土壤水分是能量和水循环的重要参量,有效获取土壤水分能改善区域及全球的气候预报和地质灾害预测效果,这对气象、水文、农业生产和国民经济建设均有重要意义。在无线传感器网络(Wireless Sensor Networks,WSN)部署的站点中,由于土壤水分的高度异质性导致单站点观测不具有代表性,用单站点平均值作为“真值”有较大误差,不能实现对遥感产品的有效验证。本文以贝叶斯模型的原理为支撑,并通过多站点方式采集的原位土壤水分湿度数据,对土壤水分空间尺度上推问题进行研究,提出基于变分贝叶斯推断的空间尺度上推方法、基于非参数贝叶斯的土壤水分空间尺度上推方法。主要工作概述如下:(1)研究基于变分贝叶斯推断的土壤水分空间尺度上推方法。该方法是在期望最大化算法(Expectation Maximization Algorithm,EM算法)基础上产生的,运用Kullback-Leibler散度(简称KL-散度)原理构建土壤水分空间尺度上推模型,通过交替迭代方法求解模型的最佳参数和最大后验概率。最后,通过仿真分析证明了基于变分贝叶斯推断的土壤水分空间尺度上推方法的有效性。(2)研究基于非参数贝叶斯的土壤水分空间尺度上推方法。该方法依据非参数贝叶斯理论和字典学习理论,构建空间尺度上推层次化模型。该模型利用狄利克雷过程具有的聚类性质,把带有类似信息的土壤水分湿度数据聚为一类,以实现数据块间共享相同的字典原子,最终高效的构建稀疏先验字典。本文通过马尔可夫链-蒙特卡洛(Markov Chain Monte Carlo,MCMC)的吉布斯(Gibbs)抽样方法,求解层次化非参数贝叶斯空间尺度上推模型,统计推断出最优稀疏系数,最后用真实的原位土壤水分湿度数据做仿真分析,结果表明本文提出的基于非参数贝叶斯方法能有效上推土壤水分站点的空间观测尺度。(3)通过仿真分析得出:本文提出的两种方法的均方误差均低于基于贝叶斯线性回归的土壤水分空间尺度上推方法的均方误差。通过分析对比,基于非参数贝叶斯的土壤水分空间尺度上推方法的均方误差最低、效果最好。由此表明:该方法更加逼近实际观测到的土壤水分湿度数据、更能真实的反映“地面真相”。