青藏高原有“世界屋脊”之称，平均海拔高于4 000 m，雄踞亚洲东部，是中纬度大气环流中庞大的阻碍物 ^［1］。由于特殊的地理位置和地貌特征，青藏高原在东南亚季风的形成演化和全球气候系统的大气环流中有着重要影响，同时也是我国和东南亚地区生态和气候系统稳定的重要屏障^［2］。而作为地表水存储的重要组成部分，土壤水分既是地表—大气能量交换的关键参数之一，也是影响生态稳定和农业生产的重要因素，高空间分辨率的土壤水分有助于加深对水文过程的理解、改进降雨和蒸散发的估算、提升灾害预警能力，在当地和区域的农业管理、土壤侵蚀建模方面也至关重要^［3］。因此获取高空间分辨率的土壤水分对青藏高原地区的水文过程研究、生态环境保护和生产生活等方面都具有重要的意义。

目前青藏高原地区的土壤水分获取方法主要分为实地测量、陆面水文过程建模和遥感技术手段。陆面水文过程建模可以获得大面积的深层土壤水分信息，但模型估算土壤水分存在很大的不确定性^［4］。地面测量虽然可以进行逐点的观测，获得中小尺度的高精度土壤水分信息，但观测成本高、空间上非常稀疏，在人难以到达的地区无法进行地面观测，不能满足实际应用的需求^［5］。遥感技术为土壤水分区域性“面”信息的获取提供了有效途径。随着遥感技术发展，卫星的空间分辨率、重访周期不断提高，遥感手段已成为了大面积监测土壤水分的主流方法。其中微波遥感可以穿透云雾和小雨，不受天气的影响，具有较强的全天候、全天时的工作能力，且微波对地物具有穿透性，对地表土壤水分相对敏感，主/被动微波遥感是土壤水分遥感反演的有效手段。

微波遥感中，被动微波遥感利用土壤的微波发射率进行土壤水分反演^［6-7］，常用于土壤水分反演的卫星有多通道扫描微波辐射计（Scanning Multichannel Microwave Radiometer， SMMR）、高级微波扫描辐射计/地球观测系统（Advanced Microwave Scanning Radiometer for EOS， AMSR-E）、风云三号卫星（FengYun-3B/C/D， FY-3B/C/D）、土壤湿度与海水盐度卫星（Soil Moisture and Ocean Salinity mission， SMOS）和土壤水分主被动探测卫星（Soil Moisture Active and Passive， SMAP）等。被动微波遥感虽然对土壤水分敏感，时间分辨率高，但其空间分辨率低。目前，国际上已有的被动微波土壤水分产品如AMSR-E/2、FY-3B/C/D、SMOS、SMAP等卫星土壤水分产品空间分辨率主要为25—40 km，无法满足水文气候建模和农业、水资源管理的应用需求。

主动微波遥感向目标发射电磁波，利用回波信息分析地物的特征，土壤水分会直接影响地表土壤的介电常数，介电常数与后向散射系数间有着本质关系，由此可通过后向散射系数反演出土壤水分信息。相较之下，主动微波遥感既可以全天时、全天侯进行工作，又能较大范围地获取更精细尺度的地表信息，在区域精细尺度土壤水分监测方面具有潜力，越来越多的学者尝试利用主动微波遥感进行土壤水分反演研究。

