遥感地表温度产品时空融合方法研究综述

李冉， 王猛猛，2， 张正加， 胡添， 刘修国

1. 中国地质大学(武汉) 地理与信息工程学院, 武汉 430070;

2. 武昌理工学院 人工智能学院, 武汉 430223;

3. 卢森堡科学技术研究院 环境研究与创新部, 卢森堡 4422

1 引 言

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；Karnieli 等，2010），被广泛应用于生态环境监测（Wu 等，2015c）、气候变化感知（Jin 等，2005）、作物蒸散发估算（Li 等，2017b）和城市热环境分析（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）。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），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［2020-07-28］）。

表1 部分卫星传感器的热红外波段参数Table 1 Thermal infrared band parameters of some satellite sensors

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）。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；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；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）。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）。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1 2006年—2019年在遥感时空融合领域发表的文献所采用或生成的实验数据Fig.1 Experimental data used or generated in published literature on spatiotemporal fusion from 2006 to 2019

图2 2006年—2019年在遥感时空融合领域发表的文献总数和总被引频次Fig.2 The sum of publications and citations on spatiotemporal fusion from 2006 to 2019

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；董文全和蒙继华，2018；黄波和赵涌泉，2017；Li 等，2020；刘建波 等，2016；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；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

2.1 融合模型的原理

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），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）。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）。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）。如图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。

图3 地表温度时空融合原理图Fig.3 The schematic diagram of spatiotemporal fusion model for land surface temperature

2.1.1 时间变化特征

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；Yang，2018）。如图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：

图4 2017年SURFRAD观测网中Bondville_IL站点所测量的农田每10天11：00地表温度平均值Fig.4 Average 10-day LST measured at 11：00 am at Bondville_IL site on the SURFRAD Network in 2017

式 中，C(xi，yi，tn)和C(xi，yi，tm)分 别 是tn时 刻和tm时刻的低空间分辨率影像中坐标为(xi，yi)的像元值，Δt为两个时刻的时间间隔，a(xi，yi)为该像元在此间隔内的变化率。

2.1.2 空间尺度差异

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）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：

式中，c代表第i个低空间分辨率像元C(i，tk)在tk时刻的地类编号；n为地物的种类数；fc(i，c)为第c类地物在低空间分辨率像元C(i，tk)范围内所有地物中的比例，也被称作丰度；-Lf(c，tk)为第c类地物的高空间分辨率像元均值；ε(i，tk)是高低空间分辨率像元计算的残差。

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ε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）。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

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）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）。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。

表2 各类时空融合模型（按模型提出时间先后顺序排列）Table 2 Categories of spatiotemporal fusion models （In order of publication）

2.2.1 权重模型

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 所示。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）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）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）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） 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。

图5 基于权重的时空融合模型要素图Fig. 5 Factors of spatiotemporal fusion model based on weight

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）。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

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），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）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），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）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）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。

图6 基于学习的时空融合模型流程图Fig. 6 Flowchart of spatiotemporal fusion model based on learning

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）。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），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

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）。如图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）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）；用线性函数来表示时间变化，见式（4）。

式中，x、z、X、Z代表图7 中各幅影像的像素矩阵，H是表示低通滤波和重采样过程的系数矩阵，α和β是代表线性时间变化的系数矩阵，v和u是残差，而h(Z)和g(X)分别为空间差异函数和时间变化函数。

图7 基于贝叶斯的时空融合模型概念图Fig. 7 Concept of spatiotemporal fusion model based on Bayesian

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

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）。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）。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）。

2.2.4 混合模型

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）。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）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）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）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） 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）。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

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）。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

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；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）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）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 km2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

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）。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）。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）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

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），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）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

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），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）。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

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）。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）。针对2007年爆发的西尼罗河病毒WNV（West Nile Virus），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

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）。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

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

3.1.1 多源遥感数据的差异性

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）。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）；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）。（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）。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）。

3.1.2 遥感数据的空间连续性

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）。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

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）。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）。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）。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

3.2.1 地表温度反演精度的提升

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）。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）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）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）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）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）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）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

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；Gao等，2006；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）。从这个角度出发，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

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）。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；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）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 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

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）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）。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

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

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。