La humedad del suelo (SM) es un parámetro crítico en el ciclo del agua de la Tierra, impactando significativamente en los campos de investigación hidrológica, agrícola y meteorológica. El desafío de estimar la humedad del suelo superficial a partir de datos de radar de apertura sintética (SAR) se ve complicado por la influencia de la cobertura vegetal. Este estudio se centra en el río Weigan y el delta del río Kuche en Xinjiang, empleando imágenes de alta resolución de Sentinel-1 y Sentinel-2 junto con un modelo de nube de agua modificado (WCM) y la matriz de co-ocurrencia en escala de grises (GLCM) para la extracción de parámetros de características. Se propone un método de inversión de humedad del suelo basado en el aprendizaje en conjunto apilado, que integra random forest, CatBoost y LightGBM. Los hallazgos subrayan la viabilidad de utilizar datos de teledetección de múltiples fuentes para la inversión de humedad en oasis en regiones áridas. Sin embargo, las estimaciones del contenido de humedad del suelo tienden a ser sobreestimadas por encima del 10% y subestimadas por debajo del 5%. El modelo CatBoost logró la mayor precisión (R2 = 0.827, RMSE = 0.014 g/g) utilizando los 16 grupos de parámetros de características más relevantes. Además, los valores de R2 para los modelos Stacking1 y Stacking2 vieron incrementos de 0.008 y 0.016, respectivamente. Así, la integración de datos de teledetección de múltiples fuentes con modelos de apilamiento ofrece un valioso apoyo y referencia para la estimación a gran escala del contenido de humedad del suelo superficial en áreas de oasis áridas.