由于青藏高原特殊的气候环境和地理位置，一些研究针对该地区利用主动微波遥感开展了土壤水分反演工作。如武胜利等^［8］基于积分方程模型（Integrated Equation Model， IEM）和一阶植被散射模型，利用不同时相的TRMM/PR数据获取了土壤水分变化量信息，该工作结果表明ku波段范围内的TRMM/PR数据在一定程度上也可以反映青藏高原地区的土壤水分变化情况，不同站点反演值的均方根误差小于0.07 m³/m³。王建明^［9］基于简化的地表散射模型，利用ERS-l/2散射计的前、中天线以不同入射角观测目标的特点，用单时相的不同入射角观测数据发展了估算裸露地表土壤水分绝对值的算法，反演结果与实测值的相关系数为0.6—0.7，标准偏差约为0.04 m³/m³。在此基础上，结合水云模型（Water-Cloud Model， WCM）校正了植被的影响，估算了青藏高原地表土壤水分的时空分布，土壤水分估值的季节变化与研究区的降雨分布/水气输送路线也较为一致。上述工作都是基于粗尺度的雷达和散射计估算土壤水分，空间分辨率为公里级。随着主动雷达技术的发展，一些学者在青藏高原地区开展了更精细尺度的土壤水分研究。如Xu等^［10］用简单的线性表达式表征了裸土地表散射和土壤水分之间的关系，并用水云模型描述了植被的影响，基于简化的水云模型，利用中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer， MODIS）的反射率数据和Sentinel-1观测数据估算了青藏高原中部地区的土壤水分，空间分辨率为500 m。土壤水分估算值与实测值之间的均方根误差小于0.07 m³/m³，但该线性模型属于经验模型，算法缺乏一定的普适性。Wang等^［11］基于半经验模型Oh模型，利用ALOS PALSAR-2 ScanSAR成像模式数据估算了优化后的的裸土地表粗糙度参数，并基于改进的水云模型，估算了植被的有效散射反照率和地表土壤水分，土壤水分反演值与地面测量值之间有较高的一致性。需要注意的是，虽然已有不少研究利用主动微波在青藏高原地区估算了土壤水分，但目前的研究工作中空间分辨率多在百米或公里级以上。

针对流域尺度水文过程、气象灾害预警、区域农业管理等所需的更精细的田块尺度土壤水分的反演研究仍然相对较少。此外，为了便于反演，一些研究^［10-11］多采用应用范围有限的经验或半经验模型模拟裸土散射特征，而青藏高原地域广阔，地表条件复杂，这种方法不适合较宽地表粗糙度范围的大区域尺度土壤水分反演。

综上所述，获取青藏高原地区高空间分辨率的土壤水分信息在科学研究和生产生活方面都具有重要价值。因此，为了满足区域尺度研究的需求，获取青藏高原地区高空间分辨率的土壤水分，本文基于Sentinel-1 合成孔径雷达（Synthetic Aperture Radar， SAR）数据，结合微波散射模型，利用神经网络方法发展青藏高原地区高空间分辨率（20 m）土壤水分反演算法，以期为后续青藏高原地区的科学研究提供数据支撑。

青藏高原被誉为“第三极”，在地球的能量平衡中起着重要作用。本文使用的地面观测数据主要依托于“青藏高原积雪深度连续自动观测网络数据集”^［12］的站点观测值，站点主要位于青藏高原的中东部和南部，地形相对平坦，海拔高度在3 500—4 800 m，观测点所在的地表覆盖类型均为稀疏低矮的高寒草原，其地理位置见图1。

Sentinel-1卫星是欧空局哥白尼计划中的地球观测卫星系统，其数据具有以下特点：①时间分辨率高，单颗卫星的重访周期为12 d，两颗卫星组成星座，其重复周期可缩短至6 d；②空间分辨率高，最高可达5 m；③成像模式多，有单极化和多极化等不同的极化方式，成像系统采用4种成像模式，可精确确定卫星的位置和姿态角；④相较于其他的雷达数据，Sentinel-1数据可以免费获取，数据更新较快^［13］。因此研究选取Sentinel-1 SAR数据进行青藏高原地区高空间分辨土壤水分反演的研究。

Sentinel-1卫星雷达的主要工作方式是干涉宽幅（Interferometric Wide swath， IW）模式和波浪模式（Wave Model），陆地上的默认模式为干涉宽幅模式，波浪模式主要用于获取海洋参数，另外还有条带成像（Stripmap Model， SM）模式和超宽幅（Extra Wide swath， EW）两个附加模式^［14］。Sentinel-1雷达传感器的每一种模式都可以生成4种产品：Level-0级产品、Level-1级SLC产品、Level-1级GRD（Ground Range Detected）产品和Level-2级OCN（Ocean）产品，对于波浪模式，不提供Level-0和Level-级产品。

