随着合成孔径雷达（Synthetic Aperture Radar，SAR）数据的稳定获取和快速增加，基于SAR的大尺度高分辨率表层土壤水分产品成为可能。相较于传统基于散射模型或变化检测的反演算法，数据驱动算法在大尺度业务化土壤水分估算上具有更多的优势。然而，数据驱动方法的性能依赖于地面土壤水分样本的数量，现有研究主要集中在具有足够样本的场景中，而在样本有限的地区往往难以获得可靠的精度。因此本文提出了一种基于有限地面样本的全球土壤水分深度迁移学习框架。框架首先利用主被动土壤水分卫星（SMAP）的9 km 土壤水分产品训练了一个低分辨率土壤水分估算模型，然后假设不同分辨率的土壤水分估算模型存在一定的相似性，能够通过共享一部模型结构和参数，降低高分辨率模型训练所需的样本，从而利用少量地面实测和深度迁移学习实现高分辨率模型的训练。基于国际土壤湿度网络（ISMN）20万个样本的实验表明：利用1000个样本训练的高分辨率模型（1 km）已经能在整个验证集上取得可靠的结果（RMSE：0.743 m³/m³，R：0.720）;当训练样本达到5000个时，能够达到0.06 m³/m³的估算目标。

土壤水分,合成孔径雷达,深度学习