遥感地表温度产品时空融合方法研究综述

遥感地表温度产品时空融合方法研究综述 A review of spatiotemporal fusion methods for remotely sensed land surface temperature 1 first-author 李冉，研究方向为遥感数据重建和时空融合。E-mail：1201910759@cug.edu.cn 李冉，研究方向为遥感数据重建和时空融合。E-mail：1201910759@cug.edu.cn 1201910759@cug.edu.cn 1 2 corresp 王猛猛，研究方向为定量遥感反演和遥感信息智能提取研究。E-mail：wangmm@cug.edu.cn 王猛猛，研究方向为定量遥感反演和遥感信息智能提取研究。E-mail：wangmm@cug.edu.cn wangmm@cug.edu.cn 1 3 1 中国地质大学(武汉) 地理与信息工程学院, 武汉 430070 中国地质大学(武汉) 地理与信息工程学院, 武汉 430070 School of Geography and information Engineering, China University of Geosciences (Wuhan), Wuhan 430070, China School of Geography and information Engineering, China University of Geosciences (Wuhan), Wuhan 430070, China 武昌理工学院 人工智能学院, 武汉 430223 武昌理工学院 人工智能学院, 武汉 430223 Artificial Intelligence School, Wuchang University of Technology, Wuhan 430223, China Artificial Intelligence School, Wuchang University of Technology, Wuhan 430223, China 卢森堡科学技术研究院 环境研究与创新部, 卢森堡 4422 卢森堡科学技术研究院 环境研究与创新部, 卢森堡 4422 Department of Environmental Research and Innovation, Luxembourg Institute of Science and Technology, Belvaux 4422, Luxembourg Department of Environmental Research and Innovation, Luxembourg Institute of Science and Technology, Belvaux 4422, Luxembourg 受传感器性能的制约，利用单一卫星热红外遥感数据反演到的地表温度产品难以兼顾时间分辨率和空间分辨率，而时空融合技术能够发挥多传感器互补的优势，获得时间密集度高、空间细节丰富的地表温度产品，从而在算法层面上解决这一矛盾。随着时空融合研究的深入，地表温度开始显露出与其他产品有着明显区别的融合特性，而内在机理和应用潜力都有待被整理和挖掘。本文就立足于地表温度与时空融合的交叠区，对两者结合而生的研究成果进行收集、分析和总结，系统地概述了该领域的研究背景、原理、方法和应用，并重点突出与泛在时空融合技术的之间的联系与区别；最后，基于地表温度数据的特点和时空融合的局限性，总结了该领域所面临的主要挑战，并对可行的解决方法和发展方向进行了展望。 Remotely sensed Land Surface Temperature (LST) from a single source rarely has high temporal and spatial resolutions due to the sensors’ optical characteristics. Spatiotemporal fusion uses data from multiple sources to retrieve LST with high temporal frequency and spatial detail, and the spatiotemporal contradiction is disentangled in the fusion process. According to an in-depth study of spatiotemporal fusion, LST exhibits unique features distinct from other land surface variables. However, the inherent mechanism and potential application of LST spatio-temporal fusion have yet to be compiled and extensively explored. Based on the intersection between LST and spatiotemporal fusion, this work collects, analyzes, and summarizes the state-of-the-art developments in LST spatio-temporal fusion. The research background, principles, methods, and applications of this field are systematically elaborated. In particular, the relations and differences with the ubiquitous spatiotemporal fusion technology are emphasized. In essence, spatiotemporal fusion methods extract exquisite temporal variation of pixels from the low spatial resolution images and obtain spatial correspondence from images at various scales to predict high spatial resolution images. The spatiotemporal fusion shows great promise over homogeneous and stable land surface, but has an unsatisfactory performance over heterogeneous landscapes with unstable thermal conditions. In comparison with Land Surface Reflectance (LSR), the spatiotemporal fusion for LST can be less sensitive to the land cover classification uncertainties because of its lower spatial resolution and lower diversity among different land types, but it is difficult to achieve using the general laws for accurate prediction due to the drastic temporal variation of LST. After spatiotemporal fusion was successfully implemented in LSR, several studies adapted it to LST with some improvements based on the thermal characteristics. In the existing five categories of spatiotemporal fusion models based on weight and learning, Bayesian and hybrid models have been applied to LST. Among these models, the weight models are more mature, robust, and effective, but they cannot easily capture the temporal change of LST. Furthermore, the improvement is relatively limited based on STARFM, ESTARFM, or other classical weight models. Learning models can realize a nonlinear prediction based on the structural similarity of training data when supported by reliable network architecture and abundant training. In particular, the deep learning models have more superior ability to depict and extract the LST with weak spectral characteristics, but suitable neural networks and model parameters must be selected and optimized. Although fusion studies based on the Bayesian framework (including maximum a posterior and Bayesian maximum entropy) are relatively rare, they have shown great potential for achieving unbiased and nonlinear predictions and low-quality requirements for the initial data as LST. The hybrid models can integrate the preponderances of the above-mentioned models and acquire more flexible, efficient, and accurate prediction results compared with a single fusion model, which could be the mainstream of the future spatiotemporal fusion model. Although the spatiotemporal fusion models are consistently developed, most of them only focus on generating fused products, with a lack of quantitative and qualitative analysis with respect to the practical applications of the fused LST products, such as agriculture and ecology. In this work, the applications in this field are divided into six aspects: land temperature, sea surface temperature, agroforestry, urban heat island, public health, and others, which cover the majority of remote sensing service fields. However, the breadth and depth of the application of the LST fusion products are less than those of LSR fusion products. The mutual development between theoretical research and application demand is urgently needed. The primary impediment to the application and dissemination of spatiotemporal fusion is the data itself, as evidenced by the diversity of multi-source data, the spatial continuity of image, and the sensitivity of temperature in time series. The angular effect, unstable inversion accuracy, and dramatical diurnal variation significantly constrain their potential applications. Considering these characteristics of LST and existing defects of the spatiotemporal fusion model, this work proposed the future work prospects, such as improving LST inversion accuracy, complementing the strengths of multi-source data, employing a deep learning model, enhancing algorithm flexibility, and constructing a spatiotemporal fusion integrated procedure. The implementation of these strategies will propel the development of theoretical research and operational application of LST with the spatiotemporal fusion technology. 遥感 地表温度 时空融合 密集时间序列 空间降尺度 remote sensing land surface temperature spatio-temporal fusion dense time series spatial downscaling 1　引言 1 作为陆地表层系统中的关键参数，地表温度LST（Land Surface Temperature）是地表和大气能量交换的直接驱动因子（ Anderson等，2008 Anderson等，2008 ； Karnieli等，2010 Karnieli等，2010 ），被广泛应用于生态环境监测（ Wu等，2015c Wu等，2015c ）、气候变化感知（ Jin等，2005 Jin等，2005 ）、作物蒸散发估算（ Li等，2017b Li等，2017b ）和城市热环境分析（ Weng，2009 Weng，2009 ）等研究领域。在实际生产中，无论是指导农田耕种、灌溉和排水所需的地表蒸散发数据，还是研究土地扩张和污染物排放等城市热环境变化所需的地表温度数据，都要有足够的时间和空间精度以满足现实需求（ Zhan等，2013 Zhan等，2013 ）。作为获取区域性或全球性地表温度产品最可靠的途径（杨敏，2017），热红外遥感反演拥有地面定点观测等传统方法难以比拟的技术优势，因而得到长足的发展。1960年以来，大约有80种热红外辐射计搭载于240多颗卫星上，用来获取地表温度、云顶温度、大气水汽，降水量等一系列地球参量。但传感器的设计必须在扫描幅宽和像元尺寸之间做出取舍（ Li等，2020 Li等，2020 ），导致遥感影像的高时间分辨率和高空间分辨率难以兼得，这一点可以从 表1 表1 所示的各类传感器参数中得到证实（数据主要来源于世界气象组织，仅列出常用及具有开创意义的传感器，更多热红外遥感卫星的类型及参数可访问： http：//www.wmo-sat.info/oscar/satellites http://www.wmo-sat.info/oscar/satellites ［2020-07-28］）。 卫星 传感器 空间分辨率/m 时间分辨率 发射日期 状态 国家 机构 轨道 GF-5 VIMS 40 7d 2018-05-09 服役 中国 CNSA 极轨 Landsat 7 ETM+ 60 16 d 1999-04-15 服役 美国 USGS，NASA 极轨 Terra ASTER 90 16 d 1999-12-18 服役 美国 NASA 极轨 Landsat 8 TIRS 100 16 d 2013-02-11 服役 美国 USGS，NASA 极轨 Landsat 5 TM 120 16 d 1984-05-01 退役 美国 USGS，NASA 极轨 FY-3D MERSI-2 250 0.5 d 2017-11-15 服役 中国 CMA 极轨 SNPP VIIRS 375 0.5 d 2011-12-28 退役 美国 NASA 极轨 Aqua MODIS 1000 1 d 2002-05-04 服役 美国 NASA 极轨 Terra MODIS 1000 1 d 1999-12-18 服役 美国 NASA 极轨 Sentinel-3A SLSTR 1000 1 d 2016-02-16 服役 欧盟 ESA 极轨 Envisat AATSR 1000 3 d 2002-03-01 退役 欧盟 ESA 极轨 ERS-2 ASTR-2 1000 3 d 1995-04-21 退役 英国 UKSA 极轨 FY-3A VIRR 1100 0.5 d 2008-05-27 服役 中国 CMA，NRSCC 极轨 Metop-A AVHRR 1100 0.5 d 2006-10-19 服役 欧盟 EUMETSAT，ESA 极轨 NOAA-8 AVHRR 1100 0.5 d 1983-03-28 退役 美国 NOAA 极轨 FY-1D MVISR 1100 0.5 d 2002-05-15 退役 中国 CMA，NRSCC 极轨 GOES-16 ABI 2000 15 min 2016-11-19 服役 美国 NOAA，NASA 同步 GOES-8 IMAGER 4000 30 min 1994-04-13 退役 美国 NOAA 同步 Meteosat-8 SEVIRI 4800 15 min 2002-08-28 服役 欧盟 EUMETSAT 同步 既然通过单一传感器难以获得高时空分辨率的地表温度产品，多传感器的数据融合技术便应运而生。多源数据融合能够突破单一传感器的性能桎梏，有效发挥多平台互补观测的优势，获得更加全面、精确、动态的地表信息（ 张良培和沈焕锋，2016 张良培和沈焕锋，2016 ）。而作为数据融合范畴的一部分，地表温度的时空融合方法通过分析多源遥感影像在时间、空间和光谱等方面的联系与差异，按照一定的规则建立低时间高空间与高时间低空间分辨率的地表温度产品或其原始数据的融合模型，从而实现在不增加现有卫星数量和其他观测条件的情况下，获取到同时具备高时间和高空间分辨率特性的地表温度产品（ Weng等，2014 Weng等，2014 ； Zhu等，2018 Zhu等，2018 ）。以现有的技术水平，融合产品的时空分辨率所能达到的极限分别是低空间分辨率影像所对应的时间分辨率和低时间分辨率影像所对应的空间分辨率。实际上，因为影像缺失和数据空洞等问题，即便通过时空融合也很难达到上述效果，但其作为一种成本低、效率高、可行性强的技术手段，在数据良好的情况下有着巨大的应用价值和潜力。 时空融合技术最初用于反射率和NDVI产品，相比地表温度，虽然使用场景有所差异，但原理和方法都有一定的共通之处，尤其是一些传统模型在不同产品类型上都能保持良好的可移植性和可操作性（ Gao等，2006 Gao等，2006 ； Zhu等，2010 Zhu等，2010 ）。时空融合技术同时可以作为一种地表温度降尺度方法来提升产品分辨率，相比统计经验法、近似物理模型法和联合降尺度法等途径，它能够有效降低模型对辅助数据的依赖，实现更加高效灵活的地表温度降尺度机制（ Zhan等，2013 Zhan等，2013 ）。正因为时空融合可以在地表温度等多类产品上发挥重要价值，才能在过去的15年中呈现出稳步提升的发展趋势。通过在Web of Science核心合集中收集2006年至2019年时空融合相关专题文献，研究者可以直观地把握这一领域的研究热点与发展趋势。从时空融合论文采用或生成的数据来看，地表温度产品占有17%的份额，而反射率产品则比重过半，其他数据类型还有很大的发展和应用空间（ 图1 图1 ）。从文献发表数量的曲线来看，该领域核心期刊的论文总数和被引频次总体保持增长态势，其中近5年来关注地表温度时空融合的研究在该领域的发文和被引比例分别维持在18%和22%左右（ 图2 图2 ）。 1;2;3; 经过15年的发展，国内外已有多篇关于时空融合的研究综述（ Belgiu和Stein，2019 Belgiu和Stein，2019 ； 董文全和蒙继华，2018 董文全和蒙继华，2018 ； 黄波和赵涌泉，2017 黄波和赵涌泉，2017 ； Li等，2020 Li等，2020 ； 刘建波 等，2016 刘建波 等，2016 ； Zhu等，2018 Zhu等，2018 ），但目前还没有完全基于地表温度产品进行概括性论述的文献。随着融合模型的丰富和实验成果的积累，地表温度也表现出不同于反射率和NDVI产品的融合特性（ Wei，2016 Wei，2016 ； Weng等，2014 Weng等，2014 ），更需要有针对性地对其进行补充说明。为了填补上述领域的空白并完整地呈现于研究者面前，本文结合当前文献的调研结果，从地表温度时空融合的研究现状和挑战与展望这两个部分进行归纳、分析和总结。其中，研究现状章节从已有的研究成果入手，阐述了地表温度时空融合技术的原理、分类和应用，挑战与展望章节则基于研究现状指出该领域尚待攻克的技术壁垒，并阐明未来的发展前景。 2　基于地表温度的时空融合方法研究现状 1 2.1　融合模型的原理 2 根据信息的抽象程度，数据融合可分为数据级、特征级和决策级这3个融合层次（ 张良培和沈焕锋，2016 张良培和沈焕锋，2016 ），而目前提出的时空融合方法多属于数据级融合，也被称为像素级融合（ Nirmala和Vaidehi，2015 Nirmala和Vaidehi，2015 ）。从像元这一运算单元的角度来理解，时空融合的整个过程其实是利用已知影像的像元值在时间上的变化特征和空间上的尺度差异，来计算预测时刻高空间分辨率影像的像元值（ 黄波和赵涌泉，2017 黄波和赵涌泉，2017 ）。对于地表温度数据，其时间上的变化特征表示同一地区的观测值在时间维度上的变化过程，这与太阳辐照强度有着显著关系；而空间上的尺度差异则主要指同一时刻地物在高低空间分辨率影像中的像元数量和类别上的差距，这与像元大小和地面复杂程度有关（ Weng等，2014 Weng等，2014 ）。如 图3 图3 所示，一个季度的间隔下，地表温度在试验区3个时间段上的变化非常剧烈，往往只有从时序密集的低空间分辨率影像中才能获取到比较完整细致的变化过程。如果将得到的时间变化特征移植到高空间分辨率影像中，就可以借助已知影像来预测未知时刻的像元值。但在地表覆盖复杂的地区，低空间分辨率像元往往属于混合像元，其地表温度值由多种地物的共同决定，而不同地物的时间变化特征又不完全一致，因此宏观的时间变化难以适应精细化程度高的影像，必须建立高低空间分辨率影像的尺度关系来实现两者的转换。 2.1.1　时间变化特征 3 衡量地表温度时间变化的方法大致可分为线性和非线性两种，前者要求给定的影像序列少，计算简单，但仅适合预测时间间隔短的影像集或地物不发生显著变化的区域，而后者需要输入大量影像来拟合复杂的时间变化曲线，比较适合长时序影像的预测或地表变化剧烈的地区（ Weng等，2014 Weng等，2014 ； Yang，2018 Yang，2018 ）。