采用Sentinel-1数据为干涉宽幅模式下的Level-1级GRD数据，空间分辨率可达20m，数据由Copernicus Open Access Hub （https：∥scihub.copernicus.eu/）提供。根据研究区气候条件下载相应地区的2017、2018 年地表非冻结期间（5月—10月）的影像数据，数据的详细信息见表1。

研究主要利用ESA提供的SNAP软件对Sentinel-1雷达数据进行了预处理，主要包括多视处理、辐射定标、地形辐射校正等。多视处理中距离向与方位向的视数设置为2，经多视处理，影像像元的空间分辨率约为20 m。地形校正过程中的DEM数据来自于SRTM （Shuttle Radar Topography Mission）DEM产品。最后根据地面站点的地理位置信息提取相应的VV极化和VH极化下的Sentinel-1后向散射系数和局部入射角。

由于植被会影响植被覆盖地表的雷达观测信号，土壤水分反演时需要考虑植被的影响。目前归一化植被指数（Normalized Difference Vegetation Index， NDVI）已被广泛应用于表征植被状况，并用于量化植被对土壤表面后向散射的影响^［15］。尽管有研究指出NDVI在植被高覆盖区容易饱和，但本文的研究区植被稀疏，全年的NDVI最大值不超过0.6，饱和效应可以忽略。因此，利用NDVI表示植被的生长状况，以考虑土壤水分反演中植被的影响。由于高空间分辨率的光学数据Landsat 8、Sentinel-2在研究区时间分辨率较低，受云影响严重，研究时段内的完整性较差。此外，研究挑选了2018年5月25日云量较少的Sentinel-2数据，与同一天的MODIS NDVI数据做比较，发现MODIS与Sentinel-2位于站点所在像元的NDVI差值为0.012 7，差异非常小，几乎可以忽略。因此研究选用了MODIS双星的 MOD13Q1、MYD13Q1产品的 NDVI数据来校正雷达土壤水分反演中的植被影响。该数据是16 d日合成的连续、无云产品，两数据集结合后时间分辨率为8 d。虽然MODIS的NDVI产品空间分辨率为250 m，与处理后的雷达数据存在一定的空间差异，但本文的研究区地势相对平坦，地表覆盖类型均为稀疏低矮的高寒草原，均一性较好。

根据研究区站点的经纬度信息，研究下载了与雷达数据相近时间段的MOD13Q1、MYD13Q1影像，MODIS数据具体时间跨度为2017年4月23日至11月1日、2018年4月23日至11月1日。由于研究获取的雷达数据影像时间与 MODIS 数据影像时间并不完全一致，所以在选取雷达影像数据对应的NDVI值时以时间最近为原则。最终，大部分站点的每组雷达数据与MODIS数据时间差不超过1 d，最大不超过4 d。

对MODIS数据按经纬度0.002 5°间隔重采样，并提取出观测站点所在像元的NDVI。受云、大气等影响，NDVI 时序数据中有不规则的锯齿状波动，通过Savitzky-Golay滤波对NDVI时序数据的不规则波动进行了平滑。

地面站点的实测数据来自“青藏高原积雪深度连续自动观测网络数据集”^［12］，该观测网络每个站点都配有SR50A 超声波测距传感器、Model 109 温度传感器和 Hydra Probe II 土壤多参数传感器，每10 min一次获取2 m空气温度、积雪深度、土壤温度、5 cm深度的土壤水分（体积含水量）、土壤电导率和土壤复介电常数。经分析，数据集中土壤体积含水量精度约为3%，土壤温度精度约为0.6 ℃。

