土壤水分是陆表系统中的关键变量之一，是地—气交互、能量交换、水分交换等诸多过程中的重要因子，对表层土壤水分的快速准确监测在气候系统、生态系统和水文水资源管理应用领域中有着非常大的作用^［1-2］。传统土壤水分获取是基于站点传感器网络实测得到的^［3］，但网络建立维护成本高，耗时耗力，且覆盖范围有限，不能全面反映土壤水分的空间分布特征；现代卫星遥感技术的发展为土壤水分的监测带来了技术支持，其以连续性、及时性、周期性和低成本全覆盖等优势被广泛用于土壤水分的观测反演中^［4-5］。

遥感土壤水分反演可基于光学、热红外和微波多种遥感方式。光学遥感获取土壤水分一般利用Landsat和MODIS等光学卫星的多光谱数据，构建温度植被干旱指数或三角形特征空间来估算土壤水分^［6-7］；热红外遥感获取土壤水分一般是考虑物理过程，结合能量平衡方程，通过地表温度^［8］或者热惯量^［9］等参数建立与土壤水分的关系。这两种方法均易受云雾影响，相比之下微波遥感具有较长的波长，以穿透能力强、不易受云雾干扰、全天时全天候观测的绝对优势，能为大范围的土壤水分观测提供有效的技术手段。根据其工作方式，微波遥感又可分为主动微波遥感和被动微波遥感，被动微波手段更为常用，其通过建立亮温数据与土壤水分的关系进行土壤水分的估算^［10］。综合而言，被动微波遥感获取的土壤水分精度较为可靠，成为现在土壤水分获取的主流技术手段，目前发布的卫星土壤水分产品绝大多数是通过被动微波探测反演得到。

微波土壤水分卫星产品多种多样，早期有SMM/I、TMI微波成像仪和AMSR-E微波辐射计等传感器，接着SMOS卫星平台上的MIRAS传感器和GCOM-W1平台上的AMSR-2传感器又丰富了土壤水分产品的获取途径，同时国内风云三号（FY-3）气象卫星的土壤水分产品也受到很大关注。以上均为被动微波土壤水分产品，分辨率都在几十公里左右。最新发射的主、被动传感器联合对地观测卫星（SMAP）同时搭载有主被动微波传感器，可同时获取不同高低分辨率的土壤水分产品。但由于之后其主动雷达传感器损坏，仅获得了短期的小于10 km分辨率的土壤水分产品。总的来看，现在被广泛应用的土壤水分产品分辨率低，难以满足流域内水文水资源等数据的应用需求^［11］，而土壤水分降尺度方法正是解决此问题的可行手段之一^［12］。

近些年关于土壤水分降尺度的研究越来越多，总结来看，降尺度方法大概分为两大类：基于参量统计的降尺度方法与基于时空融合模型（STF）的降尺度方法。基于参量统计的降尺度方法一般利用地表温度、植被指数和反照率等地表参量的高分辨率遥感数据，在粗尺度上建立多元线性回归模型模拟土壤水分与这些地表参量之间的关系，将其应用到细尺度上从而预测高分辨率的土壤水分。现在应用较为广泛的是Piles等^［13］基于温度、植被指数和微波极化亮温数据与土壤水分构建的回归降尺度模型。在此基础上，王安琪等^［14］选择温度变化率和NDVI植被指数建立了与土壤水分的变化关系从而实现了降尺度过程。同时，基于Sandholt 等^［15］提出的温度与植被指数之间的经验关系形成的三角形特征空间或者梯形空间^［16］， TVDI等一系列指数被用于土壤水分的降尺度研究中，如曹永攀等^［17-19］的一系列降尺度研究。另外，Merlin等^［20-21］从土壤水分蒸散发的物理角度结合辐射传输模型提出了DISPATCH降尺度方法，并证明了该方法在不同区域、不同地表和气候环境下的精度表现良好。为了更好地模拟土壤水分与温度、植被等相关变量间的复杂关系，机器学习算法也被广泛应用于降尺度关系模型的建立当中。Alemohammad等^［22］利用神经网络模型将36 km SMAP全球土壤水分产品降尺度到2.25 km；Wei等^［23］采用梯度提升决策树回归（GBDT）表达土壤水分与辅助变量之间的非线性关系，获取了青藏高原地区的高精度、高分辨率土壤水分数据；Cui等^［24］首次将广义回归神经网络模型用到青藏高原土壤水分降尺度中并取得了较好的精度。上述基于参量统计的降尺度方法的基本假设是建立的土壤水分与辅助数据之间的降尺度关系在高低分辨率上是一致的，不存在尺度差异；而且此方法会受制于辅助数据的质量，在不同区域的应用效果也不一样。

