弥合温度差异：通过Landsat–Sentinel-2数据融合技术获取10米分辨率、持续3天的地表温度数据

《Remote Sensing of Environment》：Bridging the thermal gap: Generating 10 m, 3-day land surface temperature via Landsat–Sentinel-2 fusion

高时空分辨率地表温度（LST）数据对气候影响研究和城市热岛效应分析至关重要。现有卫星传感器存在分辨率与热波段能力的权衡：Sentinel-2（S2）提供10米/5天光学观测但无热波段，Landsat-8/9（L8/9）具备热波段但分辨率较低（30米/16天）。本研究提出融合时空与光谱的HiSTR-LST框架，通过L8/9热波段与S2光学数据协同，实现10米空间、约3天时间分辨率的LST产品，验证显示其R=0.97，RMSE=3.45K，较现有方法提升13%精度。应用案例涵盖植被物候监测和城市热岛精细化分析，填补了高精度持续LST数据获取的技术空白。

　　

袁琦|黄波|赵敏|蒋晓璐|毛文飞

香港特别行政区香港大学社会科学学院地理系

摘要

高时空分辨率的地表温度（LST）对于气候影响研究至关重要，特别是在城市热环境分析和植被物候跟踪方面。然而，当前的卫星传感器存在固有的硬件 trade-offs：Sentinel-2（S2）提供高分辨率（10米/5天）的光学观测数据，但不具备热成像能力；而Landsat-8/9（L8/9）虽然配备了光学和热成像传感器，但其分辨率较低（30米/16天）。这种配置无法满足精细的空间和时间尺度表面热监测需求。为了解决这一问题，我们提出了一种新的融合框架，用于生成高时空分辨率的LST（$f$HiSTR-LST）。该框架首先应用基于深度学习的时空融合技术来增强反射率数据，然后进行空间-光谱融合以生成高分辨率的LST。通过结合L8/9和S2的数据，我们的方法能够在三种不同的卫星过境模式下可靠地生成10米空间分辨率的LST（联合观测、仅使用L8/9或仅使用S2），从而实现约3天的时间分辨率。通过对升级后的LST预测与原始L8/9 LST数据进行交叉验证，证明了$f$HiSTR-LST在全球八个研究区域的稳健性能（平均R值=0.90，RMSE=1.17 K）。更重要的是，基于实地数据的验证（此前未进行过）证实了其令人满意的准确性（平均R值=0.97，RMSE=3.45 K）。综合验证表明，$f$HiSTR-LST在R值上比现有方法高出13%，并且RMSE降低了9%。最后，我们展示了两个应用案例——小范围植被物候跟踪和精细尺度的城市热模式划分——这些案例共同展示了$f$HiSTR-LST在解析细微表面热变化方面的能力。我们的研究填补了从卫星图像生成高时空分辨率LST的关键空白，这对于研究全球变暖的复杂影响至关重要。

引言

地表温度（LST）是控制地球表面生态和物理过程的最关键参数之一（Anderson等人，2012年；Erlandsen等人，2017年）。它在地表与大气之间的能量和水交换中起着重要作用，并且是地表能量平衡、城市热岛（UHI）效应以及土壤湿度变化的关键指标（Li等人，2023年）。政府间气候变化专门委员会（IPCC）的报告指出，在全球变暖背景下，LST呈现出与气温高度一致的趋势，尤其是在极端热浪事件期间（Masson-Delmotte等人，2021年）。不理想的外部温度会通过降低人体舒适度（Nikolopoulou等人，2001年）直接影响人类行为，增加热应激（White-Newsome等人，2013年），并改变植物的物候周期（Li等人，2019年）。获取长期、连续且高分辨率的LST数据对于阐明气候变化对生态系统和人类社会的影响具有重要意义。然而，由于卫星平台上不同传感器的性能和重访间隔之间的固有 trade-offs，这仍然是一个巨大的挑战（Meng等人，2025年）。

目前，30米分辨率的LST产品代表了单卫星热成像技术的最新水平（例如，Landsat-9 TIRS、SDGSAT-1 TIS）。LST的反演精度取决于传感器特性以及地表和大气参数（Li等人，2023年），而其时空连续性则受卫星重访频率和有效空间覆盖范围的影响。时空-光谱融合技术作为一种关键技术，弥补了多源卫星传感器的优势，有助于实现时空连续性和光谱丰度的结合（Huang等人，2013a，Huang等人，2013b；Chen等人，2015年）。例如，将极轨卫星数据（如MODIS）与Landsat-8图像结合使用，可以实现每天一次的LST反演（Weng等人，2014年）；将静止轨道卫星数据（如GOES）与MODIS数据融合，可以生成粗分辨率（2-5公里）的每小时LST（Jia等人，2022年，Jia等人，2023年）。这些研究扩展了基于卫星的LST产品的可用性和应用范围。

