李冉， 王猛猛，2， 張正加， 胡添， 劉修國

1. 中國地質(zhì)大學(xué)(武漢) 地理與信息工程學(xué)院, 武漢 430070;

2. 武昌理工學(xué)院 人工智能學(xué)院, 武漢 430223;

3. 盧森堡科學(xué)技術(shù)研究院 環(huán)境研究與創(chuàng)新部, 盧森堡 4422

1 引 言

作為陸地表層系統(tǒng)中的關(guān)鍵參數(shù)，地表溫度LST（Land Surface Temperature）是地表和大氣能量交換的直接驅(qū)動因子（Anderson 等，2008；Karnieli 等，2010），被廣泛應(yīng)用于生態(tài)環(huán)境監(jiān)測（Wu 等，2015c）、氣候變化感知（Jin 等，2005）、作物蒸散發(fā)估算（Li 等，2017b）和城市熱環(huán)境分析（Weng，2009）等研究領(lǐng)域。在實際生產(chǎn)中，無論是指導(dǎo)農(nóng)田耕種、灌溉和排水所需的地表蒸散發(fā)數(shù)據(jù)，還是研究土地擴張和污染物排放等城市熱環(huán)境變化所需的地表溫度數(shù)據(jù)，都要有足夠的時間和空間精度以滿足現(xiàn)實需求（Zhan 等，2013）。作為獲取區(qū)域性或全球性地表溫度產(chǎn)品最可靠的途徑（楊敏，2017），熱紅外遙感反演擁有地面定點觀測等傳統(tǒng)方法難以比擬的技術(shù)優(yōu)勢，因而得到長足的發(fā)展。1960 年以來，大約有80 種熱紅外輻射計搭載于240多顆衛(wèi)星上，用來獲取地表溫度、云頂溫度、大氣水汽，降水量等一系列地球參量。但傳感器的設(shè)計必須在掃描幅寬和像元尺寸之間做出取舍（Li 等，2020），導(dǎo)致遙感影像的高時間分辨率和高空間分辨率難以兼得，這一點可以從表1所示的各類傳感器參數(shù)中得到證實（數(shù)據(jù)主要來源于世界氣象組織，僅列出常用及具有開創(chuàng)意義的傳感器，更多熱紅外遙感衛(wèi)星的類型及參數(shù)可訪問：http：//www.wmo-sat.info/oscar/satellites［2020-07-28］）。

表1 部分衛(wèi)星傳感器的熱紅外波段參數(shù)Table 1 Thermal infrared band parameters of some satellite sensors

既然通過單一傳感器難以獲得高時空分辨率的地表溫度產(chǎn)品，多傳感器的數(shù)據(jù)融合技術(shù)便應(yīng)運而生。多源數(shù)據(jù)融合能夠突破單一傳感器的性能桎梏，有效發(fā)揮多平臺互補觀測的優(yōu)勢，獲得更加全面、精確、動態(tài)的地表信息（張良培和沈煥鋒，2016）。而作為數(shù)據(jù)融合范疇的一部分，地表溫度的時空融合方法通過分析多源遙感影像在時間、空間和光譜等方面的聯(lián)系與差異，按照一定的規(guī)則建立低時間高空間與高時間低空間分辨率的地表溫度產(chǎn)品或其原始數(shù)據(jù)的融合模型，從而實現(xiàn)在不增加現(xiàn)有衛(wèi)星數(shù)量和其他觀測條件的情況下，獲取到同時具備高時間和高空間分辨率特性的地表溫度產(chǎn)品（Weng 等，2014；Zhu 等，2018）。以現(xiàn)有的技術(shù)水平，融合產(chǎn)品的時空分辨率所能達到的極限分別是低空間分辨率影像所對應(yīng)的時間分辨率和低時間分辨率影像所對應(yīng)的空間分辨率。實際上，因為影像缺失和數(shù)據(jù)空洞等問題，即便通過時空融合也很難達到上述效果，但其作為一種成本低、效率高、可行性強的技術(shù)手段，在數(shù)據(jù)良好的情況下有著巨大的應(yīng)用價值和潛力。

時空融合技術(shù)最初用于反射率和NDVI 產(chǎn)品，相比地表溫度，雖然使用場景有所差異，但原理和方法都有一定的共通之處，尤其是一些傳統(tǒng)模型在不同產(chǎn)品類型上都能保持良好的可移植性和可操作性（Gao等，2006；Zhu等，2010）。時空融合技術(shù)同時可以作為一種地表溫度降尺度方法來提升產(chǎn)品分辨率，相比統(tǒng)計經(jīng)驗法、近似物理模型法和聯(lián)合降尺度法等途徑，它能夠有效降低模型對輔助數(shù)據(jù)的依賴，實現(xiàn)更加高效靈活的地表溫度降尺度機制（Zhan 等，2013）。正因為時空融合可以在地表溫度等多類產(chǎn)品上發(fā)揮重要價值，才能在過去的15年中呈現(xiàn)出穩(wěn)步提升的發(fā)展趨勢。通過在Web of Science 核心合集中收集2006 年至2019 年時空融合相關(guān)專題文獻，研究者可以直觀地把握這一領(lǐng)域的研究熱點與發(fā)展趨勢。從時空融合論文采用或生成的數(shù)據(jù)來看，地表溫度產(chǎn)品占有17%的份額，而反射率產(chǎn)品則比重過半，其他數(shù)據(jù)類型還有很大的發(fā)展和應(yīng)用空間（圖1）。從文獻發(fā)表數(shù)量的曲線來看，該領(lǐng)域核心期刊的論文總數(shù)和被引頻次總體保持增長態(tài)勢，其中近5年來關(guān)注地表溫度時空融合的研究在該領(lǐng)域的發(fā)文和被引比例分別維持在18%和22%左右（圖2）。

圖1 2006年—2019年在遙感時空融合領(lǐng)域發(fā)表的文獻所采用或生成的實驗數(shù)據(jù)Fig.1 Experimental data used or generated in published literature on spatiotemporal fusion from 2006 to 2019

圖2 2006年—2019年在遙感時空融合領(lǐng)域發(fā)表的文獻總數(shù)和總被引頻次Fig.2 The sum of publications and citations on spatiotemporal fusion from 2006 to 2019

