在全球气候变化背景下，中国东部骤旱的日益频发对精准局地信息提出了更高要求，亟需可靠的高分辨率土壤湿度数据以准确刻画区域尺度骤旱的动态演变过程。然而，现有数据融合技术未能有效整合地面观测、模式模拟和卫星遥感的多源优势，在数据精度、空间分辨率和时间跨度等方面难以满足骤旱精细化表征的应用需求。为此，本研究基于LightGBM机器学习方法构建融合模型，生成了覆盖1979至2022年、空间分辨率为0.0625°的中国东部根区土壤湿度融合数据集SMIF，用于中国东部骤旱的精细化识别与分析。该模型融合了一千余个土壤湿度站点观测、CSSPv2高分辨率陆面模拟、ERA5与GLDASv2.1再分析产品、ESA CCI卫星遥感以及多种气象要素数据，为时空外推提供了充足的数据支撑。融合模型验证结果表明，SMIF数据显著优于ERA5和GLDASv2.1再分析数据，其空间和时间外推的KGE效率系数分别提升0.34和0.4，相关系数分别提升50%和39%，均方根误差分别减少31%和66%。贡献分析表明，多源土壤湿度数据的协同效应在时间外推中起关键作用，而CSSPv2高分辨率陆面模拟在空间外推中具有重要贡献。基于多源融合数据系统分析了中国东部区域骤旱特征，SMIF揭示了更为精细且合理的骤旱时空分布规律，准确刻画了2013年和2022年长江中下游典型骤旱事件的暴发与消亡过程。本研究展示了机器学习方法在骤旱精细化研究中的应用潜力，有助于深化对骤旱精细空间格局的认知，并为改进中国干旱监测与管理策略提供技术支撑。

骤旱,土壤湿度,数据融合,机器学习,中国东部