无需辅助数据输入的时空融合模型的发展日益成熟，诸如STARFM、ESTARFM和STNLFFM等多种时空融合模型被相继提出^［25-27］，并在反射率、地表温度等地表环境变量的数据融合中有广泛的应用^［25-26］。以反射率为例，不同遥感卫星可以获取不同时空分辨率的反射率产品，时空融合模型则借助于一组或多组高低分辨率基底数据对，融合不同卫星产品数据的时、空互补信息，估算同时具有高空间和高时间分辨率的遥感数据。Jiang等^［28］基于SMAP 36 km和9 km的高低分辨率数据产品，根据土壤水分自身的时空变化特征，首次将STNLFFM应用于土壤水分降尺度工作中，完成了长时序全球范围内9 km土壤水分的生产。此方法的优势是无需借助任何外来辅助变量，结合土壤水分自身的时空变化规律获取高时空分辨率的产品。运用基于STF的降尺度方法需要使参考时刻高低分辨率数据之间的对应关系在预测时刻依然成立，所以当预测时刻的地表环境变化时，对应关系应当发生改变，否则预测的降尺度结果精度将下降。

综上所述，两类降尺度方法的过程和数据源都存在差异，有着不同的适用场景。因此，构建一种有效的整合方式获取更高精度的土壤水分降尺度结果是值得探究的。实验以美国俄克拉荷马州为研究区域，以SMAP卫星数据和MODIS等多种辅助数据为基础，采用应用广泛的随机森林机器学习方法作为典型的参量统计模型，开展了基于辅助数据的随机森林降尺度方法和基于时空融合模型的降尺度方法降尺度实验，实现了SMAP 36 km低分辨率土壤水分数据到9 km分辨率的降尺度转换。在此基础上，以地表分类数据为支撑，分析了两种方法得到的结果之间的差异，提出了一种混合降尺度方法去获取更高精度的高分辨率土壤水分产品。

选取美国中南部的俄克拉荷马州作为研究区域，其位于33°35′~37°00′ N，94°29′~103°00′ W之间。如图1所示，州内地势平缓，西北高，东南低，河流众多。该地区属温带大陆性气候，年平均气温约为15.5 ℃。区域内有多种地表用地类型，适合作为土壤水分降尺度研究区域。

土壤水分站点实测数据具有较高的精度，往往作为验证卫星土壤水分产品及其降尺度结果精度的参考数据。实验用到的站点数据来源于俄克拉荷马州西南部的密集站点网络，它由美国农业部农业研究局（ARS）的实验室建立，称为ARS Micronet，其可以为科学家研究水土保持、水质和流域水文等问题提供长期的数据支持。此站点网络现有正常工作站点35个，每个站点均可监测地下5、25和45 cm深度的土壤含水量。为了与卫星土壤水分测量的深度相当，实验选取了5 cm深度的站点监测数据。图1描述了研究区的站点分布情况。