如 图4 图4 所示，虽然地表温度在整体上有一定的季节性规律，但波动性强烈，难以用一个恰当的函数曲线来拟合，只在一个较小区间内保持线性的趋势，因此多数研究都倾向于采用短时期的线性函数来保证预测的准确性，其一般表达式为： <math display="block" id="M1"><mi>C</mi><mfenced separators="|"><mrow><msub><mrow><mi>x</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>,</mo><msub><mrow><mi>y</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>,</mo><msub><mrow><mi>t</mi></mrow><mrow><mi>n</mi></mrow></msub></mrow></mfenced><mo>=</mo><mi>a</mi><mfenced separators="|"><mrow><msub><mrow><mi>x</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>,</mo><msub><mrow><mi>y</mi></mrow><mrow><mi>i</mi></mrow></msub></mrow></mfenced><mo>×</mo><mi mathvariant="normal">Δ</mi><mi>t</mi><mo>+</mo><mi>C</mi><mfenced separators="|"><mrow><msub><mrow><mi>x</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>,</mo><msub><mrow><mi>y</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>,</mo><msub><mrow><mi>t</mi></mrow><mrow><mi>m</mi></mrow></msub></mrow></mfenced><mtext> </mtext></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418310&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418308&type= 60.02866364 4.57200003 式中， <math id="M2"><mi>C</mi><mfenced separators="|"><mrow><msub><mrow><mi>x</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>,</mo><msub><mrow><mi>y</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>,</mo><msub><mrow><mi>t</mi></mrow><mrow><mi>n</mi></mrow></msub></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418317&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418314&type= 19.89666748 4.57200003 和 <math id="M3"><mi>C</mi><mfenced separators="|"><mrow><msub><mrow><mi>x</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>,</mo><msub><mrow><mi>y</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>,</mo><msub><mrow><mi>t</mi></mrow><mrow><mi>m</mi></mrow></msub></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418322&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418320&type= 20.31999969 4.57200003 分别是 <math id="M4"><msub><mrow><mi>t</mi></mrow><mrow><mi>n</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418327&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418324&type= 2.20133328 3.72533321 时刻和 <math id="M5"><msub><mrow><mi>t</mi></mrow><mrow><mi>m</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418331&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418328&type= 2.62466669 3.72533321 时刻的低空间分辨率影像中坐标为 <math id="M6"><mfenced separators="|"><mrow><msub><mrow><mi>x</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>,</mo><msub><mrow><mi>y</mi></mrow><mrow><mi>i</mi></mrow></msub></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418335&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418333&type= 11.26066685 4.57200003 的像元值， <math id="M7"><mi mathvariant="normal">Δ</mi><mi>t</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418339&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418337&type= 3.55599999 2.79399991 为两个时刻的时间间隔， <math id="M8"><mi>a</mi><mfenced separators="|"><mrow><msub><mrow><mi>x</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>,</mo><msub><mrow><mi>y</mi></mrow><mrow><mi>i</mi></mrow></msub></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418344&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418341&type= 13.80066681 4.57200003 为该像元在此间隔内的变化率。 2.1.2　空间尺度差异 3 建立高低空间分辨率影像的尺度关系实际上是一个像元解混的问题，目前广泛接受的解混方法是 Zhukov等（1999） Zhukov等（1999） 提出的线性组合范式，即假设高空间分辨率像元为纯净像元，低空间分辨率像元由前者线性组合而成，两者的转换关系为： <math display="block" id="M9"><mi>C</mi><mfenced separators="|"><mrow><mi>i</mi><mo>,</mo><msub><mrow><mi>t</mi></mrow><mrow><mi>k</mi></mrow></msub></mrow></mfenced><mo>=</mo><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>c</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>n</mi></mrow></munderover></mstyle><mrow><msub><mrow><mi>f</mi></mrow><mrow><mi>c</mi></mrow></msub><mfenced separators="|"><mrow><mi>i</mi><mo>,</mo><mi>c</mi></mrow></mfenced><mo>×</mo><msub><mrow><mover><mrow><mi>L</mi></mrow><mo>¯</mo></mover></mrow><mrow><mi>f</mi></mrow></msub><mfenced separators="|"><mrow><mi>c</mi><mo>,</mo><msub><mrow><mi>t</mi></mrow><mrow><mi>k</mi></mrow></msub></mrow></mfenced><mo>+</mo><mi>ε</mi><mfenced separators="|"><mrow><mi>i</mi><mo>,</mo><msub><mrow><mi>t</mi></mrow><mrow><mi>k</mi></mrow></msub></mrow></mfenced></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418356&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418352&type= 56.72666931 8.29733276 式中， <math id="M10"><mi>c</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418421&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418418&type= 1.43933344 2.62466669 代表第 <math id="M11"><mi>i</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418365&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418363&type= 1.10066664 2.62466669 个低空间分辨率像元 <math id="M12"><mi>C</mi><mfenced separators="|"><mrow><mi>i</mi><mo>,</mo><msub><mrow><mi>t</mi></mrow><mrow><mi>k</mi></mrow></msub></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418403&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418400&type= 12.69999981 4.31799984 在 <math id="M13"><msub><mrow><mi>t</mi></mrow><mrow><mi>k</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418376&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418373&type= 2.11666679 3.72533321 时刻的地类编号； <math id="M14"><mi>n</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418384&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418379&type= 1.86266661 2.62466669 为地物的种类数； <math id="M15"><msub><mrow><mi>f</mi></mrow><mrow><mi>c</mi></mrow></msub><mfenced separators="|"><mrow><mi>i</mi><mo>,</mo><mi>c</mi></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418389&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418387&type= 12.02266598 3.89466691 为第 <math id="M16"><mi>c</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418421&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418418&type= 1.43933344 2.62466669 类地物在低空间分辨率像元 <math id="M17"><mi>C</mi><mfenced separators="|"><mrow><mi>i</mi><mo>,</mo><msub><mrow><mi>t</mi></mrow><mrow><mi>k</mi></mrow></msub></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418403&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418400&type= 12.69999981 4.31799984 范围内所有地物中的比例，也被称作丰度； <math id="M18"><msub><mrow><mover><mrow><mi>L</mi></mrow><mo>¯</mo></mover></mrow><mrow><mi>f</mi></mrow></msub><mfenced separators="|"><mrow><mi>c</mi><mo>,</mo><msub><mrow><mi>t</mi></mrow><mrow><mi>k</mi></mrow></msub></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418413&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418409&type= 13.54666710 4.31799984 为第 <math id="M19"><mi>c</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418421&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418418&type= 1.43933344 2.62466669 类地物的高空间分辨率像元均值； <math id="M20"><mi>ε</mi><mfenced separators="|"><mrow><mi>i</mi><mo>,</mo><msub><mrow><mi>t</mi></mrow><mrow><mi>k</mi></mrow></msub></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418435&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418427&type= 12.27666664 4.31799984 是高低空间分辨率像元计算的残差。 式（2） 式（2） 表示任何一个低空间分辨率影像的像元值都可以由该像元所覆盖的高空间分辨率影像的像元均值和两者计算的残差得来，而残差 <math id="M21"><mi>ε</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418448&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418443&type= 1.94733346 2.62466669 往往由传感器的系统误差、几何畸变以及大气条件等综合因素引起（ Zhu等，2010 Zhu等，2010 ）。除了上述线性组合方式，也存在其他非线性方法，但前者不仅简单易用，而且试验结果也表明它对不同尺度影像的连接能够保持着良好的容错率。由于地表温度对地类的敏感性不如反射率产品高，降低了预测模型对地表分类精度的要求，不过其空间分辨率也往往低于后者，导致混合像元的现象更加普遍，而相邻像元的关联性也更强。 2.2　融合模型的分类 2 针对不同的传感器、数据类型和应用目的，目前已有70多种时空融合模型被提出。借鉴 Zhu等（2018） Zhu等（2018） 提出的分类标准，可按照构造思路的侧重点，将时空融合模型分为5类：权重模型、解混模型、学习模型、贝叶斯模型和混合模型（ 表2 表2 ）。虽然不少模型的构造都以反射率数据为实验对象，但原理和方法在地表温度产品上依然具有可行性，因此下面对地表温度时空融合模型的分类也采用了相同的标准。此外，本文将已在地表温度产品上进行实验并取得可靠结果的时空融合模型在 表2 表2 中使用下划线突出表示，而未标识的部分模型可能具有处理地表温度数据的良好潜力，需要后续研究者进行深入挖掘。需要注意的是，由于解混模型在地表温度产品上应用极少，下文将不作详细阐述。 注： 下划线标注的模型已在地表温度产品上进行了实验。 权重模型 STARFM （Gao等，2006）；Semi-physical fusion approach（Roy等，2008）；STAARCH（Hilker等，2009）； ESTARFM （Zhu等，2010）；Topographically corrected downscaling（Hwang等，2011）；mESTARFM（Fu等，2013）； Bilateral Filter （Huang等，2013a）；STARFM-Sensor difference（Shen等，2013）；Fast spatiotemporal fusion（Rao等，2014）；Operational STARFM（Wang等，2014）； SADFAT （Weng等，2014）；ET fusion model（Bhattarai等，2015）；STI-FM（Hazaymeh和Hassan，2015）；Temporal high-pass modulation and edge primitives method（Rao等，2015a）； STITFM （Wu等，2015d）；STEM-LAI（Houborg等，2016）；STNLFFM（Cheng等，2017）；Decision-level fusion（Guan等，2017）；STVIFM（Liao等，2017）；DBUX（Mizuochi等，2017）；RWSTFM（Wang和Huang，2017）；ATPPK（Wang等，2017a）；ATPPK-STARFM（Wang等，2017b）；ISKRFM（Wu等，2017）；STAIR（Luo等，2018）；BLEST（Quan等，2018）； Fit-FC （Wang和Atkinson，2018）；Soil moisture downscaling（Xu等，2018）；STFMF（Zhang等，2018）； RASTFM （Zhao等，2018b）；PSRFM（Zhong和Zhou，2018）；KFRFM（Zhou和Zhong，2020） 解混模型 MMT（Zhukov等，1999）；LAC-GAC NDVI integration（Maselli和Rembold，2002）；Landsat-MERIS fusion method（Zurita-Milla等，2008）；Constrained unmixing（Zurita-Milla等，2009）；STDFA（Wu等，2012）；Regularized spatial unmixing（Amorós-López等，2013）；ESTDFM（Zhang等，2013）；MSTDFA（Wu等，2015b）；OB-STVIUM（Lu等，2016）；IUBF（Guo等，2015）；LSUSDFM（Liu等，2020）； pMSRAFM （Zhao等，2020a） 学习模型 SPSTFM （Huang和Song，2012）；One-pair image learning method（Song和Huang，2013）； WAIFA （Moosavi等，2015）；EBSPTM（Wu等，2015a）；Evapotranspiration downscaling（Ke等，2016）；ELM-based method（Liu等，2016）；CSSF（Wei等，2017a）；bSBL-SCDL（Wei等，2017b）；StfNet（Zhao等，2017）；Regression tree-based method（Boyte等，2018）；Hybrid Color Mapping（Kwan等，2018）； STFDCNN （Song等，2018）；DCSTFN（Tan等，2018）；MRT（Tao等，2018）；Integrated sparse representation-based fusion（Zhao等，2018a）；EDCSTFN（Tan等，2019b）；Residual convolution neural network（Wang和Wang，2020） 贝叶斯模型 Unified fusion （Huang等，2013b）； BME （Li等，2013）；Spatio-Temporal-Spectral fusion framework（Shen等，2016）；NDVI-BSFM（Liao等，2016）；Bayesian data fusion approach（Xue等，2017） 混合模型 STRUM（Gevaert和García-Haro，2015）；NDVI-LMGM（Rao等，2015b）；Regularized spatial unmixing method（Xu等，2015）；USTARFM（Xie等，2016）； FSDAF （Zhu等，2016）；STIMFM（Li等，2017a）； EFSDAF（Shi等，2019）；HISTARFM（Moreno-Martínez等， 2020）；the modified FSDAF（Zhai等，2020）；FSDAF 2.0（Guo等，2020） 2.2.1　权重模型 3 基于权重的时空融合模型通过赋予邻近相似像元权重来辅助完成对中心像元值的计算，其关键要素如 图5 图5 所示。 Gao等（2006） Gao等（2006） 从时间、空间和光谱差异的角度出发，提出首个基于权重的融合模型——STARFM（Spatial and Temporal Adaptive Reflectance Fusion Model）。该模型引入移动窗口和相似像元的概念，并通过归一化权重的方式计算窗口中心的像元值，其实验结果表明它可以在地表构造简单且稳定的地区取得良好的融合效果，但却难以适应地表覆盖类型复杂或地表发生明显变化的区域。针对STARFM的不足，相继有学者从不同角度进行改进。 Zhu等（2010） Zhu等（2010） 提出的ESTARFM（Enhanced STARFM）模型假设像元值在时间维度上存在线性变化关系，在引入两对已知时刻高低空间分辨率影像来计算尺度转换参数的同时，也对赋权方法做了进一步调整，有效提高了在复杂异质地表上的融合精度。为了验证ESTARFM模型在地表温度产品上的融合效果， 杨贵军等（2015） 杨贵军等（2015） 采用该方法对ASTER和MODIS反演的地表温度数据进行实验，最终得到的融合影像纹理清晰、细节丰富，表明该模型在异质地表上具有良好表现，甚至在地表均一性较好条件下可以直接用于地表温度降尺度。对于预测间隔较长的影像，ESTARFM的线性时间变化假设显然不够合理， Weng等（2014） Weng等（2014） 就在提出的SADFAT（Spatio-temporal Adaptive Data Fusion Algorithm for Temperature Mapping）融合模型中采用年温度周期ATC（Annual Temperature Cycle）的正弦函数表达式来代替线性变化假设，从而更准确地表达受太阳辐射年振荡影响的地表温度数据。为了进一步缩短地表温度的获取周期， Wu等（2015d） Wu等（2015d） 在STARFM的基础上整合了多尺度极轨卫星和静止卫星的观测优势，提出了STITFM（Spatio-temporal Integrated Temperature Fusion Model）模型，最终能够得到与静止卫星数据获取周期保持一致的高空间分辨率产品。STITFM的巧妙之处在于缓解了两种不同轨道卫星产品因空间尺度差异过大带来的融合问题，在同时输入的高、中、低3种分辨率层次的地表温度数据中，如Landsat ETM+（60 m/16 d）、MODIS（1 km/1 d）和GEOS（4 km/30 min），中等分辨率卫星就起到低空间分辨率同步卫星和高空间分辨率极轨卫星之间的过渡作用。 凭借参数简单，鲁棒性强，计算效率高等优点，权重模型成为目前使用最为广泛的时空融合模型，在地表温度上的应用也比较成熟（ 表2 表2 ）。但多数权重模型对瞬时变化和形状变化的捕捉有着明显的短板，而地表温度时间变化波动性强的特点也使其对模型的参数（特别是移动窗口大小）更加敏感，导致实际预测的均方根误差往往高于1 K。 2.2.2　学习模型 3 基于学习的时空融合模型通过机器学习的方式先对高低分辨率影像进行联合训练得到相应的字典对，再对两者进行特征匹配，并以此为基础降低预测时刻低空间分辨率影像的像元尺度，如 图6 图6 所示。该类模型最大的特点在于用非线性的方式建立高低分辨率原始影像或差值影像的连接关系（ 张立福 等，2019 张立福 等，2019 ），并随着有效训练次数的积累和字典库的丰富，预测精度也能得到不断提升。