精确的高分辨率土壤水分数据对深入理解青藏高原陆-气相互作用及其对亚洲大陆天气/气候模式的影响至关重要。基于青藏高原五个土壤水分观测网络（阿里、帕里、那曲、黑河上游、玛曲）数据，本研究系统评估了四套基于机器学习的公里尺度土壤水分数据产品，发现它们在青藏高原的精度都较低（相关系数均小于0.8，均方根误差均大于0.08 m³ /m³ ）。为了提升青藏高原高分辨土壤水分的估计精度，本研究通过控制变量和情景分析，探讨特征因子选取、机器学习模型、输入数据的不确定性如何影响土壤水分估计性能。结果表明，在机器学习模型特征因子中加入粗分辨率土壤水分产品能提升估计精度，且粗分辨率土壤水分产品精度越高性能提升越明显；机器学习模型本身对高分辨率土壤水分估计性能影响较大，其中随机森林（RF）和极限梯度增强模型（XGBoost）性能最佳；基于随机森林模型的控制变量研究发现，降水输入的不确定性对高分辨率土壤水分估计性能的影响较小，土壤属性数据对高分辨率土壤水分估计性能的影响较大，实地测量的土壤属性信息作为输入能显著提升高分辨率土壤水分估计精度。本研究的结果有助于发展青藏高原高精度的公里尺度土壤水分数据产品，为掌握北半球气候过程和亚洲季风演变过程奠定了重要的数据基础。
 

青藏高原,机器学习,土壤水分估计