植被含水量是评估植被生理状态的关键变量。研究植被含水量，在农业方面可以指导准确灌溉，预测产量；在生态研究方面对研究异常气候现象和自然灾害具有重要意义。因此，获取高精度、长时间序列的植被含水量产品具有重要意义。传统的实地采样、烘干与称重的植被含水量测量方法耗时费力，无法获得历史数据。全球导航卫星系统干涉反射技术(Global Navigation Satellite System Interferometric Reflectometry, GNSS-IR)为我们提供了一种可以代替传统采样测量的方法,可以无损地获取地面站点长时间序列植被含水量信息。基于GNSS直射与反射信号的干涉信号与植被含水量的变化有关的原理，归一化微波反射指数(Normalized Microwave Reflection Index, NMRI)被定义，用来反映植被含水量的变化。然而GNSS-IR技术获得的植被含水量产品仍然是站点数据，稀疏的站点分布限制了其应用。遥感技术具有覆盖面积广、观测时间长等优势，可以弥补站点数据的不足。因此，本文提出，基于机器学习模型，通过融合GNSS-IR、光学遥感和微波遥感植被含水量相关数据集，挖掘多源数据中植被含水量信息，集合多源数据的优势，实现时空连续植被含水量产品的反演。主要工作和创新点如下：
　　(1)提出基于随机森林(Random Forest, RF)模型，融合光学遥感植被参数与GNSS-IRNMRI数据集的植被含水量反演算法，实现高空间分辨率的植被含水量产品的反演。首先通过相关性分析确定最佳反演光学遥感数据集(GPP和NDVI)，然后基于点面融合原理，将辅助数据集作为模型输入，NMRI数据集作为模型输出，训练反演模型。利用十折交叉验证方法验证模型精度。结果显示机器学习模型明显优于线性模型，且其中RF模型效果最好。最后，利用RF模型，反演得到500m空间分辨率的植被含水量产品，并利用长时序反演结果验证了使用具有更精细分辨率的植被含水量产品分析和预测干旱事件的可行性。
　　(2)提出基于广义回归神经网络(Generalized regression neural network, GRNN)模型，融合微波遥感植被参数植被光学厚度(Vegetation optical depth, VOD)与GNSS-IRNMRI数据集的植被含水量反演算法，成功的从VOD数据集中提取出植被含水量信息，实现高时间分辨率的植被含水量产品的反演。基于点面融合原理，将多个波段的VOD数据集作为模型输入，NMRI数据集作为模型输出，训练反演模型。结果显示，与其他传统模型相比，GRNN模型反演的精度最高。利用GRNN模型，我们获得了25km空间分辨率、1天时间分辨率的植被含水量反演图，通过对反演所得植被含水量产品和降水量的长时间序列变化图和年平均偏差分布图的分析，得到植被含水量对厄尔尼诺与南方涛动(ElNi?o-SouthernOscillation,ENSO)异常气候现象的响应。结果表明，不同植被类型的NMRI对ENSO的响应不同。与降水量相比，植被含水量的异常表现有滞后效应。