构建上述非线性关系的方法有很多，如人工神经网络（ANN）、自适应模糊神经推理系统（ANFIS）、支持向量机（SVM）和卷积神经网络（CNN），而这些网络模式的选择对最终的预测结果有着显著影响，比如 Moosavi等（2015） Moosavi等（2015） 为了充分利用上述非线性方法的优点，在提出的WAIFA（Wavelet-artificial Intelligence Fusion Approach）模型中同时采用ANN、ANFIS、SVM这3种方式对热红外波段的数据进行对比实验，并选择效果最佳的方法和参数用于预测和反演地表温度；不过需要注意的是，要保证学习模型的优良性，高低分辨率影像的尺度差异就不宜超过4倍（ 刘建波 等，2016 刘建波 等，2016 ），但常用的卫星影像如Landsat和MODIS影像的分辨率差距远高于此；为了平衡这种巨大差异， Song等（2018） Song等（2018） 结合卷积神经网络和非线性映射的理论，在提出的STFDCNN（Spatiotemporal Fusion Method based on Deep Convolutional Neural Networks）模型中引入了升尺度的高空间分辨率影像作为中间影像，并设计了一个双重卷积神经网络有效地解决了此问题。近两年来，深度卷积神经网络强大的特征提取能力在时空融合研究中开始显现，但在地表温度产品的融合上还很少有所尝试，比如 Tan等（2019b） Tan等（2019b） 在深度学习的基础上提出的EDCSTFN（Enhanced Deep Convolutional Spatiotemporal Fusion Network）模型在融合高低分辨率影像的过程中就表现出较好的灵活性和鲁棒性，不仅允许输入影像有少量的云存在，而且融合精度也领先多数典型算法，但该模型对输入数据的质量要求更高，低质量的数据使用该方法反而会得到比典型模型更差的结果。 学习模型能较好地刻画已知影像与预测影像之间的非线性关系，但其刻画能力与网络架构的搭建和设置的参数密切相关，往往需要复杂的设计才能得到可靠的结果（ 张立福 等，2019 张立福 等，2019 ）。除此之外，学习模型的优良程度也与训练强度有关，但地表温度的光谱特征并不丰富，难以积累有效的训练量，使得目前该类模型的融合效果多还逊色于传统的权重模型。不过近些年兴起的深度卷积神经网络对目标识别和特征提取能力有了显著提升（ Xu等，2020 Xu等，2020 ），可以更好适应地表温度的数据特点，有望成为学习模型的新推力。 2.2.3　贝叶斯模型 3 基于贝叶斯的时空融合模型可以被看作是一个贝叶斯最大后验概率估计（MAP），即在已知高低分辨率影像的前提下，使预测影像有最大概率接近真实影像（ Li等，2020 Li等，2020 ）。如 图7 图7 所示，贝叶斯模型的关键在于构造已知影像与未知影像的空间差异关系和时间变化关系。 Huang等（2013b） Huang等（2013b） 在提出的一种光谱融合和时空融合相统一的贝叶斯框架（Unified fusion）中，就采用了低通滤波来模拟空间差异，见 式（3） 式（3） ；用线性函数来表示时间变化，见 式（4） 式（4） 。 <math display="block" id="M22"><mi mathvariant="bold-italic">z</mi><mo>=</mo><mi>h</mi><mfenced separators="|"><mrow><mi mathvariant="bold-italic">Z</mi></mrow></mfenced><mo>+</mo><mi mathvariant="bold-italic">v</mi><mo>=</mo><mi mathvariant="bold-italic">H</mi><mi mathvariant="bold-italic">Z</mi><mo>+</mo><mi mathvariant="bold-italic">v</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418514&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418505&type= 35.56000137 3.72533321 <math display="block" id="M23"><mi mathvariant="bold-italic">Z</mi><mo>=</mo><mi>g</mi><mfenced separators="|"><mrow><mi mathvariant="bold-italic">X</mi></mrow></mfenced><mo>+</mo><mi mathvariant="bold-italic">u</mi><mo>=</mo><mi mathvariant="bold-italic">α</mi><mi mathvariant="bold-italic">X</mi><mo>+</mo><mi mathvariant="bold-italic">β</mi><mo>+</mo><mi mathvariant="bold-italic">u</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418522&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418519&type= 43.68799973 3.80999994 式中， <math id="M24"><mi mathvariant="bold-italic">x</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418539&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418534&type= 1.86266661 2.62466669 、 <math id="M25"><mi mathvariant="bold-italic">z</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418553&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418549&type= 1.52400005 2.62466669 、 <math id="M26"><mi mathvariant="bold-italic">X</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418570&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418564&type= 2.62466669 2.62466669 、 <math id="M27"><mi mathvariant="bold-italic">Z</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418764&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418759&type= 2.45533323 2.62466669 代表 图7 图7 中各幅影像的像素矩阵， <math id="M28"><mi mathvariant="bold-italic">H</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418591&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418586&type= 2.79399991 2.62466669 是表示低通滤波和重采样过程的系数矩阵， <math id="M29"><mi mathvariant="bold-italic">α</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418745&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418741&type= 2.28600001 2.62466669 和 <math id="M30"><mi mathvariant="bold-italic">β</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418752&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418748&type= 2.37066650 3.38666677 是代表线性时间变化的系数矩阵， <math id="M31"><mi mathvariant="bold-italic">v</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418629&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418623&type= 1.60866666 2.62466669 和 <math id="M32"><mi mathvariant="bold-italic">u</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418755&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418754&type= 1.94733346 2.62466669 是残差，而 <math id="M33"><mi>h</mi><mfenced separators="|"><mrow><mi mathvariant="bold-italic">Z</mi></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418657&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418647&type= 7.95866632 3.72533321 和 <math id="M34"><mi>g</mi><mfenced separators="|"><mrow><mi mathvariant="bold-italic">X</mi></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418674&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418662&type= 8.29733276 3.80999994 分别为空间差异函数和时间变化函数。 在已知影像的前提下，用贝叶斯估计理论预测影像的条件概率密度函数可表达为 <math display="block" id="M35"><mi>p</mi><mfenced separators="|"><mrow><mi mathvariant="bold-italic">Z</mi><mfenced open="|" close="" separators="|"><mrow><mi mathvariant="bold-italic">X</mi><mo>,</mo><mi mathvariant="bold-italic">z</mi></mrow></mfenced></mrow></mfenced><mo>∝</mo><mi>p</mi><mfenced separators="|"><mrow><mi mathvariant="bold-italic">Z</mi></mrow></mfenced><mi>p</mi><mfenced separators="|"><mrow><mfenced open="" close="|" separators="|"><mrow><mi mathvariant="bold-italic">Z</mi></mrow></mfenced><mi mathvariant="bold-italic">X</mi></mrow></mfenced><mi>p</mi><mfenced separators="|"><mrow><mi mathvariant="bold-italic">z</mi><mfenced open="|" close="" separators="|"><mrow><mi mathvariant="bold-italic">Z</mi></mrow></mfenced></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418705&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418698&type= 52.74732971 4.82600021 假设在 式（5） 式（5） 中，先验 <math id="M36"><mi>p</mi><mfenced separators="|"><mrow><mi mathvariant="bold-italic">Z</mi></mrow></mfenced><mi mathvariant="normal">∞</mi><mn mathvariant="normal">1</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418716&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418712&type= 13.03866673 3.80999994 ，则 <math id="M37"><mi>p</mi><mfenced separators="|"><mrow><mi mathvariant="bold-italic">Z</mi><mfenced open="|" close="" separators="|"><mrow><mi mathvariant="bold-italic">X</mi><mo>,</mo><mi mathvariant="bold-italic">z</mi></mrow></mfenced></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418725&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418721&type= 17.44133186 4.65666676 与 <math id="M38"><mi>p</mi><mfenced separators="|"><mrow><mfenced open="" close="|" separators="|"><mrow><mi mathvariant="bold-italic">Z</mi></mrow></mfenced><mi mathvariant="bold-italic">X</mi></mrow></mfenced><mi>p</mi><mfenced separators="|"><mrow><mi mathvariant="bold-italic">z</mi><mfenced open="|" close="" separators="|"><mrow><mi mathvariant="bold-italic">Z</mi></mrow></mfenced></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418736&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418730&type= 24.63800049 4.48733330 成正比。如果通过最大后验概率估计得到 <math id="M39"><mi mathvariant="bold-italic">α</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418745&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418741&type= 2.28600001 2.62466669 、 <math id="M40"><mi mathvariant="bold-italic">β</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418752&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418748&type= 2.37066650 3.38666677 和 <math id="M41"><mi mathvariant="bold-italic">u</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418755&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418754&type= 1.94733346 2.62466669 等参数，就可以通过 式（4） 式（4） 来计算预测影像 <math id="M42"><mi mathvariant="bold-italic">Z</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418764&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=40418759&type= 2.45533323 2.62466669 。 除了MAP，贝叶斯最大熵法（BME）作为一种基于时空随机场的差值技术也在数据融合领域表现出巨大潜力（ DeLang等，2021 DeLang等，2021 ）。BME能将不同来源的数据以不确定性形式引入分析过程，综合利用多源影像的特点并避免采样过程的数据丢失来实现时空融合，不过该方法目前还仅限于海洋资料（ 丁润杰和赵朝方，2018 丁润杰和赵朝方，2018 ）。 Li等（2013） Li等（2013） 就采用贝叶斯最大熵法将红外与微波两种不同类型数据带入BME范式，以此来融合不同空间分辨率下的遥感产品，最终获得了空间连续性极好的高分辨率海表温度。 利用贝叶斯相关理论的时空融合技术目前还处于起步阶段，虽然其构造方法相对复杂抽象，但却可以获得无偏、最优和非线性的预测值，而且对原始数据的质量和数量要求比较低，特别在融合不同观测手段获取的数据（如光学和微波）方面有着独特优势，因此无论是地表温度数据还是反射率等其他类型数据都有很好的应用前景（ Huang等，2013b Huang等，2013b ）。 2.2.4　混合模型 3 混合模型指采用包括权重函数、学习模式、贝叶斯理论和像元解混思想在内的两种或两种以上构造策略的时空融合方案（ Zhu等，2018 Zhu等，2018 ）。事实上，前面所提到的很多模型都有一定相互引用的成分，如权重模型中的STARFM和SADFAT算法在公式推导中，就采用解混中的丰度矩阵的概念。因此， 表2 表2 中模型的分类并不存在严格的界限，只是按照各自的侧重点进行归纳，而这里的混合模型更倾向于从整合不同方法优点的角度来划分。 Zhu等（2016） Zhu等（2016） 提出一种灵活的时空数据融合模型FSDAF（Flexible Spatiotemporal Data Fusion）就将解混、插值、权重等方法结合起来，使最终的混合模型具有输入影像少、运算效率高、精度可靠的特点； 杨敏等（2018） 杨敏等（2018） 采用该模型对ASTER和MODIS的地表温度产品进行时空融合，得到的结果可以与输入影像更多的ESTARFM模型相提并论，与气象站点验证后也显示出较高的精度；但FSDAF模型对地表变化不够敏感，融合后的影像也容易丢失空间细节， Shi等（2019） Shi等（2019） 对此引入残差指数来提升地表突变地区的融合精度，在提高算法鲁棒性的同时也保留了更多的细节信息，比较适合地表变化的长期动态监测；出自同样的目的， Guo等（2020） Guo等（2020） 采用变化检测技术避免了FSDAF模型对变化像素和边界像素的解混运算，并建立变化区域优化模型来弥补丢失的空间细节和融合精度，虽然提升幅度有限，但算法的性能并未因计算步骤的增加而有太多牺牲。 混合模型的特点在于吸取各类独立模型的优点以达到优化算法结构，减少运算时间，提升融合精度的目的（ Zhu等，2018 Zhu等，2018 ）。通过多类模型对地表温度数据进行融合对比，挖掘出促使其效果提升的内在诱导因素，就能够定向构造出地表温度适应性强的融合方法，而将来的时空融合模型也会更多地以此类方式出现。 2.3　地表温度产品的融合应用 2 日趋完善的时空融合技术不仅有助于生成时间密集度高、空间细节丰富的影像数据集，还能为后期的定量遥感反演、时空演变分析提供数据支撑，间接地提升了遥感影像的应用价值（Belgiu 和Stein，2019； 张良培和沈焕锋，2016 张良培和沈焕锋，2016 ）。而上述许多模型的提出都伴随不同遥感产品的应用案例，本文整理了现有时空融合技术在地表温度上的应用，并按照具体领域来划分为以下6个方面。 2.3.1　陆地温度产品 3 陆地温度是涉及农业生产、基础建设和生态平衡的重要参量，也是区域地表温度产品的研究重点（ Karnieli等，2010 Karnieli等，2010 ； 杨敏 等，2018 杨敏 等，2018 ）。具有高时空分辨率的陆地温度数据在农田蒸散发监测、土壤水分与旱情监测、森林火灾监测等方面都有着重要的应用价值（魏然，2016）。 Weng等（2014） Weng等（2014） 利用Landsat TM（120 m/16 d）和MODIS（1 km/1 d）的地表温度数据，融合生成加利福尼亚州部分地区的地表温度产品，并选取了2005年7月至10月中的5个时期作为验证，最终结果显示整个研究区的预测精度控制在1.25—2.00 K的范围内，属于较好的融合结果； Wu等（2015d） Wu等（2015d） 在构造的极轨卫星和静止轨道卫星融合框架中，采用3种传感器进行数据融合，其中利用Landsat ETM+（60 m/16 d）、MODIS（1 km/1 d）、GEOS（4 km/30 min）融合得到了的美国西南部900 km 2 的地表温度，利用Landsat TM（120 m/16 d）、MODIS（1 km/1 d）、SEVIRI（3 km/15 min）融合得到了葡萄牙南部城镇Evora的地表温度，最终两者的重访问周期分别缩短至为30 min和15 min，达到目前地表温度时空融合的最高分辨率（60 m/30 min或120 m/15 min），而融合精度也能维持在2.5 K左右。 2.3.2　海表温度产品 3 作为地表温度的一部分，海表温度是反映海洋与大气相互作用的重要体现（ Alsweiss等，2017 Alsweiss等，2017 ）。由于海水的比热容较大，温度变化过程比陆地和大气都要缓慢，因此即便是细微的差异，也有海洋内部或大气环境发生显著变化的可能（ 胡旭冉，2018 胡旭冉，2018 ）。高时空分辨率的海表温度产品不仅可以帮助理解海洋生态的自然规律，也能反映人类活动对海洋环境的影响，这一点在沿海地区格外重要。为此， Li等（2013） Li等（2013） 采用贝叶斯最大熵法建立了MODIS（4 km/8 d）和AMSR-E（25 km/1 d）这两种数据下的融合模型，最终在西太平洋与印度洋的临近海域内生成了2003年具有高空间分辨率的平均海表温度产品。得益于AMSR-E传感器的微波穿透能力，该方法的融合结果还保持了大范围的空间连续性，极大地提升了数据的利用率。通过将BME的融合结果与真实海洋温度进行验证，最终融合的均方根误差和平均偏差仅为0.504 ℃和0.0392 ℃。 2.3.3　农业林业监测 3 利用卫星遥感获取的地表温度产品已经广泛应用于农业旱情监测、作物长势评价和农作物估产等方面（ 白洁 等，2008 白洁 等，2008 ），而高时空分辨率的地面温度数据能够刻画更加细致的土壤湿度、植被指数、和农田蒸散发等参量，有利于精细化和动态化的农业生产。孙晨红（2015）将ASTER和MODIS地表温度数据进行时空融合，得到空间分辨率为90 m的密集时序产品，进而计算出感热通量，并作为参数输入到农田蒸散发SEBAL模型中，最终得到的日蒸散发量与实测数据的相关系数达到0.61以上。通过时空融合间接得到的农田蒸散发数据具有连续全面的特点，能够为农田水分利用率的提升和精准灌溉的实施提供决策依据，但遥感估算地表蒸散发量是一个复杂的过程，其结果与反演模型的选取和分类数据的准确性有很大关系，这一点在地表温度数据的其他纵向研究中也同样适用；在林业领域， 龚成等（2018） 龚成等（2018） 采用STARFM与SADFAT两种模型对Landsat和MODIS数据进行时空融合，从得到的影像中提取了地表温度和植被指数两个林地干旱因子，构建了温度—植被干旱指数模型TVDI（Temperature Vegetation Dryness Index），最后利用该模型对湖南省2016年6—8月（森林生长季）每月中的3天的林地干旱指数进行了反演，绘制了全省林地干旱时序专题图。 2.3.4　城市热岛效应 3 城市的能量分布和交换构成了城市热环境，它是城市环境内物理、化学和生物反应过程之间的纽带（ Zhou等，2019a Zhou等，2019a ），而城市热岛效应则是城市热环境的显著体现。城市活动往往不受自然规律的制约，具有区域性、突变性和动态性的典型特征，更需要高时空分辨率的地表温度产品来捕捉这些变化（ 胡华浪 等，2005 胡华浪 等，2005 ）。 Huang等（2013a） Huang等（2013a） 利用Landsat ETM+（60 m/16 d）和MODIS（1 km/1 d）的地表温度数据，分别采用Bilateral Filter和STARFM方法对2002年北京市中心区进行时空融合研究，其结果表明，两种模型的均方根误差均在1 K到2.5 K之间，其精度可以直观地揭示该时期北京市的城市热环境变化过程；为了深入研究城市热岛效应的时空演变过程和诱发因素，刘紫涵（2017）通过对时空融合得到的地表温度产品进行长时序分析，发现合肥市在2000年—2016年的热岛效应不断升级，整体呈东北和西南高、东南和西北低的空间分布特征，而且与城市不透水面、植被覆盖、土地利用和城市发展等因素都存在一定关联。 