土壤湿度是地球系统中的关键物理量,其直接影响了植被、水文以及陆气相互作用等过程,也是天气、气候以及农业干旱的重要可预报性来源。相比站点观测和卫星遥感,利用高分辨率气象数据驱动陆面模式进行陆面模拟能够提供时空连续的多层土壤湿度产品。然而,由于气象驱动和陆面模式均存在一定不确定性,需要通过改进驱动场、陆面模式甚至与观测资料进行融合同化等改进土壤湿度的模拟精度。目前,受观测数据限制,气象驱动与陆面模式对土壤湿度模拟精度提升的定量贡献尚未在大范围内得到系统量化,且缺乏不同深度的对比。另外,如何利用先进机器学习算法实现观测数据与土壤湿度模拟结果的有机融合,进一步减小土壤湿度的模拟误差也有待进一步探索。因此,本硕士论文以中国地区为例,借助2090个土壤湿度观测站点的高质量、长时段、多层次观测数据,旨在量化最新高分辨率陆面模式和气象驱动数据对土壤湿度模拟结果的影响以及不同深度的差异;在此基础上借助随机森林算法融合土壤湿度模拟结果与观测数据,发展高精度的土壤湿度融合产品。围绕上述目标,本文在土壤湿度模拟与评估、模式与驱动的贡献量化以及数据融合方面开展研究,得到的主要结论如下:（1）陆面模式物理过程的发展相比高分辨率驱动对土壤湿度模拟精度的提升效果更强。利用中国气象局陆面数据同化系统CLDASv2.0驱动第二代联合地表-地下过程模式（CSSPv2）在中国区域进行土壤湿度模拟并进行系统验证。结果表明,CLDASv2.0/CSSPv2土壤湿度模拟结果与观测的相关系数相比欧洲中期预报中心第五代再分析ERA5和全球陆面数据同化系统GLDASv2.1再分析产品提高26%～68%,误差降低14%～24%。通过将气象驱动替换成ERA5和GLDASv2.1的对应数据,进一步厘清CSSPv2陆面模式和CLDASv2.0气象驱动对土壤湿度模拟效果提升的贡献。相比ERA5/CSSPv2、GLDASv2.1/CSSPv2等试验,CLDASv2.0/CSSPv2相关性系数仅提高了5%～35%,误差降低幅度在9%以内。然而,ERA5/CSSPv2和GLDASv2.1/CSSPv2的土壤湿度模拟结果相比ERA5和GLDASv2.1再分析资料将相关性提高了17%～63%、误差降低了近18%,这种改善在中国北方等半干旱区更为明显。此外,通过不同区域与分层的对比发现,气象驱动数据对表层土壤湿度模拟的影响更显著,而陆面模式对中层和深层土壤湿度模拟的影响更显著,尤其是在包含冻融过程的寒冷季节。（2）土壤湿度模拟结果与站点观测的融合能够基本消除模拟偏差,但对相关系数的提升有限。选取地形、降水、地表温度、土壤质地等作为决策因子,发展了考虑地形高程和降水时空分布对土壤湿度影响的随机森林融合算法,并将CLDASv2.0/CSSPv2土壤湿度模拟产品与站点观测进行融合,生成了一套2012～2017年中国区域、多层（0～10cm、10～40cm和40～100cm）土壤湿度日尺度数据。基于站点观测数据的独立验证结果表明,融合产品进一步减小了土壤湿度的均方根误差和偏差,降低幅度分别为6%～29%和98%～99%。但其在相关系数和无偏均方根误差方面的改进幅度在6%以内,这可能是因为CLDASv2.0/CSSPv2已经能够较好地模拟土壤湿度的动态变化。从不同区域和不同深度来看,随机森林算法的改进在深层土壤较大,在西北诸河流域、长江流域、珠江流域等区域的改进尤为明显。