古尔班通古特沙漠SMAP土壤水分产品降尺度分析

薛智暄，张 丽，王新军，李永康，张冠宏，李沛尧

（1.新疆农业大学资源与环境学院，新疆 乌鲁木齐 830052；2.新疆土壤与植物生态过程实验室，新疆 乌鲁木齐 830052）

土壤水分(Soil Moisture，SM)作为全球水循环的重要组分，通过蒸发控制着大气圈的水文学循环和气候变化，是控制地球各圈层内部水能量交换的重要参数之一［1］；同时土壤水分通过生态系统水胁迫来降低总初级生产力(Net Primary Productivity，NPP)，导致植被死亡，是影响陆地碳吸收的重要因素［2］；因此，准确获取土壤水分信息是研究陆地生态系统水碳循环的一个关键问题。目前获取土壤水分的途径有直接方法和间接方法。直接方法即传统土壤水分观测方法，主要利用探针或重量测量法在小范围内测量土壤水分。无法获取大范围高时相土壤水分信息。相较于计重采样等地面测量的传统方法，利用卫星遥感探测土壤水分信息的手段具有很大的优势。其中微波遥感由于具有穿透能力强、与土壤水分具有较强的物理联系等特点，而成为监测土壤水分信息的主要手段之一［3-4］。目前，众多卫星平台搭载了微波传感器且基于微波的土壤水分产品也达到了较高的反演精度，如主被动观测结合的SMAP 卫星、土壤水分海洋盐度SMOS 卫星、Sentinel 系列主动微波卫星以及AMSR2、SMAP土壤水分产品等。基于微波的土壤水分产品往往时间分辨率较高，可大范围、高时相获取土壤水分信息，但其空间分辨率较低（数千米到数十千米），不能很好的表达强异质性区域的土壤水分。

被动微波土壤水分空间降尺度是获取高时空分辨率土壤水分产品的有效途径。被动微波降尺度方法是采用模型确定低空间分辨率微波像元值与高空间分辨率地表信息两者之间的关系，并借此实现空间分辨率的提高［5-7］。有研究表明，降尺度因子往往选择NDVI、LST 以及数字高程模型DEM 作为降尺度因子构建经验降尺度模型［8-9］，但是对于古尔班通古特沙漠稀疏植被区，植被指数易受裸沙影响，严重限制了对土壤水分关联关系的表达。因此对于干旱区沙漠稀疏植被区，找到一些与土壤水分有更好的关联关系降尺度因子是实现降尺度的关键环节。

本文以古尔班通古特沙漠为研究区，基于随机森林算法，在优化修改型土壤调整植被指数（Modified Soil Moisture Vegetation Index，MSAVI）基础上提出EMSAVI 指数，构建适用于沙漠环境特征的土壤水分降尺度模型。将综合考虑稀疏植被和裸沙的新土壤水分降尺度模型与传统降尺度模型进行对比，探索新的降尺度模型对SMAP 土壤水分产品降尺度的合理性，实现高时空分辨率土壤水分的探测。以期为干旱区土壤水分降尺度的研究提供思路，为荒漠生态系统碳汇研究提供重要的数据支撑。

1 材料与方法

1.1 研究区概况

古尔班通古特沙漠（44°15′～46°5′N，84°50′～91°20′E）位于准噶尔盆地中部、玛纳斯河流域以东及乌伦古河以南地区（图1）。是中国第二大沙漠，面积约4.88×104km2［10-11］，属温带干旱荒漠区，是新疆北部典型的沙漠生态系统［12］。全年降水量70～150 mm，受冬季融雪水入渗补给、春季降水入渗补给和蒸散发的共同影响，春季为土壤水分补给期（湿季），夏季为土壤水分耗损期（干季），蒸发量约为2000～2800 mm，年均气温7.19 ℃，土壤以风沙土为主，容重1.54～1.65 g·cm-3［13-15］。沙漠内部大部分为固定和半固定沙丘，固定沙丘上植被覆盖度大约30%～50%，半固定沙丘大约达15%～25%［16-17］。融雪水和春季降水作为古尔班通古特沙漠植被生存的主要水分来源，占全年降水的65%以上［18］；冬季有稳定积雪且稳定积雪日100～150 d，积雪的消融下渗为春季短命植物的生长提供了有利的条件，受此影响春夏季短命植物生长旺盛［19-21］。