SMAP即土壤水分主动被动观测卫星计划，由NASA在2008年发起，于2015年1月卫星发射升空并于同年4月开始接收数据。SMAP卫星同时搭载有L波段主动雷达和被动微波辐射计，且L波段被认为最适宜土壤水分反演^［29］，因此其可以同时获得高分辨率主动雷达数据和低分辨率被动微波辐射数据进行土壤水分反演，且只需2~3 d便可进行一次全球范围的土壤湿度观测^［30］。SMAP团队共生产了3种不同分辨率的土壤水分产品：①仅根据SMAP被动微波极化亮温数据反演的36 km土壤水分产品，其精度高，但空间分辨率低；②仅根据 SMAP 雷达后向散射系数反演的3 km土壤水分产品，其精度低，但空间分辨率高；③根据SMAP主、被动观测数据协同反演的9 km土壤水分产品，其精度和空间分辨率均适中。然而2015年7月，由于雷达传感器故障停止运作，只采集了近3个月的科学数据，因此SMAP的3 km和9 km数据产品在2015年7月7日之后便停止更新。

中分辨率成像光谱仪（MODIS）是NASA地球观测系统中的主要仪器，广泛应用于陆地、海洋、大气研究。与很多土壤水分降尺度研究类似，实验使用的辅助数据是Terra星获取的MODIS Version 6科学数据。具体地，实验中用到的降尺度辅助数据包括MODIS的MOD09A1地表反射率产品、MOD13A2植被指数产品和MOD11A2地表温度产品。其中，MOD09A1地表反射率产品可提供8 d合成的500 m分辨率1~7波段地表反射率值；MOD13A2 植被指数产品可提供16 d合成的1 km分辨率NDVI数据； MOD11A2地表温度产品可提供8 d合成的1 km地表温度数据。之所以用到8 d合成的产品，是因为其相比大尺度的产品具有更高的精度和稳定性，保证了数据质量。此外，这3种数据已经过几何校正，大气校正等处理，均为正弦投影的瓦片数据，需下载覆盖研究区域的所有瓦片数据，利用HEG软件进行拼接和投影转换，在ArcGIS中进行对应区域的裁剪，然后重采样到与土壤水分数据一致的36 km和9 km空间分辨率。

另外，实验使用了DEM地形数据和地表分类数据，其中DEM地形数据来源于NOAA发布的全球1 km DEM高程产品（https：∥www.ngdc.noaa.gov/），地表分类数据来源于美国农业部制作的地表分类数据集（https：∥www.nass.usda.gov/）。与一般地表覆盖数据不同的是，其着重于对已开发土地类型特别是农业用地类型的划分。如图2所示，其主要分为耕种地、非农业用地、农业—城市用地、商业用地和水体；其中耕种地按被耕种比例不同又被分为75%以上被耕种，51%~75%被耕种，15%~50%被耕种和15%以下被耕种4类。

实验聚焦于2015年4月13日至7月7日这段时间，此时SMAP卫星同时具有36 km土壤水分产品SM_P_36和9 km土壤水分产品SM_AP_9两种卫星观测反演数据。由于早上 6：00近地表温度还未受到太阳照射等影响，空间均一化程度较晚上18：00高，反演的土壤水分产品精度也更高^［31］，因此实验选用早上6：00降轨土壤水分产品和对应的MODIS Terra卫星的温度和植被等数据进行降尺度研究，并选择此时刻站点监测的土壤水分值进行精度验证分析。

对于常用的基于参量统计的降尺度方法，实验采用广泛应用的随机森林算法进行土壤水分与辅助数据之间的关系模拟，发展了一种结合随机森林与时空融合降尺度方法的混合降尺度方法。降尺度方法流程如图3所示。

对于土壤水分（SM）与辅助数据之间的降尺度关系，现在应用最多的是Piles等^［13］基于光学热红外遥感辅助数据建立线性的相关关系，其表达式如下：

它主要考虑地表温度（LST）、植被覆盖度（FVC）和亮度温度（TB）3种因素对土壤水分的影响，利用多元线性回归来建立对应关系。然而土壤水分的蒸散发过程与地表相关环境变量之间关系非常复杂，通过简单的线性回归模型无法准确对其进行模拟。因此，实验借鉴了Hu等^［32-33］关于随机森林在土壤水分降尺度中的研究，使用随机森林模型来建立土壤水分与环境变量之间的复杂关系，并加入了地理位置信息如经度（lon）、纬度（lat）、地形高程（DEM）和反射率数据（reflect）等更多地表环境变量，其表达式如下：