經(jīng)過15 年的發(fā)展，國內(nèi)外已有多篇關(guān)于時空融合的研究綜述（Belgiu 和Stein，2019；董文全和蒙繼華，2018；黃波和趙涌泉，2017；Li 等，2020；劉建波 等，2016；Zhu 等，2018），但目前還沒有完全基于地表溫度產(chǎn)品進行概括性論述的文獻。隨著融合模型的豐富和實驗成果的積累，地表溫度也表現(xiàn)出不同于反射率和NDVI 產(chǎn)品的融合特性（Wei，2016；Weng 等，2014），更需要有針對性地對其進行補充說明。為了填補上述領(lǐng)域的空白并完整地呈現(xiàn)于研究者面前，本文結(jié)合當前文獻的調(diào)研結(jié)果，從地表溫度時空融合的研究現(xiàn)狀和挑戰(zhàn)與展望這兩個部分進行歸納、分析和總結(jié)。其中，研究現(xiàn)狀章節(jié)從已有的研究成果入手，闡述了地表溫度時空融合技術(shù)的原理、分類和應(yīng)用，挑戰(zhàn)與展望章節(jié)則基于研究現(xiàn)狀指出該領(lǐng)域尚待攻克的技術(shù)壁壘，并闡明未來的發(fā)展前景。

2 基于地表溫度的時空融合方法研究現(xiàn)狀

2.1 融合模型的原理

根據(jù)信息的抽象程度，數(shù)據(jù)融合可分為數(shù)據(jù)級、特征級和決策級這3個融合層次（張良培和沈煥鋒，2016），而目前提出的時空融合方法多屬于數(shù)據(jù)級融合，也被稱為像素級融合（Nirmala 和Vaidehi，2015）。從像元這一運算單元的角度來理解，時空融合的整個過程其實是利用已知影像的像元值在時間上的變化特征和空間上的尺度差異，來計算預(yù)測時刻高空間分辨率影像的像元值（黃波和趙涌泉，2017）。對于地表溫度數(shù)據(jù)，其時間上的變化特征表示同一地區(qū)的觀測值在時間維度上的變化過程，這與太陽輻照強度有著顯著關(guān)系；而空間上的尺度差異則主要指同一時刻地物在高低空間分辨率影像中的像元數(shù)量和類別上的差距，這與像元大小和地面復(fù)雜程度有關(guān)（Weng 等，2014）。如圖3 所示，一個季度的間隔下，地表溫度在試驗區(qū)3個時間段上的變化非常劇烈，往往只有從時序密集的低空間分辨率影像中才能獲取到比較完整細致的變化過程。如果將得到的時間變化特征移植到高空間分辨率影像中，就可以借助已知影像來預(yù)測未知時刻的像元值。但在地表覆蓋復(fù)雜的地區(qū)，低空間分辨率像元往往屬于混合像元，其地表溫度值由多種地物的共同決定，而不同地物的時間變化特征又不完全一致，因此宏觀的時間變化難以適應(yīng)精細化程度高的影像，必須建立高低空間分辨率影像的尺度關(guān)系來實現(xiàn)兩者的轉(zhuǎn)換。

圖3 地表溫度時空融合原理圖Fig.3 The schematic diagram of spatiotemporal fusion model for land surface temperature

2.1.1 時間變化特征

衡量地表溫度時間變化的方法大致可分為線性和非線性兩種，前者要求給定的影像序列少，計算簡單，但僅適合預(yù)測時間間隔短的影像集或地物不發(fā)生顯著變化的區(qū)域，而后者需要輸入大量影像來擬合復(fù)雜的時間變化曲線，比較適合長時序影像的預(yù)測或地表變化劇烈的地區(qū)（Weng等，2014；Yang，2018）。如圖4 所示，雖然地表溫度在整體上有一定的季節(jié)性規(guī)律，但波動性強烈，難以用一個恰當?shù)暮瘮?shù)曲線來擬合，只在一個較小區(qū)間內(nèi)保持線性的趨勢，因此多數(shù)研究都傾向于采用短時期的線性函數(shù)來保證預(yù)測的準確性，其一般表達式為：

圖4 2017年SURFRAD觀測網(wǎng)中Bondville_IL站點所測量的農(nóng)田每10天11：00地表溫度平均值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 別 是tn時 刻和tm時刻的低空間分辨率影像中坐標為(xi，yi)的像元值，Δt為兩個時刻的時間間隔，a(xi，yi)為該像元在此間隔內(nèi)的變化率。

2.1.2 空間尺度差異

建立高低空間分辨率影像的尺度關(guān)系實際上是一個像元解混的問題，目前廣泛接受的解混方法是Zhukov 等（1999）提出的線性組合范式，即假設(shè)高空間分辨率像元為純凈像元，低空間分辨率像元由前者線性組合而成，兩者的轉(zhuǎn)換關(guān)系為：

式中，c代表第i個低空間分辨率像元C(i，tk)在tk時刻的地類編號；n為地物的種類數(shù)；fc(i，c)為第c類地物在低空間分辨率像元C(i，tk)范圍內(nèi)所有地物中的比例，也被稱作豐度；-Lf(c，tk)為第c類地物的高空間分辨率像元均值；ε(i，tk)是高低空間分辨率像元計算的殘差。

式（2）表示任何一個低空間分辨率影像的像元值都可以由該像元所覆蓋的高空間分辨率影像的像元均值和兩者計算的殘差得來，而殘差ε往往由傳感器的系統(tǒng)誤差、幾何畸變以及大氣條件等綜合因素引起（Zhu 等，2010）。除了上述線性組合方式，也存在其他非線性方法，但前者不僅簡單易用，而且試驗結(jié)果也表明它對不同尺度影像的連接能夠保持著良好的容錯率。由于地表溫度對地類的敏感性不如反射率產(chǎn)品高，降低了預(yù)測模型對地表分類精度的要求，不過其空間分辨率也往往低于后者，導(dǎo)致混合像元的現(xiàn)象更加普遍，而相鄰像元的關(guān)聯(lián)性也更強。

2.2 融合模型的分類

針對不同的傳感器、數(shù)據(jù)類型和應(yīng)用目的，目前已有70 多種時空融合模型被提出。借鑒Zhu等（2018）提出的分類標準，可按照構(gòu)造思路的側(cè)重點，將時空融合模型分為5類：權(quán)重模型、解混模型、學(xué)習(xí)模型、貝葉斯模型和混合模型（表2）。雖然不少模型的構(gòu)造都以反射率數(shù)據(jù)為實驗對象，但原理和方法在地表溫度產(chǎn)品上依然具有可行性，因此下面對地表溫度時空融合模型的分類也采用了相同的標準。此外，本文將已在地表溫度產(chǎn)品上進行實驗并取得可靠結(jié)果的時空融合模型在表2中使用下劃線突出表示，而未標識的部分模型可能具有處理地表溫度數(shù)據(jù)的良好潛力，需要后續(xù)研究者進行深入挖掘。需要注意的是，由于解混模型在地表溫度產(chǎn)品上應(yīng)用極少，下文將不作詳細闡述。