2.3.5　公共卫生管理 3 公共卫生管理包含对重大疾病的预防、监控和治疗工作，是关系到人类健康状态的公共事业（ Lan等，2021 Lan等，2021 ）。对于预防和监控传染病的传播，除了常规医学手段，遥感数据也可以在宏观上起到辅助决策的作用（ Cline，1970 Cline，1970 ）。针对2007年爆发的西尼罗河病毒WNV（West Nile Virus）， Liu和Weng（2012） Liu和Weng（2012） 就通过STARFM时空融合模型生成具有高时空分辨率的遥感影像，并进一步反演出包括NDVI、NDWI、LST等在内的城市环境参量，结果发现WNV的传播与海拔呈负相关，与LST呈正相关，与NDVI则没有显著的相关性。 2.3.6　其他应用领域 3 目前时空融合技术在地表温度上的应用潜力还有很大的挖掘空间，除了上述成果，高时空分辨率的地表温度产品既能直接用于温度制图，也可以探究与其他因素的相关性，例如矿区煤火遥感、湖泊水面温度与藻类生长相关性等方面（Sakellario等，2020； Zhao等，2020b Zhao等，2020b ）。魏然（2016）就利用时空融合技术构造了典型晴空下的地表亮度温度模型，并进一步建立时空动态阈值的森林火点检测算法实现了森林火灾的自动检测，在对黑龙江省的森林火点提取中，使用HJ-1A/B与MODIS数据进行融合得到了影像缺失时相的高空间分辨率亮度温度数据，极大地丰富了用于机器学习的火点检测训练样本，最终提供了更加精确的火情信息。 3　时空融合方法在地表温度应用上的挑战与展望 1 在过去的15年里，时空融合的理论和技术得到了充分发展，在应用领域上的潜力也逐渐被释放，很大程度上缓解了时间与空间这一矛盾体。然而，目前仍有一些研究难点尚待解决，而且在地表温度层面上，也存在着不同于其他产品特性的研究门槛。针对现有问题，结合时空融合技术的历史脉络和应用需求，对其面临的挑战与未来的发展有以下理解和设想。 3.1　挑战 2 3.1.1　多源遥感数据的差异性 3 时空融合技术需要利用两个及两个以上的传感器数据，包括同质数据和异质数据（如光学数据与热红外数据）（ Hall和Llinas，1997 Hall和Llinas，1997 ）。目前，该领域的研究还处于数据层的融合阶段，更适合采用基于同一物理现象所观测的数据，即同质数据（ 张良培和沈焕锋，2016 张良培和沈焕锋，2016 ）；但即便是同质数据，不同传感器设计的同类参数也并非保持一致，直接降低了时空融合中原始资料的平衡性和可靠度。除了分辨率，不同卫星传感器的在融合上差异主要体现在3点：（1）传感器的光谱探测能力有差异。同样是10—11 μm区间附近的热红外波段，Landsat 8 TIRS传感器可以探测的波长范围是10.6—11.2 μm，而MODIS为10.78—11.28 μm，这就造成了即使是对同一均匀地物进行观测，两者探测的辐射能量和记录的DN值也不尽相同（ 刘建波 等，2016 刘建波 等，2016 ）。（2）用于时空融合的原始数据，需要分别进行图像配准和大气校正等一系列常规预处理操作，但不同影像的配准精度很难保证一致，无法避免融合过程中的像元错位（ 黄波和赵涌泉，2017 黄波和赵涌泉，2017 ）。而不同来源的数据所采用的大气校正方法也不尽相同，使得处理后数据不能完全正确地反映地面目标信息。（3）热红外遥感反演只能获取到传感器观测角度下的地表温度，而普遍存在的非同温非均质像元使得各方向的辐射温度并不相同，其误差往往随着观测天顶角的增大而增加。高低空间分辨率影像的幅宽有着巨大的差异，使得同一地区的观测方向往往不太一致，即便反演算法能够实现单个传感器的地表温度角度效应归一化，但不同传感器的观测角度还是难以统一（ 彭硕 等，2016 彭硕 等，2016 ）。 3.1.2　遥感数据的空间连续性 3 用于时空融合的原始影像不但需要转换到同一坐标系统下，而且要具备相同且完整的空间范围。然而对于大多数卫星数据，特别是光学卫星，以云污染为主要原因引起的数据空洞严重限制了时空融合技术在大区域数据中的应用发展（ Luo等，2018 Luo等，2018 ）。据USGS统计，在获取的所有Landsat影像中，只有10%的影像能够达到基本无云的条件，平均每幅影像的云量也有30%。在这种复杂的情况下，还需要两个甚至多个卫星传感器的观测数据同时保持空间连续一致，更是进一步提高了对数据有效性的要求。而目前用于时空融合研究的遥感影像大多是通过筛选和裁剪得到的小范围目标区域，极大压缩了数据的利用率，成为产业化应用的巨大障碍。 3.1.3　地表温度的时间敏感性 3 地表反射率、植被指数和地表温度等自然观测数据在时间上都具有的明显阶段性、周期性和波动性，即时间差距越小，地表成分越稳定（ Zhu等，2010 Zhu等，2010 ）。实验结果表明，已知和预测这两组数据采集的时间间隔不宜超过一个季相，否则会出现显著的精度下滑（ 刘建波 等，2016 刘建波 等，2016 ）。特别对于地表温度产品，无论是短至一天还是长至一年的温度分布，都有明显且不确定的波动性，而线性的时间变化假设显然不能准确地反映这一现象（ Weng等，2014 Weng等，2014 ）。为了减少误差，不少研究者选择搭载在同一卫星上的传感器数据，如Terra卫星上的ASTER（90 m/16 d）和MODIS（1000 m/1 d）传感器。但对于过境时间不同且访问周期较长的卫星来说，无法避免的时间的差异更是增加了预测的难度。 3.2　展望 2 3.2.1　地表温度反演精度的提升 3 时空融合技术的预测精度与原始数据的质量有着密不可分的关系（ Belgiu和Stein，2019 Belgiu和Stein，2019 ）。对于热红外数据，其反演的精度随着传感器规格的升级和模型的改进都有一定程度的提高，比如 Wang等（2019） Wang等（2019） 通过简化普朗克函数和优化大气参数模型提出一种实用单通道算法，在提升反演精度的同时降低了传统算法对输入参数的敏感性； Hu等（2019） Hu等（2019） 通过建立像元发射率角度效应查找表来提高地表发射率的估算精度，从而提升MODIS的地表温度反演精度； Zhou等（2019b） Zhou等（2019b） 结合亮温极化率和水平极化发射率之间的关系以及水平和垂直极化发射率之间的关系，构建了利用微波亮温观测值反演地表温度的算法。近些年来，一些机器学习技术也越来越多地用于地表温度反演，例如 Tan等（2019a） Tan等（2019a） 采用卷积神经网络和12个通道的亮温数据反演出AMSR2的地表温度； Zhao等（2019） Zhao等（2019） 采用随机森林技术降低了地表温度反演中地形效应和局部地区时间不一致的影响；此外，数据融合的其他细节也值得探讨，如 张亚军（2019） 张亚军（2019） 在采用STARFM算法和ESTARFM算法生成地表温度融合产品的过程中，就采用了“先融合后反演”和“先反演后融合”的两种策略，结果显示前者的精度都要略高于后者。 3.2.2　多源遥感数据优势的互补 3 Landsat和MODIS是当前的时空融合研究中使用最广泛的数据结合体（ Bhattarai等，2015 Bhattarai等，2015 ； Gao等，2006 Gao等，2006 ； Zhu等，2010 Zhu等，2010 ），而其他卫星数据还很少被采纳。虽然上述模型在理论上对所有卫星产品都适用，但关于模型参数对数据敏感性的研究还不够透彻，如何根据研究区域和应用目的选择合适的数据集，并有效避免分辨率差异过大等弊端带来的潜在问题也没有得到充分的解决。此外，云污染引起的地面信息缺失一直是遥感产品的通病，而微波遥感对云层强大的穿透能力正好可以弥补这一缺陷（ Han等，2019 Han等，2019 ）。从这个角度出发， Kou等（2016） Kou等（2016） 就采用BME的方法将MODIS与AMSR-E的地表温度数据进行融合，得到了空间连续性达100%的LST产品。随着微波遥感的优势得到凸显，具有微波探测能力的传感器也越来越多，如何缓解微波遥感影像与光学遥感影像在分辨率、几何特性、辐射特性等方面的巨大差异，并将两者的优势结合起来，从而解决数据空洞等难题，也是提升时空融合和其他遥感技术应用价值的重要出路。 3.2.3　深度学习在融合中的推广 3 2006年以来，凭借在大数据挖掘中的出色表现，深度学习成为机器学习领域最受欢迎的研究方向（ Xu等，2020 Xu等，2020 ）。目前，深度学习在遥感目标识别、图像分类、参数反演等方面都取得了巨大成功（ Tong等，2020 Tong等，2020 ； Zhao等，2015 Zhao等，2015 ），这也对时空融合中的学习模型新形态产生了启发。 Song等（2018） Song等（2018） 提出的STFDCNN模型才真正意义上把深度学习与时空融合结合起来，虽然也有学者进行补充（ Tan等，2018 Tan等，2018 和2019b），但整体来说这一方面还存在很大的空白，而且还多局限于反射率产品。如何将深度学习在地表温度产品中进行推广，并克服其光谱丰富度不足带来的训练障碍是一个值得关注的问题。另外，进一步优化样本的选择以及完备字典对的设计，在学习高低分辨率影像的光谱、空间、时间、结构和纹理特征的同时，最大限度地捕捉其细节信息，也是深度学习在时空融合领域发展的重要方向。 3.2.4　算法灵活度与效率的提高 3 不少时空融合模型效果的提升，都依赖于更多高低分辨率影像的加入和更复杂的算法结构，虽然在理论上和实验上都确实得到了不错的融合结果，但这并不利于实际遥感产品的加工。 Zhu等（2016） Zhu等（2016） 提出的FSDAF模型就在保障精度的同时，将输入影像的数量降到最低，既减少了数据的处理量，又提升了运算的效率，大大增加了模型的实用性；此外，对于海量遥感数据而言，计算负荷本身就很重，往往需要在效率和精度之间进行取舍，很难为了小幅度的提升效果而牺牲运算成本（ Gao等，2021 Gao等，2021 ）。因此，如何降低模型对原始数据量的需求，并针对不同产品进行参数优化和结构改进，提供并行计算的策略，也是时空融合技术在未来能够得到广泛应用的重要举措。 3.2.5　时空融合集成系统的构建 3 虽然时空融合的模型一直在推陈出新，但到目前为止，在实际生产中还没有大规模应用的先例。除了数据上的制约，另一个主要原因就是缺少成熟、稳定的集成系统来满足时空融合研究和生产的需求。从实际应用的角度出发，一个完整的时空融合的集成系统应包含以下功能：（1）根据用户提交的产品需求来判断融合的可行性；（2）智能推荐合适的数据集，并提供类似于Google Earth Engine的数据接口；（3）提供可选择的时空融合模型，使得用户仅需输入相应参数就可以实现自动化处理；（4）对最终的执行结果进行多方面的精度评定，辅助判断数据的可用性。总之，按照产品研发的标准来构建一个功能模块丰富、执行效率理想、融合结果可靠和操作界面友好的系统程序，是时空融合技术得到推广的最优选择。 4　结语 1 由热红外遥感反演直接获取到的地表温度数据无法同时满足产品周期短和空间细节度高这两大需求，而时空融合技术充分发挥了多平台观测互补的优势，突破了单一传感器在硬件层面上的性能制约，通过数据处理的方式实现时间和空间分辨率的双重提升。本文立足于地表温度与时空融合的交叉地带，通过收集该领域的相关研究，整理已有的应用成果，梳纳其中的脉络关系，探究内在的原理方法，最终指出亟待解决的研究问题，并阐述未来的发展前景。而上述研究可归纳为以下5个部分： （1）从像元的角度出发，时空融合的原理可表示为从时间维度上捕捉变化特征和空间维度上计算尺度差异来实现时空分辨率的提高。而地表温度在这两点上表现出不同于反射率或NDVI的产品特性，因此后续模型对此的适应能力比较关键。 （2）借鉴时空融合的分类标准，在应用于地表温度产品的各类模型中，权重模型计算简单且效果良好，但对变化的捕捉能力还有待提高。学习模型和贝叶斯模型相对复杂，但在为数不多的研究中表现出深厚潜力。混合模型能综合上述模型的优势，往往具备运算高效、形式灵活、结果可靠的特点。 （3）目前时空融合技术在地表温度上的应用集中于生成区域陆地温度产品，也涉及到一些海表温度产品、农业林业监测、城市热岛效应和公共卫生管理等方面的研究。不过多数应用还停留在提升地表温度融合精度的层次上，缺少对某一行业或某一现象的定量和定性分析。 （4）时空融合模型在技术层面上已经相对完善，但遥感数据的缺陷一直是限制其产业化应用的最大障碍，其中就包括多源数据的差异、影像空间的缺失和地表温度的波动。虽然这些挑战都有一定的解决方案可供选择，但还需要进一步的研究来实现和优化。 （5）基于地表温度的时空融合技术仍有很大的发展空间，本文对未来的研究和应用前景做出5个方面的设想，分别为提升反演精度、采用多源数据、推广深度学习、提高执行效率和构建集成系统。除了理论上的精进，现在的融合技术更需要在实践中寻找出路，其应用的拓展也能够反向推动技术的进步。 参考文献（References） Alsweiss S , Jelenak Z and Chang P . 2017 . Remote sensing of sea surface temperature using AMSR-2 measurements . IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , 10 ( 9 ): 3948 - 3954 [ DOI: 10.1109/JSTARS.2017.2737470 http://dx.doi.org/10.1109/JSTARS.2017.2737470 ] Remote sensing of sea surface temperature using AMSR-2 measurements Amorós-López J , Gómez-Chova L , Alonso L , Guanter L , Zurita-Milla R , Moreno J and Camps-Valls G . 2013 . Multitemporal fusion of Landsat/TM and ENVISAT/MERIS for crop monitoring . International Journal of Applied Earth Observation and Geoinformation , 23 : 132 - 141 [ DOI: 10.1016/j.jag.2012.12.004 http://dx.doi.org/10.1016/j.jag.2012.12.004 ] Multitemporal fusion of Landsat/TM and ENVISAT/MERIS for crop monitoring Anderson M C , Norman J M , Kustas W P , Houborg R , Starks P J and Agam N . 2008 . A thermal-based remote sensing technique for routine mapping of land-surface carbon, water and energy fluxes from field to regional scales . Remote Sensing of Environment , 112 ( 12 ): 4227 - 4241 [ DOI: 10.1016/j.rse.2008.07.009 http://dx.doi.org/10.1016/j.rse.2008.07.009 ] A thermal-based remote sensing technique for routine mapping of land-surface carbon, water and energy fluxes from field to regional scales Bai J , Liu S M and Hu G . 2008 . Inversion and verification of land surface temperature with remote sensing TM/ETM + data . Transactions of the CSAE , 24 ( 9 ): 148 - 154 Inversion and verification of land surface temperature with remote sensing TM/ETM+ data 白洁 , 刘绍民 , 扈光 . 2008 . 针对TM/ETM+遥感数据的地表温度反演与验证 . 农业工程学报 , 24 ( 9 ): 148 - 154 [ DOI: 10.3321/j.issn:1002-6819.2008.09.030 http://dx.doi.org/10.3321/j.issn:1002-6819.2008.09.030 ] 针对TM/ETM+遥感数据的地表温度反演与验证 Belgiu M and Stein A . 2019 . Spatiotemporal image fusion in remote sensing . Remote Sensing , 11 ( 7 ): 818 [ DOI: 10.3390/rs11070818 http://dx.doi.org/10.3390/rs11070818 ] Spatiotemporal image fusion in remote sensing Bhattarai N , Quackenbush L J , Dougherty M and Marzen L J . 2015 . A simple Landsat-MODIS fusion approach for monitoring seasonal evapotranspiration at 30 m spatial resolution . International Journal of Remote Sensing , 36 ( 1 ): 115 - 143 [ DOI: 10.1080/01431161.2014.990645 http://dx.doi.org/10.1080/01431161.2014.990645 ] A simple Landsat-MODIS fusion approach for monitoring seasonal evapotranspiration at 30 m spatial resolution Boyte S P , Wylie B K , Rigge M B and Dahal D . 2018 . Fusing MODIS with Landsat 8 data to downscale weekly normalized difference vegetation index estimates for Central Great Basin rangelands, USA . Giscience and Remote Sensing , 55 ( 3 ): 376 - 399 [ DOI: 10.1080/15481603.2017.1382065 http://dx.doi.org/10.1080/15481603.2017.1382065 ] Fusing MODIS with Landsat 8 data to downscale weekly normalized difference vegetation index estimates for Central Great Basin rangelands, USA Cheng Q , Liu H Q , Shen H F , Wu P H and Zhang L P . 2017 . A spatial and temporal nonlocal filter-based data fusion method . IEEE Transactions on Geoscience and Remote Sensing , 55 ( 8 ): 4476 - 4488 [ DOI: 10.1109/tgrs.2017.2692802 http://dx.doi.org/10.1109/tgrs.2017.2692802 ] A spatial and temporal nonlocal filter-based data fusion method Cline B L . 1970 . New eyes for epidemiologists: aerial photography and other remote sensing techniques . American Journal of Epidemiology , 92 ( 2 ): 85 - 89 [ DOI: 10.1093/oxfordjournals.aje.a121188 http://dx.doi.org/10.1093/oxfordjournals.aje.a121188 ] New eyes for epidemiologists: aerial photography and other remote sensing techniques DeLang M , Becker J , Chang K-L , Serre M , Cooper O , Schultz M , Schroeder S , Lu X , Zhang L , Deushi M , Josse B , Keller C A , Lamarque J-F , Lin M , Liu J , Marécal V , Strode S A , Sudo K , Tilmes S , Zhang L , Cleland S E , Collins E L , Brauer M , West J J . 2021 . Mapping yearly fine resolution global surface ozone through the Bayesian maximum entropy data fusion of observations and model output for 1990—2017 . Environmental Science & Technology , 55 ( 8 ): 4389 - 4398 . [ DOI: 10.1021/acs.est.0c07742 http://dx.doi.org/10.1021/acs.est.0c07742 ] Mapping yearly fine resolution global surface ozone through the Bayesian maximum entropy data fusion of observations and model output for 1990—2017 Ding R J and Zhao C F . 2018 . Study on the merging sea surface temperature data based on optimal interpolation and bayesian maximum entropy method . Journal of Ocean Technology , 37 ( 2 ): 35 - 42 Study on the merging sea surface temperature data based on optimal interpolation and bayesian maximum entropy method 丁润杰 , 赵朝方 . 2018 . 基于最优插值和贝叶斯最大熵的海表温度融合方法研究 . 海洋技术学报 , 37 ( 2 ): 35 - 42 [ DOI: 10.3969/j.issn.1003-2029.2018.02.007 http://dx.doi.org/10.3969/j.issn.1003-2029.2018.02.007 ] 基于最优插值和贝叶斯最大熵的海表温度融合方法研究 Dong W Q and Meng J H . 2018 . Review of spatiotemporal fusion model of remote sensing data . Remote Sensing for Land and Resources , 30 ( 2 ): 1 - 11 Review of spatiotemporal fusion model of remote sensing data 董文全 , 蒙继华 . 2018 . 遥感数据时空融合研究进展及展望 . 国土资源遥感 , 30 ( 2 ): 1 - 11 [ DOI: 10.6046/gtzyyg.2018.02.01 http://dx.doi.org/10.6046/gtzyyg.2018.02.01 ] 遥感数据时空融合研究进展及展望 Fu D J , Chen B Z , Wang J , Zhu X L and Hilker T . 2013 . An improved image fusion approach based on enhanced spatial and temporal the adaptive reflectance fusion model . Remote Sensing , 5 ( 12 ): 6346 - 6360 [ DOI: 10.3390/rs5126346 http://dx.doi.org/10.3390/rs5126346 ] An improved image fusion approach based on enhanced spatial and temporal the adaptive reflectance fusion model Gao F , Masek J , Schwaller M and Hall F . 2006 . On the blending of the Landsat and MODIS surface reflectance: predicting daily Landsat surface reflectance . IEEE Transactions on Geoscience and Remote Sensing , 44 ( 8 ): 2207 - 2218 [ DOI: 10.1109/tgrs.2006.872081 http://dx.doi.org/10.1109/tgrs.2006.872081 ] On the blending of the Landsat and MODIS surface reflectance: predicting daily Landsat surface reflectance Gao H , Zhu X , Guan Q , Yang X , Yao Y , Zeng W and Peng X . 