土壤水分是全球水循环的重要组成成分,对研究土壤水分的空间分布、农作物长势和产量、气候变化、水资源时空分布等有着重要意义。柴达木盆地水资源匮乏,近年来在格尔木等城市周边发展出若干以枸杞等经济作物为主的农场。进行土壤水分的反演研究对该区域的农业生产布局、生态环境保护和经济发展战略等方面具有重要的科技支撑作用。由于该区域地广人稀,开展大范围监测一直是一个难题。本研究以格尔木市周边植被覆盖地表为研究区,综合利用同时期Sentinel-1雷达数据和Sentinel-2光学数据结合水云模型和BP以及RBF神经网络模型,以实测土壤水分进行结果验证,进行了格尔木市周边植被覆盖地表的土壤水分的反演研究。本文主要结论如下:（1）在植被覆盖区,我们需要考虑植被层对雷达后向散射信号的影响。研究发现:利用NDWI指数反演的植被含水量作为水云模型输入参数,去除地表植被的影响,可以得到更加真实的土壤后向散射系数。由去除植被覆盖前后的雷达后向散射系数对比结果得知,利用NDVI指数得到的VV极化衰减数值范围约为0.01-2.6 d B,植被层对雷达VV极化后向散射系数的平均影响值为0.39 d B。VH极化减少约0.07-4.06 d B,植被层对雷达VH极化后向散射系数的平均影响值为0.61 d B;利用NDWI指数得到的VV极化衰减数值范围约为0.8-3.7 d B,植被层对雷达VV极化后向散射系数的平均影响值为1.58 d B,VH极化减少约1.2-4.5d B,植被层对雷达VH极化后向散射系数的平均影响值为2.57 d B;由此得知NDWI指数更加适合作为水云模型的输入参数。（2）RBF神经网络模型对比BP神经网络模型,在处理土壤后向散射系数、雷达入射角、土壤水分间复杂非线性关系时,具有更加明显的优势,更加适合土壤水分反演的研究。研究中利用去除植被影响后的雷达土壤后向散射系数,带入神经网络模型中,构建了实测土壤水分、VV、VH以及雷达入射角?相结合的神经网络的土壤水分反演模型。验证结果可知:BP神经网络模型预测含水量和实际含水量的相关性R2=0.6159,均方根误差为RMSE=8.69;RBF神经网络模型预测含水量和实际含水量的相关性R2=0.6501,均方根误差为RMSE=3.61。RBF神经网络对BP神经网络模型的相关性提高了0.0342,均方根误差（RMSE）减少了5.38。说明在该研究区,RBF神经网络更加适合进行土壤水分反演的研究。由最终反演得到的研究区土壤水分分布图对比格尔木周边地表实际情况可知,格尔木东西农场含水量在16%-24%之间,土壤水分最高的区域集中在地下水溢出区,土壤水分最少的地方位于河西农场右侧和格尔木市至镁厂公路的两侧,该区域植被覆盖率低,均与实际情况相符。（3）利用研究区NDVI指数图和中国全天候0.01°土壤湿度产品对本研究反演的土壤水分分布图进行相关分析,结果显示:研究区土壤水分与NDVI指数两者间相关性指数（R2）为0.5549,与中国全天候0.01°土壤湿度产品的相关性为0.5713,两者都与反演的土壤水分在空间分布上具有一定的一致性。由此证明:基于Sentinel-1 SAR数据协同Sentinel-2光学数据,利用水云模型和RBF神经网络进行的土壤水分反演具有较高的精度,利用该方法在该研究区植被覆盖地表进行土壤水分大范围动态监测是可行的。