其中：fRF即表示随机森林训练得到的土壤水分与多辅助数据之间的关系。随机森林算法由Breiman于2001年提出^［34］，以决策树为基本学习器，进行多棵树的集成，具有较强的泛化能力并防止过拟合。每个决策树生成都是基于随机有放回地选取出的N个样本进行的，一个样本代表着某个像元位置处的土壤水分值SM及其相对应的LST，NDVI等辅助数据变量。每个像元最终的土壤水分预测值则是所有回归树计算的预测值的平均值。考虑到SMAP卫星每天只能获取一定轨道上的数据，研究区域内单天的有效数据量较小，因此将研究时段多天数据整合在一起，通过十字交叉验证在36 km分辨率上建立具有最高精度的随机森林模型，将此模型应用到9 km高分辨率辅助数据上预测对应的高分辨率土壤水分。

SMAP卫星因同时搭载有主被动微波传感器而具有较高分辨率的9 km产品SM_AP_9，因此SMAP数据可以提供高分辨率基底数据来作为时空融合模型的数据基础。在9 km高分辨率土壤水分数据的支撑下，Jiang等^［27］利用基于非局部滤波的时空融合模型进行了全球长时序9 km土壤水分产品的生产。具体过程为：以SMAP 36 km和9 km数据生成高低分辨率基底对，以每天的36 km数据作为输入，通过时空融合模型的预测即可得到每天9 km的高分辨率土壤水分数据。该过程涉及两个关键步骤：高低分辨率基底数据对的生成及时空融合模型的建立。

时空融合模型中的高低分辨率基底数据对需要具有相似的空间分布和一致的空间范围，考虑到SMAP卫星数据在一个周期内每天获取的轨道数据不同，且精确重访周期为8 d，所以参照Jiang等人^［27］提出的基底数据生成方法生成研究区内具有最全空间覆盖的36 km和9 km基底数据对。

对于时空融合模型的建立，首先假设36 km尺度上建立的时序关系可以应用到9 km尺度上。一般先求出每天输入的36 km数据与36 km基底数据的时序变化关系，此关系同样也适用于9km数据，一般表示为公式（3）和（4）。式（3）建立了36 km尺度上的时序关系，P_36(x,y,t1)表示目标时刻t1输入的36 km数据，P_36(x,y,t0)¯表示36 km的土壤水分基底数据；式4则是将式（3）的时间关系应用到9 km尺度上，AP_9(x,y,t0)¯表示9 km的土壤水分基底数据，STF_9(x,y,t1)表示目标时刻t1通过时空融合模型预测得到的9 km土壤水分。

土壤水分不仅具有时间相关性，同时也具有空间相关性。其意思即为在一定大小的邻域窗口中，寻找具有相同时序变化的相似像元，通过它们与目标像元的相似度确定合适的权重来辅助目标像元9 km土壤水分的估算，表达式如下：

对于相似像元的筛选、权重的确定和求解过程，可以参考Jiang等^［27］的做法。这样便可建立出相应的时空融合模型预测得到每天的高分辨率土壤水分产品。

对比以上两种方法，基于RF的降尺度方法借助了更多的辅助遥感数据信息，多期地表环境变量如LST、NDVI等数据可以比较实时地反映地表的状态，从而指示地表土壤水分的分布状况；基于STF的降尺度方法则从土壤水分自身出发，考虑其在空间和时间上的变化信息，不借助任何外来数据即可改善土壤水分的时空分辨率，可以得到与原始9 km产品更加一致的降尺度结果。但由于土壤水分产品SM_AP_9的自身限制，只能提供一个基底数据对，随着时间的变化，当预测时刻外界环境变化时，高低分辨率基底数据之间的空间关系在预测时刻可能并不成立，精度就会下降。因此在地表分类数据的支持下，选取对土壤水分影响最明显的耕种地表，根据不同的被耕种比例体现出的不同地表变化情况，本研究针对两种方法之间的适用场景差异提出了一种基于加权思想的混合降尺度方法：在不同耕种比例的地表下，将基于RF的结果与基于STF的结果赋予不同的权重进行逐像元的加权计算，以期得到更高精度的土壤水分降尺度产品。本文提出的加权模型的表达式如下：