表2 各類時空融合模型（按模型提出時間先后順序排列）Table 2 Categories of spatiotemporal fusion models （In order of publication）

2.2.1 權(quán)重模型

基于權(quán)重的時空融合模型通過賦予鄰近相似像元權(quán)重來輔助完成對中心像元值的計算，其關(guān)鍵要素如圖5 所示。Gao 等（2006）從時間、空間和光譜差異的角度出發(fā)，提出首個基于權(quán)重的融合模型——STARFM（Spatial and Temporal Adaptive Reflectance Fusion Model）。該模型引入移動窗口和相似像元的概念，并通過歸一化權(quán)重的方式計算窗口中心的像元值，其實驗結(jié)果表明它可以在地表構(gòu)造簡單且穩(wěn)定的地區(qū)取得良好的融合效果，但卻難以適應(yīng)地表覆蓋類型復(fù)雜或地表發(fā)生明顯變化的區(qū)域。針對STARFM 的不足，相繼有學(xué)者從不同角度進行改進。Zhu等（2010）提出的ESTARFM（Enhanced STARFM）模型假設(shè)像元值在時間維度上存在線性變化關(guān)系，在引入兩對已知時刻高低空間分辨率影像來計算尺度轉(zhuǎn)換參數(shù)的同時，也對賦權(quán)方法做了進一步調(diào)整，有效提高了在復(fù)雜異質(zhì)地表上的融合精度。為了驗證ESTARFM 模型在地表溫度產(chǎn)品上的融合效果，楊貴軍等（2015）采用該方法對ASTER 和MODIS反演的地表溫度數(shù)據(jù)進行實驗，最終得到的融合影像紋理清晰、細節(jié)豐富，表明該模型在異質(zhì)地表上具有良好表現(xiàn)，甚至在地表均一性較好條件下可以直接用于地表溫度降尺度。對于預(yù)測間隔較長的影像，ESTARFM 的線性時間變化假設(shè)顯然不夠合理，Weng 等（2014）就在提出的SADFAT（Spatio-temporal Adaptive Data Fusion Algorithm for Temperature Mapping）融合模型中采用年溫度周期ATC（Annual Temperature Cycle）的正弦函數(shù)表達式來代替線性變化假設(shè)，從而更準確地表達受太陽輻射年振蕩影響的地表溫度數(shù)據(jù)。為了進一步縮短地表溫度的獲取周期，Wu 等（2015d） 在STARFM的基礎(chǔ)上整合了多尺度極軌衛(wèi)星和靜止衛(wèi)星的觀測優(yōu)勢，提出了STITFM（Spatio-temporal Integrated Temperature Fusion Model）模型，最終能夠得到與靜止衛(wèi)星數(shù)據(jù)獲取周期保持一致的高空間分辨率產(chǎn)品。STITFM 的巧妙之處在于緩解了兩種不同軌道衛(wèi)星產(chǎn)品因空間尺度差異過大帶來的融合問題，在同時輸入的高、中、低3種分辨率層次的地表溫度數(shù)據(jù)中，如Landsat ETM+（60 m/16 d）、MODIS（1 km/1 d）和GEOS（4 km/30 min），中等分辨率衛(wèi)星就起到低空間分辨率同步衛(wèi)星和高空間分辨率極軌衛(wèi)星之間的過渡作用。

圖5 基于權(quán)重的時空融合模型要素圖Fig. 5 Factors of spatiotemporal fusion model based on weight

憑借參數(shù)簡單，魯棒性強，計算效率高等優(yōu)點，權(quán)重模型成為目前使用最為廣泛的時空融合模型，在地表溫度上的應(yīng)用也比較成熟（表2）。但多數(shù)權(quán)重模型對瞬時變化和形狀變化的捕捉有著明顯的短板，而地表溫度時間變化波動性強的特點也使其對模型的參數(shù)（特別是移動窗口大?。└用舾?，導(dǎo)致實際預(yù)測的均方根誤差往往高于1 K。

2.2.2 學(xué)習(xí)模型

基于學(xué)習(xí)的時空融合模型通過機器學(xué)習(xí)的方式先對高低分辨率影像進行聯(lián)合訓(xùn)練得到相應(yīng)的字典對，再對兩者進行特征匹配，并以此為基礎(chǔ)降低預(yù)測時刻低空間分辨率影像的像元尺度，如圖6所示。該類模型最大的特點在于用非線性的方式建立高低分辨率原始影像或差值影像的連接關(guān)系（張立福 等，2019），并隨著有效訓(xùn)練次數(shù)的積累和字典庫的豐富，預(yù)測精度也能得到不斷提升。構(gòu)建上述非線性關(guān)系的方法有很多，如人工神經(jīng)網(wǎng)絡(luò)（ANN）、自適應(yīng)模糊神經(jīng)推理系統(tǒng)（ANFIS）、支持向量機（SVM）和卷積神經(jīng)網(wǎng)絡(luò)（CNN），而這些網(wǎng)絡(luò)模式的選擇對最終的預(yù)測結(jié)果有著顯著影響，比如Moosavi等（2015）為了充分利用上述非線性方法的優(yōu)點，在提出的WAIFA（Wavelet-artificial Intelligence Fusion Approach）模型中同時采用ANN、ANFIS、SVM 這3 種方式對熱紅外波段的數(shù)據(jù)進行對比實驗，并選擇效果最佳的方法和參數(shù)用于預(yù)測和反演地表溫度；不過需要注意的是，要保證學(xué)習(xí)模型的優(yōu)良性，高低分辨率影像的尺度差異就不宜超過4 倍（劉建波 等，2016），但常用的衛(wèi)星影像如Landsat 和MODIS 影像的分辨率差距遠高于此；為了平衡這種巨大差異，Song 等（2018）結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和非線性映射的理論，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間分辨率影像作為中間影像，并設(shè)計了一個雙重卷積神經(jīng)網(wǎng)絡(luò)有效地解決了此問題。近兩年來，深度卷積神經(jīng)網(wǎng)絡(luò)強大的特征提取能力在時空融合研究中開始顯現(xiàn)，但在地表溫度產(chǎn)品的融合上還很少有所嘗試，比如Tan 等（2019b）在深度學(xué)習(xí)的基礎(chǔ)上提出的EDCSTFN（Enhanced Deep Convolutional Spatiotemporal Fusion Network）模型在融合高低分辨率影像的過程中就表現(xiàn)出較好的靈活性和魯棒性，不僅允許輸入影像有少量的云存在，而且融合精度也領(lǐng)先多數(shù)典型算法，但該模型對輸入數(shù)據(jù)的質(zhì)量要求更高，低質(zhì)量的數(shù)據(jù)使用該方法反而會得到比典型模型更差的結(jié)果。

