双分支解耦机器学习框架:GNSS-R积雪深度估算中非线性干扰的有效抑制新方法

《International Journal of Applied Earth Observation and Geoinformation》:ForResANeXt: Forest/non-forest segmentation with aggregated residual attention network in satellite imagery

【字体: 大 中 小 】 时间:2026年01月19日 来源:International Journal of Applied Earth Observation and Geoinformation 8.6

编辑推荐:

  本文针对GNSS反射测量(GNSS-R)积雪深度估算中,由环境因素和复杂多路径效应引起的残余非线性误差问题,提出了一种双分支解耦机器学习框架。该研究通过积雪状态检测(分类)和积雪深度回归(回归)的解耦架构,有效解决了无雪期物理意义不明确的深度波动难题。实验表明,该方法在P350和AB33站点的均方根误差(RMSE)分别降至5.41 cm和1.89 cm,相关系数高达0.995和0.999,显著提升了估算精度与可靠性,为全球积雪水资源监测提供了稳健的自动化解决方案。

  
积雪,作为地球表面最活跃的自然要素之一,不仅是气候变化的灵敏指示器,更是全球数以亿计人口赖以生存的重要淡水资源。准确、及时地监测积雪深度,对于理解区域乃至全球水循环、预测融雪性洪水、评估水资源可持续性具有至关重要的意义。然而,传统的积雪深度测量方法,如超声波传感器、雷达或人工观测,虽然精度较高,但成本高昂,且受限于时空分辨率,难以实现大范围、连续性的监测。卫星遥感技术,特别是光学和被动微波遥感,提供了广覆盖的潜力,却常常受到云层、大气条件等因素的干扰,精度有限。
在此背景下,全球导航卫星系统反射测量技术应脱颖而出。GNSS系统,如美国的GPS,其原本设计用于导航、定位与授时,但科学家们发现,其地表反射信号中蕴含着丰富的地表环境信息。通过分析信噪比数据中由直射信号与反射信号干涉产生的振荡频率,可以反演出反射面的高度,进而估算积雪深度,这便是GNSS-R积雪深度估算的基本原理。然而,这一看似直接的方法在实际应用中面临着严峻挑战。传统方法主要依赖于SNR振荡频率与积雪深度之间的线性模型,并辅以人工质量控参数(如峰值信噪比)来筛选可用信号。但环境因素的复杂性、多路径效应的残余误差,以及天线高度测量不准和地形偏差等引入的非线性误差,严重制约了估算精度。特别是在无雪期,地表反射特性由复杂的环境和多重路径效应主导,此时若仍进行积雪深度回归,模型会产生物理上不合理的深度波动,极大地削弱了其在长期自动化监测中的可靠性。
为了突破线性模型的局限,机器学习技术被引入该领域。支持向量回归、随机森林等模型被用于直接建立SNR特征与积雪深度之间的非线性关系,虽展现出优于传统方法的性能,但这些“端到端”的直接回归方法仍难以彻底消除残余非线性误差,尤其是在无雪期。针对这一核心痛点,来自哈尔滨工程大学的研究团队在《International Journal of Applied Earth Observation and Geoinformation》上发表论文,提出了一种创新的“双分支机器学习框架与解耦架构”,旨在从根本上缓解GNSS-R积雪深度估算中的非线性干扰。
该研究的核心创新在于将单一的回归任务明确解耦为两个子任务:积雪状态检测(分类问题)和积雪深度估算(回归问题)。具体而言,研究团队构建了三种双分支模型组合:MLP-1D CNN、SVM-SVR和RF-RF。每种组合的前一个模型(MLP、SVM、RF)专门负责高效地判别地表状态(有雪/无雪),后一个模型(1D CNN、SVR、RF)则利用提取的特征(频率、振幅、相位及前一日积雪深度)在判定为有雪的状态下执行精确的回归任务。这种设计使得模型能够自适应地进行质量控制,仅在物理意义明确的情况下进行深度估算,从而有效避免了无雪期的无效估算和误差放大。
为验证所提方法的可行性,研究选取了美国板块边界观测网络中的P350和AB33两个站点,利用其2023年(80%训练,20%验证)和2024年(独立测试集)的GPS L1波段SNR数据及邻近SNOTEL站点的实测积雪深度数据进行了实验。数据预处理包括使用最小二乘拟合去除SNR趋势项,利用Lomb-Scargle周期图从剩余多路径振荡项中提取频率和振幅,并采用Hocke方法估算相位。
研究结果显示,所提出的双分支框架显著提升了积雪深度估算的性能。在积雪较深的P350站,MLP-CNN组合表现最佳,其RMSE从传统方法的16.96 cm大幅降低至5.41 cm,降幅达69.69%,相关系数从0.905提升至0.995。在积雪深度较浅的AB33站,SVM-SVR组合展现了惊人的精度,RMSE低至1.89 cm(较传统方法13.46 cm下降85.96%),相关系数高达0.999。尤为关键的是,通过积雪状态检测模块,所有双分支方法在无雪期均能有效将估算值收敛于0 cm附近,彻底解决了传统方法和直接回归模型在该时期产生荒谬波动的问题。
为了定量评估积雪状态检测模块的贡献,研究还对比了不包含分类步骤的直接回归模型。结果表明,虽然直接回归模型在一定程度上也能处理非线性关系,但在无雪期会产生显著误差。而双分支框架通过先验分类,从根本上规避了这一问题,这是其整体精度得以大幅提升的关键。研究也讨论了残余误差的来源,主要出现在新雪形成、地表融雪期等信号物理特性发生急剧变化的过渡阶段,这些情况下的反射信号特征复杂,对任何模型都是挑战。
综上所述,这项研究提出的双分支解耦机器学习框架,通过将积雪状态检测与深度估算任务分离,巧妙地解决了GNSS-R技术中长期存在的无雪期非线性误差难题。该方法不仅显著提高了估算精度和可靠性,实现了质量控制的自动化,摆脱了对人工参数的依赖,而且为全球范围内长时间序列、高精度的积雪深度自动化监测提供了一种极具前景的稳健解决方案。未来,整合多系统GNSS信号以及引入气象辅助数据,有望进一步增强模型在各种复杂环境下的适应能力和物理可解释性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号