Spatial downscaling has recently become a crucial process in the regional application of coarse-resolution passive microwave surface soil moisture (SSM) products. Extensive gaps in auxiliary optical/thermal infrared observation data (mainly caused by cloud cover) and gaps in coarse-resolution passive microwave SSM data lead to spatiotemporal discontinuity in downscaled SSM maps, thereby limiting their applications. An improved downscaling method for the 25-km European Space Agency (ESA) Climate Change Initiative (CCI) SSM product was proposed to obtain daily seamless downscaled SSM series at a 1-km scale. The Moderate Resolution Imaging Spectroradiometer (MODIS) Terra daily land surface temperature (LST) and normalized difference vegetation index (NDVI) products were used as auxiliary data for the downscaling process. Prior to the spatial downscaling, an annual temperature cycle model was applied to the 1-km daily daytime LST data to fill the data gaps caused by cloud cover and to derive the spatial-seamless LST (gap-filled). Subsequently, the gap-filled ESA CCI SSM was generated at the original resolution based on the relationships among the SSM, LST, and NDVI. Finally, these were utilized to obtain a seamless downscaled series SSM at 1-km spatial resolution with a value-consistent downscaling method. The proposed method was applied to data obtained for the Iberian Peninsula from January 1, 2016 to December 31, 2018. Based on the comparison with the precipitation dataset, the downscaled SSM exhibited strong temporal correlation with rainfall events. Evaluation using the in situ SSM from the REMEDHUS network highlighted the good performance of the downscaled SSM at network level with a correlation coefficient (R) of 0.820. The root-mean-square-error, unbiased root-mean-square error (ubRMSE), and bias were 0.091, 0.033, and 0.085 m³/m³, respectively. A comparison with an alternative downscaled SSM product produced by the Barcelona Expert Center, one of the soil moisture and ocean salinity mission (SMOS)–downscaled SSM datasets, also indicated that the downscaled SSM has better spatiotemporal coverage and performance in terms of R and ubRMSE with reference to the REMEDHUS network. These results confirmed that the proposed method is an efficient and convenient downscaling process that can be used to generate high-resolution SSM data without spatiotemporal gaps. The downscaled SSM data improves the accuracy of the original passive microwave SSM product in describing regional SSM variations and shows good potential for related applications at regional scale.

空间降尺度最近已成为粗分辨率被动微波表面土壤水分 (SSM) 产品区域应用的关键过程。辅助光学/热红外观测数据中的大量空白（主要由云覆盖引起）和粗分辨率被动微波 SSM 数据中的空白导致缩小的 SSM 地图中的时空不连续性，从而限制了它们的应用。提出了一种用于 25 公里欧洲航天局 (ESA) 气候变化倡议 (CCI) SSM 产品的改进降尺度方法，以获得 1 公里尺度的每日无缝降尺度 SSM 系列。中分辨率成像光谱仪 (MODIS) Terra 日地表温度 (LST) 和归一化差异植被指数 (NDVI) 产品用作降尺度过程的辅助数据。在空间降尺度之前，将年温度循环模型应用于每天 1 公里的白天 LST 数据，以填补由云覆盖引起的数据空白并推导出空间无缝 LST（gap-filled）。随后，根据 SSM、LST 和 NDVI 之间的关系，以原始分辨率生成了间隙填充的 ESA CCI SSM。最后，利用值一致的降尺度方法，利用这些来获得 1 公里空间分辨率的无缝降尺度系列 SSM。将所提出的方法应用于伊比利亚半岛2016年1月1日至2018年12月31日获得的数据。基于与降水数据集的比较，降尺度的SSM与降雨事件表现出很强的时间相关性。评估使用 将年温度循环模型应用于每天 1 公里的白天 LST 数据，以填补由云覆盖引起的数据空白，并推导出空间无缝 LST（gap-filled）。随后，根据 SSM、LST 和 NDVI 之间的关系，以原始分辨率生成了间隙填充的 ESA CCI SSM。最后，利用值一致的降尺度方法，利用这些来获得 1 公里空间分辨率的无缝降尺度系列 SSM。将所提出的方法应用于伊比利亚半岛2016年1月1日至2018年12月31日获得的数据。基于与降水数据集的比较，降尺度的SSM与降雨事件表现出很强的时间相关性。评估使用 将年温度循环模型应用于每天 1 公里的白天 LST 数据，以填补由云覆盖引起的数据空白，并推导出空间无缝 LST（gap-filled）。随后，根据 SSM、LST 和 NDVI 之间的关系，以原始分辨率生成了间隙填充的 ESA CCI SSM。最后，利用值一致的降尺度方法，利用这些来获得 1 公里空间分辨率的无缝降尺度系列 SSM。将所提出的方法应用于伊比利亚半岛2016年1月1日至2018年12月31日获得的数据。基于与降水数据集的比较，降尺度的SSM与降雨事件表现出很强的时间相关性。评估使用 基于 SSM、LST 和 NDVI 之间的关系，以原始分辨率生成间隙填充的 ESA CCI SSM。最后，利用值一致的降尺度方法，利用这些来获得 1 公里空间分辨率的无缝降尺度系列 SSM。将所提出的方法应用于伊比利亚半岛2016年1月1日至2018年12月31日获得的数据。基于与降水数据集的比较，降尺度的SSM与降雨事件表现出很强的时间相关性。评估使用 基于 SSM、LST 和 NDVI 之间的关系，以原始分辨率生成间隙填充的 ESA CCI SSM。最后，利用值一致的降尺度方法，利用这些来获得 1 公里空间分辨率的无缝降尺度系列 SSM。将所提出的方法应用于伊比利亚半岛2016年1月1日至2018年12月31日获得的数据。基于与降水数据集的比较，降尺度的SSM与降雨事件表现出很强的时间相关性。评估使用 将所提出的方法应用于伊比利亚半岛2016年1月1日至2018年12月31日获得的数据。基于与降水数据集的比较，降尺度的SSM与降雨事件表现出很强的时间相关性。评估使用 将所提出的方法应用于伊比利亚半岛2016年1月1日至2018年12月31日获得的数据。基于与降水数据集的比较，降尺度的SSM与降雨事件表现出很强的时间相关性。评估使用来自 REMEDHUS 网络的原位SSM 突出了缩小的 SSM 在网络级别的良好性能，相关系数 (R) 为 0.820。均方根误差、无偏均方根误差 ( ub RMSE) 和偏差分别为 0.091、0.033 和 0.085 m ³ /m ³。与巴塞罗那专家中心（土壤水分和海洋盐度任务 (SMOS) 缩减 SSM 数据集之一）生产的替代缩减 SSM 产品的比较也表明，缩减 SSM 在 R 和ub方面具有更好的时空覆盖率和性能参考 REMEDHUS 网络的 RMSE。这些结果证实，所提出的方法是一种有效且方便的降尺度过程，可用于生成没有时空间隙的高分辨率 SSM 数据。缩小的 SSM 数据提高了原始无源微波 SSM 产品在描述区域 SSM 变化方面的准确性，并显示出在区域范围内的相关应用的良好潜力。