圖6 基于學(xué)習(xí)的時空融合模型流程圖Fig. 6 Flowchart of spatiotemporal fusion model based on learning

學(xué)習(xí)模型能較好地刻畫已知影像與預(yù)測影像之間的非線性關(guān)系，但其刻畫能力與網(wǎng)絡(luò)架構(gòu)的搭建和設(shè)置的參數(shù)密切相關(guān)，往往需要復(fù)雜的設(shè)計才能得到可靠的結(jié)果（張立福 等，2019）。除此之外，學(xué)習(xí)模型的優(yōu)良程度也與訓(xùn)練強度有關(guān)，但地表溫度的光譜特征并不豐富，難以積累有效的訓(xùn)練量，使得目前該類模型的融合效果多還遜色于傳統(tǒng)的權(quán)重模型。不過近些年興起的深度卷積神經(jīng)網(wǎng)絡(luò)對目標識別和特征提取能力有了顯著提升（Xu等，2020），可以更好適應(yīng)地表溫度的數(shù)據(jù)特點，有望成為學(xué)習(xí)模型的新推力。

2.2.3 貝葉斯模型

基于貝葉斯的時空融合模型可以被看作是一個貝葉斯最大后驗概率估計（MAP），即在已知高低分辨率影像的前提下，使預(yù)測影像有最大概率接近真實影像（Li 等，2020）。如圖7 所示，貝葉斯模型的關(guān)鍵在于構(gòu)造已知影像與未知影像的空間差異關(guān)系和時間變化關(guān)系。Huang 等（2013b）在提出的一種光譜融合和時空融合相統(tǒng)一的貝葉斯框架（Unified fusion）中，就采用了低通濾波來模擬空間差異，見式（3）；用線性函數(shù)來表示時間變化，見式（4）。

式中，x、z、X、Z代表圖7 中各幅影像的像素矩陣，H是表示低通濾波和重采樣過程的系數(shù)矩陣，α和β是代表線性時間變化的系數(shù)矩陣，v和u是殘差，而h(Z)和g(X)分別為空間差異函數(shù)和時間變化函數(shù)。

圖7 基于貝葉斯的時空融合模型概念圖Fig. 7 Concept of spatiotemporal fusion model based on Bayesian

在已知影像的前提下，用貝葉斯估計理論預(yù)測影像的條件概率密度函數(shù)可表達為

除了MAP，貝葉斯最大熵法（BME）作為一種基于時空隨機場的差值技術(shù)也在數(shù)據(jù)融合領(lǐng)域表現(xiàn)出巨大潛力（DeLang等，2021）。BME能將不同來源的數(shù)據(jù)以不確定性形式引入分析過程，綜合利用多源影像的特點并避免采樣過程的數(shù)據(jù)丟失來實現(xiàn)時空融合，不過該方法目前還僅限于海洋資料（丁潤杰和趙朝方，2018）。Li 等（2013）就采用貝葉斯最大熵法將紅外與微波兩種不同類型數(shù)據(jù)帶入BME 范式，以此來融合不同空間分辨率下的遙感產(chǎn)品，最終獲得了空間連續(xù)性極好的高分辨率海表溫度。

利用貝葉斯相關(guān)理論的時空融合技術(shù)目前還處于起步階段，雖然其構(gòu)造方法相對復(fù)雜抽象，但卻可以獲得無偏、最優(yōu)和非線性的預(yù)測值，而且對原始數(shù)據(jù)的質(zhì)量和數(shù)量要求比較低，特別在融合不同觀測手段獲取的數(shù)據(jù)（如光學(xué)和微波）方面有著獨特優(yōu)勢，因此無論是地表溫度數(shù)據(jù)還是反射率等其他類型數(shù)據(jù)都有很好的應(yīng)用前景（Huang等，2013b）。

2.2.4 混合模型

混合模型指采用包括權(quán)重函數(shù)、學(xué)習(xí)模式、貝葉斯理論和像元解混思想在內(nèi)的兩種或兩種以上構(gòu)造策略的時空融合方案（Zhu 等，2018）。事實上，前面所提到的很多模型都有一定相互引用的成分，如權(quán)重模型中的STARFM和SADFAT算法在公式推導(dǎo)中，就采用解混中的豐度矩陣的概念。因此，表2中模型的分類并不存在嚴格的界限，只是按照各自的側(cè)重點進行歸納，而這里的混合模型更傾向于從整合不同方法優(yōu)點的角度來劃分。Zhu等（2016）提出一種靈活的時空數(shù)據(jù)融合模型FSDAF（Flexible Spatiotemporal Data Fusion）就將解混、插值、權(quán)重等方法結(jié)合起來，使最終的混合模型具有輸入影像少、運算效率高、精度可靠的特點；楊敏等（2018）采用該模型對ASTER 和MODIS 的地表溫度產(chǎn)品進行時空融合，得到的結(jié)果可以與輸入影像更多的ESTARFM 模型相提并論，與氣象站點驗證后也顯示出較高的精度；但FSDAF 模型對地表變化不夠敏感，融合后的影像也容易丟失空間細節(jié)，Shi 等（2019）對此引入殘差指數(shù)來提升地表突變地區(qū)的融合精度，在提高算法魯棒性的同時也保留了更多的細節(jié)信息，比較適合地表變化的長期動態(tài)監(jiān)測；出自同樣的目的，Guo 等（2020） 采用變化檢測技術(shù)避免了FSDAF 模型對變化像素和邊界像素的解混運算，并建立變化區(qū)域優(yōu)化模型來彌補丟失的空間細節(jié)和融合精度，雖然提升幅度有限，但算法的性能并未因計算步驟的增加而有太多犧牲。