2021 . cuFSDAF: An Enhanced Flexible Spatiotemporal Data Fusion Algorithm Parallelized Using Graphics Processing Units . IEEE Transactions on Geoscience and Remote Sensing , 60 : 1 - 16 .[ DOI: 10.1109/TGRS.2021.3080384 http://dx.doi.org/10.1109/TGRS.2021.3080384 ] cuFSDAF: An Enhanced Flexible Spatiotemporal Data Fusion Algorithm Parallelized Using Graphics Processing Units Gevaert C M and García-Haro F J . 2015 . A comparison of STARFM and an unmixing-based algorithm for Landsat and MODIS data fusion . Remote Sensing of Environment , 156 : 34 - 44 [ DOI: 10.1016/j.rse.2014.09.012 http://dx.doi.org/10.1016/j.rse.2014.09.012 ] A comparison of STARFM and an unmixing-based algorithm for Landsat and MODIS data fusion Gong C , Zhou C , Xiao H S , Wu X and Zhang G . 2018 . Dynamic monitoring of forest land drought in Hunan based on multisource remote sensing data fusion . Journal of Central South University of Forestry and Technology , 38 ( 10 ): 27 - 33 Dynamic monitoring of forest land drought in Hunan based on multisource remote sensing data fusion 龚成 , 周璀 , 肖化顺 , 吴鑫 , 张贵 . 2018 . 基于多源遥感数据融合的湖南林地干旱动态监测研究 . 中南林业科技大学学报 , 38 ( 10 ): 27 - 33 [ DOI: 10.14067/j.cnki.1673-923x.2018.10.005 http://dx.doi.org/10.14067/j.cnki.1673-923x.2018.10.005 ] 基于多源遥感数据融合的湖南林地干旱动态监测研究 Guan X D , Liu G H , Huang C , Liu Q S , Wu C S , Jin Y and Li Y F . 2017 . An object-based linear weight assignment fusion scheme to improve classification accuracy using Landsat and MODIS data at the decision level . IEEE Transactions on Geoscience and Remote Sensing , 55 ( 12 ): 6989 - 7002 [ DOI: 10.1109/tgrs.2017.2737780 http://dx.doi.org/10.1109/tgrs.2017.2737780 ] An object-based linear weight assignment fusion scheme to improve classification accuracy using Landsat and MODIS data at the decision level Guo D Z , Shi W Z , Hao M and Zhu X L . 2020 . FSDAF 2.0: improving the performance of retrieving land cover changes and preserving spatial details . Remote Sensing of Environment , 248 : 111973 [ DOI: 10.1016/j.rse.2020.111973 http://dx.doi.org/10.1016/j.rse.2020.111973 ] FSDAF 2.0: improving the performance of retrieving land cover changes and preserving spatial details Guo Y L , Li Y M , Zhu L , Liu G , Wang S and Du C G . 2015 . An improved unmixing-based fusion method: potential application to remote monitoring of inland waters . Remote Sensing , 7 ( 2 ): 1640 - 1666 [ DOI: 10.3390/rs70201640 http://dx.doi.org/10.3390/rs70201640 ] An improved unmixing-based fusion method: potential application to remote monitoring of inland waters Hall D L and Llinas J . 1997 . An introduction to multisensor data fusion . Proceedings of the IEEE , 85 ( 1 ): 6 - 23 [ DOI: 10.1109/5.554205 http://dx.doi.org/10.1109/5.554205 ] An introduction to multisensor data fusion Han X J , Duan S B , Huang C and Li Z L . 2019 . Cloudy land surface temperature retrieval from three-channel microwave data . International Journal of Remote Sensing , 40 ( 5-6 ): 1793 - 1807 . [ DOI: 10.1080/01431161.2018.1471552 http://dx.doi.org/10.1080/01431161.2018.1471552 ] Cloudy land surface temperature retrieval from three-channel microwave data Hazaymeh K and Hassan Q K . 2015 . Spatiotemporal image-fusion model for enhancing the temporal resolution of Landsat-8 surface reflectance images using MODIS images . Journal of Applied Remote Sensing , 9 ( 1 ): 1 - 14 [ DOI: 10.1117/1.Jrs.9.096095 http://dx.doi.org/10.1117/1.Jrs.9.096095 ] Spatiotemporal image-fusion model for enhancing the temporal resolution of Landsat-8 surface reflectance images using MODIS images Hilker T , Wulder M A , Coops N C , Linke J , McDermid G , Masek J G , Gao F and White J C . 2009 . A new data fusion model for high spatial- and temporal-resolution mapping of forest disturbance based on Landsat and MODIS . Remote Sensing of Environment , 113 ( 8 ): 1613 - 1627 [ DOI: 10.1016/j.rse.2009.03.007 http://dx.doi.org/10.1016/j.rse.2009.03.007 ] A new data fusion model for high spatial- and temporal-resolution mapping of forest disturbance based on Landsat and MODIS Houborg R , McCabe M F and Gao F . 2016 . A spatio-temporal enhancement method for medium resolution LAI (STEM-LAI) . International Journal of Applied Earth Observation and Geoinformation , 47 : 15 - 29 [ DOI: 10.1016/j.jag.2015.11.013 http://dx.doi.org/10.1016/j.jag.2015.11.013 ] A spatio-temporal enhancement method for medium resolution LAI (STEM-LAI) Hu H L , Cheng Y H and Gong A D . 2005 . Advances in the application of remotely sensed data to the study of urban heat island . Remote Sensing for Land and Resources , 17 ( 3 ): 5 - 9 , 13 Advances in the application of remotely sensed data to the study of urban heat island 胡华浪 , 陈云浩 , 宫阿都 . 2005 . 城市热岛的遥感研究进展 . 国土资源遥感 , 17 ( 3 ): 5- 9 , 13 [ DOI: 10.3969/j.issn.1001-070X.2005.03.002 http://dx.doi.org/10.3969/j.issn.1001-070X.2005.03.002 ] 城市热岛的遥感研究进展 Hu T , Li H , Cao B , van Dijk A I J M , Renzullo L J , Xu Z H , Zhou J , Du Y M and Liu Q H . 2019 . Influence of emissivity angular variation on land surface temperature retrieved using the generalized split-window algorithm . International Journal of Applied Earth Observation and Geoinformation , 82 : 1 - 11 [ DOI: 10.1016/j.jag.2019.101917 http://dx.doi.org/10.1016/j.jag.2019.101917 ] Influence of emissivity angular variation on land surface temperature retrieved using the generalized split-window algorithm Hu X R . 2018 . Spatial and Temporal Distribution Characteristics of Sea Surface Temperature Based on Ensemble Kalman Filtering Fusion in the Northwest Pacific Ocean . Shanghai Ocean University Spatial and Temporal Distribution Characteristics of Sea Surface Temperature Based on Ensemble Kalman Filtering Fusion in the Northwest Pacific Ocean 胡旭冉 . 2018 . 基于集合卡尔曼滤波融合的西北太平洋海表面温度时空分布特征研究 . 上海海洋大学 基于集合卡尔曼滤波融合的西北太平洋海表面温度时空分布特征研究 Huang B and Song H H . 2012 . Spatiotemporal reflectance fusion via sparse representation . IEEE Transactions on Geoscience and Remote Sensing , 50 ( 10 ): 3707 - 3716 [ DOI: 10.1109/tgrs.2012.2186638 http://dx.doi.org/10.1109/tgrs.2012.2186638 ] Spatiotemporal reflectance fusion via sparse representation Huang B , Wang J , Song H H , Fu D J and Wong K . 2013a . Generating high spatiotemporal resolution land surface temperature for urban heat island monitoring . IEEE Geoscience and Remote Sensing Letters , 10 ( 5 ): 1011 - 1015 [ DOI: 10.1109/lgrs.2012.2227930 http://dx.doi.org/10.1109/lgrs.2012.2227930 ] Generating high spatiotemporal resolution land surface temperature for urban heat island monitoring Huang B , Zhang H K , Song H H , Wang J and Song C Q . 2013b . Unified fusion of remote-sensing imagery: generating simultaneously high-resolution synthetic spatial-temporal-spectral earth observations . Remote Sensing Letters , 4 ( 6 ): 561 - 569 [ DOI: 10.1080/2150704x.2013.769283 http://dx.doi.org/10.1080/2150704x.2013.769283 ] Unified fusion of remote-sensing imagery: generating simultaneously high-resolution synthetic spatial-temporal-spectral earth observations Huang B and Zhao Y Q . 2017 . Research status and prospect of spatiotemporal fusion of multi-source satellite remote sensing imagery . Acta Geodaetica et Cartographica Sinica , 46 ( 10 ): 1492 - 1499 Research status and prospect of spatiotemporal fusion of multi-source satellite remote sensing imagery 黄波 , 赵涌泉 . 2017 . 多源卫星遥感影像时空融合研究的现状及展望 . 测绘学报 , 46 ( 10 ): 1492 - 1499 [ DOI: 10.11947/j.AGCS.2017.20170376 http://dx.doi.org/10.11947/j.AGCS.2017.20170376 ] 多源卫星遥感影像时空融合研究的现状及展望 Hwang T , Song C H , Bolstad P V and Band L E . 2011 . Downscaling real-time vegetation dynamics by fusing multi-temporal MODIS and Landsat NDVI in topographically complex terrain . Remote Sensing of Environment , 115 ( 10 ): 2499 - 2512 [ DOI: 10.1016/j.rse.2011.05.010 http://dx.doi.org/10.1016/j.rse.2011.05.010 ] Downscaling real-time vegetation dynamics by fusing multi-temporal MODIS and Landsat NDVI in topographically complex terrain Jin M L , Dickinson R E and Zhang D . 2005 . The footprint of urban areas on global climate as characterized by MODIS . Journal of Climate 18 ( 10 ): 1551 - 1565 [ DOI: 10.1175/jcli3334.1 http://dx.doi.org/10.1175/jcli3334.1 ] The footprint of urban areas on global climate as characterized by MODIS Karnieli A , Agam N , Pinker R T , Anderson M , Imhoff M L , Gutman G G , Panov N and Goldberg A . 2010 . Use of NDVI and land surface temperature for drought assessment: merits and Limitations . Journal of Climate , 23 ( 3 ): 618 - 633 [ DOI: 10.1175/2009jcli2900.1 http://dx.doi.org/10.1175/2009jcli2900.1 ] Use of NDVI and land surface temperature for drought assessment: merits and Limitations Ke Y H , Im J , Park S and Gong H L . 2016 . Downscaling of MODIS one kilometer evapotranspiration using Landsat-8 data and machine learning approaches . Remote Sensing , 8 ( 3 ): 215 [ DOI: 10.3390/rs8030215 http://dx.doi.org/10.3390/rs8030215 ] Downscaling of MODIS one kilometer evapotranspiration using Landsat-8 data and machine learning approaches Kou X K , Jiang L M , Bo Y C , Yan S and Chai L N . 2016 . Estimation of land surface temperature through blending MODIS and AMSR-E data with the Bayesian maximum entropy method . Remote Sensing , 8 ( 2 ): 105 [ DOI: 10.3390/rs8020105 http://dx.doi.org/10.3390/rs8020105 ] Estimation of land surface temperature through blending MODIS and AMSR-E data with the Bayesian maximum entropy method Kwan C , Budavari B , Gao F and Zhu X L . 2018 . A hybrid color mapping approach to fusing MODIS and Landsat images for forward prediction . Remote Sensing , 10 ( 4 ): 520 [ DOI: 10.3390/rs10040520 http://dx.doi.org/10.3390/rs10040520 ] A hybrid color mapping approach to fusing MODIS and Landsat images for forward prediction Lan T , Shao G , Tang L , Xu Z , Zhu W and Liu L . 2021 . Quantifying Spatiotemporal Changes in Human Activities Induced by COVID-19 Pandemic Using Daily Nighttime Light Data . IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , 14 : 2740 - 2753 [ DOI: 10.1109/JSTARS.2021.3060038 http://dx.doi.org/10.1109/JSTARS.2021.3060038 ] Quantifying Spatiotemporal Changes in Human Activities Induced by COVID-19 Pandemic Using Daily Nighttime Light Data Li A H , Bo Y C , Zhu Y X , Guo P , Bi J and He Y Q . 2013 . Blending multi-resolution satellite sea surface temperature (SST) products using Bayesian maximum entropy method . Remote Sensing of Environment , 135 : 52 - 63 [ DOI: 10.1016/j.rse.2013.03.021 http://dx.doi.org/10.1016/j.rse.2013.03.021 ] Blending multi-resolution satellite sea surface temperature (SST) products using Bayesian maximum entropy method Li J , Li Y F , He L , Chen J and Plaza A . 2020 . Spatio-temporal fusion for remote sensing data: an overview and new benchmark . Science China-Information Sciences , 63 ( 4 ): 140301 [ DOI: 10.1007/s11432-019-2785-y http://dx.doi.org/10.1007/s11432-019-2785-y ] Spatio-temporal fusion for remote sensing data: an overview and new benchmark Li X D , Ling F , Foody G M , Ge Y , Zhang Y H and Du Y . 