土壤湿度是陆地水循环、农业灌溉、干旱监测和水文气象模拟中的核心变量。针对现有星载 GNSS-R 土壤湿度产品空间分辨率多集中在 9—36 km、难以满足 1 km 级精细应用的问题，本文以 CYGNSS L1 反射信号为核心，融合 SMAP、ERA5-Land、DEM、MODIS、土地覆盖和土壤属性等多源数据，构建面向 1 km 尺度的超分辨率土壤湿度反演模型，为 GNSS-R 高分辨率陆表水分监测提供新路径。
光学和热红外遥感易受云层与植被遮蔽影响；传统微波遥感虽具全天候能力，但时空分辨率难以兼顾。GNSS-R 利用 L 波段反射信号，具有全天候、高重访和低成本优势，但 CYGNSS 原始观测足迹较粗，如何实现超分辨率反演成为关键。
9—36 km 级土壤湿度产品难以描述农田、流域和地形复杂区的细粒度水分差异，限制了精准灌溉和局地干旱诊断。
CYGNSS 反射信号对近地表湿度敏感，3—7 h 的高时间重访优势明显，但单独使用难以直接获得 1 km 连续产品。
土壤湿度受植被、地形、土壤质地、温度、降水和土地覆盖共同影响，单一信号难以稳定反演，需要多源环境变量协同建模。
研究综合利用 CYGNSS L1 科学数据、SMAP L3 土壤湿度、ERA5-Land 再分析数据、DEM、MODIS、土地覆盖和土壤属性数据，通过特征构建、空间匹配、机器学习建模和独立验证实现 1 km 土壤湿度反演。
以 CYGNSS L1 数据作为核心输入，配准 SMAP 土壤湿度产品、气象再分析变量、地形因子、植被指数、土地覆盖和土壤属性，形成统一时空尺度的训练样本。
从 CYGNSS 观测中提取与地表反射强度相关的信号特征，同时引入植被、地形、温度、降水、土壤质地和土地覆盖等辅助变量，用于解释空间异质性。
以粗分辨率可靠土壤湿度产品为监督约束，训练非线性反演模型，将 CYGNSS 与多源辅助变量映射到 1 km 土壤湿度空间格网，并通过独立样本或地面观测进行精度评估。
该流程的本质是利用 CYGNSS 的高时间重访优势和多源环境变量的空间细节信息，补偿单一传感器分辨率不足。
土壤湿度并非单由反射信号决定，多源变量有助于模型学习不同环境条件下的湿度响应差异。
CYGNSS 最初主要面向热带气旋风场观测，但其 L 波段反射信号在陆表湿度监测中具有重要潜力。本文的价值在于推动 CYGNSS 土壤湿度反演从公里级粗产品向 1 km 级超分辨率产品发展。
本文表明，CYGNSS 结合多源遥感与环境变量，具备开展 1 km 级土壤湿度反演的潜力，可为农业管理、干旱预警、水文模拟和气候研究提供更精细的数据支撑。
通过多源数据融合和非线性建模，CYGNSS 粗足迹反射观测可被转化为更高空间分辨率的土壤湿度估计。
植被、地形、土壤和气象变量共同解释土壤湿度空间异质性，是提升 1 km 反演可靠性的核心。
成果可服务精细灌溉、旱情监测、流域水文模拟、陆气相互作用研究和全球变化背景下的水资源管理。