混合模型的特點在于吸取各類獨立模型的優(yōu)點以達到優(yōu)化算法結(jié)構(gòu)，減少運算時間，提升融合精度的目的（Zhu 等，2018）。通過多類模型對地表溫度數(shù)據(jù)進行融合對比，挖掘出促使其效果提升的內(nèi)在誘導(dǎo)因素，就能夠定向構(gòu)造出地表溫度適應(yīng)性強的融合方法，而將來的時空融合模型也會更多地以此類方式出現(xiàn)。

2.3 地表溫度產(chǎn)品的融合應(yīng)用

日趨完善的時空融合技術(shù)不僅有助于生成時間密集度高、空間細節(jié)豐富的影像數(shù)據(jù)集，還能為后期的定量遙感反演、時空演變分析提供數(shù)據(jù)支撐，間接地提升了遙感影像的應(yīng)用價值（Belgiu和Stein，2019；張良培和沈煥鋒，2016）。而上述許多模型的提出都伴隨不同遙感產(chǎn)品的應(yīng)用案例，本文整理了現(xiàn)有時空融合技術(shù)在地表溫度上的應(yīng)用，并按照具體領(lǐng)域來劃分為以下6個方面。

2.3.1 陸地溫度產(chǎn)品

陸地溫度是涉及農(nóng)業(yè)生產(chǎn)、基礎(chǔ)建設(shè)和生態(tài)平衡的重要參量，也是區(qū)域地表溫度產(chǎn)品的研究重點（Karnieli 等，2010；楊敏 等，2018）。具有高時空分辨率的陸地溫度數(shù)據(jù)在農(nóng)田蒸散發(fā)監(jiān)測、土壤水分與旱情監(jiān)測、森林火災(zāi)監(jiān)測等方面都有著重要的應(yīng)用價值（魏然，2016）。Weng 等（2014）利用Landsat TM（120 m/16 d）和MODIS（1 km/1 d）的地表溫度數(shù)據(jù)，融合生成加利福尼亞州部分地區(qū)的地表溫度產(chǎn)品，并選取了2005 年7 月至10 月中的5個時期作為驗證，最終結(jié)果顯示整個研究區(qū)的預(yù)測精度控制在1.25—2.00 K 的范圍內(nèi)，屬于較好的融合結(jié)果；Wu 等（2015d）在構(gòu)造的極軌衛(wèi)星和靜止軌道衛(wèi)星融合框架中，采用3種傳感器進行數(shù)據(jù)融合，其中利用Landsat ETM+（60 m/16 d）、MODIS（1 km/1 d）、GEOS（4 km/30 min）融合得到了的美國西南部900 km2的地表溫度，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鎮(zhèn)Evora 的地表溫度，最終兩者的重訪問周期分別縮短至為30 min和15 min，達到目前地表溫度時空融合的最高分辨率（60 m/30 min或120 m/15 min），而融合精度也能維持在2.5 K左右。

2.3.2 海表溫度產(chǎn)品

作為地表溫度的一部分，海表溫度是反映海洋與大氣相互作用的重要體現(xiàn)（Alsweiss 等，2017）。由于海水的比熱容較大，溫度變化過程比陸地和大氣都要緩慢，因此即便是細微的差異，也有海洋內(nèi)部或大氣環(huán)境發(fā)生顯著變化的可能（胡旭冉，2018）。高時空分辨率的海表溫度產(chǎn)品不僅可以幫助理解海洋生態(tài)的自然規(guī)律，也能反映人類活動對海洋環(huán)境的影響，這一點在沿海地區(qū)格外重要。為此，Li 等（2013）采用貝葉斯最大熵法建立了MODIS（4 km/8 d）和AMSR-E（25 km/1 d）這兩種數(shù)據(jù)下的融合模型，最終在西太平洋與印度洋的臨近海域內(nèi)生成了2003 年具有高空間分辨率的平均海表溫度產(chǎn)品。得益于AMSR-E 傳感器的微波穿透能力，該方法的融合結(jié)果還保持了大范圍的空間連續(xù)性，極大地提升了數(shù)據(jù)的利用率。通過將BME 的融合結(jié)果與真實海洋溫度進行驗證，最終融合的均方根誤差和平均偏差僅為0.504 ℃和0.0392 ℃。

2.3.3 農(nóng)業(yè)林業(yè)監(jiān)測

利用衛(wèi)星遙感獲取的地表溫度產(chǎn)品已經(jīng)廣泛應(yīng)用于農(nóng)業(yè)旱情監(jiān)測、作物長勢評價和農(nóng)作物估產(chǎn)等方面（白潔 等，2008），而高時空分辨率的地面溫度數(shù)據(jù)能夠刻畫更加細致的土壤濕度、植被指數(shù)、和農(nóng)田蒸散發(fā)等參量，有利于精細化和動態(tài)化的農(nóng)業(yè)生產(chǎn)。孫晨紅（2015）將ASTER 和MODIS 地表溫度數(shù)據(jù)進行時空融合，得到空間分辨率為90 m 的密集時序產(chǎn)品，進而計算出感熱通量，并作為參數(shù)輸入到農(nóng)田蒸散發(fā)SEBAL 模型中，最終得到的日蒸散發(fā)量與實測數(shù)據(jù)的相關(guān)系數(shù)達到0.61 以上。通過時空融合間接得到的農(nóng)田蒸散發(fā)數(shù)據(jù)具有連續(xù)全面的特點，能夠為農(nóng)田水分利用率的提升和精準灌溉的實施提供決策依據(jù)，但遙感估算地表蒸散發(fā)量是一個復(fù)雜的過程，其結(jié)果與反演模型的選取和分類數(shù)據(jù)的準確性有很大關(guān)系，這一點在地表溫度數(shù)據(jù)的其他縱向研究中也同樣適用；在林業(yè)領(lǐng)域，龔成等（2018）采用STARFM 與SADFAT 兩種模型對Landsat 和MODIS數(shù)據(jù)進行時空融合，從得到的影像中提取了地表溫度和植被指數(shù)兩個林地干旱因子，構(gòu)建了溫度—植被干旱指數(shù)模型TVDI（Temperature Vegetation Dryness Index），最后利用該模型對湖南省2016 年6—8 月（森林生長季）每月中的3 天的林地干旱指數(shù)進行了反演，繪制了全省林地干旱時序?qū)ｎ}圖。

2.3.4 城市熱島效應(yīng)