式（6）中SMRF、SMSTF、SM分别表示基于RF、基于STF的土壤水分降尺度结果和加权混合后的降尺度结果。W是一个二维权重矩阵，用于引导基于RF、STF的降尺度结果的逐像元加权结果的好坏。W根据不同耕种比例的地表情况来确定。

研究区的地表分类数据从农业被耕种比例的角度被分为75%以上被耕种、50%~75%被耕种、15%~50%被耕种和15%以下被耕种4种耕种比例，耕种比例越大，说明此地表受人工干预程度越大。具体地，对于研究区的每个像元xij，基于RF的结果SMRF的权重Wij与对应观测点处地表的人工干预程度成正比，即人工干预程度越大，Wij越大。因此Wij根据被耕种的比例来设定，如下所示：

对于每天的基于RF的结果和基于STF的结果，逐像元地寻找对应的地表分类情况，从而寻找到相应的Wij值，即可计算对应像元处的基于加权思想的混合降尺度方法所得的结果。

前文详细介绍了基于RF、基于STF的降尺度方法和一种基于加权思想的混合降尺度方法，本节以9 km卫星数据SM_AP_9为参考，定量比较了3种降尺度结果与SM_AP_9的空间分布相似性，并分析了不同地表分类下基于RF和STF的降尺度结果的精度差异，最后以ARSMirconet站点实测数据作为依据对降尺度结果进行定量精度评价。

为了观察整个区域较为完整的降尺度土壤水分空间分布，将6月30日~7月7日8天的降尺度结果进行平均得到其空间分布，如图4所示。从图4中看出，3种降尺度土壤水分的空间分布趋势与原始36 km产品SM_P_36和9 km产品SM_AP_9大致相同，从西北到东南方向土壤水分逐渐增加。从空间细节信息来看，基于STF的结果细节信息最丰富，混合降尺度结果次之，基于RF的结果细节信息最弱。通过前文不同降尺度方法的过程可知，基于RF的结果主要取决于高分辨率下辅助数据的空间分布，而对于LST、NDVI等地表数据，实验过程中将它们重采样到9 km，使其空间分布变得较为平滑，对于已经训练好的降尺度模型来说，辅助数据的平滑分布也会导致高分辨率的降尺度结果空间分布较为平滑。而基于STF的降尺度方法主要考虑高低分辨率土壤水分数据之间的映射关系，且9 km的基底数据有着较为丰富的细节信息，所以基于STF的结果局部细节信息比较明显。基于加权思想的降尺度结果整合了前两种方法的结果，因此，其细节信息介于两者之间。从空间覆盖方面来看，基于RF的结果空间覆盖度更加完整，因为此方法得到的降尺度结果主要取决于辅助数据的质量，如果无云雾影响，辅助数据覆盖完整，就可以得到空间覆盖全面的降尺度结果；而基于STF的结果空间缺失较为严重，这是因为高分辨率9 km基底数据的空间缺失会导致对应预测的降尺度结果缺失。从图4（c）和4（d）中也可以发现，两种降尺度结果在不同地方具有不同缺失。当将两种降尺度结果整体结合起来时，可以得到图4（f），当某个像元的两种降尺度结果都有值时，进行加权结合；当某个像元只有一种降尺度结果有值时，混合降尺度结果即用此值代替；当两种降尺度结果均没有值时，这时混合降尺度结果也会有相应缺失。因此，结合随机森林与时空融合的降尺度方法可以得到细节信息丰富，空间覆盖完整的降尺度结果。