图1 研究区概况示意图Fig.1 Schematic diagram of the study area

1.2 数据来源

1.2.1 土壤水分数据 SMAP 土壤水分数据采用SMAP 增强型全球每日9 km 土壤水分产品（SMAP Enhanced L3 Radiometer Global Daily 9 km EASEGrid Soil Moisture，V004，下文简称为SMAP L3），反映0～5 cm土壤深度的平均含水量，单位为cm3·cm-3，上午（降轨）和下午（升轨）的星下点过境时间分别为当地时间早上06：00 和下午18：00。由于近地表土层和植被覆盖的热平衡和均质大气环境在上午的时候更接近地表真实情况［22］，选择该产品的降轨数据作为粗分辨土壤水分。通过降水量变化和研究区已有的研究结论［23］，并考虑SMAP L3数据覆盖完整情况，分别选取2018 年湿季、干季中4 月15 日和8 月24 日的土壤水分作为检验新旧降尺度模型估算土壤水分的验证数据，探索方法的可行性。

1.2.2 遥感数据 MODIS 数据以MOD09A1 的8 d

合成反射率产品为基础，计算NDVI、RSBI、EMSAVI数据；地表温度数据选用MOD11A1 日地表温度产品（https://ladsweb.modaps.eosdis.nasa.gov）。

1.2.3 地形数据 SRTM(Shuttle Radar Topography Mission)，由美国太空总署(NASA)和国防部国家测绘局(NIMA)联合测量，能够提供60°N～56°S 的高分辨率地表高程数据。研究使用的是SRTM DEM 30 m分辨率高程数据（https://earthexplorer.usgs.gov/）。

1.3 研究方法

1.3.1 随机森林算法 众多研究已经讨论了集成学习方法(如随机森林)来解决遥感中的分类和非线性回归问题［24-26］。随机森林（RF）由Breiman［27］提出，是一种用途广泛、高度灵活的机器学习算法，通过bootstrap重采样技术从原始样本中抽取并生成训练样本子集，然后根据训练样本集生成多个决策树，最终通过决策树的投票分数确定结果［28-29］。根据算法的自适应性质，RF在确定自变量和因变量之间复杂的非线性关系方面具有优势［30-31］，与其他机器学习方法相比，随机森林抗过拟合能力强，异常值和噪声的容忍度高［32］。此外，模型内置了特征重要性评价机制，拥有较强的模型可解释性，变量重要性评分（Variable Importance Measures，VIM）用以计算每个特征在随机森林中的每棵树中所做出的贡献，通常选择基尼系数（Gini index）或者袋外数据误差(Error of out-of-bag,EOOB)进行衡量，评价公式如下：

式中：N为OOB 样本个数；Ŷ( )Xi为给定样本Xi时，RF模型的预测数据；Yi为实际数据。

首先计算每棵决策树EOOB1，然后对特征M 随机加入噪声，并再次计算袋外数据误差EOOB2，由此得到特征M的重要性（VIMM）计算式：

式中：n为随机森林中的树的数量。

若给某个特征随机加入噪声之后，袋外数据误差大幅度提高,则说明这个特征对于数据的预测结果影响很大，即此特征重要性较高。因此，本文基于随机森林算法整合多元参数来反演土壤水分。

1.3.2 土壤水分降尺度模型构建 目前，随机森林算法的土壤水分降尺度模型，往往是基于土壤水分与植被盖度、地表温度三者之间关系的理论基础［9］。与土壤水分有密切联系的辅助数据作为降尺度因子，如地表温度、植被指数、地形因子等，其中NDVI和地表温度被广泛使用。然而，相关研究表明，土壤水分不仅受到植被盖度影响，而且受到地表盖度类型和土壤属性的影响［33-34］。故在传统降尺度模型中降尺度因子的基础上，考虑稀疏植被和裸沙的环境特征，增加了与荒漠土壤水分关联性更高的EMSAVI与RSBI分别作为反映研究区植被盖度和裸沙分布状况的降尺度因子，构建干旱区土壤水分降尺度模型。

（1）增强型修改土壤植被指数(EMSAVI)