城市的能量分布和交換構(gòu)成了城市熱環(huán)境，它是城市環(huán)境內(nèi)物理、化學(xué)和生物反應(yīng)過程之間的紐帶（Zhou 等，2019a），而城市熱島效應(yīng)則是城市熱環(huán)境的顯著體現(xiàn)。城市活動往往不受自然規(guī)律的制約，具有區(qū)域性、突變性和動態(tài)性的典型特征，更需要高時空分辨率的地表溫度產(chǎn)品來捕捉這些變化（胡華浪 等，2005）。Huang 等（2013a）利用Landsat ETM+（60 m/16 d）和MODIS（1 km/1 d）的地表溫度數(shù)據(jù)，分別采用Bilateral Filter 和STARFM 方法對2002 年北京市中心區(qū)進行時空融合研究，其結(jié)果表明，兩種模型的均方根誤差均在1 K 到2.5 K 之間，其精度可以直觀地揭示該時期北京市的城市熱環(huán)境變化過程；為了深入研究城市熱島效應(yīng)的時空演變過程和誘發(fā)因素，劉紫涵（2017）通過對時空融合得到的地表溫度產(chǎn)品進行長時序分析，發(fā)現(xiàn)合肥市在2000 年—2016 年的熱島效應(yīng)不斷升級，整體呈東北和西南高、東南和西北低的空間分布特征，而且與城市不透水面、植被覆蓋、土地利用和城市發(fā)展等因素都存在一定關(guān)聯(lián)。

2.3.5 公共衛(wèi)生管理

公共衛(wèi)生管理包含對重大疾病的預(yù)防、監(jiān)控和治療工作，是關(guān)系到人類健康狀態(tài)的公共事業(yè)（Lan 等，2021）。對于預(yù)防和監(jiān)控傳染病的傳播，除了常規(guī)醫(yī)學(xué)手段，遙感數(shù)據(jù)也可以在宏觀上起到輔助決策的作用（Cline，1970）。針對2007年爆發(fā)的西尼羅河病毒W(wǎng)NV（West Nile Virus），Liu 和Weng（2012）就通過STARFM 時空融合模型生成具有高時空分辨率的遙感影像，并進一步反演出包括NDVI、NDWI、LST 等在內(nèi)的城市環(huán)境參量，結(jié)果發(fā)現(xiàn)WNV 的傳播與海拔呈負相關(guān)，與LST 呈正相關(guān)，與NDVI則沒有顯著的相關(guān)性。

2.3.6 其他應(yīng)用領(lǐng)域

目前時空融合技術(shù)在地表溫度上的應(yīng)用潛力還有很大的挖掘空間，除了上述成果，高時空分辨率的地表溫度產(chǎn)品既能直接用于溫度制圖，也可以探究與其他因素的相關(guān)性，例如礦區(qū)煤火遙感、湖泊水面溫度與藻類生長相關(guān)性等方面（Sakellario 等，2020；Zhao 等，2020b）。魏 然（2016）就利用時空融合技術(shù)構(gòu)造了典型晴空下的地表亮度溫度模型，并進一步建立時空動態(tài)閾值的森林火點檢測算法實現(xiàn)了森林火災(zāi)的自動檢測，在對黑龍江省的森林火點提取中，使用HJ-1A/B與MODIS 數(shù)據(jù)進行融合得到了影像缺失時相的高空間分辨率亮度溫度數(shù)據(jù)，極大地豐富了用于機器學(xué)習(xí)的火點檢測訓(xùn)練樣本，最終提供了更加精確的火情信息。

3 時空融合方法在地表溫度應(yīng)用上的挑戰(zhàn)與展望

在過去的15 年里，時空融合的理論和技術(shù)得到了充分發(fā)展，在應(yīng)用領(lǐng)域上的潛力也逐漸被釋放，很大程度上緩解了時間與空間這一矛盾體。然而，目前仍有一些研究難點尚待解決，而且在地表溫度層面上，也存在著不同于其他產(chǎn)品特性的研究門檻。針對現(xiàn)有問題，結(jié)合時空融合技術(shù)的歷史脈絡(luò)和應(yīng)用需求，對其面臨的挑戰(zhàn)與未來的發(fā)展有以下理解和設(shè)想。

3.1 挑戰(zhàn)

3.1.1 多源遙感數(shù)據(jù)的差異性

時空融合技術(shù)需要利用兩個及兩個以上的傳感器數(shù)據(jù)，包括同質(zhì)數(shù)據(jù)和異質(zhì)數(shù)據(jù)（如光學(xué)數(shù)據(jù)與熱紅外數(shù)據(jù)）（Hall 和Llinas，1997）。目前，該領(lǐng)域的研究還處于數(shù)據(jù)層的融合階段，更適合采用基于同一物理現(xiàn)象所觀測的數(shù)據(jù)，即同質(zhì)數(shù)據(jù)（張良培和沈煥鋒，2016）；但即便是同質(zhì)數(shù)據(jù)，不同傳感器設(shè)計的同類參數(shù)也并非保持一致，直接降低了時空融合中原始資料的平衡性和可靠度。除了分辨率，不同衛(wèi)星傳感器的在融合上差異主要體現(xiàn)在3點：（1）傳感器的光譜探測能力有差異。同樣是10—11 μm 區(qū)間附近的熱紅外波段，Landsat 8 TIRS 傳感器可以探測的波長范圍是10.6—11.2 μm，而MODIS 為10.78—11.28 μm，這就造成了即使是對同一均勻地物進行觀測，兩者探測的輻射能量和記錄的DN 值也不盡相同（劉建波 等，2016）。（2）用于時空融合的原始數(shù)據(jù)，需要分別進行圖像配準和大氣校正等一系列常規(guī)預(yù)處理操作，但不同影像的配準精度很難保證一致，無法避免融合過程中的像元錯位（黃波和趙涌泉，2017）。而不同來源的數(shù)據(jù)所采用的大氣校正方法也不盡相同，使得處理后數(shù)據(jù)不能完全正確地反映地面目標信息。（3）熱紅外遙感反演只能獲取到傳感器觀測角度下的地表溫度，而普遍存在的非同溫非均質(zhì)像元使得各方向的輻射溫度并不相同，其誤差往往隨著觀測天頂角的增大而增加。高低空間分辨率影像的幅寬有著巨大的差異，使得同一地區(qū)的觀測方向往往不太一致，即便反演算法能夠?qū)崿F(xiàn)單個傳感器的地表溫度角度效應(yīng)歸一化，但不同傳感器的觀測角度還是難以統(tǒng)一（彭碩 等，2016）。

