随着遥感技术的发展,传感器在时间分辨率、空间分辨率、光谱分辨率等方面均有较大的改进,然而,传感器的物理设计无法同时兼顾遥感影像对于高时间分辨率和高空间分辨率的需求。随着遥感应用的深入发展,获取精度更高、时空尺度更多样化、覆盖范围更广泛的高时空分辨率数据成为当前遥感研究的迫切需求。针对遥感数据"时空矛盾"的问题,本文以北京市和河北省怀来县为研究区域,对高时空分辨率地表温度数据融合进行探索。论文首先对国内外现有的经典时空融合方法自适应时空反射率模型(Spatial and Temporal Adaptive Reflectance Fusion Model,STARFM)以及多源遥感数据地表温度时空融合(Spatial-Temporal Integrated Temperature Fusion Model,STITFM)的不足进行了深入分析,进而提出了一种基于字典学习和多源遥感数据的高时空分辨率地表温度融合方法,并采用自动气象站实测地表温度数据和Landsat 8获取的地表温度数据对融合结果进行了精度评价和比较。本文的研究成果主要分为以下几个方面:(1)分别采用STARFM时空融合方法与STITFM时空融合方法获取河北怀来县高时空分辨率(30m,30min)地表温度数据,其中,STARFM方法融合了Landsat 8、FY-2E/F 两种传感器数据,STITFM 方法融合了 Landsat 8、MODIS、FY-2E/F三种传感器数据。并采用Landsat 8获取的地表温度对融合结果进行精度验证和精度对比分析,结果表明使用STITFM方法的精度较高:相关系数为0.812,均方根误差为1.576 K,平均绝对误差为1.156 K;STARFM方法的相关系数为0.447,均方根误差为14.098 K,平均绝对误差为13.786 K。(2)针对现有高时空分辨率数据融合方法STARFM和STITIFM的不足,提出一种多源传感器数据非线性时空融合框架。该框架基于字典学习方法,对高中低分辨率图像对进行采样,能用少量的基本特征组合表达其更高层抽象的特征。研究采用实测地表温度数据对融合温度进行精度验证,并与STITFM方法融合的温度图像进行精度对比,结果表明基于字典分解和超分辨率重建的改进方法,其融合效果有一定的提升,相关系数为0.993,均方根误差为1.032K,平均绝对误差为0.703 K;STITFM方法融合结果的相关系数为0.988,地表温度均方根误差为1.47 K,平均相对误差为1.235 K。(3)将改进的多源遥感数据非线性时空融合框架应用于北京市,获取高时空分辨率地表温度时序数据,并进一步分析北京市城市热岛日变化特征及其植被影响因子。研究发现,北京市在春秋夏三季存在明显的城市热岛效应,夏季热岛强度(Surface Urban Heat Island Intensity,SUHII)最大,春秋季次之;同时热岛强度表现出一定的日变化规律,日出之后热岛强度呈现降低趋势,在午间地表温度达到最大值时,强度降到最低,随后持续在较低的水平,日落后逐渐开始回升,并且在夜间持续出现强热岛现象;北京市5种典型下垫面类型的地表温度在春夏秋三个季节的白天与夜晚表现出较为一致的趋势,从高到低依次为:建筑用地>农田>草地>水体>落叶阔叶林,而夜晚则依次为:建筑用地>水体>农田>草地>落叶阔叶林;对城市热岛植被影响因子分析,发现归一化植被指数(Normalized Difference Vegetation Index,NDVI)和UHI呈负相关关系,归一化植被水分指数(Normalized Difference Water Index,NDWI)和 SUHII 的关系随季节变化,除冬季外,基本呈负相关关系。研究结果表明,本文提出的多源传感器非线性时空融合方法具有可行性,可以为长时间序列数据的获取、精细尺度的定量反演分析以及大区域高时空分辨率数据集的生成等提供新的思路与方法。