土壤湿度是联系陆-气能量交换的重要物理量,也是监测土壤退化、干旱等土地状况的重要指标。因此,获取时空连续,质量较高的土壤湿度信息对指导生产实践和开展科学研究具有重要意义。随着卫星遥感技术的发展,利用遥感的手段反演土壤湿度已成为目前主要的技术手段。卫星遥感技术能快速获取反演土壤湿度的相关信息且成本较低、时空分辨率好、时效快,能够达到大范围内监测土壤湿度的要求,是获取土壤湿度信息的重要数据源。由于卫星波段信息与土壤湿度之间关系复杂,且存在植被覆盖度,温度等环境因素的影响,导致获取高精度的土壤湿度数据非常困难。针对以上内容,本文选择宁夏地区作为研究区,提出了利用深度置信网络(Deep Belief Network,DBN)从风云3号D星(FY-3D)的中分辨率光谱成像仪II(MERSIII)图像中反演土壤湿度的方法,命名为SM-DBN(Soil Moisture-Deep Belief Network)。本文的主要工作及结论如下:(1)本文获取了宁夏地区2018年1月-2019年12月的FY-3D影像数据以及地面站点的观测数据,并将FY-3D数据以及地面数据利用相关软件进行了预处理,然后根据模型的输入要求制作了所需要的训练数据集和测试数据集用来训练和测试本文的模型。(2)通过分析FY-3D的MERSI-II数据与地表温度以及土壤湿度之间的相关性,提出了先用FY-3D数据反演地表温度,再用地表温度数据结合植被指数数据反演土壤湿度的分级反演策略。(3)根据分析,搭建了SM-DBN模型。SM-DBN由两个子网络组成:其中一个子网络用于反演地表温度,另一个子网络用于反演土壤湿度。在地表温度子网络中,与温度相关的FY-3D的MERSI-II图像的1、2、3、4、24和25波段作为输入数据,而地面站点获得的地表温度作为模型训练时的预期输出值。在土壤湿度子网络中,输入数据包括由训练好的地表温度子网络生成的地表温度数据、归一化植被指数和增强型植被指数,从地面站点获得的土壤湿度数据用作训练模型时的输出标签。(4)本文选择了线性回归模型和BP神经网络作为对比模型与本文的SM-DBN模型进行对比。用同一组数据集对三个模型进行训练及测试,其实验结果表明SM-DBN模型的反演精度达到91.8%,高于两个对比模型的反演精度。本文构建的SM-DBN模型提高了反演土壤湿度的精度,能够大大减少对国外数据的依赖,降低干旱监测业务系统的运行成本,提高系统的稳定性、安全性与监测时效,对于提高国产卫星应用水平,具有重要意义。