The advances in modern sensor technology have greatly expanded the use of remote sensingimages in scientific research and in many other life activities of humankind 1 – 3 However in practicethere ar

现代传感器技术的进步极大地扩展了遥感图像在科学研究和人类其他生活活动中的应用[1-3]。然而，在实践中，由于技术和预算限制，遥感仪器的设计总是存在一些权衡。观测图像的空间分辨率和重访周期之间通常存在着一种权衡关系[4]。拥有更宽幅宽的卫星确实可以实现更短的重访周期，但这通常会降低观测图像的空间分辨率，反之亦然[4]。目前，很难获取既具有高空间分辨率又具有高时间分辨率的图像[5,6]。例如，广泛使用的Landsat图像自1982年Landsat 4发射以来，在可见光和红外光谱波段具有30米的空间分辨率[7]。最新的Landsat 8在大多数光谱波段上保持30米的分辨率，但重访周期为16天（与Landsat 4相同，为了数据连续性的目的）[7]。相反，MODerate Resolution Imaging Spectroradiometer (MODIS)仪器仅在多个光谱波段上以250至1000米的空间分辨率获取数据，但MODIS每天覆盖地球的大部分区域[8]。为了进行高空间分辨率图像的长时间序列分析（例如，基于植被指数的作物状况和异常的田块尺度监测[9,10]以及水资源评估[11]），单一的高空间分辨率数据源通常无法满足频繁时间覆盖的要求。已经提出了许多遥感数据融合算法来解决这个问题，并且研究表明通过融合来自多个数据源的高空间分辨率图像和高时间分辨率图像来生成高时空数据是一种实用的方法[12,13]。

在遥感领域，时空数据融合是指一类技术，它将共享相似光谱范围的两个或多个数据源合并，生成高时空时间序列数据，并提取比单一数据源更丰富的信息。在大多数情况下，一个数据源具有高时间但低空间分辨率（HTLS），而另一个数据源具有低时间但高空间分辨率（LTHS）。经过多年的发展，时空数据融合的研究领域已经建立了一定的理论和方法，其中一些方法已经在实际地球科学分析中得到了可观的准确性[13-15]。据我们考虑，现有的时空融合算法可以分为三类：（1）基于变换的方法；（2）基于重建的方法；（3）基于学习的方法[16]。

基于变换的方法采用专门的数学变换（例如小波变换[17]）将数据从空间域转换到另一个域，通常是频率域或等效频率域。然后，从转换后的LTHS图像中提取清晰的高频分量，并使用精心设计的融合规则将其与HTLS图像合并。这种方法的理论基础是不同空间中的图像揭示了不同类型的特征，这使得经过精心设计的算法可以通过适当的变换从特定空间捕捉到所需的特征。

基于重建的方法通过HTLS和LTHS图像对中具有相似光谱的相邻像素的加权和生成复合图像[16]。目前，大多数时空融合算法属于这个类别。基于重建的方法可以进一步细分为两大类：一类是基于不同时间图像的地面覆盖变化，另一类是基于混合地物成分的组分。在第一种情况下，基于预测时间的HTLS和LTHS图像对之间的差异或比值偏差建立了一种假设关系。然后，使用移动窗口在局部扫描相似的相邻像素，并确定权重。最终的复合图像是通过移动窗口中相邻像素的加权和与假设关系相结合生成的。一个典型的例子是空间和时间自适应反射率融合模型（STARFM）[12]。它使用HTLS和LTHS之间的差异建立关系，并通过光谱差异、时间差异和位置距离搜索相似的相邻像素。受到STARFM的启发，还提出了其他增强或改进的融合模型，如用于映射反射率变化的空间和时间自适应算法（STAARCH）[18]、增强STARFM（ESTARFM）[5]和其他基于STARFM的模型[19]。总的来说，这类算法之间的主要差异在于HTLS和LTHS关系的设计以及用于确定权重的规则。