Este documento presenta una estrategia de optimización de detección de cambios semi-supervisada como un medio para mitigar la dependencia de los algoritmos no supervisados/semi-supervisados en etiquetas pseudo. Se aprovecharon los beneficios del Marco de Autoentrenamiento Balanceado por Clases (CBST) y Deeplab V3+ para mejorar la precisión de clasificación para un análisis adicional de la temperatura de superficie terrestre (LST) de microsuperficie, como lo indica el mapa de diferencia de detección de cambios obtenido mediante la detección de alteraciones multivariadas reponderadas iterativamente (IR-MAD). Las estadísticas de evaluación revelaron que el esquema de optimización DE_CBST logra resultados de detección de cambios superiores. En comparación con los resultados de Deeplab V3+, el indicador de precisión mostró una mejora del 2.5%, mientras que el indicador de comisión exhibió una reducción del 2.5%. Además, en comparación con los del marco CBST, la puntuación F1 mostró una notable mejora del 6.3%, y el indicador de omisión exhibió una disminución del 8.9%. Además, la optimización DE_CBST mejora la precisión de identificación del agua en áreas inalteradas sobre la base de los resultados de clasificación de Deeplab V3+ y mejora significativamente el efecto de clasificación en tierras desnudas en áreas cambiadas sobre la base de los resultados de clasificación de CBST. Además, se extraen las siguientes conclusiones de la discusión sobre la correlación entre las categorías de objetos en el suelo y la LST a escala fina: (1) la correlación entre las categorías de uso del suelo y la LST tiene buenos resultados en el ajuste del modelo GTWR, lo que muestra que la LST local tiene una alta correlación con el rango correspondiente de la categoría de uso del suelo; (2) los cambios de la LST local fueron generalmente consistentes con los cambios de la LST general, pero la evolución de la LST en diferentes regiones aún presenta cierta heterogeneidad, lo que podría estar relacionado con el tamaño de la región de LST local; y (3) la LST local y la categoría de uso del suelo de las celdas de cuadrícula correspondientes no mostraron una relación de correspondencia completamente consistente. Al discutir la LST local, es necesario considerar el cambio en la LST general, los tipos de uso del suelo alrededor de la región y el grado de interacción entre los objetos de superficie. Finalmente, se explorarán futuros experimentos a través de más series temporales de LST y datos de uso del suelo.