提取研究区站点数据集中与雷达观测时间最接近的实测土壤水分和地表温度数据，时间差小于5 min。由于站点分布较为稀疏，雷达数据量较大，处理较为繁琐，因此，研究选取了雷达影像上较为集中的5个站点（曲麻莱、查拉坪、那曲、纳木错、玛沁）的观测数据进行卫星反演验证与分析。剔除地表温度为负值的数据后获得了5个观测站点2017年和2018年地表非冻结期间5月—10月的101组卫星、实测数据。由于地面测量数据和雷达卫星影像的缺失，各观测站数据量不一致，曲麻莱观测站21组（2017年11组，2018年10组），查拉坪观测站18组（2017年12组，2018年6组），那曲观测站24组（2017年15组，2018年9组），纳木错观测站25组（2017年16组，2018年9组），玛沁观测站缺失2018年的地面测量数据，只有2017年间的13组数据可用。文中利用2017年的数据集调整算法阈值和训练，2018年的数据用于测试与检验算法。

近40 a来，有许多学者致力于研究自然随机地表的雷达散射特征，建立有关雷达入射角、极化方式、土壤介电常数及地表粗糙度的函数关系来表示地表的微波散射特征。目前土壤水分反演研究中应用最广泛的裸露地表微波散射模型是高级积分方程模型（Advanced Integrated Equation Model， AIEM）^［16］，该模型是对IEM模型^［17］的改进，模型去除了原来IEM模型中对格林函数的近似，使补偿场的振幅和相位恢复到了精确值，并改进了Fresnel反射系数。AIEM模型能够描述从光滑的地表到较粗糙的地表的散射特征，提高了模型模拟的结果和精度，模型中对于单次散射模型可以描述为：

AIEM虽然可以较准确地模拟裸露地表VV极化及HH极化的后向散射系数，但在交叉极化后向散射中，多次散射占主导作用，仅考虑单次散射的AIEM模型交叉极化模拟值偏低^［18］，许多研究会结合AIEM和Oh模型^［19-21］分别模拟同极化、交叉极化后向散射系数^［22-23］。

在植被覆盖地表，雷达信号还会受植被吸收和衰减作用的影响，植被的存在会降低微波对土壤水分的敏感性，因此在土壤水分反演过程中需要校正植被的影响。植被覆盖地表常用的散射模型主要有水云模型^［24］和密歇根微波冠层散射模型（Michigan Microwave Canopy Scattering， MIMICS）^［25］，其中水云模型是零阶模型，对植被刻画简单，输入参数少，实施比较方便，能简明地表达植被层的后向散射情况，被广泛应用于草地和农作物等低矮植被。本文研究区的植被类型为低矮、稀疏的草原，结构简单，因此选用校正后的水云模型刻画植被对雷达信号的影响。

水云模型中假设：①植被层由许多大小、形状相同的散射微粒组成；②植被和土壤间的多次散射项可以忽略。最终传感器接收到的后向散射系数可以分为两部分：植被的直接散射项和经植被两次衰减的土壤后向散射项，具体公式如下：

其中：σ0、σveg0和σsoil0分别表示雷达接受的后向散射系数、植被的直接散射项和裸土的后向散射项，文中σsoil0利用AIEM和Oh模型模拟得到。γ2是植被的双程透过率，VWC是植被含水量，利用NDVI进行估算，由于NDVI与VWC之间的经验公式只适用于特定的植被类型、高度等条件，因此本文参考其他学者在青藏高原地区的相关工作，按下式进行估算^［7］：

A、B参数数值大小取决于植被类型和冠层结构，在以往研究^［26-28］中多采用经验值，为了更准确地校正植被影响，本文将基于水云模型，利用卫星观测和实测数据获得优化的A、B参数。

基于主动微波遥感进行土壤水分反演的主要方法有变化检测法^［29-30］、基于物理模型的反演方法^［31］和机器学习方法^［32-35］等。其中机器学习方法，尤其是人工神经网络在土壤水分反演中的应用不受传统模型的限制，可以有效地解决各种非线性问题，近些年在土壤水分的研究中得到了广泛应用。其中BP（Back Propagation）神经网络是一种误差反向传播的多层神经网络模型，模型简单易用，可以构成任意复杂的判别函数，是目前应用最为广泛的神经网络模型。研究利用BP神经网络算法描述雷达参数和地表参数之间复杂的非线性关系。