2017a . Generating a series of fine spatial and temporal resolution land cover maps by fusing coarse spatial resolution remotely sensed images and fine spatial resolution land cover maps . Remote Sensing of Environment , 196 : 293 - 311 [ DOI: 10.1016/j.rse.2017.05.011 http://dx.doi.org/10.1016/j.rse.2017.05.011 ] Generating a series of fine spatial and temporal resolution land cover maps by fusing coarse spatial resolution remotely sensed images and fine spatial resolution land cover maps Li Y , Huang C L , Hou J L , Gu J , Zhu G F and Li X . 2017b . Mapping daily evapotranspiration based on spatiotemporal fusion of ASTER and MODIS images over irrigated agricultural areas in the Heihe River basin, Northwest China . Agricultural and Forest Meteorology , 244 - 245 : 82 - 97 [ DOI: 10.1016/j.agrformet.2017.05.023 http://dx.doi.org/10.1016/j.agrformet.2017.05.023 ] Mapping daily evapotranspiration based on spatiotemporal fusion of ASTER and MODIS images over irrigated agricultural areas in the Heihe River basin, Northwest China Liao C H , Wang J F , Pritchard I , Liu J G and Shang J L . 2017 . A spatio-temporal data fusion model for generating NDVI time series in heterogeneous regions . Remote Sensing , 9 ( 11 ): 1125 [ DOI: 10.3390/rs9111125 http://dx.doi.org/10.3390/rs9111125 ] A spatio-temporal data fusion model for generating NDVI time series in heterogeneous regions Liao L M , Song J L , Wang J D , Xiao Z Q and Wang J . 2016 . Bayesian method for building frequent Landsat-like NDVI datasets by integrating MODIS and Landsat NDVI . Remote Sensing , 8 ( 6 ): 452 [ DOI: 10.3390/rs8060452 http://dx.doi.org/10.3390/rs8060452 ] Bayesian method for building frequent Landsat-like NDVI datasets by integrating MODIS and Landsat NDVI Liu H and Weng Q H . 2012 . Enhancing temporal resolution of satellite imagery for public health studies: a case study of West Nile virus outbreak in Los Angeles in 2007 . Remote Sensing of Environment , 117 : 57 - 71 [ DOI: 10.1016/j.rse.2011.06.023 http://dx.doi.org/10.1016/j.rse.2011.06.023 ] Enhancing temporal resolution of satellite imagery for public health studies: a case study of West Nile virus outbreak in Los Angeles in 2007 Liu J B , Ma Y , Wu Y T and Chen F . 2016 . Review of methods and applications of high spatiotemporal fusion of remote sensing data . Journal of Remote Sensing , 20 ( 5 ): 1038 - 1049 Review of methods and applications of high spatiotemporal fusion of remote sensing data 刘建波 , 马勇 , 武易天 , 陈甫 . 2016 . 遥感高时空融合方法的研究进展及应用现状 . 遥感学报 , 20 ( 5 ): 1038 - 1049 [ DOI: 10.11834/jrs.20166218 http://dx.doi.org/10.11834/jrs.20166218 ] 遥感高时空融合方法的研究进展及应用现状 Liu W J , Zeng Y N , Li S N and Huang W . 2020 . Spectral unmixing based spatiotemporal downscaling fusion approach . International Journal of Applied Earth Observation and Geoinformation , 88 : 102054 [ DOI: 10.1016/j.jag.2020.102054 http://dx.doi.org/10.1016/j.jag.2020.102054 ] Spectral unmixing based spatiotemporal downscaling fusion approach Liu X , Deng C W , Wang S G , Huang G B , Zhao B J and Lauren P . 2016 . Fast and accurate spatiotemporal fusion based upon extreme learning machine . IEEE Geoscience and Remote Sensing Letters , 13 ( 12 ): 2039 - 2043 [ DOI: 10.1109/lgrs.2016.2622726 http://dx.doi.org/10.1109/lgrs.2016.2622726 ] Fast and accurate spatiotemporal fusion based upon extreme learning machine Liu Z H . 2017 . Spatiotemporal Variation Characteristics of Urban Heat Islands in Hefei City, Anhui Province of China Based on Spatio-Temporal Fusion . Anhui University (刘紫涵 . 2017. 基于时空融合技术的合肥市热岛效应时空演变分析. 安徽大学) Spatiotemporal Variation Characteristics of Urban Heat Islands in Hefei City, Anhui Province of China Based on Spatio-Temporal Fusion Lu M , Chen J , Tang H J , Rao Y H , Yang P and Wu W B . 2016 . Land cover change detection by integrating object-based data blending model of Landsat and MODIS . Remote Sensing of Environment , 184 : 374 - 386 [ DOI: 10.1016/j.rse.2016.07.028 http://dx.doi.org/10.1016/j.rse.2016.07.028 ] Land cover change detection by integrating object-based data blending model of Landsat and MODIS Luo Y N , Guan K Y and Peng J . 2018 . STAIR: a generic and fully-automated method to fuse multiple sources of optical satellite data to generate a high-resolution, daily and cloud-/gap-free surface reflectance product . Remote Sensing of Environment , 214 : 87 - 99 [ DOI: 10.1016/j.rse.2018.04.042 http://dx.doi.org/10.1016/j.rse.2018.04.042 ] STAIR: a generic and fully-automated method to fuse multiple sources of optical satellite data to generate a high-resolution, daily and cloud-/gap-free surface reflectance product Maselli F and Rembold F . 2002 . Integration of LAC and GAC NDVI data to improve vegetation monitoring in semi-arid environments . International Journal of Remote Sensing , 23 ( 12 ): 2475 - 2488 [ DOI: 10.1080/01431160110104755 http://dx.doi.org/10.1080/01431160110104755 ] Integration of LAC and GAC NDVI data to improve vegetation monitoring in semi-arid environments Mizuochi H , Hiyama T , Ohta T , Fujioka Y , Kambatuku J R , Iijima M and Nasahara K N . 2017 . Development and evaluation of a lookup-table-based approach to data fusion for seasonal wetlands monitoring: an integrated use of AMSR series, MODIS, and Landsat . Remote Sensing of Environment , 199 : 370 - 388 [ DOI: 10.1016/j.rse.2017.07.026 http://dx.doi.org/10.1016/j.rse.2017.07.026 ] Development and evaluation of a lookup-table-based approach to data fusion for seasonal wetlands monitoring: an integrated use of AMSR series, MODIS, and Landsat Moosavi V , Talebi A , Mokhtari M H , Shamsi S R F and Niazi Y . 2015 . A wavelet-artificial intelligence fusion approach (WAIFA) for blending Landsat and MODIS surface temperature . Remote Sensing of Environment , 169 : 243 - 254 [ DOI: 10.1016/j.rse.2015.08.015 http://dx.doi.org/10.1016/j.rse.2015.08.015 ] A wavelet-artificial intelligence fusion approach (WAIFA) for blending Landsat and MODIS surface temperature Moreno-Martínez Á , Izquierdo-Verdiguier E , Maneta M P , Camps-Valls G , Robinson N , Muñoz-Marí J , Sedano F , Clinton N and Running S W . 2020 . Multispectral high resolution sensor fusion for smoothing and gap-filling in the cloud . Remote Sensing of Environment , 247 : 111901 [ DOI: 10.1016/j.rse.2020.111901 http://dx.doi.org/10.1016/j.rse.2020.111901 ] Multispectral high resolution sensor fusion for smoothing and gap-filling in the cloud Nirmala D E and Vaidehi V . 2015 . Comparison of pixel-level and feature level image fusion methods // Proceedings of the 2015 2nd International Conference on Computing for Sustainable Global Development . New Delhi : IEEE: 743 - 748 . Comparison of pixel-level and feature level image fusion methods Peng S , Tang B H , Li Z L , Wu H and Tang R L . 2016 . Study of the relationship between thermal infrared directional and hemispherical radiative temperatures . Journal of Geo-Information Science , 18 ( 1 ): 106 - 116 Study of the relationship between thermal infrared directional and hemispherical radiative temperatures 彭硕 , 唐伯惠 , 李召良 , 吴骅 , 唐荣林 . 2016 . 热红外地表方向性辐射温度与半球辐射温度关系研究 . 地球信息科学学报 , 18 ( 1 ): 106 - 116 [ DOI: 10.3724/SP.J.1047.2016.00106 http://dx.doi.org/10.3724/SP.J.1047.2016.00106 ] 热红外地表方向性辐射温度与半球辐射温度关系研究 Quan J L , Zhan W F , Ma T , Du Y Y , Guo Z and Qin B Y . 2018 . An integrated model for generating hourly Landsat-like land surface temperatures over heterogeneous landscapes . Remote Sensing of Environment , 206 : 403 - 423 [ DOI: 10.1016/j.rse.2017.12.003 http://dx.doi.org/10.1016/j.rse.2017.12.003 ] An integrated model for generating hourly Landsat-like land surface temperatures over heterogeneous landscapes Rao C V , Rao J M , Kumar A S and Dadhwal V K . 2014 . Fast spatiotemporal data fusion: merging LISS III with AWiFS sensor data . International Journal of Remote Sensing , 35 ( 24 ): 8323 - 8344 [ DOI: 10.1080/01431161.2014.985396 http://dx.doi.org/10.1080/01431161.2014.985396 ] Fast spatiotemporal data fusion: merging LISS III with AWiFS sensor data Rao J M , Rao C V , Kumar A S , Lakshmi B and Dadhwal V K . 2015a . Spatiotemporal data fusion using temporal high-pass modulation and edge primitives . IEEE Transactions on Geoscience and Remote Sensing , 53 ( 11 ): 5853 - 5860 [ DOI: 10.1109/tgrs.2015.2422712 http://dx.doi.org/10.1109/tgrs.2015.2422712 ] Spatiotemporal data fusion using temporal high-pass modulation and edge primitives Rao Y H , Zhu X L , Chen J and Wang J M . 2015b . An improved method for producing high spatial-resolution NDVI time series datasets with multi-temporal MODIS NDVI data and Landsat TM/ETM+ images . Remote Sensing , 7 ( 6 ): 7865 - 7991 [ DOI: 10.3390/rs70607865 http://dx.doi.org/10.3390/rs70607865 ] An improved method for producing high spatial-resolution NDVI time series datasets with multi-temporal MODIS NDVI data and Landsat TM/ETM+ images Roy D P , Ju J C , Lewis P , Schaaf C , Gao F , Hansen M and Lindquist E . 2008 . Multi-temporal MODIS-Landsat data fusion for relative radiometric normalization, gap filling, and prediction of Landsat data . Remote Sensing of Environment , 112 ( 6 ): 3112 - 3130 [ DOI: 10.1016/j.rse.2008.03.009 http://dx.doi.org/10.1016/j.rse.2008.03.009 ] Multi-temporal MODIS-Landsat data fusion for relative radiometric normalization, gap filling, and prediction of Landsat data Sakellariou S , Cabral P , Caetano M , Pla F , Painho M , Christopoulou O , Sfougaris A , Dalezios N and Vasilakos C . 2020 . Remotely sensed data fusion for spatiotemporal geostatistical analysis of forest fire hazard . Sensors 20 ( 17 ): 5014 [ DOI: 10.3390/s20175014 http://dx.doi.org/10.3390/s20175014 ] Remotely sensed data fusion for spatiotemporal geostatistical analysis of forest fire hazard Shen H F , Meng X C and Zhang L P . 2016 . An integrated framework for the spatio-temporal-spectral fusion of remote sensing images . IEEE Transactions on Geoscience and Remote Sensing , 54 ( 12 ): 7135 - 7148 [ DOI: 10.1109/tgrs.2016.2596290 http://dx.doi.org/10.1109/tgrs.2016.2596290 ] An integrated framework for the spatio-temporal-spectral fusion of remote sensing images Shen H F , Wu P H , Liu Y L , Ai T H , Wang Y and Liu X P . 2013 . A spatial and temporal reflectance fusion model considering sensor observation differences . International Journal of Remote Sensing , 34 ( 12 ): 4367 - 4383 [ DOI: 10.1080/01431161.2013.777488 http://dx.doi.org/10.1080/01431161.2013.777488 ] A spatial and temporal reflectance fusion model considering sensor observation differences Shi C L , Wang X H , Zhang M , Liang X J , Niu L Z , Han H Q and Zhu X M . 2019 . A comprehensive and automated fusion method: the enhanced flexible spatiotemporal data fusion model for monitoring dynamic changes of land surface . Applied Sciences , 9 ( 18 ): 3693 [ DOI: 10.3390/app9183693 http://dx.doi.org/10.3390/app9183693 ] A comprehensive and automated fusion method: the enhanced flexible spatiotemporal data fusion model for monitoring dynamic changes of land surface Song H H and Huang B . 2013 . Spatiotemporal satellite image fusion through one-pair image learning . IEEE Transactions on Geoscience and Remote Sensing , 51 ( 4 ): 1883 - 1896 [ DOI: 10.1109/tgrs.2012.2213095 http://dx.doi.org/10.1109/tgrs.2012.2213095 ] Spatiotemporal satellite image fusion through one-pair image learning Song H H , Liu Q S , Wang G J , Hang R L and Huang B . 