植被指数利用光谱信息实现对植被状态信息的表达，如NDVI可定量地评价植被盖度、生长活力及生物量等。但NDVI 对土壤和植被的敏感度不同，在植被密度低的地区，NDVI 受土壤背景影响较大，会忽略部分植被信息；在植被密度高的地区，NDVI 则会出现光谱饱和现象。而改进的植被指数(MSAVI)整合了土壤背景状况和大气调整因子，使用MSAVI 能使植被指数固有的背景“噪声”降到最小，便于消除植被冠层信息及土壤背景的影响［35］。

式中：BNIR为近红外波段的反射率；BR为红波段的反射率。有研究表明，只有2 个波段组成的植被指数因有显著的相关性，而导致构建的模型不稳定［36］，故提出EMSAVI。

式中：BNIR为近红外波段的反射率；BR为红波段的反射率；BSWIR为短波红外波段的反射率。有研究发现，短波红外波段对土壤水分变化具有重要指示作用且对土壤水分反演精度提升有一定价值［37］且与可见光和近红外相比，BSWIR对背景的敏感度较小［38］，故在MSAVI 基础上引入对土壤水分敏感度更高的短波红外波段，得到EMSAVI，减少植被冠层及沙漠对土壤水分探测的影响，最终提高植被指数与土壤水分的相关性。

（2）比值沙地亮度指数(RSBI)

RSBI 指数综合红波段、短波红外与绿波段3 个波段的光谱信号，增强了光谱信息，该指数通过计算沙地反射率最高与最低波段间的比值，进一步扩大波段间差异范围，从而在影像上提高了沙地与非沙地识别的灵敏度［39］。

式中：BSWIR表示短波红外波段的反射率；BR表示红波段的反射率；BG表示绿波段的反射率。

利用随机森林采用非线性函数FR算法建立EMSAVI、NDVI、RSBI、DEM 及LST 与 土 壤 表 层 水 分(SM)之间的相互关系：

SM=FR(EMSAVI,NDVI,RSBI,DEM,LST) （6）

基于SMAP被动微波土壤水分的干旱区表层土壤水分降尺度技术路线如图2所示。

图2 技术路线图Fig.2 Flowchart of the downscaling procedure in this study

降尺度模型构建步骤如下：

（1）将1 km 分辨的EMSAVI、NDVI、RSBI、LST和DEM 数据重采样至9 km 分辨率，与9 km 空间分辨率的SMAP土壤水分数据的像元进行匹配。

（2）将9 km空间分辨率的SMAP土壤水分数据作为目标，升尺度后得到的EMASVI、NDVI、RSBI、LST 与DEM 数据作为降尺度因子，组成2 种组合使用随机森林进行训练，在9 km空间尺度上构建降尺度因子与土壤水分之间的映射关系，利用土壤水分数据对新旧降尺度模型进行精度验证并对比，检验新构建模型在干旱区荒漠的适用性并通过一些评价指标对精度验证结果进行评价。

（3）将高分辨率降尺度因子重采样至1 km 空间分辨率，并应用于降尺度模型中，得到1 km 空间分辨率土壤水分数据。

1.3.3 评价指标 本研究选取一些典型的评价指标对基于随机森林的新旧土壤水分降尺度模型进行精度评价，指标包括：决定系数R2（Coefficient of Determination）、均方根误差（Root Mean Square Error，RMSE）、局部二值模式（Local Binary Pattern，LBP）和皮尔森相关系数（Pearson Correlation Coefficient，r）。计算公式如下：

式中：SHi和SYi分别为9 km降尺度数据和9 km土壤水分产品的LBP 值；LBPC为降尺度数据与原始产品像元差值的绝对值之和。

2 结果与分析

2.1 降尺度因子与土壤含水量的相关性分析

对5个降尺度因子与表层（0～5 cm）土壤水分计算斯皮尔曼相关系数及显著性检验，进而分析干、湿季土壤含水量与不同降尺度因子之间的相关性。如表1所示，湿季土壤含水量与各降尺度因子相关性为：EMSAVI（-0.34）＞LST（-0.31）＞RSBI（-0.25）＞NDVI（0.08）＞DEM（0.07），而传统模型中降尺度因子之一的NDVI相比增加的光谱指数表现出较弱相关性（r=0.08），低于EMSAVI（-0.34）与RSBI（-0.25），且与土壤水分间无显著相关；干季土壤含水量与各降尺度因子相关性为：DEM（-0.59）＞LST（-0.47）＞RSBI（-0.42）＞EMSAVI（-0.37）＞NDVI（-0.21）。干、湿季的降尺度因子相关系数与改进后降尺度因子相比，LST具有较强的相关性，产生该现象的主要原因是地表温度对水分蒸发起决定性作用，通常情况下地表高温区域(或裸沙区域)土壤水分含量较低；DEM在干季时表现较强的相关性，原因可能是该降尺度因子是通过对气温和植被的影响来间接影响土壤水分含量，干季时降水较少继而导致DEM对表层土壤水分的影响大幅提高；NDVI 在干旱区沙漠稀疏植被区对土壤水分的指示作用较小，表明传统降尺度模型在荒漠地区适用性较弱。