为了定量比较不同降尺度结果与原始产品SM_AP_9的空间分布相似性，将SM_AP_9作为参考，利用常用的R、RMSE、bias、ubRMSE精度指标^［27］进行评价。当R值越大，RMSE、bias、ubRMSE指标越小时，说明降尺度结果与SM_AP_9的空间分布越相似，越具有可比拟SMAP自身9 km产品的潜力；反之，R越小，RMSE、bias、ubRMSE指标越大时，说明降尺度结果与原始SM_AP_9的空间分布越不相近。表1列出了3种降尺度结果每个指标所有天有效值的平均值。

从与SM_AP_9的空间相似性评价结果中可以发现，基于RF的结果和基于STF的结果所得指标差异较大，因为两者降尺度原理不同，基于RF的结果更与SM_P_36产品相似，而基于STF的结果更与SM_AP_9产品相似，且SM_P_36产品与SM_AP_9产品本身的空间分布具有差异，所以两种降尺度的空间分布会有比较大的不同。因此，在与SM_AP_9的空间分布相似性比较时，基于RF的结果整体上要弱于基于STF的结果。同时，从表1中可以看出，混合降尺度结果整体上要高于基于RF和STF的降尺度结果，除了基于STF的结果具有最小的bias偏差指标，另外3个指标都显示混合降尺度结果具有最高的相似性，如此便证明了实验提出的基于加权思想的混合降尺度方法的可行性，可以得到与SMAP原始9 km产品SM_AP_9空间分布更相似的结果。

从前文基于RF的降尺度方法和基于STF的降尺度方法的过程和数据源分析可得，基于RF的降尺度方法和基于STF的降尺度方法在不同地表分类情况下的精度表现会有差异。在每个像元处，以每天9 km的真实产品SM_AP_9为参考，可计算出各像元处SM_RF和SM_STF相对于SM_AP_9的偏差绝对值，较小的偏差值代表其对应方法的预测值更接近于真实产品SM_AP_9。当基于RF的降尺度方法预测更接近时，此像元值用1代替；当基于STF的降尺度方法预测更接近时，此像元值用0代替。根据这一规则，即可计算出每个像元处的86 d对应值的总和，这个和值即代表每个像元处基于RF的降尺度方法占优势天数的总和。当总和越大时，说明基于RF的降尺度方法更占优势；总和越小时，则基于STF的降尺度方法更有优势。

图5展示了研究区域内各个像元基于RF的降尺度方法占优势的天数总和的分布情况。颜色越深的区域代表总和越大，颜色越浅的区域代表总和越小。从图中可以看出，图中浅色区域占比较大且较为聚集，说明基于STF的降尺度方法全局上要好于基于RF的降尺度方法。对比其与图3的地表分类图，发现呈深绿色的区域与地表分类图中的深绿色部分空间分布较为一致，集中在中部区域和左上方区域，且这些地方为耕种比例大于50%的区域；在耕种比例小于50%的区域中，总和也较小。因此在耕种比例越大时，基于RF的降尺度方法占优势的天数越多，精度越高，印证了前文提出的基于加权思想的混合降尺度方法的可行性。

当以站点实测数据为参考真值，进行9 km降尺度结果的评价时，其评价方法是比较某一像元处，降尺度结果的时序土壤水分与站点观测得到的代表此像元的时序土壤水分之间的相似性。之所以与站点进行时序评价，是因为站点所代表的空间尺度很小，站点的实测值并不能很好地表征对应像元处的土壤水分；而且卫星与站点的土壤水分探测深度也存在一定的差异，进行时序评价能较好地弱化这些因素的影响，使得精度评价结果更可靠。

在时序评价过程中，当某个像元内只存在一个站点时，直接将此站点的观测值作为像元的真实观测值与降尺度结果进行时序数据评价；当一个像元内存在多个站点时，则取多个站点的平均值作为像元的真实观测值与降尺度结果进行时序数据评价。表2是基于35个站点数据进行总体时序评价所得的各个精度指标值。