由于机器学习方法依赖于训练数据，仅依靠野外测量和卫星观测的样本点难以满足典型地表的范围，因此本文结合微波散射模型模拟数据集来扩充训练数据集，以增强训练数据的代表性和反演过程的物理性。基于观测与模型模拟数据集，借助于人工神经网络方法来训练雷达观测后向散射系数与土壤水分之间的非线性关系，进一步反演地表土壤水分。

研究思路为：首先将裸露地表与植被覆盖地表的电磁波散射模型耦合，即将AIEM模型与Oh模型结合，用于描述裸露地表不同极化的后向散射系数，采用零阶的植被散射模型—水云模型描述植被的散射特征。由于水云模型中未知参数A、B的值取决于植被的类型和结构，因此研究利用地面观测站点的土壤水分、站点所在像元的植被含水量、雷达观测数据来校正水云模型中的A、B参数，获得水云模型中A、B参数的最优值。然后基于参数优化后的水云模型建立不同雷达入射角、土壤水分、植被覆盖度、粗糙度情况下的地表散射模拟数据。将该模拟数据和部分实测数据作为神经网络算法的训练集进行训练测试以进一步反演土壤水分。

青藏高原的土壤主要是壤质土或砂质土^［9，36］。土壤介电常数模型Dobson模型中统一取土壤中砂土含量为35%，粘土含量为20%，参考世界土壤数据库的土壤质地类型数据^［37］，土壤容重设置为1.61 g/cm³。根据Sentinel-1过境时的土壤温度实测均值，土壤温度设置为10 ℃，频率取Sentinel-1的中心频率5.405 GHz。设置均方根高度与相关长度的初始值分别为0.8 cm和8 cm，这两个参数迭代区间分别为0.1—3 cm，1—20 cm。利用2017年期间的67组卫星观测与实测数据，构建模型模拟后向散射系数与雷达观测后向散射系数间的代价函数，基于代价函数最小化准则，用Nelder-Mead优化方法^［38］分别求解VV极化和VH极化下参数A、B的最优解，同时得到一组优化的地表粗糙度参数。最终得到研究区最优的均方根高度与相关长度均值为0.4 cm、5 cm，VV极化下A、B参数最优解分别为0.019和0.183，VH极化下A、B参数最优解分别为0.003和0.173。

利用2017年的实测数据、卫星观测数据对参数优化后模型模拟能力进行验证。结果如图2所示，优化后模型模拟的站点雷达后向散射系数与Sentinel-1卫星观测值在时间序列上的比较。经统计，在VV极化下观测值与模拟值相关系数为0.98，相比于VV极化，VH极化对土壤水分的响应相对较差，对植被、粗糙度的敏感性更高，因此拟合度稍差，但相关系数达到0.87，两种极化下的均方根误差都比较小，总体而言，参数优化后的模型能较好地表征研究区站点的地表散射特性，可进一步用于土壤水分反演。

为了增强反演方法的物理机理，文中利用4.1节中参数优化后的微波散射模型在有效的地表参数范围内进行模拟，建立模拟数据集用以神经网络的训练与测试。其中土壤水分、雷达入射角、植被含水量的相应范围根据实测数据和观测数据设定，地表相关长度和均方高度的取值范围根据4.1节中的优化结果设置。

同时为了使模拟数据库具有广泛的适用性，可以表征更广泛地表、卫星参数条件下的后向散射特征，模型输入参数应取较宽的范围。文中模拟所用的具体参数及取值范围如表2所示。

图3显示了由表2参数范围模拟获取的土壤水分和雷达后向散射系数的散点图以及5个站点的地面实测土壤水分和卫星观测的后向散射系数的散点分布。可以看到两种极化情况下，实测土壤水分与对应的Sentinel-1雷达后向散射系数均处于模拟数据的范围内，说明模型模拟的数据库能够有效地表征研究区内的地表散射特征。该数据库既涵盖了研究区地表条件下的土壤水分和对应的雷达后向散射系数，具有较广的数值范围，能够适用于研究区地表参数的反演。