3.1.2 遙感數(shù)據(jù)的空間連續(xù)性

用于時空融合的原始影像不但需要轉(zhuǎn)換到同一坐標系統(tǒng)下，而且要具備相同且完整的空間范圍。然而對于大多數(shù)衛(wèi)星數(shù)據(jù)，特別是光學(xué)衛(wèi)星，以云污染為主要原因引起的數(shù)據(jù)空洞嚴重限制了時空融合技術(shù)在大區(qū)域數(shù)據(jù)中的應(yīng)用發(fā)展（Luo 等，2018）。據(jù)USGS 統(tǒng)計，在獲取的所有Landsat 影像中，只有10%的影像能夠達到基本無云的條件，平均每幅影像的云量也有30%。在這種復(fù)雜的情況下，還需要兩個甚至多個衛(wèi)星傳感器的觀測數(shù)據(jù)同時保持空間連續(xù)一致，更是進一步提高了對數(shù)據(jù)有效性的要求。而目前用于時空融合研究的遙感影像大多是通過篩選和裁剪得到的小范圍目標區(qū)域，極大壓縮了數(shù)據(jù)的利用率，成為產(chǎn)業(yè)化應(yīng)用的巨大障礙。

3.1.3 地表溫度的時間敏感性

地表反射率、植被指數(shù)和地表溫度等自然觀測數(shù)據(jù)在時間上都具有的明顯階段性、周期性和波動性，即時間差距越小，地表成分越穩(wěn)定（Zhu 等，2010）。實驗結(jié)果表明，已知和預(yù)測這兩組數(shù)據(jù)采集的時間間隔不宜超過一個季相，否則會出現(xiàn)顯著的精度下滑（劉建波 等，2016）。特別對于地表溫度產(chǎn)品，無論是短至一天還是長至一年的溫度分布，都有明顯且不確定的波動性，而線性的時間變化假設(shè)顯然不能準確地反映這一現(xiàn)象（Weng等，2014）。為了減少誤差，不少研究者選擇搭載在同一衛(wèi)星上的傳感器數(shù)據(jù)，如Terra 衛(wèi)星上的ASTER（90 m/16 d）和MODIS（1000 m/1 d）傳感器。但對于過境時間不同且訪問周期較長的衛(wèi)星來說，無法避免的時間的差異更是增加了預(yù)測的難度。

3.2 展望

3.2.1 地表溫度反演精度的提升

時空融合技術(shù)的預(yù)測精度與原始數(shù)據(jù)的質(zhì)量有著密不可分的關(guān)系（Belgiu 和Stein，2019）。對于熱紅外數(shù)據(jù)，其反演的精度隨著傳感器規(guī)格的升級和模型的改進都有一定程度的提高，比如Wang 等（2019）通過簡化普朗克函數(shù)和優(yōu)化大氣參數(shù)模型提出一種實用單通道算法，在提升反演精度的同時降低了傳統(tǒng)算法對輸入?yún)?shù)的敏感性；Hu 等（2019）通過建立像元發(fā)射率角度效應(yīng)查找表來提高地表發(fā)射率的估算精度，從而提升MODIS 的地表溫度反演精度；Zhou 等（2019b）結(jié)合亮溫極化率和水平極化發(fā)射率之間的關(guān)系以及水平和垂直極化發(fā)射率之間的關(guān)系，構(gòu)建了利用微波亮溫觀測值反演地表溫度的算法。近些年來，一些機器學(xué)習(xí)技術(shù)也越來越多地用于地表溫度反演，例如Tan 等（2019a）采用卷積神經(jīng)網(wǎng)絡(luò)和12 個通道的亮溫數(shù)據(jù)反演出AMSR2 的地表溫度；Zhao 等（2019）采用隨機森林技術(shù)降低了地表溫度反演中地形效應(yīng)和局部地區(qū)時間不一致的影響；此外，數(shù)據(jù)融合的其他細節(jié)也值得探討，如張亞軍（2019）在采用STARFM 算法和ESTARFM 算法生成地表溫度融合產(chǎn)品的過程中，就采用了“先融合后反演”和“先反演后融合”的兩種策略，結(jié)果顯示前者的精度都要略高于后者。

3.2.2 多源遙感數(shù)據(jù)優(yōu)勢的互補

Landsat 和MODIS 是當前的時空融合研究中使用最廣泛的數(shù)據(jù)結(jié)合體（Bhattarai 等，2015；Gao等，2006；Zhu等，2010），而其他衛(wèi)星數(shù)據(jù)還很少被采納。雖然上述模型在理論上對所有衛(wèi)星產(chǎn)品都適用，但關(guān)于模型參數(shù)對數(shù)據(jù)敏感性的研究還不夠透徹，如何根據(jù)研究區(qū)域和應(yīng)用目的選擇合適的數(shù)據(jù)集，并有效避免分辨率差異過大等弊端帶來的潛在問題也沒有得到充分的解決。此外，云污染引起的地面信息缺失一直是遙感產(chǎn)品的通病，而微波遙感對云層強大的穿透能力正好可以彌補這一缺陷（Han 等，2019）。從這個角度出發(fā)，Kou 等（2016）就采用BME 的方法將MODIS 與AMSR-E 的地表溫度數(shù)據(jù)進行融合，得到了空間連續(xù)性達100%的LST 產(chǎn)品。隨著微波遙感的優(yōu)勢得到凸顯，具有微波探測能力的傳感器也越來越多，如何緩解微波遙感影像與光學(xué)遙感影像在分辨率、幾何特性、輻射特性等方面的巨大差異，并將兩者的優(yōu)勢結(jié)合起來，從而解決數(shù)據(jù)空洞等難題，也是提升時空融合和其他遙感技術(shù)應(yīng)用價值的重要出路。

