土壤水分是全球水循环系统的关键组成要素，是陆地生态系统中植物生长不可或缺的资源。在气候变暖的背景下，全球土壤水分的时空分布趋势发生显著变化，大量多源多模态的土壤水分数据被广泛应用于研判干旱格局、植被演化等地球表面关键过程的发展规律。然而，因多元异构土壤水分数据的稳定性和代表性存在局限，土壤水分数据在时空精度上存在差异。当前的研究通常采用简单计算多类数据的集合平均值来表征土壤水分的时空分布，但这种方法易受到偏差最大数据的影响，因此迫切需要通过多源信息的互补和优化组合建模，获取高精度的土壤水分数据。 针对上述问题，本书重点关注“在气候变暖的背景下地表水文水资源格局的演化”这一前沿领域，围绕遥感土壤水分多时空融合与分析，合理整合土壤水分数据、对应的误差参数空间分布数据及地理背景数据，借助人工智能技术优势，捕捉多源土壤水分、土壤属性及下垫面性质等数据集之间的信息依赖关系，准确拟合土壤水分的时空纹理动态特征，实现土壤水分高精度重构，研发高精度土壤水分数据产品，促进对土壤水分的时空分布及演化格局的精准认知。

第1章 绪论
1.1 研究背景与意义
1.1.1 CMIP6土壤水分数据
1.1.2 经典多源多模态土壤水分数据
1.2 国内外研究现状
1.2.1 多源多模态土壤水分融合方法
1.2.2 CMIP6土壤水分数据误差来源和表达研究
1.2.3 基于微波遥感融合的土壤水分数据产品
1.2.4 水文气象要素对植被生产力的影响
1.2.5 科学问题的提出及研究意义
第2章 未来多情景土壤水分数据集评价
2.1 数据来源
2.1.1 CMIP土壤水分数据产品
2.1.2 土壤水分地面网络实测数据
2.1.3 遥感与再分析土壤水分数据集
2.1.4 辅助数据集
2.2 评价方法
2.2.1 站点验证
2.2.2 ETC验证
2.2.3 CSD时序分解
2.3 评价结果
2.3.1 站点评价结果
2.3.2 ETC评价结果
2.4 本章小结
2.4.1 站点验证与ETC验证的特点
2.4.2 误差分析
2.4.3 结论
第3章 未来多情景土壤水分数据融合
3.1 数据来源
3.1.1 CMIP6土壤水分数据集
3.1.2 SMAP土壤水分数据集
3.1.3 ERA5-Land土壤水分数据集
3.1.4 辅助数据集
3.2 融合方法
3.2.1 总体技术流程
3.2.2 样本库构建
3.2.3 CSMSNet模型结构
3.2.4 TSMSNet模型结构
3.2.5 实验设置
3.3 融合结果
3.3.1 CMIP6土壤水分评价结果
3.3.2 融合土壤水分数据集评价结果
3.3.3 土壤水分时空演化趋势
3.4 本章小结
3.4.1 土壤水分融合模型的优势
3.4.2 未来土壤水分演化趋势
3.4.3 结论
第4章 土壤水分数据降尺度融合
4.1 数据来源
4.1.1 SMAP土壤水分数据产品
4.1.2 站点观测土壤水分数据
4.1.3 解释变量数据集
4.2 融合方法
4.2.1 采样方法
4.2.2 土壤水分融合过程
4.2.3 评价方法
4.3 融合结果
4.3.1 重建结果
4.3.2 补空值结果
4.3.3 降尺度结果
4.4 本章小结
4.4.1 与传统土壤水分融合算法对比
4.4.2 数据集不确定性分析
4.4.3 深度学习黑盒模型可解释性的未来方向
4.4.4 结论
第5章 土壤水分及相关水文气象要素对植被生产力的影响分析
5.1 数据来源
5.1.1 植被生产力代用指标
5.1.2 水文气象数据集
5.2 分析方法
5.2.1 预处理
5.2.2 突变点检测
5.2.3 随机森林要素重要性指数
5.2.4 皮尔逊相关系数
5.2.5 偏相关系数
5.3 分析结果
5.3.1 时空演化特征
5.3.2 水文气象与控制植被生产力的耦合分析
5.3.3 水文气象控制对植被生产力的解耦分析
5.4 本章小结
5.4.1 LAI与GPP相关性
5.4.2 LAI、GPP对水文气象要素的响应
5.4.3 其他影响LAI、GPP的要素
5.4.4 结论
参考文献