2018 . Spatiotemporal satellite image fusion using deep convolutional neural networks . IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , 11 ( 3 ): 821 - 829 [ DOI: 10.1109/jstars.2018.2797894 http://dx.doi.org/10.1109/jstars.2018.2797894 ] Spatiotemporal satellite image fusion using deep convolutional neural networks Sun C H . 2015 . Research and Verification of Generating High Spatial and Temporal Resolution Surface Temperature Based on Fusing Multi-Source Remote Sensing Data . Xi’an University of Science and Technology (孙晨红 . 2015. 多源遥感数据融合生成高时空分辨率地表温度研究与验证. 西安科技大学) Research and Verification of Generating High Spatial and Temporal Resolution Surface Temperature Based on Fusing Multi-Source Remote Sensing Data Tan J C , NourEldeen N , Mao K B , Shi J C , Li Z L , Xu T R and Yuan Z J . 2019a . Deep learning convolutional neural network for the retrieval of land surface temperature from AMSR2 data in China . Sensors , 19 ( 13 ): 2987 [ DOI: 10.3390/s19132987 http://dx.doi.org/10.3390/s19132987 ] Deep learning convolutional neural network for the retrieval of land surface temperature from AMSR2 data in China Tan Z Y , Di L P , Zhang M D , Guo L Y and Gao M L . 2019b . An enhanced deep convolutional model for spatiotemporal image fusion . Remote Sensing , 11 ( 24 ): 2898 [ DOI: 10.3390/rs11242898 http://dx.doi.org/10.3390/rs11242898 ] An enhanced deep convolutional model for spatiotemporal image fusion Tan Z Y , Yue P , Di L P and Tang J M . 2018 . Deriving high spatiotemporal remote sensing images using deep convolutional network . Remote Sensing , 10 ( 7 ): 1066 [ DOI: 10.3390/rs10071066 http://dx.doi.org/10.3390/rs10071066 ] Deriving high spatiotemporal remote sensing images using deep convolutional network Tao X , Liang S L , Wang D D , He T and Huang C Q . 2018 . Improving satellite estimates of the fraction of absorbed photosynthetically active radiation through data integration: methodology and validation . IEEE Transactions on Geoscience and Remote Sensing , 56 ( 4 ): 2107 - 2118 [ DOI: 10.1109/tgrs.2017.2775103 http://dx.doi.org/10.1109/tgrs.2017.2775103 ] Improving satellite estimates of the fraction of absorbed photosynthetically active radiation through data integration: methodology and validation Tong X-Y , Xia G-S , Lu Q , Shen H , Li S , You S and Zhang L . 2020 . Land-cover classification with high-resolution remote sensing images using transferable deep models . Remote Sensing of Environment , 237 : 111322 [ DOI: 10.1016/j.rse.2019.111322 http://dx.doi.org/10.1016/j.rse.2019.111322 ] Land-cover classification with high-resolution remote sensing images using transferable deep models Wang J and Huang B . 2017 . A rigorously-weighted spatiotemporal fusion model with uncertainty analysis . Remote Sensing , 9 ( 10 ): 990 [ DOI: 10.3390/rs9100990 http://dx.doi.org/10.3390/rs9100990 ] A rigorously-weighted spatiotemporal fusion model with uncertainty analysis Wang M M , Zhang Z J , Hu T and Liu X G . 2019 . A practical single-channel algorithm for land surface temperature retrieval: application to landsat series data . Journal of Geophysical Research: Atmospheres , 124 ( 1 ): 299 - 316 [ DOI: 10.1029/2018jd029330 http://dx.doi.org/10.1029/2018jd029330 ] A practical single-channel algorithm for land surface temperature retrieval: application to landsat series data Wang P J , Gao F and Masek J G . 2014 . Operational data fusion framework for building frequent Landsat-like imagery . IEEE Transactions on Geoscience and Remote Sensing , 52 ( 11 ): 7353 - 7365 [ DOI: 10.1109/tgrs.2014.2311445 http://dx.doi.org/10.1109/tgrs.2014.2311445 ] Operational data fusion framework for building frequent Landsat-like imagery Wang Q M and Atkinson P M . 2018 . Spatio-temporal fusion for daily Sentinel-2 images . Remote Sensing of Environment , 204 : 31 - 42 [ DOI: 10.1016/j.rse.2017.10.046 http://dx.doi.org/10.1016/j.rse.2017.10.046 ] Spatio-temporal fusion for daily Sentinel-2 images Wang Q M , Blackburn G A , Onojeghuo A O , Dash J , Zhou L Q , Zhang Y H and Atkinson P M . 2017a . Fusion of Landsat 8 OLI and Sentinel-2 MSI data . IEEE Transactions on Geoscience and Remote Sensing , 55 ( 7 ): 3885 - 3899 [ DOI: 10.1109/tgrs.2017.2683444 http://dx.doi.org/10.1109/tgrs.2017.2683444 ] Fusion of Landsat 8 OLI and Sentinel-2 MSI data Wang Q M , Zhang Y H , Onojeghuo A O , Zhu X L and Atkinson P M . 2017b . Enhancing spatio-temporal fusion of MODIS and Landsat data by incorporating 250 m MODIS data . IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , 10 ( 9 ): 1 - 8 [ DOI: 10.1109/jstars.2017.2701643 http://dx.doi.org/10.1109/jstars.2017.2701643 ] Enhancing spatio-temporal fusion of MODIS and Landsat data by incorporating 250 m MODIS data Wang X F and Wang X Y . 2020 . Spatiotemporal fusion of remote sensing image based on deep learning . Journal of Sensors , 2020 ( 6 ): 1 - 11 . [ DOI: 10.1155/2020/8873079 http://dx.doi.org/10.1155/2020/8873079 ] Spatiotemporal fusion of remote sensing image based on deep learning Wei J B , Wang L Z , Liu P , Chen X D , Li W and Zomaya A Y . 2017a . Spatiotemporal fusion of MODIS and Landsat-7 reflectance images via compressed sensing . IEEE Transactions on Geoscience and Remote Sensing , 55 ( 12 ): 7126 - 7139 [ DOI: 10.1109/tgrs.2017.2742529 http://dx.doi.org/10.1109/tgrs.2017.2742529 ] Spatiotemporal fusion of MODIS and Landsat-7 reflectance images via compressed sensing Wei J B , Wang L Z , Liu P and Song W J . 2017b . Spatiotemporal fusion of remote sensing images with structural sparsity and semi-coupled dictionary learning . Remote Sensing , 9 ( 1 ): 21 [ DOI: 10.3390/rs9010021 http://dx.doi.org/10.3390/rs9010021 ] Spatiotemporal fusion of remote sensing images with structural sparsity and semi-coupled dictionary learning Wei R . 2016 . Method and Application Research on Spatial and Temporal Fusion with Muiti-Source Remote Sensing of Land Surface Temperature Data . Wuhan University (魏然 . 2016. 多源遥感地表温度数据时空融合研究及应用. 武汉大学) Method and Application Research on Spatial and Temporal Fusion with Muiti-Source Remote Sensing of Land Surface Temperature Data Weng Q H . 2009 . Thermal infrared remote sensing for urban climate and environmental studies: methods, applications, and trends . ISPRS Journal of Photogrammetry and Remote Sensing , 64 ( 4 ): 335 - 344 [ DOI: 10.1016/j.isprsjprs.2009.03.007 http://dx.doi.org/10.1016/j.isprsjprs.2009.03.007 ] Thermal infrared remote sensing for urban climate and environmental studies: methods, applications, and trends Weng Q H , Fu P and Gao F . 2014 . Generating daily land surface temperature at Landsat resolution by fusing Landsat and MODIS data . Remote Sensing of Environment , 145 : 55 - 67 [ DOI: 10.1016/j.rse.2014.02.003 http://dx.doi.org/10.1016/j.rse.2014.02.003 ] Generating daily land surface temperature at Landsat resolution by fusing Landsat and MODIS data Wu B , Huang B , Cao K and Zhuo G H . 2017 . Improving spatiotemporal reflectance fusion using image inpainting and steering kernel regression techniques . International Journal of Remote Sensing , 38 ( 3 ): 706 - 727 [ DOI: 10.1080/01431161.2016.1271471 http://dx.doi.org/10.1080/01431161.2016.1271471 ] Improving spatiotemporal reflectance fusion using image inpainting and steering kernel regression techniques Wu B , Huang B and Zhang L P . 2015a . An error-bound-regularized sparse coding for spatiotemporal reflectance fusion . IEEE Transactions on Geoscience and Remote Sensing , 53 ( 12 ): 6791 - 6803 [ DOI: 10.1109/tgrs.2015.2448100 http://dx.doi.org/10.1109/tgrs.2015.2448100 ] An error-bound-regularized sparse coding for spatiotemporal reflectance fusion Wu M Q , Huang W J , Niu Z and Wang C Y . 2015b . Generating daily synthetic landsat imagery by combining landsat and MODIS data . Sensors , 15 ( 9 ): 24002 - 24025 [ DOI: 10.3390/s150924002 http://dx.doi.org/10.3390/s150924002 ] Generating daily synthetic landsat imagery by combining landsat and MODIS data Wu M Q , Li H , Huang W J , Niu Z and Wang C Y . 2015c . Generating daily high spatial land surface temperatures by combining ASTER and MODIS land surface temperature products for environmental process monitoring . Environmental Science : Processes and Impacts , 17 ( 8 ): 1396 - 1404 [ DOI: 10.1039/c5em00254k http://dx.doi.org/10.1039/c5em00254k ] Generating daily high spatial land surface temperatures by combining ASTER and MODIS land surface temperature products for environmental process monitoring Wu M Q , Niu Z , Wang C Y , Wu C Y and Wang L . 2012 . Use of MODIS and Landsat time series data to generate high-resolution temporal synthetic Landsat data using a spatial and temporal reflectance fusion model . Journal of Applied Remote Sensing , 6 ( 1 ): 063507 [ DOI: 10.1117/1.Jrs.6.063507 http://dx.doi.org/10.1117/1.Jrs.6.063507 ] Use of MODIS and Landsat time series data to generate high-resolution temporal synthetic Landsat data using a spatial and temporal reflectance fusion model Wu P H , Shen H F , Zhang L P and Goettsche F M . 2015d . Integrated fusion of multi-scale polar-orbiting and geostationary satellite observations for the mapping of high spatial and temporal resolution land surface temperature . Remote Sensing of Environment , 156 : 169 - 181 [ DOI: 10.1016/j.rse.2014.09.013 http://dx.doi.org/10.1016/j.rse.2014.09.013 ] Integrated fusion of multi-scale polar-orbiting and geostationary satellite observations for the mapping of high spatial and temporal resolution land surface temperature Xie D F , Zhang J S , Zhu X F , Pan Y Z , Liu H L , Yuan Z M Q and Yun Y . 2016 . An improved STARFM with help of an unmixing-based method to generate high spatial and temporal resolution remote sensing data in complex heterogeneous regions . Sensors , 16 ( 2 ): 207 [ DOI: 10.3390/s16020207 http://dx.doi.org/10.3390/s16020207 ] An improved STARFM with help of an unmixing-based method to generate high spatial and temporal resolution remote sensing data in complex heterogeneous regions Xu C Y , Qu J J , Hao X J , Cosh M H , Prueger J H , Zhu Z L and Gutenberg L . 2018 . Downscaling of surface soil moisture retrieval by combining MODIS/Landsat and in situ measurements . Remote Sensing , 10 ( 2 ): 210 [ DOI: 10.3390/rs10020210 http://dx.doi.org/10.3390/rs10020210 ] Downscaling of surface soil moisture retrieval by combining MODIS/Landsat and in situ measurements Xu F , Hu C , Li J , Plaza A and Datcu M . 2020 . Special focus on deep learning in remote sensing image processing . Science China Information Sciences , 63 ( 4 ): 140300 [ DOI: 10.1007/s11432-020-2810-x http://dx.doi.org/10.1007/s11432-020-2810-x ] Special focus on deep learning in remote sensing image processing Xu Y , Huang B , Xu Y Y , Cao K , Guo C L and Meng D Y . 2015 . Spatial and temporal image fusion via regularized spatial unmixing . IEEE Geoscience and Remote Sensing Letters , 12 ( 6 ): 1362 - 1366 [ DOI: 10.1109/lgrs.2015.2402644 http://dx.doi.org/10.1109/lgrs.2015.2402644 ] Spatial and temporal image fusion via regularized spatial unmixing Xue J , Leung Y and Fung T . 2017 . A Bayesian data fusion approach to spatio-temporal fusion of remotely sensed images . Remote Sensing , 9 ( 12 ): 1310 [ DOI: 10.3390/rs9121310 http://dx.doi.org/10.3390/rs9121310 ] A Bayesian data fusion approach to spatio-temporal fusion of remotely sensed images Yang G J , Sun C H and Li H . 