遥感传感器需要权衡遥感影像的宽幅和象元大小（空间分辨率），这使得目前在轨的卫星影像很难获取大面积高时空分辨率遥感影像。通常来说，光学遥感影像分为两类，一是高时间分辨率影像，比如Modis、AVHRR、SeaWiFS,它们可以获取每天的影像信息，但是其空间分辨率较低，从500米到几千米不等；二是高空间分辨率影像，比如OLI，ASTER，但是它们的时间分辨率较低，为16天。目前，时间与空间分辨率权衡最好的是Sentinel-2遥感影像，其空间分辨率为10米，时间为5天（表1）。
但是，对于大面积的山区和丘陵地区，具有很强的空间异质性和复杂性，常年多云多雾，即使是Sentinel-2数据，也很难获取大面积多景不同时期的遥感影像，而Modis等高时间分辨率的遥感影像很难在这里复杂地区使用，其这阻碍了土地利用覆被监测，而时空融合算法是克服卫星的限制的有效工具（图1为时空融合的生产示意图）。
作者（朱孝林）通过比较现有的几十种时空融合算法，综述性的阐述了这些算法的类别、原理、利弊以及时空算法现存在的问题。通过归纳，将其分为了5类，即基于分解、基于权函数、基于贝叶斯、基于机器学习以及混合模型（表3）：
这些方法都遵循以下规律：1.运用线性混合模型；2.具有空间相关性（图2），具有时间相关性（图3）
时空融合算法在农业、生态、土地利用分类有广泛的应用前景，但是其受到一些限制：1.不同传感器之间的差异很大，特别是无人机和卫星之间的差异难以填补，需要进一步讨论；2.几何配准是时空融合算法的主要误差，以后的算法可以减少几何配准对算法的影响；3.土地覆盖变化在数据融合时段发生时难以被监测到，深度学习有望在这方面做出突破；4.没有建立时空算法评价的准则和标准数据，难以对现有的算法做出客观评价。现有的评价方法是利用决定系数R2、均方根误差RMSE、相关系数r、绝对系数、相对系数、空间细节为评价指标，数据可以利用Emelyanova在2013年公布的数据进行对比，进一步建立基础标准数据用于算法比较；5.时空融合算法是基于像素级的对比融合，其融合效率较低，结合同质性像素、基于块状融合、利用高级编程设计是提高效率的途径。
