos de fusión de temperatura de la superficie no consideran suficientemente el impacto de diferentes combinaciones de datos y la correlación de datos en el rendimiento del modelo. Por ello, este artículo se basa en cuatro tipos de modelos de fusión espacio-temporal (ESTARFM, STRUM, FSDAF y EDCSTFN), compara los resultados de fusión de la temperatura de la superficie de cada modelo y analiza el impacto del entorno de la superficie, las diferencias en la escala espacial y la correlación de datos en los resultados de la fusión. Los resultados muestran: (1) el modelo EDCSTFN tiene la mayor precisión de fusión de LST, seguido por FSDAF y ESTARFM, mientras que el modelo STRUM tiene una precisión relativamente inferior; las imágenes fusionadas de los modelos ESTARFM y EDCSTFN tienen un mejor efecto visual, mientras que las imágenes fusionadas de los modelos STRUM y FSDAF son relativamente más suaves. (2) Los cuatro modelos tienen el mejor efecto de fusión en áreas con estructura homogénea, seguidas por áreas con cambios fenológicos evidentes, y peores resultados en áreas con tipos complejos de cobertura del suelo. El modelo EDCSTFN mantiene un alto nivel de precisión en diferentes entornos de superficie, especialmente en áreas con tipos complejos de cobertura, pero su desempeño es inferior al de ESTARFM en áreas con estructuras simples de superficie. (3) Con el aumento de las diferencias en la escala espacial, la precisión de la fusión en los modelos ESTARFM, STRUM y FSDAF disminuye de forma regular, mientras que el modelo EDCSTFN no muestra esta tendencia. (4) Con la disminución de la correlación de los datos, la precisión de fusión de los cuatro modelos disminuye regularmente, con el modelo EDCSTFN mostrando relativa estabilidad y robustez.

fusión espacio-temporal, temperatura de la superficie, ESTARFM (Modelo de fusión adaptativa espacial y temporal mejorada de reflectancia), STRUM (Modelo de desmezcla espacial y temporal), FSDAF (Fusión flexible de datos espacio-temporales), EDCSTFN (Red convolucional profunda mejorada)