从表2中可以看到，与站点实测数据相比，3种降尺度结果4个指标的精度都比原始产品SM_AP_9高，说明降尺度结果相比SM_AP_9更有优势，利用降尺度结果替代SM_AP_9是可行的。接着对比3种降尺度结果，可以发现基于加权方法的降尺度结果精度是最高的，这说明结合随机森林和时空融合两种降尺度结果能够进行优劣互补，得到更高精度的降尺度结果。

同时，为发现不同地表下降尺度结果之间的精度差异，将站点与对应像元下的地表分类数据相匹配，计算每类地表下的站点实测值SM_site与基于RF的结果SM_RF和基于STF的结果SM_STF之间的偏差绝对值Bias_RF和Bias_STF，以Bias_RF为横坐标，以Bias_STF为纵坐标，制作散点分布图，如图6所示。当散点位于1∶1线下方时，代表SM_STF的结果相对于站点精度越高；当散点位于1∶1线上方时，代表SM_RF的结果相对于站点精度越高。为了更直观地说明问题，统计了4个散点图中的位于1∶1线上下方的点数及其占总点数的比例，如表3所示。

图6中的散点图6（a）~图6（d）依次表示被耕种比例的下降即人工干预程度的减小，此时位于1∶1线下方的点的占比呈现逐渐增加的总体趋势，同时从表3中看出，位于1∶1线下方点数的占比依次是0.384、0.493、0.447和0.511，定量反映了整体上逐渐增加的趋势，说明随着人工干预程度的减小，基于STF的结果占优势的点数占比越来越大，基于RF的结果占优势的点数占比越来越小。这表明了基于RF的结果和基于STF的结果在不同地表下存在精度差异，为进行两者的混合提供了支撑。

最后计算不同地表下，3种不同降尺度结果与站点实测数据形成的时序数据对之间的平均绝对值误差（MAE）指标，如表4所示。

从表4中可以看出，在不同地表分类下，相比两种单一方法的降尺度结果，混合降尺度结果均具有最小的误差，说明其精度最高，证明了基于加权混合的降尺度方法在不同地表分类下都具有最高的效果，具有可行性。

被动微波遥感获取的低分辨率土壤水分极大地限制了其在生态、气候及农业等方面的应用研究，如何获取高精度、高分辨率的土壤水分产品则成为一个重要的研究领域。以美国俄克拉荷马州为研究区域，针对SMAP卫星数据产品，借助于多种遥感辅助数据，进行了基于随机森林和时空融合模型的降尺度实验。结合以上两种降尺度方法的数据源和降尺度过程，发现基于RF的降尺度方法更加依赖于辅助数据，而基于STF的降尺度方法受初始AP 9 km数据的影响较大。因此，在地表分类数据的支持下，以地表的不同变化程度为切入点，在不同的地表区域对基于RF的降尺度方法和基于STF的降尺度方法进行了比较分析，根据精度差异规律提出了一种基于加权思想的混合降尺度方法。

实验结果表明，在不同被耕种比例的区域中，被耕种比例越大，说明地表受到的人工干预程度越大，基于RF的结果的精度优势更明显，而其他区域基于STF的结果表现更优。同时将3种降尺度结果进行定量精度评价可知，基于加权思想的降尺度结果在在空间分布上有着较为丰富的细节信息，与SMAP 9 km真实观测数据SM_AP_9的空间相似性最高，与站点时序评价的精度也最高，由此也证明了本研究提出的基于加权思想的混合降尺度方法的可行性。

然而，实验使用的两大类降尺度方法也有一定的缺陷：基于辅助数据的随机森林降尺度方法是基于低分辨率下建立的降尺度模型同样适用于高分辨率下的数据的理想假设，且辅助数据的升尺度过程也会产生误差；而基于时空融合模型的降尺度方法受制于基底数据的数量和质量，对于长时序的降尺度结果预测可能不准。同时，实验提出的基于加权的混合方法仅定性化地考虑了各个像元处的耕种比例（人工干预程度），未来也可以从LST、NDVI等辅助数据形成的子空间等角度去建立某种定量指标以反映地表的变化程度，结合此指标比较两大类基础降尺度方法的差异从而进行有效结合。