دانشگاه تربیت مدرس آمایش فضا و ژئوماتیک 1605-9689 30 1 2026 03 21 Spatiotemporal Fusion of Landsat and MODIS Land Surface Temperature Data Based on Ensemble Methods ادغام زمانی-مکانی داده های دمای سطح زمین لندست و مادیس برپایه روش های یادگیری همادی 1 33 28901 FA علی شمس الدینی گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه تربیت مدرس 0000-0002-4559-7563 ناهید حق شناس گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه تربیت مدرس، تهران، ایران 0009-0008-0915-0554 Journal Article 2026 05 09 Land Surface Temperature (LST) is a key parameter for monitoring the Earth’s surface energy balance and water cycle, playing an important role in assessing environmental changes from local to global scales. Despite advances in remote sensing and the availability of time-series data, limitations in sensor design and the trade-off between spatial and temporal resolution remain major challenges for generating accurate LST time series. To address these issues, various spatiotemporal fusion (STF) methods have been developed. In this study, four ensemble learning algorithms, namely Extreme Gradient Boosting (XGBoost), Gradient Boosting Machine (GBM), Random Forest (RF), and Deep Forest, were used as the core of a spatiotemporal fusion framework to simulate daily LST from Landsat 8 and Landsat 9 imagery. The Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model (ESTARFM) was also employed as a benchmark for comparison. The results showed that XGBoost achieved the best performance, with Root Mean Square Error (RMSE) values of 2.76 K, 1.60 K, 1.68 K, and 1.54 K for 2016, 2021, 2022, and 2023, respectively. Deep Forest showed the highest errors among the ensemble models, while GBM and Random Forest performed at an intermediate level. In addition, ESTARFM produced higher RMSE values ranging from 1.69 K to 2.91 K, indicating lower accuracy compared to the machine learning approaches. Overall, the results demonstrate that XGBoost provides the most accurate and robust performance for LST spatiotemporal fusion, outperforming both other ensemble methods and the ESTARFM model. دمای سطح زمین یکی از پارامترهای کلیدی در پایش تعادل انرژی و چرخه آب کره زمین است. با وجود پیشرفت‌های سنجش‌ازدور، محدودیت ذاتی در مبادله بین قدرت تفکیک مکانی و زمانی ماهواره‌ها، تولید سری‌های زمانی پیوسته دمای سطح زمین را با چالش مواجه کرده است. در این راستا، روش‌های ادغام مکانی–زمانی توسعه یافته‌اند. در این پژوهش، چهار الگوریتم یادگیری همادی شامل XGBoost، GBM، Random Forest و Deep Forest به‌عنوان هسته یک چارچوب ادغام مکانی–زمانی برای تولید سری‌های زمانی روزانه دمای سطح زمین از داده‌های لندست 8 و 9 و مادیس به‌کار گرفته شدند.<br>نتایج نشان داد که XGBoost با کمترین خطا، عملکرد برتری نسبت به سایر روش‌های همادی و الگوریتم ESTARFM دارد. مقدار ریشه میانگین مربعات خطا در الگوریتم XGBoost برای سال‌های ۲۰۱۶، ۲۰۲۱، ۲۰۲۲ و ۲۰۲۳ به‌ترتیب 2.76، 1.60، 1.68 و 1.54 کلوین به‌دست آمد، در حالی‌که Deep Forest بیشترین میزان خطا را داشت. الگوریتم ESTARFM نیز مقادیر بالاتری از خطا (تا 2.91 کلوین) نشان داد که بیانگر محدودیت آن در شرایط متغیر زمانی–مکانی است.<br>علاوه بر صحت، XGBoost از نظر کارایی محاسباتی نیز برتری داشت؛ به‌طوری‌که کمترین زمان اجرا (کمتر از 0.3 ثانیه در مرحله پیش‌بینی) و کمترین مصرف حافظه (حدود 250 مگابایت) را نشان داد. در مقابل، Random Forest و Deep Forest به دلیل ساختار پیچیده‌تر، هزینه محاسباتی بالاتری داشتند. در مجموع، نتایج نشان می‌دهد که الگوریتم XGBoost با ترکیب صحت بالا و کارایی محاسباتی مناسب، گزینه‌ای مؤثر برای تولید سری‌های زمانی دقیق دمای سطح زمین است. https://hsmsp.modares.ac.ir/article_28901_9da26ee46d5d48a8186964324832812f.pdf