地表土壤水分（SM）对荒漠化地区的水文过程和陆地生态系统起着至关重要的作用。土壤水分主动被动（SMAP）卫星等被动微波遥感产品已被证明能很好地监测地表土壤水分。然而，这些产品的空间分辨率较低，缺乏全面覆盖，极大地限制了它们在荒漠化地区的应用。为了克服这些局限性，我们结合多种机器学习方法，包括多元线性回归（MLR）、支持向量回归（SVR）、人工神经网络（ANN）、随机森林（RF）和极端梯度提升（XGB），对 36 千米的 SMAP SM 产品进行了降维处理，并根据植被指数和地表温度等相关地表变量生成了空间分辨率更高的 SM 数据。研究选取了对 SM 敏感的华北荒漠化地区作为研究区域，并制作了 2015 至 2020 年分辨率为 1 km 的日尺度降尺度 SM。
（1）本文使用了MODIS产品MOD09A1、MOD11A1、MOD13A2、MOD15A2H和MCD43D58（表2）。每天 1 公里的 LST 由 MOD11A1 提供，1 公里的 16 天 EVI 和 NDVI 由 MOD13A2 提供。MOD15A2H提供了空间分辨率为500 m的8d叶面积指数（LAI），MCD43D58提供了空间分辨率为30角秒（∼1000 m）的每日反照率数据。一些与土壤湿度相关的指数，包括NDWI、NSDSI和地表水指数（LSWI），是由MOD09A1制作的。
（2）地形因素与SM密切相关，包括海拔、坡度和坡向，从陆地过程分布式活动档案中心 （LP DAAC） 获得
（3）本研究使用的1000 m分辨率土壤数据，包括沙子、淤泥和粘土的比例，使用了从国家青藏高原数据中心获得的中国土壤特征数据集（CSCD）
（4）原位SM测量值是从Maqu监测网络和Babao监测网络提供的数据中收集的。
（5）日降水量和气温数据来自中国气象数据服务中心的131个气象站。
（1）根据选定的变量指标（主要包括地形数据、土壤数据和一些MODIS产品）和机器学习方法，构建了一个基于多种机器学习方法的SMAP SM降尺度框架，选择了目前广泛用于构建SM及其相关变量回归模型的机器学习方法；
（2）首先，所有数据都需要进行预处理。每日 LST 数据可能会受到云的影响，因此我们使用其质量控制 （QC） 波段对MOD11A1产品进行质量控制，并选择高质量的无云像素。所有选定的变量，包括LST、反照率、LAI、NDWI、LSWI、NSDSI、NDVI、EVI、DEM、坡度、坡向、沙子、淤泥和粘土，都以GeoTIFF格式聚合为1 km的分辨率。使用最近邻插值法进一步对这些变量进行重采样，以达到 SMAP SM 数据的空间分辨率 （36 km）；
（3）其次，获取有效样本并进行拆分；
（4）第三，基于训练集和测试集确定回归模型。考虑到样本数量对回归模型的准确性至关重要，我们只选择了样本超过 100 个的时期来构建模型；
（5）最后，对超参数进行转动，并选择最优模型。
结果表明，与原地观测的 SM 数据相比，其性能良好，平均无偏均方根误差值为 0.057 m3 m-3。此外，其时间序列与降水量一致，性能优于常见的网格化 SM 产品。这些数据可用于评估土壤干旱情况，并为扭转研究地区的荒漠化提供参考。
本作品采用
CC BY 4.0 （知识共享 署名 4.0 国际许可协议）进行许可。
CSTR:11738.11.NCDC.FIGSHARE.DB6535.2024
10.6084/m9.figshare.16430478.v6