3.2.3 深度學(xué)習(xí)在融合中的推廣

2006 年以來，憑借在大數(shù)據(jù)挖掘中的出色表現(xiàn)，深度學(xué)習(xí)成為機器學(xué)習(xí)領(lǐng)域最受歡迎的研究方向（Xu等，2020）。目前，深度學(xué)習(xí)在遙感目標識別、圖像分類、參數(shù)反演等方面都取得了巨大成功（Tong 等，2020；Zhao 等，2015），這也對時空融合中的學(xué)習(xí)模型新形態(tài)產(chǎn)生了啟發(fā)。Song 等（2018）提出的STFDCNN 模型才真正意義上把深度學(xué)習(xí)與時空融合結(jié)合起來，雖然也有學(xué)者進行補充（Tan 等，2018 和2019b），但整體來說這一方面還存在很大的空白，而且還多局限于反射率產(chǎn)品。如何將深度學(xué)習(xí)在地表溫度產(chǎn)品中進行推廣，并克服其光譜豐富度不足帶來的訓(xùn)練障礙是一個值得關(guān)注的問題。另外，進一步優(yōu)化樣本的選擇以及完備字典對的設(shè)計，在學(xué)習(xí)高低分辨率影像的光譜、空間、時間、結(jié)構(gòu)和紋理特征的同時，最大限度地捕捉其細節(jié)信息，也是深度學(xué)習(xí)在時空融合領(lǐng)域發(fā)展的重要方向。

3.2.4 算法靈活度與效率的提高

不少時空融合模型效果的提升，都依賴于更多高低分辨率影像的加入和更復(fù)雜的算法結(jié)構(gòu)，雖然在理論上和實驗上都確實得到了不錯的融合結(jié)果，但這并不利于實際遙感產(chǎn)品的加工。Zhu等（2016）提出的FSDAF 模型就在保障精度的同時，將輸入影像的數(shù)量降到最低，既減少了數(shù)據(jù)的處理量，又提升了運算的效率，大大增加了模型的實用性；此外，對于海量遙感數(shù)據(jù)而言，計算負荷本身就很重，往往需要在效率和精度之間進行取舍，很難為了小幅度的提升效果而犧牲運算成本（Gao 等，2021）。因此，如何降低模型對原始數(shù)據(jù)量的需求，并針對不同產(chǎn)品進行參數(shù)優(yōu)化和結(jié)構(gòu)改進，提供并行計算的策略，也是時空融合技術(shù)在未來能夠得到廣泛應(yīng)用的重要舉措。

3.2.5 時空融合集成系統(tǒng)的構(gòu)建

雖然時空融合的模型一直在推陳出新，但到目前為止，在實際生產(chǎn)中還沒有大規(guī)模應(yīng)用的先例。除了數(shù)據(jù)上的制約，另一個主要原因就是缺少成熟、穩(wěn)定的集成系統(tǒng)來滿足時空融合研究和生產(chǎn)的需求。從實際應(yīng)用的角度出發(fā)，一個完整的時空融合的集成系統(tǒng)應(yīng)包含以下功能：（1）根據(jù)用戶提交的產(chǎn)品需求來判斷融合的可行性；（2）智能推薦合適的數(shù)據(jù)集，并提供類似于Google Earth Engine的數(shù)據(jù)接口；（3）提供可選擇的時空融合模型，使得用戶僅需輸入相應(yīng)參數(shù)就可以實現(xiàn)自動化處理；（4）對最終的執(zhí)行結(jié)果進行多方面的精度評定，輔助判斷數(shù)據(jù)的可用性?？傊?，按照產(chǎn)品研發(fā)的標準來構(gòu)建一個功能模塊豐富、執(zhí)行效率理想、融合結(jié)果可靠和操作界面友好的系統(tǒng)程序，是時空融合技術(shù)得到推廣的最優(yōu)選擇。

4 結(jié) 語

由熱紅外遙感反演直接獲取到的地表溫度數(shù)據(jù)無法同時滿足產(chǎn)品周期短和空間細節(jié)度高這兩大需求，而時空融合技術(shù)充分發(fā)揮了多平臺觀測互補的優(yōu)勢，突破了單一傳感器在硬件層面上的性能制約，通過數(shù)據(jù)處理的方式實現(xiàn)時間和空間分辨率的雙重提升。本文立足于地表溫度與時空融合的交叉地帶，通過收集該領(lǐng)域的相關(guān)研究，整理已有的應(yīng)用成果，梳納其中的脈絡(luò)關(guān)系，探究內(nèi)在的原理方法，最終指出亟待解決的研究問題，并闡述未來的發(fā)展前景。而上述研究可歸納為以下5個部分：

（1）從像元的角度出發(fā)，時空融合的原理可表示為從時間維度上捕捉變化特征和空間維度上計算尺度差異來實現(xiàn)時空分辨率的提高。而地表溫度在這兩點上表現(xiàn)出不同于反射率或NDVI 的產(chǎn)品特性，因此后續(xù)模型對此的適應(yīng)能力比較關(guān)鍵。

（2）借鑒時空融合的分類標準，在應(yīng)用于地表溫度產(chǎn)品的各類模型中，權(quán)重模型計算簡單且效果良好，但對變化的捕捉能力還有待提高。學(xué)習(xí)模型和貝葉斯模型相對復(fù)雜，但在為數(shù)不多的研究中表現(xiàn)出深厚潛力?；旌夏Ｐ湍芫C合上述模型的優(yōu)勢，往往具備運算高效、形式靈活、結(jié)果可靠的特點。

（3）目前時空融合技術(shù)在地表溫度上的應(yīng)用集中于生成區(qū)域陸地溫度產(chǎn)品，也涉及到一些海表溫度產(chǎn)品、農(nóng)業(yè)林業(yè)監(jiān)測、城市熱島效應(yīng)和公共衛(wèi)生管理等方面的研究。不過多數(shù)應(yīng)用還停留在提升地表溫度融合精度的層次上，缺少對某一行業(yè)或某一現(xiàn)象的定量和定性分析。

（4）時空融合模型在技術(shù)層面上已經(jīng)相對完善，但遙感數(shù)據(jù)的缺陷一直是限制其產(chǎn)業(yè)化應(yīng)用的最大障礙，其中就包括多源數(shù)據(jù)的差異、影像空間的缺失和地表溫度的波動。雖然這些挑戰(zhàn)都有一定的解決方案可供選擇，但還需要進一步的研究來實現(xiàn)和優(yōu)化。

（5）基于地表溫度的時空融合技術(shù)仍有很大的發(fā)展空間，本文對未來的研究和應(yīng)用前景做出5 個方面的設(shè)想，分別為提升反演精度、采用多源數(shù)據(jù)、推廣深度學(xué)習(xí)、提高執(zhí)行效率和構(gòu)建集成系統(tǒng)。除了理論上的精進，現(xiàn)在的融合技術(shù)更需要在實踐中尋找出路，其應(yīng)用的拓展也能夠反向推動技術(shù)的進步。