2015 . Verification of high-resolution land surface temperature by blending ASTER and MODIS data in Heihe River basin . Transactions of the Chinese Society of Agricultural Engineering , 31 ( 6 ): 193 - 200 Verification of high-resolution land surface temperature by blending ASTER and MODIS data in Heihe River basin 杨贵军 , 孙晨红 , 历华 . 2015 . 黑河流域ASTER与MODIS融合生成高分辨率地表温度的验证 . 农业工程学报 , 31 ( 6 ): 193 - 200 [ DOI: 10.3969/j.issn.1002-6819.2015.06.026 http://dx.doi.org/10.3969/j.issn.1002-6819.2015.06.026 ] 黑河流域ASTER与MODIS融合生成高分辨率地表温度的验证 Yang M . 2017 . Comparison and Application of Downscale Spatial and Temporal Fusion Method for Land Surface Temperature . Xi’an University of Science and Technology (杨敏 . 2017. 地表温度降尺度时空融合方法对比及其应用. 西安科技大学) Comparison and Application of Downscale Spatial and Temporal Fusion Method for Land Surface Temperature Yang M , Yang G J , Chen X N , Zhang Y F and You J N . 2018 . Generation of land surface temperature with high spatial and temporal resolution based on FSDAF method . Remote Sensing for Land and Resources , 30 ( 1 ): 54 - 62 Generation of land surface temperature with high spatial and temporal resolution based on FSDAF method 杨敏 , 杨贵军 , 陈晓宁 , 张勇峰 , 尤静妮 . 2018 . 基于FSDAF方法融合生成高时空分辨率地表温度 . 国土资源遥感 , 30 ( 1 ): 54 - 62 [ DOI: 10.6046/gtzyyg.2018.01.08 http://dx.doi.org/10.6046/gtzyyg.2018.01.08 ] 基于FSDAF方法融合生成高时空分辨率地表温度 Zhai H , Huang F and Qi H . 2020 . Generating high resolution LAI based on a modified FSDAF model . Remote Sensing , 12 ( 1 ): 150 [ DOI: 10.3390/rs12010150 http://dx.doi.org/10.3390/rs12010150 ] Generating high resolution LAI based on a modified FSDAF model Zhan W F , Chen Y H , Zhou J , Wang J F , Liu W Y , Voogt J , Zhu X L , Quan J L and Li J . 2013 . Disaggregation of remotely sensed land surface temperature: literature survey, taxonomy, issues, and caveats . Remote Sensing of Environment , 131 : 119 - 139 [ DOI: 10.1016/j.rse.2012.12.014 http://dx.doi.org/10.1016/j.rse.2012.12.014 ] Disaggregation of remotely sensed land surface temperature: literature survey, taxonomy, issues, and caveats Zhang L F , Peng M Y , Sun X J , Cen Y and Tong Q X . 2019 . Progress and bibliometric analysis of remote sensing data fusion methods ( 1992 — 2018 ). Journal of Remote Sensing , 23 ( 4 ): 603 - 619 Progress and bibliometric analysis of remote sensing data fusion methods 张立福 , 彭明媛 , 孙雪剑 , 岑奕 , 童庆禧 . 2019 . 遥感数据融合研究进展与文献定量分析 ( 1992 — 2018 ). 遥感学报 , 23 ( 4 ): 603 - 619 [ DOI: 10.11834/jrs.20199073 http://dx.doi.org/10.11834/jrs.20199073 ] 遥感数据融合研究进展与文献定量分析 Zhang L P and Shen H F . 2016 . Progress and future of remote sensing data fusion . Journal of Remote Sensing , 20 ( 5 ): 1050 - 1061 Progress and future of remote sensing data fusion 张良培 , 沈焕锋 . 2016 . 遥感数据融合的进展与前瞻 . 遥感学报 , 20 ( 5 ): 1050 - 1061 [ DOI: 10.11834/jrs.20166243 http://dx.doi.org/10.11834/jrs.20166243 ] 遥感数据融合的进展与前瞻 Zhang W , Li A N , Jin H A , Bian J H , Zhang Z J , Lei G B , Qin Z H and Huang C Q . 2013 . An enhanced spatial and temporal data fusion model for fusing Landsat and MODIS surface reflectance to generate high temporal Landsat-like data . Remote Sensing , 5 ( 10 ): 5346 - 5368 [ DOI: 10.3390/rs5105346 http://dx.doi.org/10.3390/rs5105346 ] An enhanced spatial and temporal data fusion model for fusing Landsat and MODIS surface reflectance to generate high temporal Landsat-like data Zhang Y H , Foody G M , Ling F , Li X D , Ge Y , Du Y and Atkinson P M . 2018 . Spatial-temporal fraction map fusion with multi-scale remotely sensed images . Remote Sensing of Environment , 213 : 162 - 181 [ DOI: 10.1016/j.rse.2018.05.010 http://dx.doi.org/10.1016/j.rse.2018.05.010 ] Spatial-temporal fraction map fusion with multi-scale remotely sensed images Zhang Y J . 2019 . Research on Landsat Surface Temperture Data Reconstruction Strategy Based on Spatio-Temporal Fusion Technology . Taiyuan University of Technology Research on Landsat Surface Temperture Data Reconstruction Strategy Based on Spatio-Temporal Fusion Technology 张亚军 . 2019 . 基于时空融合技术的Landsat地表温度数据重建策略研究 . 太原理工大学 基于时空融合技术的Landsat地表温度数据重建策略研究 Zhao C Y , Gao X B , Emery W J , Wang Y and Li J . 2018a . An integrated spatio-spectral-temporal sparse representation method for fusing remote-sensing images with different resolutions . IEEE Transactions on Geoscience and Remote Sensing , 56 ( 6 ): 3358 - 3370 [ DOI: 10.1109/tgrs.2018.2798663 http://dx.doi.org/10.1109/tgrs.2018.2798663 ] An integrated spatio-spectral-temporal sparse representation method for fusing remote-sensing images with different resolutions Zhao G H , Zhang Y N , Tan J L , Li C and Ren Y R . 2020a . A data fusion modeling framework for retrieval of land surface temperature from Landsat-8 and MODIS data . Sensors , 20 ( 15 ): 4337 [ DOI: 10.3390/s20154337 http://dx.doi.org/10.3390/s20154337 ] A data fusion modeling framework for retrieval of land surface temperature from Landsat-8 and MODIS data Zhao H , Gallo O , Frosio I and Kautz J . 2017 . Loss functions for image restoration with neural networks . IEEE Transactions on Computational Imaging , 3 ( 1 ): 47 - 57 [ DOI: 10.1109/tci.2016.2644865 http://dx.doi.org/10.1109/tci.2016.2644865 ] Loss functions for image restoration with neural networks Zhao W , Duan S B , Li A N and Yin G F . 2019 . A practical method for reducing terrain effect on land surface temperature using random forest regression . Remote Sensing of Environment , 221 : 635 - 649 [ DOI: 10.1016/j.rse.2018.12.008 http://dx.doi.org/10.1016/j.rse.2018.12.008 ] A practical method for reducing terrain effect on land surface temperature using random forest regression Zhao W , Guo Z , Yue J , Zhang X and Luo L . 2015 . On combining multiscale deep learning features for the classification of hyperspectral remote sensing imagery . International Journal of Remote Sensing , 36 : 3368 - 3379 . [ DOI: 10.1080/2150704X.2015.1062157 http://dx.doi.org/10.1080/2150704X.2015.1062157 ] On combining multiscale deep learning features for the classification of hyperspectral remote sensing imagery Zhao Y , Liu D and Wei X . 2020b . Monitoring cyanobacterial harmful algal blooms at high spatiotemporal resolution by fusing Landsat and MODIS imagery . Environmental Advances 2 : 100008 . [ DOI: 10.1016/j.envadv.2020.100008 http://dx.doi.org/10.1016/j.envadv.2020.100008 ] Monitoring cyanobacterial harmful algal blooms at high spatiotemporal resolution by fusing Landsat and MODIS imagery Zhao Y Q , Huang B and Song H H . 2018b . A robust adaptive spatial and temporal image fusion model for complex land surface changes . Remote Sensing of Environment , 208 : 42 - 62 [ DOI: 10.1016/j.rse.2018.02.009 http://dx.doi.org/10.1016/j.rse.2018.02.009 ] A robust adaptive spatial and temporal image fusion model for complex land surface changes Zhong D T and Zhou F Q . 2018 . A prediction smooth method for blending Landsat and moderate resolution imagine spectroradiometer images . Remote Sensing , 10 ( 9 ): 1371 [ DOI: 10.3390/rs10091371 http://dx.doi.org/10.3390/rs10091371 ] A prediction smooth method for blending Landsat and moderate resolution imagine spectroradiometer images Zhou D C , Xiao J F , Bonafoni S , Berger C , Deilami K , Zhou Y Y , Frolking S , Yao R , Qiao Z and Sobrino J A . 2019a . Satellite remote sensing of surface urban heat islands: progress, challenges, and perspectives . Remote Sensing , 11 ( 1 ): 48 [ DOI: 10.3390/rs11010048 http://dx.doi.org/10.3390/rs11010048 ] Satellite remote sensing of surface urban heat islands: progress, challenges, and perspectives Zhou F C , Li Z L , Wu H , Duan S B , Song X N and Yan G J . 2019b . A remote sensing method for retrieving land surface emissivity and temperature in cloudy areas: a case study over South China . International Journal of Remote Sensing , 40 ( 5/6 ): 1724 - 1735 [ DOI: 10.1080/01431161.2018.1519288 http://dx.doi.org/10.1080/01431161.2018.1519288 ] A remote sensing method for retrieving land surface emissivity and temperature in cloudy areas: a case study over South China Zhou F Q and Zhong D T . 2020 . Kalman filter method for generating time-series synthetic landsat images and their uncertainty from Landsat and MODIS observations . Remote Sensing of Environment , 239 : 111628 [ DOI: 10.1016/j.rse.2019.111628 http://dx.doi.org/10.1016/j.rse.2019.111628 ] Kalman filter method for generating time-series synthetic landsat images and their uncertainty from Landsat and MODIS observations Zhu X L , Cai F Y , Tian J Q and Williams T K A . 2018 . Spatiotemporal fusion of multisource remote sensing data: literature survey, taxonomy, principles, applications, and future directions . Remote Sensing , 10 ( 4 ): 527 [ DOI: 10.3390/rs10040527 http://dx.doi.org/10.3390/rs10040527 ] Spatiotemporal fusion of multisource remote sensing data: literature survey, taxonomy, principles, applications, and future directions Zhu X L , Chen J , Gao F , Chen X H and Masek J G . 2010 . An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions . Remote Sensing of Environment , 114 ( 11 ): 2610 - 2623 [ DOI: 10.1016/j.rse.2010.05.032 http://dx.doi.org/10.1016/j.rse.2010.05.032 ] An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions Zhu X L , Helmer E H , Gao F , Liu D S , Chen J and Lefsky M A . 2016 . A flexible spatiotemporal method for fusing satellite images with different resolutions . Remote Sensing of Environment , 172 : 165 - 177 [ DOI: 10.1016/j.rse.2015.11.016 http://dx.doi.org/10.1016/j.rse.2015.11.016 ] A flexible spatiotemporal method for fusing satellite images with different resolutions Zhukov B , Oertel D , Lanzl F and Reinhackel G . 1999 . Unmixing-based multisensor multiresolution image fusion . IEEE Transactions on Geoscience and Remote Sensing , 37 ( 3 ): 1212 - 1226 [ DOI: 10.1109/36.763276 http://dx.doi.org/10.1109/36.763276 ] Unmixing-based multisensor multiresolution image fusion Zurita-Milla R , Clevers J G P W and Schaepman M E . 2008 . Unmixing-based Landsat TM and MERIS FR data fusion . IEEE Geoscience and Remote Sensing Letters , 5 ( 3 ): 453 - 457 [ DOI: 10.1109/lgrs.2008.919685 http://dx.doi.org/10.1109/lgrs.2008.919685 ] Unmixing-based Landsat TM and MERIS FR data fusion Zurita-Milla R , Kaiser G , Clevers J G P W , Schneider W and Schaepman M E . 2009 . Downscaling time series of MERIS full resolution data to monitor vegetation seasonal dynamics . Remote Sensing of Environment , 113 ( 9 ): 1874 - 1885 [ DOI: 10.1016/j.rse.2009.04.011 http://dx.doi.org/10.1016/j.rse.2009.04.011 ] Downscaling time series of MERIS full resolution data to monitor vegetation seasonal dynamics 10.11834/jrs.20210294 P2 1007-4619（2022）12-2433-18 李冉，王猛猛，张正加，胡添，刘修国.2022.遥感地表温度产品时空融合方法研究综述.遥感学报，26（12）： 2433-2450 李冉，王猛猛，张正加，胡添，刘修国.2022.遥感地表温度产品时空融合方法研究综述.遥感学报，26（12）： 2433-2450 Li R，Wang M M，Zhang Z J，Hu T and Liu X G. 2022. A review of spatiotemporal fusion methods for remotely sensed land surface temperature. National Remote Sensing Bulletin， 26（12）：2433-2450 Li R，Wang M M，Zhang Z J，Hu T and Liu X G. 2022. A review of spatiotemporal fusion methods for remotely sensed land surface temperature. National Remote Sensing Bulletin， 26（12）：2433-2450 国家自然科学基金（编号：61801443，61401461）；中国科学院战略性先导科技A类专项（编号：XDA190090300） Supported by National Natural Science Foundation of China (No. 61801443, 61401461); Strategic Priority Research Program of the Chinese Academy of Sciences (No. XDA190090300) 2020-07-28 2022-12-07 2023-02-28 2021-01-19 遥感学报 12 26