利用BP神经网络模型反演土壤水分，模型由输入层、隐藏层和输出层组成。输入层的神经元接受外界信息，通过中间隐藏层的各神经元，将信息传递给输出层的各神经元，进行信息的正向传递，若输入层的实际输出与期望的输出不符，则进行误差反向传递，修正各层神经元的权值，直到输出的误差减小到可接受的程度或达到设定的学习次数。本文最终目的是根据卫星观测值得到土壤水分信息，因此对神经网络模型输入端参数设为：VH 极化后向散射系数、VV 极化后向散射系数、植被含水量和雷达入射角；输出参数设为土壤水分。

为了兼顾反演算法的精度和普适性，从模拟数据库中随机选取1/2的模拟数据，从实测数据集中随机选取37组数据，用模拟数据和实测数据共同构建训练数据集^{［34-35，39］}。以剩余的1/2模拟数据作为测试数据集，对神经网络进行训练。为了提高训练效率，使网络快速收敛，避免数据的数值问题，在训练时先对训练集进行归一化，再进行BP人工神经网络训练。经多次实验测试，选取最优组合，最终神经网络结构确定为含有两个隐藏层，每层分别有10与8个隐藏神经元。隐藏层传递函数采用正切S型函数，输出层传递函数选用线性传递函数。训练函数采用有动量的梯度下降法。

对已经确定结构的模型进行多次训练，用2017年的所有实测数据对每次的训练结果反演验证。以反演结果的相关性系数、均方根误差、偏差作为依据，选择反演效果最好的训练结果。根据训练结果，2017年的土壤水分实测值与模拟值间相关系数约为0.784，均方根误差较小，为0.064 m³/m³，土壤水分估算偏差约为-0.009 m³/m³。

利用2018年的数据对算法进行检验，土壤水分反演值与实测值的相关系数为0.82，均方根误差为0.052 m³/m³，该结果表明利用Sentinel-1数据在青藏高原地区反演高精度、高空间分辨率的土壤水分有较大潜力。从相关系数等指标看，2018年的验证结果要优于2017年，这是因为反演算法在玛沁站点的效果较差（2017年的验证结果中R仅为0.526），2018年的验证数据缺少玛沁站点的观测，因此验证的总体精度得到了提升。

图4中土壤水分在高值区被低估，在低值区被高估。经统计低估的验证点均来自查拉坪站，被明显高估的验证点主要来自纳木错站。这可能与站点的粗糙度误差有关，地表粗糙度的高估会使反演的土壤水分值偏低^［40-41］，低估站点的粗糙度则会使反演的土壤水分偏高。也有研究指出，低值区土壤水分被高估，高值区土壤水分别低估可能是雷达在不同湿度土壤中穿透深度的差异造成的^［42］。此外，纳木错站离纳木错湖较近，而模型模拟并未考虑水体的影响，这可能会导致反演土壤水分高估的现象。

图5展示了各个站点反演得到的土壤水分与实测土壤水分的时间序列图。在不同站点、不同时间段，反演算法有不同的表现。在那曲观测站除2017年5月外，反演土壤水分与实测土壤水分变化趋势具有较高的相关性。纳木错站点在2017年7月至10月上旬、2018年6月至10月的反演精度较高，土壤水分反演值与实测值的变化趋势也较为一致。曲麻莱站点在整个研究期内反演误差都较小，反演精度较高，反演值能捕捉到实测土壤水分的变化。玛沁站点由于地面实测数据缺失，只有2017年时间段的验证，但在7月至10月中旬时间段内的土壤水分反演值和实测值有很好的一致性。反演算法在查拉坪站点的误差较大，但反演值与实测值的变化趋势相似，相关系数大于0.5。

