城市热岛效应（Urban heat island effect,UHI effect）是指城区温度通常高于郊区温度的一种现象,是城市化进程对环境改变最直观的体现之一。通过卫星热红外（Thermal infrared,TIR）数据获取的地表温度（Land surface temperatures,LSTs）是了解地表能量通量、全球环境变化、城市气候、陆-气相互作用、城市热环境和热异常的关键指标。近年来已被广泛应用于水文、气象、气候变化、植被生态学、环境监测等各个学科领域。卫星热红外数据的出现,使得地表温度数据从原来的地面站“点”数据过渡到空间连续、时间规则的“面”状数据,是监测大尺度、长时间序列城市地表热环境的唯一手段,对推进城市热环境时空动态变化研究具有重要意义。然而,受天气条件、传感器本身等影响,致使获取空间连续、时间规则的高时空地表温度数据受阻,极大地降低了数据的利用率和精度,从而阻碍和限制了地表热环境在时空格局演变上的发展和应用。同时,对不同空间尺度下时间序列LSTs的建模不一致性进行研究有助于找到环境过程运行的最佳尺度,并对最大限度减少跨尺度LSTs时间序列建模差异有着重要意义。另外,地表热环境受多种动态驱动因子影响,如地表覆盖类型、城市景观类型、城市空间形态、气象因素、人为热源等。不同空间尺度下不同动态驱动因子与城市热环境季节性关系研究对城市规划决策等起到重要作用。因此,基于以上分析,本论文将从LSTs时空匹配不一致性、不同空间尺度下LSTs时间序列建模一致性及不同空间尺度下动态驱动因子对城市热环境季节性影响三方面开展研究,主要内容包括:（1）考虑气象站点温度数据作为辅助数据,基于年温度循环模型（Annual temperature cycle,ATC）模型和3D卷积神经网络（Convolutional Neural Network,CNN）模型的城市尺度长时间序列地表温度分层重建方法。现有的热红外数据受传感器本身、及天气条件（如云/云阴影覆盖、大气含水量和气溶胶等因素）影响造成LSTs数据缺失问题。目前针对地表温度的重建方法大多基于天气晴朗、风速小等假设条件下进行,但实际情况下地表温度对大气条件的变化非常敏感。与天气条件如云量大小,风速大小、空气湿度等天气情况及地表下垫面情况紧密相连。同时现有的大多数LSTs重建算法仅基于空间尺度较小、时间尺度较短的影像进行,虽能得到较好的精度,但是对大尺度（城市级以上）、长时间序列影像地表温度重建而言不具有普适性。而一些针对大尺度长时间序列的重建算法,在重建精度上又无法得到保障。因此,论文研究一种基于ATC模型和3D-CNN模型的城市尺度长时间序列地表温度分层重建方法。首先,考虑到地表温度受天气条件（如云量大小、风速大小、空气湿度等）及地表下垫面类型影响,论文将地面站点温度数据作为辅助数据。其次,论文利用ATC模型,对缺失LSTs数据进行粗略重建。最后,构建基于地面站点温度数据作为辅助数据的3D-CNN模型,对缺失LSTs数据进行精细时空重建,并对重建结果进行验证。结果表明较现有的LSTs重建方法而言,该方法简单、高效、高精度地实现了基于城市尺度长时间序列的LSTs数据重建,且对Landsat、MODIS缺失的LSTs数据在复杂城市尺度、长时间序列的重建更加有效。（2）基于百分位数法的不同空间尺度时间序列LSTs模型一致性调和方法。利用ATC等半物理模型对LSTs进行时间序列分析已成为理解LSTs的关键。然而,很少有研究对时间序列LSTs模拟结果在空间尺度上的不一致性进行检验/调和。因此,论文提出了一种基于百分位数法的不同空间尺度时间序列LSTs模型一致性调和方法。结果表明,同一土地覆盖类型,不同空间尺度上ATC参数存在显著差异,即年平均地表温度（Mean annual surface temperature,MAST）、地表温度年振幅（Yearly amplitude of surface temperature,YAST）)和修正相移（Revised phase shift,RPS）。百分位数聚合分析表明,一个MODIS格网中MODIS LSTs建模的MAST/YAST（和RPS）与使用第25（和40）个百分位的Landsat LSTs聚合值之间的差异接近于零。进一步的回归分析表明,来自不同数据集建模的ATC参数,它们之间的差异可以使用百分位数法进行调节,特别是MAST和YAST。该方法有助于更好理解ATC参数在跨尺度下的变化,为理解LSTs的异质性及表征不同空间尺度下热模式的影响提供了新的视角。（3）多尺度下综合/单个动态驱动因子与LSTs季节性关系研究。目前LSTs与动态驱动因子的关系研究大多数仅局限于单因子回归模型或是多元逐步回归模型来比较不同因子对LSTs的影响。然而,LSTs的时空模式通常受到多个因子的共同作用,单因子回归模型或多元逐步回归模型并不能表示动态驱动因子对LSTs的独立贡献度。同时,目前缺乏对综合因子的量化及其对LSTs的季节性影响分析研究。因此,论文提出一种研究不同空间尺度下,综合/单个动态驱动因子与LSTs季节性影响分析的方法。首先提取不同空间尺度下（100*100m、250*250 m、500*500 m格网）动态驱动因子。其次,分析不同季节下LSTs的空间格局变化,及不同动态驱动因子与LSTs之间的相关性关系。运用随机森林回归模型模拟不同空间尺度下动态驱动因子对LSTs季节性影响,综合相关性分析及随机森林回归结果,得到最优尺度。并计算单个动态驱动因子对不同季节LSTs的重要性。然后,利用模糊层次分析法（Fuzzy analytic hierarchy process,Fuzzy-AHP）评价单个驱动因子对LSTs的贡献度,从而量化各类综合动态驱动因子及其对不同季节LSTs的权重;最后,利用传统统计分析模型和空间统计分析模型对各动态驱动因子与不同季节LSTs进行拟合。该方法为量化各类综合驱动因子,以及研究各类综合驱动因子对LSTs的季节影响提供了一种新的探索思路,对城市热环境规划具有重要意义。通过以上三个方面的研究工作,论文解决了空间不连续、时间不规则的LSTs数据缺失问题,不同空间尺度下时间序列LSTs建模不一致性问题,以及量化各类城市热环境综合动态驱动因子及其对城市热环境的季节性影响问题。为城市热环境研究在LSTs数据缺失、不同尺度LSTs可靠性及动态驱动因子对LSTs季节性影响问题上提供一种新的、有效的解决途径。