摘要
由于土壤水分含量与地球气候和天气以及干旱、洪水或山体滑坡等现象有关，因此对许多科学和专业用户来说都非常宝贵。遥感技术为连续测量这一变量提供了独特的可能性。特别是在农业领域，对高空间分辨率绘图的需求非常强烈。然而，目前可操作的土壤水分产品只有中粗空间分辨率（≥1 公里）。本研究介绍了一种基于机器学习（ML）的高空间分辨率（50 米）土壤水分绘图方法，该方法基于 Landsat-8 光学和热图像、哥白尼哨兵-1 C 波段合成孔径雷达图像以及可在谷歌地球引擎中执行的模型数据的整合。这种方法的新颖之处在于将完全由数据驱动的 ML 概念应用于地表土壤水分含量的全球估算。来自国际土壤水分网络的全球分布式原位数据是模型训练的输入。在独立验证数据集的基础上，得出的整体估算精度（根均方误差和 R²）分别为 0.04 m3-m-3 和 0.81。除了检索模型本身，本文还介绍了一个收集训练数据的框架和一个用于土壤水分绘图的独立 Python 软件包。谷歌地球引擎 Python 应用程序接口为完全基于云的数据收集和检索的执行提供了便利。对于土壤湿度检索，它无需下载或预处理任何输入数据集。
研究区
介绍本研究使用的数据集，即 ISMN 网络的原位数据、S1 背向散射测量数据、Landsat-8（L8）短波反射率和热辐射率，以及全球地表模型 GLDAS 的建模地表参数。分析的重点是 2014 年 10 月至 2020 年中期。谷歌地球引擎（GEE）提供了除 ISMN 以外的所有数据集。训练集包含约 30,000 个样本。研究区域范围原