表1 降尺度因子与土壤含水量相关系数Tab.1 Correlation coefficient between environmental variables and soil water content

综上所述，本模型新增的EMSAVI（r湿=-0.34、r干=-0.37）、RSBI（r湿=-0.25、r干=-0.42）均高于传统模型中NDVI 与土壤水分的相关系数（r湿=-0.08、r干= -0.21），表明添加的EMSAVI 和RSBI 对荒漠土壤水分有较好指示作用且效果优于NDVI，选择的降尺度因子具有合理性。不同降尺度因子与表层土壤水分的相关性表现出不同的稳定性，EMSAVI、RSBI 和LST 在干湿季中与表层土壤水分的相关系数结果中具有较强的稳定性，DEM 和NDVI 则受干湿季影响较大，稳定性较差。

2.2 降尺度因子重要性分析

在非线性关系构建过程中，随机森林算法能够根据输入因子即降尺度因子建立模型，并提供每个降尺度因子的重要性。重要性越大，说明该变量对模型的影响越大。由图3可知，干、湿季降尺度因子重要性总体均值表现为：DEM（39.3%）＞LST（18.9%）＞EMSAVI（18.7%）＞NDVI（13.2%）＞RSBI（10.0%）。

图3 干、湿季降尺度因子重要性得分平均值Fig.3 Average of downscaling factor importance scores for two periods

降尺度因子与土壤水分相关性统计结果与随机森林中降尺度因子的重要性结果有所差异。干季的DEM（r=-0.59）略高于LST（r=-0.47），但在相同时期DEM 重要性相比LST 增加了20.4%；相关性与重要性分析结果均表明新增的EMSAVI（r=-0.35，重要性=18.7%）对新构建干旱区土壤水分降尺度模型的贡献高于NDVI（r=-0.15，重要性=13.2%）；RSBI 的贡献度略低于NDVI，但对模型的贡献度依然较高（重要性=10.0%）。结果说明，相关性较低的NDVI 也能为干旱区土壤水分降尺度模型的构建提供一些信息，但是改进后得到的EMSAVI 更适合作为干旱区土壤水分降尺度因子构建模型。

2.3 SMAP土壤水分降尺度新旧模型对比

由于研究区空间异质性明显，土壤水分在不同季节相差显著，因此分别选取土壤水分相对差异较大时间节点中云量较少的降尺度数据与SMAP L3精度验证后对比，以此检验新旧模型在研究区的适用性。

图4 为2018 年湿季和2018 年干季分别利用传统与新构建的降尺度模型得到土壤水分预测值与SMAP L3的散点图。由图4可知，干、湿季预测值与产品值均具有较高的决定系数（R2＞0.88）、相关性（r＞0.93）以及较低的误差（RMSE＜0.009 cm3·cm-3）。在湿季相比于传统降尺度模型，本文构建的改进降尺度模型精度有所提升，提高了17.10%；在干季相比传统降尺度模型，本文构建的改进降尺度模型精度提升了14.77%。综合分析表明，考虑干旱区稀疏植被和裸沙的环境特征所构建的改进模型预测效果，整体相较于传统模型略微提高了精度，表现出更高的决定系数、相关性以及更低的误差，更适用于干旱区的土壤水分降尺度研究。

图4 不同时期土壤水分降尺度数据与SMAP土壤水分散点图Fig.4 Soil water downscaling data in different periods and SMAP soil water scatter plot

2.4 降尺度结果空间一致性评价

SMAP 土壤水分产品与基于RF 的回归方法建立的干旱区环境因子之间的定量关系模型性能良好，可将高分辨率变量应用于该模型，从而得到高分辨率的表层土壤水分数据。本文对1 km 空间分辨率表层土壤水分降尺度数据与9 km 空间分辨率原始SMAP土壤水分数据进行了空间一致性评价及可视化比较（图5）。

