La información sobre la temperatura de la superficie terrestre (LST) juega un papel crucial en los estudios ambientales, ya que proporciona datos esenciales para comprender los patrones climáticos, evaluar la salud de los ecosistemas y predecir cambios ambientales. Comprender la relación entre los tipos de cobertura del suelo y la LST es fundamental en todas las disciplinas que manejan datos de LST. Ayuda a los investigadores a identificar tendencias en el calentamiento global, olas de calor y efectos de enfriamiento, que pueden influir en la biodiversidad, la agricultura y los recursos hídricos. La precisión de los cálculos de LST depende en gran medida de la calidad de los datos utilizados. Sin embargo, la mayoría de los datos térmicos satelitales utilizados para las estimaciones de LST tienen una resolución espacial baja. Este estudio tiene como objetivo explorar la compleja interacción entre los tipos de cobertura del suelo, considerando factores como la proporción y los efectos de vecindario, y el recálculo de LST integrando la LST estimada de la banda térmica de Landsat y la clasificación de imágenes de Spot. Se empleó un modelo de aprendizaje automático para cuantificar la contribución de cada píxel de Spot a la LST estimada a partir de datos de TIRS, clasificándola como calefacción o enfriamiento. Los distritos de Al Morjan y Al Hamra en Jeddah, Arabia Saudita, se utilizaron como estudios de caso. Los resultados mostraron que las imágenes de Spot lograron una precisión de clasificación de más del 95%, mientras que las imágenes de Landsat no superaron el 77%. Los factores promedio de calefacción y enfriamiento de los píxeles vecinos fueron 1.06 y 0.96, respectivamente. El estudio demuestra la mejora en la distribución espacial de la LST, con aumentos de temperatura en todas las clases de cobertura del suelo. Los hallazgos de este estudio podrían ayudar a identificar desequilibrios ambientales y desarrollar soluciones efectivas.