遥感空间降尺度：10+2篇论文与资源清单

完整中文导读

一份遥感空间降尺度（GeoAI 中仍存争议的用例）的论文与资源清单，共收录 10 篇主列表加 2 篇来自评论的补充，含 ESA OpenSR 开放模型、权重、pip 包与 Colab 笔记本。

中文整理

作者 / 来源：Milan Janosov (@milan_janosov) · 原文时间：2026年10月20日 15:08（北京时间）

原作者信息要点

作者Milan Janosov整理了一份关于遥感空间降尺度的论文与资源清单，共10+2项，称该主题仍很受欢迎，但在GeoAI应用中仍有一定争议。

清单第1至5项分别为：遥感中的降尺度；卫星地表温度（LST）降尺度；卫星遥感土壤湿度空间降尺度综述；粗分辨率卫星产品空间降尺度的理论与实际问题概述；将1000米卫星热红外影像降尺度到10米（Python）。

第6项评估使用Sentinel-2和Sentinel-3进行高分辨率蒸散发估算的可行性；第7项在Google Earth Engine中结合Landsat 8与Sentinel-2生成城市环境更高分辨率地表温度图；第8项为对地热卫星影像锐化的数据挖掘方法；第9项为用于极端地理空间降尺度的生成对抗模型；第10项为TAUT，一种基于遥感的地形自适应U-Net Transformer，用于温度高分辨率时空降尺度。

评论补充的第11项为Donike等人使用潜在扩散模型对多光谱Sentinel-2影像进行可信超分辨率（ESA OpenSR），提供开放模型、权重、pip包和Colab笔记本；第12项为Kustura等人利用多源数据和深度学习进行高分辨率地表温度缺值填补，链接指向MDPI Remote Sensing 17卷2期318。

作者列出的争议点包括：降尺度不产生新测量，细节须来自更锐利的源，如10米光学波段引导1公里热影像，否则细节是生成的而非测量的；术语陷阱在于遥感和气候科学中的降尺度指走向更细分辨率，即机器学习领域通常所说的超分辨率；应始终要求误差棒，每个降尺度产品都应附带对真实高分辨率测量的验证和不确定性图。

作者给出完整清单链接、Substack文章链接及“The New Science of Maps”网站，图片署名Mahyar Aboutalebi博士。

本站整理与观察

本站整理：该材料是一份资源汇总帖，未展开各论文的方法细节、数据或定量结果，因此无法据此核验各方法的性能。

本站观察（推论）：作者将降尺度定位为“流行但有争议”的GeoAI用例，其核心关切是生成细节与实测细节的区分，以及验证与不确定性披露；这一立场属于作者观点，材料未提供支持或反驳的具体实验数据。

本站观察（推论）：清单覆盖土壤湿度、地表温度、蒸散发、热影像锐化和超分辨率等方向，并包含传统方法与深度学习/生成模型方法，但材料未说明筛选标准或各项资源的详细程度。

材料为社交媒体式清单帖，仅含标题、链接和作者概括性评论，未提供各论文的摘要、数据、实验设置或定量结论；无法核实链接可访问性及各资源内容，也无法验证作者关于争议点的论断。第6至10项未附单独链接，仅第11、12项给出具体地址。所有观察均为本站推论，不构成对方法有效性的判断。