图5 古尔班通古特沙漠干、湿季SMAP L3和相应的土壤表层水分降尺度数据Fig.5 SMAP L3 and corresponding soil surface water downscaling data for two periods in the Gurbantunggut Desert

评估降尺度结果表征SMAP单个像元土壤水分空间变化的能力是十分重要的，空间精度可以通过计算9 km 降尺度数据和土壤水分产品之间的空间特征(如纹理)的差异来量化。因此，本文通过计算新旧模型9 km 降尺度数据与土壤水分产品之间局部二值模式(Local Binary Patterns，LBP)的差值（LBPC）评价新旧模型数据与SMAP L3的空间一致性（表2）。总体结果表明，干旱区土壤水分降尺度模型（LBPC-n=0.0585）性能优于传统降尺度模型（LBPC-o=0.0645）。

表2 空间一致性评价结果Tab.2 Spatial consistency evaluation results

研究结果表明，改进后的降尺度模型能够将SMAP 被动微波土壤水分产品的空间分辨率提高(9 km到1 km)，改善了原始产品的空间细节，同时保证降尺度前后数据在大多数区域内土壤水分的空间格局一致。湿季时，高含量土壤水分主要分布于东部和东南部，而低含量土壤水分出现在中部和西南部区域；干季时，高含量土壤水分主要分布于西部和西南部，而低含量土壤水分出现在中部和东南部区域。SMAP土壤水分产品的数值范围与得到的土壤水分数据基本保持一致（0.02～0.13 cm3·cm-3），表明与其他基于机器学习的降尺度算法相比，RF能够保持粗分辨率土壤水分的动态范围［40］。

3 讨论

前人研究主要通过NDVI 表达植被状态信息，将其作为一个重要的降尺度因子构建土壤水分降尺度模型［7-8］。本研究区为古尔班通古特沙漠，植被稀疏，传统土壤水分降尺度模型中NDVI 因子易受植被密度、裸沙的影响，在干旱区土壤水分降尺度研究表现出极大的局限性，因此本研究基于随机森林算法，在以往研究中广泛选择LST、NDVI、DEM作为降尺度因子的基础上［41］，同时考虑本研究区的土地覆被类型的差异，新增EMASAVI、RSBI 以提高干旱区中植被与裸沙的识别精度，并反映裸沙对表面土壤水分的影响，建立了适用于干旱区的表层土壤水分的降尺度模型。本文构建的干旱区地表土壤水分降尺度相较以往传统模型的误差有略微的降低，但是干湿季精度均提升了10%以上。本文在干旱区地表土壤水分降尺度研究中的降尺度因子选择及地表土壤水分降尺度模型的构建，可以作为后续对干旱区的土壤水分降尺度研究的参考，如：（1）本文在MSAVI 中引入波长范围为1.1～2.5 μm，能有效探测植被和土壤水分变化，对背景的敏感度较小且包含更多信息的SWIR 波段［38-42］，因此引入SWIR波段可以大幅提高植被指数与土壤水分之间的关联度，这与姚云军等［42］的研究一致；（2）因为不同波段或光谱指数有较强相关性［43］，因此本文在MSAVI的基础上加入SWIR 波段，可以最大程度的降低波段之间的冗余信息进而提高光谱指数的指示效果，这与蔡亮红等［36］的研究一致，且在不同时段也具有更好的稳定性。（3）加入的RSBI 结合了红外、近红外及绿波段的光谱信息，能够较好表示沙地与非沙地的分布特征［39］，故构建的干旱区荒漠土壤水分降尺度模型能够将SMAP 土壤水分数据由9 km 空间分辨率提升至1 km，一定程度上改善了SMAP 土壤水分数据缺失的状况，最终得到全天候、高时空分辨率的土壤水分数据，拓宽随机森林算法应用领域，为数据稀缺区表层土壤水分获取提供有效方法，说明本文构建的降尺度模型具有较大潜力，可为后续土壤水分含量预测提供参考。

