土壤水分是水文学、气象学和农业研究中的一个关键参数,它在全球水和能源循环中起着重要作用。利用遥感数据监测地表土壤水分信息是目前研究的焦点,但不论是光学遥感还是主动或被动微波遥感都有其优势和劣势,多源遥感数据联合反演地表土壤水分是近年来研究的趋势。本文基于Sentinel系列卫星中的Sentinel-1 SAR数据、Sentinel-2光学数据以及AMSR2亮温数据,分别在青藏高原那曲地区和西班牙萨拉曼卡地区训练了BP神经网络模型反演地表土壤水分,实现了两个研究区域内土壤水分的精确反演,其主要结论如下:(1)在BP神经网络中,将雷达后向散射系数、雷达入射角、植被指数作为输入变量训练模型,反演土壤湿度是可行的。(2)在主被动微波数据联合反演植被覆盖区土壤水分中,微波极化差异指数MPDI能有效的去除植被对土壤水分反演的影响,且在BP神经网络中加入表达地形要素的坡度因子可以更好地训练网络,得到更高精度的反演结果(RMSE=0.045cm~3/cm~3、ubRMSE=0.043cm~3/cm~3、r=0.767、Bias=0.001cm~3/cm~3)。说明对于占据特殊地理位置的地区,地理及地形因素造成的地表下垫面差异,对于土壤湿度反演具有重要影响。(3)在光学与主动微波数据联合反演植被覆盖区土壤水分中,来自Sentinel-2的NDVI、NDWI1、NDWI2都能很好表达植被覆盖信息,其中基于短波红外SWIR1(中心波段1.61μm)的NDWI1表现更好,且Sentinel-1两种极化数据中VV极化更适合用于土壤湿度反演研究(RMSE=0.049cm~3/cm~3,ubRMSE=0.048cm~3/cm~3,r=0.681,Bias=0.008cm~3/cm~3);将VV极化后向散射系数、VH极化后向散射系数、雷达入射角、NDVI和NDWI1作为神经网络输入变量,得到的土壤湿度反演结果精度更高(RMSE为0.045cm~3/cm~3、ubRMSE为0.044cm~3/cm~3、r为0.576、Bias为0.011cm~3/cm~3),说明增加BP神经网络输入参数可以适当弥补一种极化数据和单一植被指数在土壤湿度反演中造成的信息缺失,更利于土壤湿度的高精度反演。