表3统计了各观测站的反演精度（土壤水分实测值与土壤水分反演值的相关系数R、均方根误差RMSE、偏差Bias）以及实测土壤水分与卫星观测雷达后向散射系数的相关性（土壤水分分别与VV、VH极化后向散射系数的相关系数R_vv、R_vh）。我们发现对于各观测站，其反演精度在一定程度上受该站点实测土壤水分和雷达后向散射系数的相关性影响。那曲、曲麻莱站点土壤水分与雷达VV极化的观测值之间有较高的相关性，其站点土壤水分的反演精度也相对较好。均方根误差大、反演精度较差的查拉坪、纳木错站点，其R_vv、R_vh也较低。同时图5和表3的结果表明，在研究期内大部分站点的反演结果都存在低估现象，这可能与地表粗糙度参数的误差有关。此外随着土壤水分变大，雷达后向散射系数对土壤水分变化的敏感性逐渐降低^［43］，这也会使算法在土壤水分较大站点（如查拉坪站）的反演值偏低。土壤水分反演值低估的具体原因，还需在后续工作中收集更多的实测地面参数进一步探究。

上述的基于神经网络的土壤水分反演算法，经地面观测检验效果较好。因此研究利用该算法开展了区域土壤水分的应用。考虑到算法的适用性，选择以观测站为中心，对观测站周围1 km范围的区域进行土壤水分反演，以探究基于Sentinel-1的区域土壤水分反演合理性与可行性。图6—7分别是2017年7月12日纳木错和那曲区域、2017年7月16日玛沁、查拉坪区域、2017年6月3日曲麻莱区域空间分辨率为20 m的土壤水分、VV极化雷达后向散射系数空间分布。从结果来看，各个地区土壤水分的空间变化与VV极化的雷达后向散射系数的空间分布响应较好，土壤水分呈现出了较大的空间异质性，高空间分辨率的土壤水分空间分布图显示了较多的空间细节信息。该方法在获取区域高空间分辨率的土壤水分研究中具有一定的潜力。

青藏高原地理位置、地貌特征特殊，高空间分辨率的土壤水分对该地区在全球水循环与能量循环等研究中有重要作用。本文基于Sentinel-1数据、MODIS归一化植被指数和土壤水分地面观测数据，结合水云模型，AIEM模型和Oh模型，利用BP神经网络算法反演了青藏高原部分地区的高空间分辨率土壤水分，并对其进行了验证。主要结论如下：

（1）微波散射模型模拟数据的加入增强了BP神经网络算法在土壤水分反演过程中的物理性，土壤水分反演值与地面实测值具有较高的相关性，其相关系数为0.784—0.82，总体均方根误差小于0.064 m³/m³。时间序列上，土壤水分反演值能够捕捉到实测值的变化趋势。

（2）C波段的Sentinel-1雷达数据在获取青藏高原地区的高空间分辨率土壤水分方面具有一定的潜力，高空间分辨率（20 m）的Sentinel-1土壤水分反演值能够在空间分布上能够表征更多的土壤水分细节信息。

此外，本文的研究中仍存在一些不足，如：青藏高原中东部地区有较为丰富的土壤有机碳，本文所用的土壤介电常数模型未考虑有机碳的影响；由于缺乏实测的植被含水量数据，模型中估算植被含水量方法在研究区并未得到有效的验证；地表粗糙度是影响土壤水分反演的主要因素之一，文中缺少野外的粗糙度实测数据，这对模型优化具有一定影响，可能会进一步影响土壤水分的反演精度。目前论文中使用的观测站点稀疏、数量较少，优化的水云模型参数在大区域内的普适性存在一定限制。此外，MODIS数据空间分辨率粗，在地形、植被状况变化剧烈的区域，NDVI与雷达数据存在一定的空间尺度差异。下一步工作还需考虑上述因素，进一步优化大尺度下高空间分辨率土壤水分的反演算法，以期提高高空间分辨率土壤水分反演精度。