本文表明基于随机森林建立的土壤水分降尺度模型能够建立与5 个降尺度因子的非线性关系，并且构建模型具有较强的鲁棒性，这与Im等［40］的研究结果相一致；研究发现地表温度对土壤水分相关性及对降尺度模型的贡献率均较高，是影响地表土壤水分的关键降尺度因子，这与Zhao等［44］的研究结果一致。在以往研究中，DEM与地表水分具有较低的相关性及重要性，但在本研究结果中海拔表现出较高的重要性，分析其原因可能是沙漠边缘海拔相对较高的绿洲表层水分数值较高，故而提高了海拔的重要性。在本文中NDVI虽然与地表土壤水分相关性不高，但是在构建的地表土壤水分降尺度模型中表现出一定的重要性，原因可能是由于研究区面积辽阔，地表覆被差异明显，NDVI 能够弥补EMSAVI 在描述特定区域植物生长状况方面的不足。基于随机森林的降尺度模型相较于传统的经验模型构建更加便捷，并且能够提供构建模型时各降尺度因子的重要性，便于对环境因子与土壤水分关系的逆向推理，大大提高了获取大范围、高时相地表土壤水分的可行性，可为干旱区表层土壤水分降尺度模型研究提供参考。借鉴了Zhu等［45］用时空融合方法的评价指标来衡量得到的高分辨率水分的精度，结果表明改进的降尺度模型较传统模型具有更高的空间一致性，更适用于干旱区土壤水分降尺度的研究，后续可以增加更多与地表土壤水分相关的数据作为模型的降尺度因子，如后向散射系数和地表反照率，同时可以继续提高降尺度结果的空间分辨率，以期更好的减少误差和克服空间异质性。

4 结论

SMAP是可以表征土壤水分的高时间分辨率的栅格数据产品，但较低的空间分辨率限制了在地表高异质性的干旱区沙漠稀疏植被区的适用性。本文利用随机森林算法，以LST、NDVI、RSBI、DEM、EMSAVI为辅助数据，探索新的SMAP降尺度模型在干旱区沙漠稀疏植被区的合理性，得到以下结论：

（1）通过相关性分析可知，改进的EMSAVI（-0.35）和新增的RSBI（-0.34）均高于NDVI与土壤水分的相关性（-0.15），且提升明显。新增的植被指数和土壤指数对荒漠土壤水分有更好的指示作用，效果优于NDVI。不同降尺度因子与地表水分表现出不同的相关程度，在不同时期相关程度也存在差异。各环境因子与土壤水分的相关性表现为湿季：EMSAVI（-0.34）＞LST（-0.31）＞RSBI（-0.25）＞NDVI（0.08）＞DEM（0.07）；干季表现为：DEM（-0.59）＞LST（-0.47）＞RSBI（-0.42）＞EMSAVI（-0.37）＞NDVI（-0.21）。

（2）降尺度因子相关性统计结果与重要性结果有所差异。干季DEM 相关性（r=-0.59）略高于LST（r=-0.47），但同时期DEM 重要性相比LST 增加了20.4%；在环境因子相关性和重要性结果中，EMSAVI的统计结果均要高于NDVI；干、湿季RSBI与土壤含水量的相关性均高于NDVI，但在重要性结果中，NDVI（13.2%）重要性高于RSBI（10.0%）。表明相关性较低的NDVI也能为干旱区土壤水分降尺度模型的构建提供一些信息，但改进后得到的EMSAVI 相较于NDVI更适合作为干旱区土壤水分降尺度因子构建模型。并且，重要性结果对环境因子与土壤水分关系的逆向推理具有重要作用。

（3）选取LST、NDVI和DEM作为传统土壤水分降尺度因子，同时在此基础上增加RSBI 与引入SWIR 波段改进得到的EMSAVI 构建干旱区土壤水分降尺度模型。新旧模型总体精度验证结果表明，新构建的模型精度R2较传统模型提升了0.031、达到0.913；RMSE 下降了0.0013 cm3·cm-3，达到0.0069 cm3·cm-3。

（4）空间一致性评价结果表明，干旱区土壤水分降尺度模型（LBPC-n=0.0585）性能优于传统降尺度模型（LBPC-o=0.0645），能够得到与SMAP 产品之间的空间分布特征更为一致的降尺度数据。

本研究在传统降尺度模型基础上，增加与稀疏植被和裸沙的环境特征具有较好关联性的光谱指数，得到精度及空间一致性较高的干旱区高时空分辨率土壤水分数据，能够对干旱区土壤水分降尺度研究提供思路，为荒漠生态系统碳汇研究提供重要的数据支撑。