在全球范围内，土壤水分是水文、碳氮和能量循环过程中一个至关重要的因素。遥感反演是获取大尺度的表层土壤水分的主要方法。但遥感反演的土壤水分（如NASA的SMAP卫星数据），依赖于地面观测数据对其进行验证和校准。因此，地面土壤水分观测数据的综合与空间尺度转换是遥感精确反演的关键所在。由于区域土壤水分具有强烈的时空异质性，目前的研究中主要通过大范围多点位观测进行尺度上推，但该方法获得区域平均土壤水分状况费时、费力，因此需要识别出少量的代表性观测点来对其进行间接估计。

近来，中国科学院南京地理与湖泊研究所朱青课题组系统评价了三种代表性土壤平均水分预测点位识别技术（时间稳定性、K均值聚类和随机采样）的精度。研究发现时间稳定性方法能够获得较为可靠的预测精度（RMSE为0.02-0.04m³/m³），且只需1个代表性观测点，但使用该方法前期需要获得大量的（至少1年）前期土壤水分观测值来进行分析和计算；基于环境因子（EFs，包括土壤性质和地形）的K均值聚类预测精度（RMSE<0.03m³/m³）略好于时间稳定性法，只需少量（<8个）的代表性观测点，但使用该方法前期需获得研究区的土壤和地形数据；基于一期土壤水分采样数据和环境因子（EFsTheta）的K均值聚类预测精度（绝大多数情形下RMSE<0.02m³/m³）显著好于其它方法，但需获得土壤和地形数据以及少量的土壤水分观测值；随机采样法在保证一定精度（RMSE<0.02m³/m³）的前提下，分层抽样与全局抽样分别至少40和60个代表性观测点，但它们的优势在于预先不需要测定任何数据。在此基础上，基于已有土壤和地形数据、精度要求和样点数量要求，研究开发了索引表，用于选择最优的土壤平均水分预测点位识别方法。该研究为遥感土壤水分尺度转换提供技术支持，成果发表于国际水文学杂志Journal of Hydrology，第一作者为助理研究员廖凯华。

论文链接

不同土壤平均水分预测点位识别方法的误差分析