然而，日益严峻的城市环境挑战要求更高时空分辨率的LST数据。例如，城市热岛研究需要建筑尺度的热成像产品来进行人为热效应评估（Zhou等人，2012年），以及进行街道尺度的时空异质性分析（Ge等人，2024年）。尽管无人机（UAV）已被用于精细的城市热监测（Ren等人，2015年），但由于其高昂的运营成本、有限的空间覆盖范围以及无法支持长期观测，这些技术并未得到广泛采用。由英国航天局资助的HotSat-1（2023年6月由SatVu发射，www.satellitevu.com）实现了3.5米分辨率的LST，但其数据为专有数据，且该任务已于2023年底结束。

许多近期针对10米或更高分辨率LST的研究依赖于降尺度技术，这些技术通常将30米分辨率的LST与更高分辨率的多光谱反射率数据相结合（Filgueiras等人，2019年；Bahi等人，2025年）。Herrero-Huerta等人（2019年）通过融合MODIS和Landsat数据提高了LST观测的频率，并通过整合Sentinel-2（S2）的反射率数据将LST降尺度至10米，实现了与S2相同的时间分辨率（5天）。另一项研究开发了一种基于像素的回归模型，使用每日MODIS反射率/LST合成图像和长期中值S2图像，声称能够生成与S2相同分辨率的每日LST产品（Mhawej和Abunnasr，2022年）。还有一些尝试结合了无人机图像来生成米级分辨率的LST（Zawadzka等人，2020年；Abunnasr和Mhawej，2023年），但由于卫星与无人机图像之间的时间连续性和空间尺度差异，模型的性能可能会受到影响。

在这项研究中，我们提出了一种新的混合融合框架，能够在Landsat-8/9（L8/9）或S2卫星的任何单独或联合过境时生成10米分辨率的LST产品（平均每3天一次）。该混合框架成功弥补了高分辨率光学卫星（如S2）在热波段上的不足。通过直接的LST与实地数据验证以及将升级后的LST预测与原始L8/9 LST进行对比，我们证明了该框架在空间一致性和时间准确性方面显著优于现有方法。结果还展示了该框架在混合土地覆盖区域解析精细植被物候以及量化异质城市景观中特定土地覆盖对UHI强度的贡献方面的优越能力。

研究区域

研究区域

图1展示了全球八个典型的研究区域。图1a位于德克萨斯州北部，主要由农田组成，由于一年中作物生长和收获的频繁变化，农田面积不断变化；其中一小部分为不透水表面的住宅区。图1b和图1c主要为沙漠地区，绿地很少，以单一土地覆盖类型为主；而图1c主要为城市地区，土地覆盖类型较为复杂，其中建筑区占据了较大的比例。

方法论

如前所述，L8/9和S2 A/B卫星的重访周期分别为16天和5天。在图2所示的40天周期内，这两个卫星星座至少会对研究区域进行13次观测，同一天内不会同时发生超过两次过境（$t_0$和$t_{\mathrm{n}}$）。因此，存在三种情况：Landsat和Sentinel卫星同时过境（如$t_0$）、仅Landsat卫星过境（如$t_2$）以及仅Sentinel卫星过境（如$t_1$）。本研究提出了一种混合融合方法

精炼后的LST时间序列及其评估

图5展示了德克萨斯研究区域的10米分辨率LST结果，有效展示了LST的空间细节。图5a显示了选定区域（总面积8公里×8公里）的真彩色合成图像，图5b揭示了不同土地覆盖类型的热特性，但在原始分辨率（30米）下空间细节有限，边界模糊。图5c展示了从路径1得到的10米LST，其与30米参考数据（图5）在空间上完全一致

“路径1”中最佳变量的选择

先前的研究（Zhu等人，2016年；Jiang和Huang，2022年）表明，卫星反射率的时空融合受到回归窗口大小和土地覆盖分类类别等因素的影响。在我们的框架中，我们使用了30米分辨率的均匀土地覆盖区域的纯像素来进行反射率和温度映射。虽然使用了人工神经网络（ANNs）进行处理，但结果的精度仍然取决于训练样本的数量和质量。

结论

目前获取10米或更高分辨率LST时间序列的技术仍面临许多挑战。以往的方法主要依赖于高分辨率卫星（无热成像能力）和低分辨率卫星（具有热成像能力但时空覆盖范围不足）的同时过境。我们提出的$f$HiSTR-LST通过三种不同的技术路径实现了这一热成像需求的跨越：（1）对于L8/9和S2的同时过境

CRediT作者贡献声明

袁琦：撰写——审稿与编辑，撰写——初稿，可视化，方法论，概念化。黄波：撰写——审稿与编辑，监督，资金获取。赵敏：可视化，方法论，数据管理。蒋晓璐：撰写——审稿与编辑，方法论。毛文飞：形式分析，数据管理。

利益冲突声明

作者声明没有已知的利益冲突。

致谢

本研究得到了国家自然科学基金（资助编号：42271439）和香港研究资助委员会（资助编号：SRFS2324-4H02、GRF 14616323以及TRS T22-606/23-R）的支持。计算工作使用了香港大学信息技术服务提供的研究计算设施。地面LST测量数据由三个综合性的固定遥感站（怀来、民勤和海北）提供